/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7 млрд
Размер весов
18 ГБ
Лицензия
MIT
Архитектура
qwen2_5_vl · dense
Базовая модель
MiMo-Embodied
Библиотека
transformers
Опубликована
19 ноя 2025

MiMo-Embodied-7B

Изображение и текст → текст3 профессии

Открытая мультимодальная модель Xiaomi на базе Qwen2.5-VL для визуального понимания, планирования и прогнозирования в автономном вождении и embodied AI.

882скачиваний за 30 дней75лайковвеса обновлены13 апр 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MiMo-Embodied-7B — мультимодальная модель Xiaomi для понимания изображений и текста в сценариях автономного вождения и embodied AI. Это дообученная версия MiMo-Embodied с архитектурой Qwen2.5-VL, 7 млрд параметров и контекстом до 128 000 токенов. Модель предназначена для восприятия окружающей среды, пространственного понимания, планирования действий и прогнозирования состояний в динамических физических средах; также сохраняет возможности общего визуального понимания.

В README описаны результаты оценки на задачах планирования, предсказания affordance и пространственного понимания для embodied AI, а также на задачах восприятия среды, прогнозирования состояния и планирования вождения. Модель принимает изображения и текст и формирует текстовые ответы; метаданные указывают поддержку чата и интерфейса вызова инструментов. Выпущена под лицензией MIT.

Сценарии применения

  • анализ дорожной сцены по изображению
  • понимание пространственных отношений между объектами
  • планирование манипуляций и действий робота
  • предсказание возможных взаимодействий с объектами
  • прогнозирование состояния дорожной обстановки
  • планирование поведения автономного автомобиля

Ограничения

Заявленные преимущества основаны на результатах бенчмарков из README; они не гарантируют качество в конкретной среде или при реальном управлении транспортом и роботами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

I. Introduction

MiMo-Embodied, a powerful cross-embodied vision-language model that shows state-of-the-art performance in both autonomous driving and embodied AI tasks, the first open-source VLM that integrates these two critical areas, significantly enhancing understanding and reasoning in dynamic physical environments.

II. Model Capabilities

III. Model Details

IV. Evaluation Results

MiMo-Embodied demonstrates superior performance across 17 benchmarks in three key embodied AI capabilities: Task Planning, Affordance Prediction, and Spatial Understanding, significantly surpassing existing open-source embodied VLM models and rivaling closed-source models.

Additionally, MiMo-Embodied excels in 12 autonomous driving benchmarks across three key capabilities: Environmental Perception, Status Prediction, and Driving Planning—significantly outperforming both existing open-source and closed-source VLM models, as well as proprietary VLM models.

Moreover, evaluation on 8 general visual understanding benchmarks confirms that MiMo-Embodied retains and even strengthens its general capabilities, showing that domain-specialized training enhances rather than diminishes overall model proficiency.

Embodied AI Benchmarks

Affordance & Planning

Spatial Understanding

Autonomous Driving Benchmarks

Single-View Image & Multi-View Video

Multi-View Image & Single-View Video

General Visual Understanding Benchmarks

Results marked with * are obtained using our evaluation framework.

V. Case Visualization

Embodied AI

Affordance Prediction

Task Planning

Spatial Understanding

Autonomous Driving

Environmental Perception

Status Prediction

Driving Planning

Real-world Tasks

Embodied Navigation

Embodied Manipulation

VI. Citation

@misc{hao2025mimoembodiedxembodiedfoundationmodel,
      title={MiMo-Embodied: X-Embodied Foundation Model Technical Report}, 
      author={Xiaomi Embodied Intelligence Team},
      year={2025},
      eprint={2511.16518},
      archivePrefix={arXiv},
      primaryClass={cs.RO},
      url={https://arxiv.org/abs/2511.16518}, 
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
6857af6

0 моделей