/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7 млрд
Размер весов
16,6 ГБ
Лицензия
MIT
Архитектура
qwen2_5_vl · dense
Библиотека
transformers
Опубликована
30 мая 2025

MiMo-VL-7B-SFT

Изображение и текст → текст6 профессий

Мультимодальная модель Xiaomi на 7 млрд параметров для диалога по изображениям, визуальных вопросов и рассуждений.

505скачиваний за 30 дней56лайковвеса обновлены7 июн 2025

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-VL-7B-SFT — мультимодальная модель Xiaomi для понимания изображений и работы с визуальными запросами. Она сочетает визуальный ViT-кодировщик, сохраняющий детали исходного разрешения, MLP-проектор для связи изображений с языковой частью и языковую модель MiMo-7B, оптимизированную для сложных рассуждений. Чекпойнт получен после четырёх этапов предварительного обучения, включая настройку на длинный контекст; метаданные указывают 7 млрд параметров и контекст до 128 000 токенов.

Модель предназначена для диалога по изображениям, мультимодальных рассуждений, визуального заземления и понимания интерфейсов. Она совместима с архитектурой Qwen2_5_VLForConditionalGeneration и библиотекой Transformers. README также описывает результаты версии MiMo-VL-7B-RL; они не относятся напрямую к этому SFT-чекпойнту. Модель распространяется по лицензии MIT.

Сценарии применения

  • ответы на вопросы об изображении
  • описание содержимого фотографий и иллюстраций
  • рассуждения по визуальным данным
  • определение и локализация элементов интерфейса
  • диалог с изображением в качестве контекста

Ограничения

README приводит общие заявления о результатах серии MiMo-VL, но не разделяет их для SFT-чекпойнта и не даёт независимых количественных оценок именно этой версии. В описании отмечены сложности с интерференцией между доменами данных при мультимодальном обучении с подкреплением.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

I. Introduction

In this report, we share our efforts to build a compact yet powerful VLM, MiMo-VL-7B. MiMo-VL-7B comprises (1) a native resolution ViT encoder that preserves fine-grained visual details, (2) an MLP projector for efficient cross-modal alignment, and (3) our MiMo-7B language model, specifically optimized for complex reasoning tasks.

The development of MiMo-VL-7B involves two sequential training processes: (1) A four-stage pre-training phase, which includes projector warmup, vision-language alignment, general multi-modal pre-training, and long-context Supervised Fine-Tuning (SFT). This phase yields the MiMo-VL-7B-SFT model. (2) A subsequent post-training phase, where we introduce Mixed On-policy Reinforcement Learning (MORL), a novel framework that seamlessly integrates diverse reward signals spanning perception accuracy, visual grounding precision, logical reasoning capabilities, and human/AI preferences. This phase yields the MiMo-VL-7B-RL model.

We open-source MiMo-VL-7B series, including checkpoints of the SFT and RL model. We believe this report along with the models will provide valuable insights to develop powerful reasoning VLMs that benefit the larger community.

🛤️ During this journey, we find

  • Incorporating high-quality, broad-coverage reasoning data from the pre-training stage is crucial for enhancing model performance
    • We curate high-quality reasoning data by identifying diverse queries, employing large reasoning models to regenerate responses with long CoT, and applying rejection sampling to ensure quality.
    • Rather than treating this as supplementary fine-tuning data, we incorporate substantial volumes of this synthetic reasoning data directly into the later pre-training stages, where extended training yields continued performance improvements without saturation.
  • Mixed On-policy Reinforcement Learning further enhances model performance, while achieving stable simultaneous improvements remains challenging
    • We apply RL across diverse capabilities, including reasoning, perception, grounding, and human preference alignment, spanning modalities including text, images, and videos. While this hybrid training approach further unlock model’s potential, interference across data domains remains a challenge.

II. Model Details

Models are available at Huggingface Collections: MiMo-VL and ModelScope Collections: MiMo-VL

ModelDescriptionDownload (HuggingFace)Download (ModelScope)
MiMo-VL-7B-SFTVLM with extraordinary reasoning potential after 4-stage pre-training🤗 XiaomiMiMo/MiMo-VL-7B-SFT🤖️ XiaomiMiMo/MiMo-VL-7B-SFT
MiMo-VL-7B-RLRL model leapfrogging existing open-source models🤗 XiaomiMiMo/MiMo-VL-7B-RL🤖️ XiaomiMiMo/MiMo-VL-7B-RL

III. Evaluation Results

General Capabilities

In general visual-language understanding, MiMo-VL-7B models achieve state-of-the-art open-source results.

Reasoning Tasks

In multi-modal reasoning, both the SFT and RL models significantly outperform all compared open-source baselines across these benchmarks.

[!IMPORTANT] Results marked with * are obtained using our evaluation framework. Tasks with ${\dagger}$ are evaluated by GPT-4o.

GUI Tasks

MiMo-VL-7B-RL possess exceptional GUI understanding and grounding capabilities. As a general-purpose VL model, MiMo-VL achieves comparable or even superior performance to GUI-specialized models.

Elo Rating

With our in-house evaluation dataset and GPT-4o judgments, MiMo-VL-7B-RL achieves the highest Elo rating among all evaluated open-source vision-language models, ranking first across models spanning from 7B to 72B parameters.

IV. Deployment

The MiMo-VL-7B series maintain full compatibility with the Qwen2_5_VLForConditionalGeneration architecture for deployment and inference.

V. Citation

@misc{coreteam2025mimovltechnicalreport,
      title={MiMo-VL Technical Report}, 
      author={LLM-Core-Team Xiaomi},
      year={2025},
      eprint={2506.03569},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2506.03569}, 
}

VI. Contact

Please contact us at mimo@xiaomi.com or open an issue if you have any questions.

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
6c465f8

0 моделей