小米开源首个原生端到端语音大模型

小米公司今日正式开源首个原生端到端语音模型 Xiaomi-MiMo-Audio，它基于创新预训练架构和上亿小时训练数据，首次在语音领域实现基于 ICL 的少样本泛化，并在预训练观察到明显的 “涌现” 行为。小米称，得益于创新模型结构 + 上亿小时数据预训练 + 轻量后训练，该模型性能亮眼。在通用语音理解及对话等多项标准评测基准中，大幅超越了同参数量的开源模型，取得7B最佳性能。在音频理解基准MMAU的标准测试集上，超过谷歌 Gemini-2.5-Flash 。在面向音频复杂推理的基准Big Bench Audio S2T任务中，同样超越了 OpenAI GPT-4o-Audio-Preview。

—— 小米

via 风向旗参考快讯 - Telegram Channel