核心事件： 小米公司已于 2025年5月30日 通过其官方公众号「Xiaomi MiMo」正式宣布开源其强大的多模态大模型 MiMo-VL-7B 系列。该系列包含 RL（强化学习版） 和 SFT（监督微调版） 两个版本，旨在为下一代智能体（Agent）提供通用基础能力。 核心定位： MiMo-VL 是一款专注于多模态理解与推理的模型，能够同时处理图像、视频和文本等多种模态信息，目标是成为开发者构建复杂应用的通用基座模型。 开源资源： 模型文件 & 代码库： Hugging Face 仓库 (https://huggingface.co/XiaomiMiMo) 详细技术报告： GitHub (https://github.com/XiaomiMiMo/MiMo-VL/blob/main/MiMo-VL-Technical-Report.pdf) 评测框架： lmms-eval (https://github.com/XiaomiMiMo/lmms-eval)，支持超过50种多模态任务评测。 技术亮点： 精心设计的四阶段预训练： 模型训练经历了四个关键阶段，累积使用了约 2.4万亿Tokens（tokens） 的数据。 阶段一：投影器预热 - 使用图像-文本配对数据初始化视觉投影器。 阶段二：视觉-语言对齐 - 引入网页、书籍、论文等交错数据，强化图文关联理解。 阶段三：深度多模态预训练 - 加入更复杂的 OCR、目标检测、视频、图形用户界面（GUI）数据和专用推理数据，全面提升多模态能力。 阶段四：长上下文优化 - 整合长文本、高分辨率图像和长视频数据，将模型上下文窗口扩展至32K（32,000 tokens），增强处理复杂场景能力。 创新的混合在线强化学习（MORL）： MiMo-VL-RL 版本的核心训练方法。 融合了文本推理质量、多模态感知准确性和 RLHF（人类反馈强化学习）等多种信号进行模型优化。 采用独特的 “奖励即服务（RaaS）” 机制，能够根据不同任务需求动态调整和适配奖励函数，提升模型的泛化和适应能力。 突出性能表现： 多模态推理能力（显著优势）： 在要求极高的数学推理挑战（如 OlympiadBench, MathVision, MathVerse）中， MiMo-VL-7B-RL 击败了参数量高达720亿的阿里 Qwen2.5-VL-72B 以及闭源标杆 GPT-4o。 在小米内部以用户体验为中心的综合评测中，MiMo-VL 超越 GPT-4o，成为目前表现最佳的开源多模态模型。 通用任务广泛领先： 在涵盖多学科理解的 MMMU、知识推理的 MMLU-Pro、视觉指代表达理解的 RefCOCO 等超过50项主流评测任务中，MiMo-VL-7B 全面领先于同体量的标杆模型（如 Qwen2.5-VL-7B）。 关键指标示例： MathVerse： MiMo-VL-7B-RL 得分 62.7，对比 Qwen2.5-VL-7B 的 47.3，领先 15.4分。 VL-RewardBench (评估视觉语言联合任务奖励建模)： MiMo-VL-7B-RL 得分 56.5，对比 Qwen2.5-VL-7B 的 38.0，领先 18.5分。 GUI 操作潜力： 模型展现出强大的图形用户界面理解与控制能力，能够规划并模拟执行长达 10 步以上的交互操作序列（例如，在小米官网逐步操作将一辆 SU7 汽车加入心愿单）。 典型应用场景： 复杂视觉推理： 解决包含物体识别、空间关系和逻辑的视觉谜题。 长文档与图表解析： 理解学术论文、报告中的高分辨率图表和复杂的图文混排内容。 工业级智能体（Agent）： 驱动自动化 GUI 操作流程（如软件测试、表单填写）、实现跨平台任务执行。 总结： 小米 MiMo-VL-7B 系列通过大规模、高质量、阶段递进式的多模态预训练，结合创新的混合在线强化学习框架（MORL），在仅有 70亿参数 的规模下，实现了对百亿级参数模型乃至顶级闭源模型的超越。其优势在数学推理、视觉定位和长上下文/长序列交互任务中尤为突出。此次开源为开发者社区提供了一个性能强大、轻量高效的通用多模态基座模型，将加速其在智能助手、自动化流程、工业视觉等多样化场景中的实际应用落地。
