小米公司近日宣布了一項重大進展，其多模態大模型Xiaomi MiMo-VL已正式向公眾開放源代碼。這一消息由Xiaomi MiMo官方公眾號發布，標志著小米在人工智能領域邁出了重要一步。
據官方介紹，Xiaomi MiMo-VL在多模態任務上表現出色，尤其在圖片、視頻、語言通用問答及理解推理等方面，相較于同尺寸的多模態標桿模型Qwen2.5-VL-7B，有著顯著的優勢。更為引人注目的是，在GUI Grounding任務上，MiMo-VL的表現甚至可以與專用模型相媲美，預示著其在智能代理（Agent）時代的巨大潛力。
特別MiMo-VL-7B版本在保持小米MiMo-7B純文本推理能力的基礎上，進一步在多模態推理任務上取得了突破。僅需7B參數規模，它就在奧林匹克競賽（OlympiadBench）及多個數學競賽（MathVision、MathVerse）中，大幅領先參數規模達10倍的阿里Qwen-2.5-VL-72B和QVQ-72B-Preview，甚至超越了閉源模型GPT-4o。
在小米內部進行的大模型競技場評估中，MiMo-VL-7B同樣表現出色，超越了GPT-4o，成為開源模型中的佼佼者。這一成就不僅驗證了MiMo-VL的卓越性能，也彰顯了小米在人工智能技術研發方面的深厚實力。
MiMo-VL-7B的應用場景廣泛，能夠完成復雜的圖片推理和問答任務。在長達10多步的GUI操作上，它也展現出了不俗的潛力。例如，用戶可以通過MiMo-VL-7B輕松地將小米SU7添加到心愿單中，享受更加便捷的智能體驗。
小米表示，MiMo-VL的成功得益于高質量的預訓練數據以及創新的混合在線強化學習算法（MORL）。為了訓練這一模型，小米收集了涵蓋圖片-文本對、視頻-文本對、GUI操作序列等多種類型的高質量數據，總計達到2.4T tokens。通過分階段調整不同類型數據的比例，小米強化了模型的長程多模態推理能力。同時，混合文本推理、多模態感知+推理、RLHF等反饋信號，并通過在線強化學習算法穩定加速訓練，全方位提升了模型的推理、感知性能和用戶體驗。
目前，MiMo-VL-7B的RL前后兩個模型已經開源，并提供了相應的技術報告和測評任務框架。感興趣的開發者可以前往Huggingface和GitHub平臺獲取更多信息，共同探索人工智能技術的無限可能。
