近日，小米大模型團隊在音頻推理領域取得重大突破，成功登頂國際權威的MMAU（Masive Multi-Task Audio Understanding and Reasoning）音頻理解評測榜首。這一成就得益于團隊將強化學習算法應用于多模態(tài)音頻理解任務，僅用一周時間便實現了64.5%的SOTA（State Of The Art）準確率。
據悉，MMAU評測集通過一萬條涵蓋語音、環(huán)境聲和音樂的音頻樣本，測試模型在27種技能上的表現，期望模型達到接近人類專家的邏輯分析水平。此前，表現最好的模型來自OpenAI的GPT-4o，準確率為57.3%。小米團隊受DeepSeek-R1啟發(fā)，將GRPO算法遷移到Qwen2-Audio-7B模型上，在僅使用3.8萬條訓練樣本的情況下，實現了顯著的性能提升。
此次實驗不僅驗證了強化學習在音頻推理領域的獨特價值，也為后續(xù)研究提供了新的思路。小米團隊表示，將把訓練代碼、模型參數開源，并提供技術報告，供學術界和產業(yè)界參考交流。這一成果標志著小米在人工智能領域的技術實力不斷提升，也為智能聽覺時代的發(fā)展注入了新的活力。
原創(chuàng)文章，作者：XIAOMI，如若轉載，請注明出處：http://m.rponds.cn/article/710539.html
