MiMo-VL是什么

MiMo-VL 是小米开源的多模态大模型，由视觉编码器、跨模态投影层和语言模型构成，视觉编码器基于Qwen2.5-ViT，语言模型是小米自研的MiMo-7B。采用多阶段预训练策略，使用2.4T tokens的多模态数据，通过混合在线强化学习提升性能。在基础视觉理解、复杂推理、GUI交互等任务上表现出色，如在MMMU-val上达66.7%，超越Gemma 3 27B；在OlympiadBench上达59.4%，超越72B模型。