MiMo-Embodied – 小米推出的跨领域具身大模型

MiMo-Embodied是什么

MiMo-Embodied 是小米发布的全球首个开源的跨领域具身大模型，整合了自动驾驶和具身智能两大领域的任务，实现了在环境感知、任务规划、空间理解等多方面的卓越性能。模型基于视觉语言模型（VLM）架构，通过四阶段训练策略，包括具身智能监督微调、自动驾驶监督微调、链式推理微调和强化学习微调，显著提升了跨领域的泛化能力。在自动驾驶领域，MiMo-Embodied 能精准感知交通场景、预测动态目标行为，并生成安全高效的驾驶规划；在具身智能领域，能理解自然语言指令，完成复杂的任务规划和空间推理。MiMo-Embodied 在多项基准测试中超越了现有的开源和专用模型，展现了强大的多模态交互能力。

MiMo-Embodied的主要功能

跨领域整合能力：MiMo-Embodied 是首个成功整合自动驾驶与具身智能任务的模型，覆盖环境感知、任务规划、空间理解等核心能力，适用于复杂动态环境中的多模态交互。
环境感知：在自动驾驶场景中，模型能精准理解交通场景，包括识别交通标志、车辆、行人等关键元素，并预测其动态行为，为安全驾驶提供支持。
任务规划与执行：在具身智能领域，MiMo-Embodied 能根据自然语言指令生成可执行的动作序列，完成复杂的任务规划，如机器人导航与操作。
空间理解与推理：模型具备强大的空间推理能力，能理解物体之间的空间关系，支持导航、交互和场景理解等任务，适用于机器人操作和自动驾驶中的路径规划。
多模态交互：通过视觉和语言的深度融合，MiMo-Embodied 能处理图像、视频和文本输入，支持多模态任务，如视觉问答、指令遵循和场景描述。
强化学习优化：采用强化学习微调，提升模型在复杂场景中的决策能力和任务执行的可靠性，确保在真实环境中的高效部署。
开源与通用性：MiMo-Embodied 完全开源，代码和模型可在 Hugging Face 获取，为研究者和开发者提供了强大的工具，推动具身智能和自动驾驶领域的创新。

MiMo-Embodied的技术原理

跨领域融合架构：MiMo-Embodied 采用统一的视觉语言模型（VLM）架构，将自动驾驶和具身智能任务整合到一个模型中，通过视觉编码器、投影器和大语言模型（LLM）实现视觉输入与文本理解的深度融合。
多阶段训练策略：模型通过四阶段训练逐步提升性能，包括具身智能监督微调、自动驾驶监督微调、链式推理微调和强化学习微调，确保在不同任务和场景下的泛化能力。
视觉输入处理：利用 Vision Transformer（ViT）对单图像、多图像和视频进行编码，提取视觉特征并通过多层感知机（MLP）映射到与 LLM 对齐的潜在空间，实现视觉与语言的无缝融合。
数据驱动的跨领域学习：构建了涵盖通用视觉语言理解、具身智能和自动驾驶场景的多样化数据集，为模型提供丰富的多模态监督信号，支持从基础感知到复杂推理的学习。
强化学习优化：在训练的最后阶段，采用 Group Relative Policy Optimization（GRPO）算法进行强化学习微调，针对复杂任务和边缘场景优化模型的决策质量和可靠性。
推理与输出生成：通过 LLM 的推理能力，将视觉输入与语言指令结合，生成与任务相关的响应和决策，支持自动驾驶中的路径规划、具身智能中的任务执行等。

MiMo-Embodied的项目地址

Github仓库：https://github.com/XiaomiMiMo/MiMo-Embodied
HuggingFace模型库：https://huggingface.co/XiaomiMiMo/MiMo-Embodied-7B
arXiv技术论文：https://arxiv.org/pdf/2511.16518

MiMo-Embodied的应用场景

自动驾驶：MiMo-Embodied 能处理复杂的交通场景，进行环境感知、状态预测和驾驶规划，适用于城市道路、高速公路等多种自动驾驶场景，为智能驾驶系统提供决策支持。
机器人导航与操作：在具身智能领域，模型可以根据自然语言指令完成室内导航、物体操作等任务，支持机器人在家庭、工业等环境中的自主行动。
视觉问答与交互：适用于视觉问答（VQA）任务，能理解图像或视频内容并回答相关问题，支持人机交互中的信息检索和解释。
场景理解与描述：模型能对复杂场景进行语义理解并生成描述，适用于安防监控、智能交通等领域的场景分析。
多模态任务执行：支持多模态输入，如图像、视频和文本，能处理跨模态任务，如指令遵循、图像标注等，适用于智能助手和自动化系统。
复杂环境中的任务规划：在复杂环境中，MiMo-Embodied 能根据指令生成多步任务规划，支持机器人完成清洁、烹饪等复杂任务。