小米公司于 2025 年 5 月 30 日正式开源了其多模态大模型 MiMo-VL-7B，在图像、视频和语言的综合问答与理解推理任务中展现了卓越的能力，甚至在某些任务上超越了闭源模型 GPT-4o，成为当前开源模型中的佼佼者。blog.csdn.net+7sohu.com+7sohu.com+7

🔍 模型亮点与技术特性

🧠 多模态推理能力

• 参数规模与性能：MiMo-VL-7B 仅有 7B 参数规模，却在多项任务上表现出色，尤其是在多模态推理方面。blog.csdn.net+7news.sohu.com+7sohu.com+7

• 竞赛表现：在奥林匹克竞赛（OlympiadBench）和多个数学竞赛（MathVision、MathVerse）中，MiMo-VL-7B 超越了参数规模是其 10 倍的阿里 Qwen-2.5-VL-72B 和 QVQ-72B-Preview，甚至在某些任务上超过了闭源模型 GPT-4o。arxiv.org+7sohu.com+7news.sohu.com+7

🖼️ 图像与 GUI 理解

• GUI Grounding 任务：MiMo-VL-7B 在 GUI Grounding 任务上的表现可与专用模型相媲美，展示了其在智能代理（Agent）时代的巨大潜力。arxiv.org+9sohu.com+9oschina.net+9

• 实际应用示例：例如，用户可以通过 MiMo-VL-7B 将小米 SU7 添加到心愿单中，从而享受更便捷的智能体验。news.qq.com+3sohu.com+3sohu.com+3

🔧 创新训练方法

• 多阶段预训练：小米团队收集、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。通过分阶段调整不同类型数据的比例，强化了长程多模态推理的能力。sohu.com+2oschina.net+2news.qq.com+2

• 混合在线强化学习（MORL）：结合文本推理、多模态感知与推理、RLHF 等反馈信号，并通过在线强化学习算法稳定加速训练，全方位提升了模型的推理、感知性能和用户体验。sohu.com+2oschina.net+2news.qq.com+2

📥 获取与部署

• 模型版本：小米开源了 MiMo-VL-7B 系列模型，包括监督微调（SFT）和强化学习（RL）阶段的检查点。oschina.net+10blog.csdn.net+10sohu.com+10

• 下载链接：

  • Hugging Face：XiaomiMiMo/MiMo-VL-7B-SFTsohu.com+3news.qq.com+3blog.csdn.net+3

  • ModelScope：XiaomiMiMo/MiMo-VL-7B-SFT

• 技术报告与评估框架：

  • 技术报告：MiMo-VL Technical Reportnews.qq.com

  • 评估框架：lmms-evalnews.qq.com

✅ 总结

MiMo-VL-7B 的发布标志着小米在多模态大模型领域取得了重要突破，其在推理、感知和用户体验等方面的能力已接近甚至超越部分国际主流模型。对于开发者和研究者而言，这是一个值得关注和尝试的新选择。blog.csdn.net+8oschina.net+8news.qq.com+8

如果您需要进一步了解如何部署或使用 MiMo-VL-7B，或希望获取更多关于其性能测试的信息，欢迎提出具体问题。