Informe Técnico de MiMo-VL

MiMo-VL Technical Report

June 4, 2025

Autores: Xiaomi LLM-Core Team, Zihao Yue, Zhenru Lin, Yifan Song, Weikun Wang, Shuhuai Ren, Shuhao Gu, Shicheng Li, Peidian Li, Liang Zhao, Lei Li, Kainan Bao, Hao Tian, Hailin Zhang, Gang Wang, Dawei Zhu, Cici, Chenhong He, Bowen Ye, Bowen Shen, Zihan Zhang, Zihan Jiang, Zhixian Zheng, Zhichao Song, Zhenbo Luo, Yue Yu, Yudong Wang, Yuanyuan Tian, Yu Tu, Yihan Yan, Yi Huang, Xu Wang, Xinzhe Xu, Xingchen Song, Xing Zhang, Xing Yong, Xin Zhang, Xiangwei Deng, Wenyu Yang, Wenhan Ma, Weiwei Lv, Weiji Zhuang, Wei Liu, Sirui Deng, Shuo Liu, Shimao Chen, Shihua Yu, Shaohui Liu, Shande Wang, Rui Ma, Qiantong Wang, Peng Wang, Nuo Chen, Menghang Zhu, Kangyang Zhou, Kang Zhou, Kai Fang, Jun Shi, Jinhao Dong, Jiebao Xiao, Jiaming Xu, Huaqiu Liu, Hongshen Xu, Heng Qu, Haochen Zhao, Hanglong Lv, Guoan Wang, Duo Zhang, Dong Zhang, Di Zhang, Chong Ma, Chang Liu, Can Cai, Bingquan Xia

cs.AI

Resumen

Hemos liberado el código de MiMo-VL-7B-SFT y MiMo-VL-7B-RL, dos potentes modelos de visión y lenguaje que ofrecen un rendimiento de vanguardia tanto en comprensión visual general como en razonamiento multimodal. MiMo-VL-7B-RL supera a Qwen2.5-VL-7B en 35 de las 40 tareas evaluadas y obtiene una puntuación de 59.4 en OlympiadBench, superando a modelos con hasta 78B parámetros. Para aplicaciones de anclaje en interfaces gráficas, establece un nuevo estándar con 56.1 en OSWorld-G, superando incluso a modelos especializados como UI-TARS. Nuestro entrenamiento combina un preentrenamiento en cuatro etapas (2.4 billones de tokens) con Aprendizaje por Refuerzo Mixto On-policy (MORL) que integra diversas señales de recompensa. Identificamos la importancia de incorporar datos de razonamiento de alta calidad con Cadenas de Pensamiento largas en las etapas de preentrenamiento, así como los beneficios del aprendizaje por refuerzo mixto a pesar de los desafíos en la optimización simultánea de múltiples dominios. También contribuimos con una suite de evaluación integral que cubre más de 50 tareas para promover la reproducibilidad y avanzar en el campo. Los puntos de control del modelo y la suite de evaluación completa están disponibles en https://github.com/XiaomiMiMo/MiMo-VL.

English

We open-source MiMo-VL-7B-SFT and MiMo-VL-7B-RL, two powerful vision-language models delivering state-of-the-art performance in both general visual understanding and multimodal reasoning. MiMo-VL-7B-RL outperforms Qwen2.5-VL-7B on 35 out of 40 evaluated tasks, and scores 59.4 on OlympiadBench, surpassing models with up to 78B parameters. For GUI grounding applications, it sets a new standard with 56.1 on OSWorld-G, even outperforming specialized models such as UI-TARS. Our training combines four-stage pre-training (2.4 trillion tokens) with Mixed On-policy Reinforcement Learning (MORL) integrating diverse reward signals. We identify the importance of incorporating high-quality reasoning data with long Chain-of-Thought into pre-training stages, and the benefits of mixed RL despite challenges in simultaneous multi-domain optimization. We also contribute a comprehensive evaluation suite covering 50+ tasks to promote reproducibility and advance the field. The model checkpoints and full evaluation suite are available at https://github.com/XiaomiMiMo/MiMo-VL.