Rapport technique MiMo-VL

MiMo-VL Technical Report

June 4, 2025

Auteurs: 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

Résumé

Nous rendons open-source MiMo-VL-7B-SFT et MiMo-VL-7B-RL, deux modèles puissants de vision et langage offrant des performances de pointe en compréhension visuelle générale et en raisonnement multimodal. MiMo-VL-7B-RL surpasse Qwen2.5-VL-7B sur 35 des 40 tâches évaluées et obtient un score de 59,4 sur OlympiadBench, dépassant des modèles comptant jusqu’à 78 milliards de paramètres. Pour les applications de repérage d’interfaces graphiques (GUI), il établit un nouveau standard avec un score de 56,1 sur OSWorld-G, surpassant même des modèles spécialisés tels que UI-TARS. Notre entraînement combine un pré-entraînement en quatre étapes (2,4 billions de tokens) avec un apprentissage par renforcement mixte sur politique (MORL) intégrant des signaux de récompense diversifiés. Nous identifions l’importance d’incorporer des données de raisonnement de haute qualité avec des chaînes de pensée longues dans les étapes de pré-entraînement, ainsi que les avantages du renforcement mixte malgré les défis liés à l’optimisation simultanée dans plusieurs domaines. Nous contribuons également à une suite d’évaluation complète couvrant plus de 50 tâches pour promouvoir la reproductibilité et faire avancer le domaine. Les points de contrôle des modèles et la suite d’évaluation complète sont disponibles à l’adresse 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.