4月30日，该团队推出的首个推理大模型MiMo-7B曾引发业界关注，时隔一个月又推新模型，再次展现了小米在模型领域的进军决心。只不过，相比较在开源领域太耀眼的DeepSeek，MiMo系列模型想获得广大开发者认可或许还有一段路要走。
小米新模型的推出节点略显尴尬，因为开源大模型的竞赛刚被DeepSeek拉升到了全新水平。
DeepSeek-R1-0528的整体性能已接近O3、Gemini 2.5 Pro等AI巨头的领先旗舰模型，在数学、编程、通用逻辑等多项基准测试中均展现出更加优异的性能，相比较上代R1模型实现了长足进步，不过参数规模也高达685B。
小米的新模型本来应该是个惊喜，因为其在多个数学代码竞赛中，已经与开源推理模型DeepSeek R1和OpenAI闭源推理模型o1、o3-mini相差无几，但如今与最强的开源模型R1-0528对上，差距又拉开了。
例如在AIME2024上，R1-0528的最新成绩是91.4，MiMo-7B-RL-0530则为80.1，在LiveCodeBench上，R1-0528得分73.3，MiMo-7B-RL-0530为60.9，直接被DeepSeek盖过了风头。
不过值得肯定的是，小米模型走出了一个“以小搏大”的技术路线，与DeepSeek比起来其模型参数要小得多，同时支持多模态，这与微软团队开发的Phi系列小语言模型（SLM）有异曲同工之妙，此类模型在特定应用场景下可以更方面部署发挥妙用，在如今各种大模型的激烈竞逐之下，找到自己的独特切入点变得很重要。
在技术报告中，小米大模型Core团队分享了如何构建小而强大的视觉语言模型的相关创新工作，其训练方法结合了四阶段预训练（处理2.4万亿tokens）与混合策略强化学习（MORL），并集成了多样化的奖励信号。
其团队研究发现，在预训练阶段融入包含长链式思维的高质量推理数据至关重要，此外，尽管在多领域同步优化中存在挑战，混合强化学习仍能带来显著收益。
技术报告称，MiMo-VL-7B-RL在全维度多模态能力中表现卓越。
1、基础视觉感知任务：在同等规模的开源视觉语言模型中实现先进性能，在MMMU基准中得分66.7，且在40项评估任务中的35项上超越 Qwen2.5-VL-7B。
2、复杂多模态推理：在OlympiadBench基准中得分59.4，超越参数规模达720亿的模型。
3、智能体应用的GUI定位任务：模型在OSWorld-G数据集中取得54.7分，树立新基准，甚至超过UI-TARS等专用模型。
4、用户体验与偏好：在内部用户偏好评估中，MiMo-VL-7B-RL的Elo评分在所有开源视觉语言模型中最高，可与Claude 3.7 Sonnet等专有模型媲美。
小米团队表示，MiMo-VL-7B-SFT与MiMo-VL-7B-RL为开源视觉语言模型确立了新标准，同时还提供了覆盖50+任务的完整评估套件，助力社区进一步探索。
这款模型的架构包含三个关键组件：1、原生分辨率视觉Transformer（ViT）编码器，可保留细粒度的视觉细节；2、多层感知机（MLP）投影器，用于高效的跨模态对齐；3、MiMo-7B 语言模型，针对复杂推理任务进行了专门优化。
同时在预训练以及混合在线强化学习算法方面进行了创新。
多阶段预训练收集、清洗、合成了高质量的预训练多模态数据，涵盖图片-文本对、视频-文本对、GUI操作序列等数据类型，总计2.4T tokens；混合在线强化学习则包含文本推理、多模态感知 + 推理、RLHF等反馈信号，通过在线强化学习算法稳定加速训练，全方位提升模型推理、感知性能。
技术报告给出的评估数据显示，MiMo-VL-7B系列模型在多视觉语言、文本基准测试以及推理基准测试中取得了开源模型的最佳结果，在GUI（图形用户界面）理解与定位任务中实现了与专用模型媲美的成绩。
在模型的实际应用示例中，MiMo-VL-7B系列模型的多模态优势很明显。
例如其图表理解能力，可以将复杂图表转换为结构清晰的Markdown图表。
小米大模型Core团队在模型官方推文中表示，MiMo-VL-7B系列模型专为Agent时代而打造，可以替代目前开源7B～72B多模态模型，作为研究多模态RL和Agentic训练的全新基座模型。此外，具备Reasoning能力的小模型，可以靠SFT/RFT创造一个更高的起点，并通过RL最终无限逼近大模型效果。
当下，AI行业正在从生成式AI向智能体AI演进，不仅要解决 “如何生成高质量内容” 的问题，也要解决 “如何用内容和工具完成复杂目标” 的问题，二者共同推动AI从辅助工具向全能助手进化，未来可能在更多场景中深度融合，实现更智能的自动化任务处理。
-END-
（文：头部科技）