小米大模型团队近日宣布，在音频推理技术方面取得了显著进步。该团队受DeepSeek-R1项目的启发，成功将强化学习算法应用于多模态音频理解任务，这一创新实践仅耗时一周，便在国际权威的MMAU音频理解评测中取得了64.5%的准确率，成功登顶榜首，并且已经同步开源。
据悉，DeepSeek-R1项目中提出的Group Relative Policy Optimization（GRPO）方法，使得模型能够通过“试错-奖励”机制自主进化，展现出类似人类的反思和多步验证等高级推理能力。小米团队受此启发，尝试将GRPO算法迁移到自家的Qwen2-Audio-7B模型上，取得了令人瞩目的成果。
在训练样本方面，小米团队仅使用了AVQA数据集中的3.8万条样本进行强化学习微调，便在MMAU评测集上实现了64.5%的准确率。这一成绩不仅刷新了记录，而且相比目前榜单上排名第一的商业闭源模型GPT-4o，有近10个百分点的优势。
尽管取得了如此显著的进步，但小米团队表示，当前模型的准确率距离人类专家的82%水平仍有差距。他们将继续努力，不断优化算法和模型，以期达到更高的准确率。
在官方提供的交互demo中，小米团队选择了雷军2015年“R U OK”的视频作为默认分析对象，展示了模型在实际应用中的表现。这一选择不仅富有趣味性，也体现了小米团队对于用户需求和场景理解的深入洞察。
小米技术官微在发布这一消息时表示，音频推理技术的突破将为智能语音助手、智能家居等领域带来更加智能和人性化的体验。他们期待与更多合作伙伴共同探索这一技术的广阔应用前景。
小米团队还强调了开源的重要性。他们认为，通过开源可以吸引更多开发者参与到技术的创新和优化中来，共同推动人工智能技术的发展和进步。
