小米大模型團(tuán)隊(duì)近日宣布，在音頻推理技術(shù)方面取得了顯著進(jìn)步。該團(tuán)隊(duì)受DeepSeek-R1項(xiàng)目的啟發(fā)，成功將強(qiáng)化學(xué)習(xí)算法應(yīng)用于多模態(tài)音頻理解任務(wù)，這一創(chuàng)新實(shí)踐僅耗時(shí)一周，便在國際權(quán)威的MMAU音頻理解評測中取得了64.5%的準(zhǔn)確率，成功登頂榜首，并且已經(jīng)同步開源。

據(jù)悉，DeepSeek-R1項(xiàng)目中提出的Group Relative Policy Optimization（GRPO）方法，使得模型能夠通過“試錯(cuò)-獎(jiǎng)勵(lì)”機(jī)制自主進(jìn)化，展現(xiàn)出類似人類的反思和多步驗(yàn)證等高級推理能力。小米團(tuán)隊(duì)受此啟發(fā)，嘗試將GRPO算法遷移到自家的Qwen2-Audio-7B模型上，取得了令人矚目的成果。

在訓(xùn)練樣本方面，小米團(tuán)隊(duì)僅使用了AVQA數(shù)據(jù)集中的3.8萬條樣本進(jìn)行強(qiáng)化學(xué)習(xí)微調(diào)，便在MMAU評測集上實(shí)現(xiàn)了64.5%的準(zhǔn)確率。這一成績不僅刷新了記錄，而且相比目前榜單上排名第一的商業(yè)閉源模型GPT-4o，有近10個(gè)百分點(diǎn)的優(yōu)勢。

盡管取得了如此顯著的進(jìn)步，但小米團(tuán)隊(duì)表示，當(dāng)前模型的準(zhǔn)確率距離人類專家的82%水平仍有差距。他們將繼續(xù)努力，不斷優(yōu)化算法和模型，以期達(dá)到更高的準(zhǔn)確率。

在官方提供的交互demo中，小米團(tuán)隊(duì)選擇了雷軍2015年“R U OK”的視頻作為默認(rèn)分析對象，展示了模型在實(shí)際應(yīng)用中的表現(xiàn)。這一選擇不僅富有趣味性，也體現(xiàn)了小米團(tuán)隊(duì)對于用戶需求和場景理解的深入洞察。

小米技術(shù)官微在發(fā)布這一消息時(shí)表示，音頻推理技術(shù)的突破將為智能語音助手、智能家居等領(lǐng)域帶來更加智能和人性化的體驗(yàn)。他們期待與更多合作伙伴共同探索這一技術(shù)的廣闊應(yīng)用前景。

小米團(tuán)隊(duì)還強(qiáng)調(diào)了開源的重要性。他們認(rèn)為，通過開源可以吸引更多開發(fā)者參與到技術(shù)的創(chuàng)新和優(yōu)化中來，共同推動人工智能技術(shù)的發(fā)展和進(jìn)步。