小米のマルチモーダル大規模モデルXiaomi MiMo-VLがオープンソース化

AIbase基地

公開日AIニュース · 1 分で読めます · May 30, 2025

最近、小米社が開発したMiMo-VLマルチモーダルモデルは、MiMo-7Bの後を引き継ぎ、複数の分野で強力なパフォーマンスを発揮しています。このモデルは画像、ビデオ、言語に関する汎用的な質問応答や理解推論などの多くのタスクにおいて、同じサイズの基準となるマルチモーダルモデルQwen2.5-VL-7Bを大きく上回り、GUI接地（Grounding）タスクでのパフォーマンスは専用モデルと互角以上に達しており、エージェント時代の到来に備えています。

微信截图_20250530093852.png

MiMo-VL-7Bはマルチモーダル推論タスクにおいて輝かしい成果を収めていますが、パラメータ規模はわずか7Bながら、オリンピック競技ベンチマーク（OlympiadBench）や数学競技（MathVision、MathVerse）などの複数の競技において、パラメータ規模が10倍大きいアリのQwen-2.5-VL-72BやQVQ-72B-Previewを大きく上回り、クローズドソースモデルのGPT-4oをも超えています。内部の大規模モデル競技場評価では、リアルユーザー体験においてもGPT-4oを上回り、オープンソースモデルの中で特に優れた存在となっています。実際の応用では、複雑な画像推論や質問応答において卓越したパフォーマンスを示し、10以上のステップにわたるGUI操作でも良い結果を示し、ユーザーがXiaomi SU7を心願リストに追加する手助けをすることさえ可能です。

MiMo-VL-7Bの包括的な視覚認識能力は、高品質な事前学習データと革新的なハイブリッドオンライン強化学習アルゴリズム（MORL）のおかげです。多段階の事前学習プロセスでは、小米は画像-テキストペア、ビデオ-テキストペア、GUI操作シーケンスなど、さまざまなデータタイプを含む高品質な事前学習マルチモーダルデータを収集・クリーンアップ・合成し、総計2.4兆トークンに達しました。そして、異なる種類のデータの割合を段階的に調整することで、長距離マルチモーダル推論能力を強化しました。ハイブリッドオンライン強化学習は、テキスト推論、マルチモーダル感覚+推論、RLHFなどのフィードバック信号を統合し、オンライン強化学習アルゴリズムを使用して訓練を安定かつ効率的に加速し、モデルの推論、感覚性能およびユーザーエクスペリエンスを全面提升しました。

関連リンク: https://huggingface.co/XiaomiMiMo

AIデイリーニュース: 昆仑万維天工スーパーアクティブAPPがリリース; グーグルが三大Gemmaモデルのバリエーションを発表; 字節がオープンソースのマルチモーダルモデルBAgeをリリース

【AIデイリーニュース】へようこそ! ここはあなたが毎日人工知能の世界を探検するためのガイドです。毎日、私たちはAI分野のホットなコンテンツをお届けし、開発者たちをフォーカスしてテクノロジートレンドや革新的AI製品アプリケーションの理解を助けます。新しいAIプロダクトをチェック: https://top.aibase.com/1、世界初となるOfficeインテリジェント体アプリケーション! 昆仑万維天工スーパーアクティブAPPがリリースされました。昆仑万維グループは、AIエージェントアーキテクチャに基づく世界初のOfficeインテリジェント体携帯端末アプリケーションを提供します。

字節跳動がオープンソースのマルチモーダルモデルBAGEを発表しました：画像生成からワールドモデリングまで

字節跳動は最近、その最新のオープンソースマルチモーダルベースモデル——BAGEL（ビッグアドバンスドジェネラレイトドイミテッドリーナー）を正式にリリースしました。これは70億もの有効パラメーターの規模であり、マルチモーダルAIモデルの新段階を切り開きました。BAGELは画像理解、生成、編集などの重要なタスクで優れたパフォーマンスを発揮し、すでにQwen2.5-VLやInternVL-2.5など、現在の主流のオープンソース視覚言語モデル（VLM）を複数の標準評価で上回っています。

AIデイリーニュース：バイトダンスがDoubao 1.5深度思考モデルを発表；微信初のAIアシスタント「元宝」が登場；OpenAIがo4-miniとフルスペック版o3を発表

【AIデイリーニュース】へようこそ！ここでは、人工知能の世界を探求するための毎日のガイドとして、AI分野のホットなトピックを毎日お届けします。開発者に焦点を当て、技術トレンドの洞察と革新的なAI製品アプリケーションの理解を支援します。最新のAI製品はこちらでご確認ください:https://top.aibase.com/1、OpenAIが2つのマルチモーダル推論モデルo4-miniとフルスペック版o3を発表OpenAIは技術ライブストリームで、最新のマルチモーダルモデルであるo4-miniとフルスペック版o3を発表しました。

バイトダンス、Liquidマルチモーダルモデルをオープンソース化　ビジョンと言語の統一生成に革命

人工知能分野に大きなブレイクスルーが訪れました。AIbaseはソーシャルメディアから、バイトダンスが最近、新しいマルチモーダル生成モデルであるLiquidのオープンソース化を発表したことを知りました。このモデルは、革新的な統一エンコーディング方式と単一の大規模言語モデル（LLM）アーキテクチャにより、ビジョン理解と生成タスクのシームレスな統合を実現しています。この発表は、バイトダンスのマルチモーダルAIにおける技術的な野心を示すだけでなく、世界中の開発者にとって強力なオープンソースツールを提供します。以下は、AIbaseによるLiquidモデルの詳細な分析であり、その技術革新とコアについて探ります。