近日，小米开源社区发布了MiMo-VL-7B视觉语言模型技术报告，其SFT（监督微调）和RL（强化学习）版本在40多项多模态任务评测中表现惊艳，尤其在复杂推理和GUI交互领域刷新了开源模型记录。本文将深入解析其核心技术方案。
一、核心架构设计
MiMo-VL采用经典的三模块架构：
- 视觉编码器：基于Qwen2.5-ViT，支持原生分辨率输入保留细节
- 跨模态投影层：MLP结构实现视觉-语言特征对齐
- 语言模型：小米自研MiMo-7B基础模型，专为复杂推理优化
图：模型架构示意图（来源：技术报告Figure 2）
二、四阶段预训练策略（2.4万亿Token）
| 阶段 | 目标 | 关键数据 | 序列长度 |
|---|---|---|---|
| 1 | 投影层预热 | 图文对 | 8K |
| 2 | 视觉-语言对齐 | 图文交错数据 | 8K |
| 3 | 多模态预训练 | OCR/视频/GUI/推理数据 | 8K |
| 4 | 长上下文SFT | 高分辨率图像/长文档/长推理链 | 32K |
核心突破：在阶段4注入合成推理数据（含长思维链），使模型在MMMU任务响应长度从680 token跃升至2.5K token，推理深度显著提升。
三、混合强化学习（MORL）
创新性地融合两类奖励信号：
- 可验证奖励（RIVR）：
- 数学推理：基于Math-Verify库自动验证
- 目标定位：GIoU计算边界框精度
- 视频时序定位：IoU评估时间片段
- 人类偏好奖励（RLHF）：
- 构建双语偏好数据集
- 分离训练文本/多模态奖励模型
- 采用Bradley-Terry目标函数
技术优势：通过完全同策略GRPO算法避免传统RL性能饱和问题（见图7对比），实现稳定优化。
四、性能突破
- 基础视觉理解：
- MMMU-val：66.7%（超越Gemma 3 27B）
- CharXiv-RQ：56.5%（领先Qwen2.5-VL 14%）
- 复杂推理：
- OlympiadBench：59.4%（超越72B模型）
- MathVision：60.4%（较SFT提升2.5%）
- GUI交互：
- OSWorld-G：56.1%（超越专用模型UI-TARS）
- 统一动作空间支持跨平台操作（详见表5）
- 用户体验：
- 开源模型中最高Elo评分
- 接近Claude 3.7 Sonnet水平
图：GUI任务性能对比（来源：技术报告Figure 4）
五、关键洞见
- 推理数据前置：预训练后期引入长链合成数据，比微调效果提升显著
- 多任务RL冲突：感知任务需简短输出，推理任务需长链思考，优化目标存在张力
- 奖励工程挑战：不同任务奖励量纲差异需归一化处理（RaaS服务实现）
六、开源生态
- 模型权重：完整开放SFT/RL版本
- 评测框架：覆盖50+任务的LMMs-Eval增强版
- 数据集：包含GUI动作空间定义等工业级数据
结语
MiMo-VL-7B通过三阶段创新—— 精细数据配比预训练、混合奖励强化学习、工业场景专项优化，证明了小模型在复杂多模态任务上的巨大潜力。其在STEM问题求解（见图13）、GUI自动化（见图9）、长文档解析等场景的表现，为开源社区提供了新的技术标杆。
附小米MiMo-VL技术报告英中对照版，仅供学习参考：