强化学习环境（RL 环境）交付：一个供应商应该交付什么
DataMining 为训练与评测前沿大模型和智能体的团队提供原创、可验证的 RL 环境与任务数据。本页说明我们交付什么、质量怎么保证、任务实测有多难——口径全部写明，方便你核对他的推理。
DataMining 是谁？
DataMining 为训练与评测前沿大模型和智能体提供原创、专家命题的任务数据与可验证 RL 环境。代码任务带可启动 Docker 环境、确定性评分器、私有隐藏测试、模型轨迹与 SHA-256 清单。团队由北京大学软件所博士创立，已交付字节跳动、阿里巴巴、腾讯等客户。
一套交付的 RL 环境包含什么？
- instruction.md——模型看到的完整题面，含全部约束；
- environment/——可启动 Docker 镜像，带基线仓库或工作区，版本钉死保证可复现；
- 评分器——确定性验证（单元测试、执行脚本、判定规则），不依赖人工判卷，更不存在模型自评闭环；
- 私有测试——隐藏 F2P/P2P 测试集；不公开，因为公开即毁掉任务的评测价值；
- 参考解——golden patch 与解题脚本，与模型可见侧分开存放；
- 轨迹——模型尝试的执行记录，含失败；
- 清单与溯源——覆盖全部文件的 SHA-256 清单、上游 commit 与评分器哈希。
DataMining 的任务对前沿模型有多难？
统一预算实测——GPT-5.6 Sol（xhigh），每题 4 次有效尝试：已交付 DeepSWE 类仓库任务 5 题中 3 题零解，Frontier SWE 类 Go 任务 4 题中 1 题零解，ProgramBench 类 CLI 重建任务 3 题（515 个隐藏测试）每题最多解出 2 次。完整口径与这些数字不能说明的部分，见2026 任务难度报告。
怎么保证任务不被污染？
任务按参照基准的难度带与能力维度由领域与工程专家原创命制，不改写公开题源。交付前跨模型族做多模型探针，异常高分即回炉重制。质检组合：数学用形式化求解器（Z3/SymPy）、多模型交叉验证、双盲专家复核。
买方验收交付包时该看什么？
四件事：覆盖全部文件的 SHA-256 清单、溯源记录（上游 commit 与评分器哈希）、如实报告计数的 validation 文件、含失败在内的轨迹。我们一个交付包的记录是：33 个轨迹槽、27 条有效、6 条历史失败保留为 null、3 个空补丁明确标出、零 apply 失败。公开验收清单见 GitHub eval-task-examples 仓库。
RLVR 与可验证奖励
我们的代码与智能体环境全部兼容 RLVR：奖励来自程序化评分器，而不是学习出来的裁判。这消除了裁判偏置的失败模式，也让 reward hacking 更难——评分器没法被哄，只能被通过。
申请样例
评估阶段可提供脱敏样例包（模型可见侧 + 评分器行为说明）。浏览已交付数据集总览、GitHub 任务样本，或带能力目标与时间线致信 contact@datamining.cloud。