小米公司近日通過其官方公眾號“Xiaomi MiMo”震撼宣布，已將旗下多模態(tài)大模型——Xiaomi MiMo-VL，正式向全球開源。此次開源的版本中，MiMo-VL-7B的強化學習（RL）前后模型，以及支持超過50項任務的框架，均已在GitHub上亮相。
MiMo-VL在多任務處理上的卓越表現(xiàn)，特別是在多模態(tài)推理領域，讓人眼前一亮。盡管MiMo-VL-7B的參數(shù)規(guī)模僅為7B，但在奧林匹克競賽基準測試（OlympiadBench）及多個數(shù)學競賽（如MathVision、MathVerse）中，其表現(xiàn)均大幅超越了參數(shù)規(guī)模達72B的阿里Qwen-2.5-VL-72B和QVQ-72B-Preview，甚至超過了非開源的GPT-4o。在小米內(nèi)部的大模型競技場中，MiMo-VL-7B同樣以出色的用戶體驗，力壓GPT-4o，成為開源模型中的新標桿。
MiMo-VL-7B不僅在復雜的圖片推理和問答任務上游刃有余，還展現(xiàn)了驚人的GUI操作能力，能夠完成多達10余步的復雜操作。這一能力預示著在AI Agent時代，MiMo-VL將擁有巨大的應用潛力。例如，用戶可以通過MiMo-VL，輕松地將心儀的商品，如小米SU7，添加到心愿單中，享受前所未有的便捷體驗。
小米團隊在構(gòu)建MiMo-VL時，投入了大量精力收集、清洗和合成高質(zhì)量的預訓練多模態(tài)數(shù)據(jù)。這些數(shù)據(jù)涵蓋了圖片-文本對、視頻-文本對以及GUI操作序列等多種類型，總量高達2.4T tokens。通過精細地調(diào)整不同數(shù)據(jù)類型在訓練過程中的比例，小米團隊成功地強化了模型的長程多模態(tài)推理能力。
小米還創(chuàng)新性地采用了混合在線強化學習算法（MORL），該算法融合了文本推理、多模態(tài)感知推理以及RLHF等多種反饋信號，全方位提升了模型的推理能力、感知性能和用戶體驗。這一算法的引入，無疑為MiMo-VL的卓越表現(xiàn)奠定了堅實的基礎。
MiMo-VL的開源不僅展示了小米在AI領域的深厚積累，更為全球開發(fā)者提供了一個強大的多模態(tài)大模型平臺。未來，隨著更多開發(fā)者的加入和貢獻，MiMo-VL的應用場景和性能表現(xiàn)無疑將更加豐富多彩。
