小米开源多模态大模型MiMo-VL 称多方面优于Qwen2.5-VL-7B

【php中文网快讯】5月30日，小米通过其官方公众号“xiaomi mimo”正式宣布，旗下多模态大模型 xiaomi mimo-vl 开源。此次开源包括 mimo-vl-7b 的 rl 前后两个版本，以及支持超过 50 项评测任务的完整框架，代码已上传至 github。

MiMo-VL 在多项任务中展现出卓越能力，尤其在多模态推理方面表现亮眼。尽管参数规模仅为 7B，MiMo-VL-7B 在奥林匹克竞赛数据集（OlympiadBench）及多个数学视觉评测（如 MathVision、MathVerse）中，显著优于参数量高达其 10 倍的阿里 Qwen-2.5-VL-72B 和 QVQ-72B-Preview 模型，甚至在部分指标上超越闭源模型 GPT-4o。在小米内部用于评估真实用户交互体验的大模型竞技场测试中，MiMo-VL-7B 同样力压 GPT-4o，成为当前开源领域中的领先者。

尤为引人注目的是，MiMo-VL-7B 不仅擅长复杂图像理解与问答任务，还能执行长达十余步的 GUI 操作流程，展现出在智能 Agent 时代的巨大应用前景。例如，该模型可协助用户完成将心仪商品（如小米 SU7）加入心愿单等操作。

据官方披露，小米团队构建了一套高质量的预训练多模态数据集，涵盖图像-文本对、视频-文本对以及 GUI 操作序列等多种类型，总计达 2.4T tokens。通过分阶段动态调整各类数据比例，有效增强了模型的长程多模态推理能力。同时，团队创新性地采用混合在线强化学习算法（Mixed On-policy Reinforcement Learning, MORL），融合文本推理、多模态感知与 RLHF 等多种反馈信号，全面提升了模型在推理、感知及用户体验方面的综合表现。