小米MiMo-VL技术报告解读

小米于2025年6月开源了最新的多模态大模型MiMo-VL, 相比于Qwen-VL-7B在40个任务的性能对比上，有35个任务超过了Qwen-VL-7B。

小米开源了MiMo-VL-7B-SFT和MiMo-VL-7B-RL这两个强大的视觉语言模型，在通用视觉理解和多模态推理方面都提供了最先进的性能表现。MiMo-VL-7B-RL在40个评估任务中的35个上优于Qwen2.5-VL-7B，并在OlympiadBench上获得59.4分，超越了参数量高达78B的模型。在GUI grounding应用方面，它以OSWorld-G 56.1分的成绩树立了新标准，甚至超越了UI-TARS等专用模型。我们的训练方法结合了四阶段预训练（2.4万亿token）和混合 On-policy强化学习（MORL），整合了多样化的reward信号。我们认识到在预训练阶段融入高质量、长思维链的推理数据的重要性，以及尽管面临多领域同步优化的挑战，混合强化学习仍能带来显著优势。我们还贡献了一个包含50多项任务的综合评估脚本，以促进可重复性研究并推动领域发展。模型检查点和完整评估脚本可在https://github.com/XiaomiMiMo/MiMo-VL获取。
pap