Технический отчет MiMo-VL

MiMo-VL Technical Report

June 4, 2025

Авторы: 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

Аннотация

Мы открываем исходный код моделей MiMo-VL-7B-SFT и MiMo-VL-7B-RL — двух мощных моделей для работы с визуальными и текстовыми данными, демонстрирующих передовые результаты как в общем понимании визуальной информации, так и в мультимодальных рассуждениях. MiMo-VL-7B-RL превосходит Qwen2.5-VL-7B в 35 из 40 оцениваемых задач и набирает 59.4 балла на OlympiadBench, опережая модели с числом параметров до 78 миллиардов. В задачах, связанных с интерфейсами (GUI), она устанавливает новый стандарт с результатом 56.1 на OSWorld-G, превосходя даже специализированные модели, такие как UI-TARS. Наше обучение сочетает четырехэтапное предварительное обучение (2.4 триллиона токенов) с методом Mixed On-policy Reinforcement Learning (MORL), интегрирующим разнообразные сигналы вознаграждения. Мы подчеркиваем важность включения высококачественных данных для рассуждений с длинными цепочками мыслей (Chain-of-Thought) на этапах предварительного обучения, а также преимущества смешанного обучения с подкреплением, несмотря на сложности одновременной оптимизации в нескольких доменах. Мы также представляем комплексный набор для оценки, охватывающий более 50 задач, чтобы способствовать воспроизводимости и развитию области. Чекпоинты модели и полный набор для оценки доступны по адресу 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.