近日，小米大模型团队在音频推理领域取得重大突破，成功登顶国际权威的MMAU（Masive Multi-Task Audio Understanding and Reasoning）音频理解评测榜首。这一成就得益于团队将强化学习算法应用于多模态音频理解任务，仅用一周时间便实现了64.5%的SOTA（State Of The Art）准确率。
据悉，MMAU评测集通过一万条涵盖语音、环境声和音乐的音频样本，测试模型在27种技能上的表现，期望模型达到接近人类专家的逻辑分析水平。此前，表现最好的模型来自OpenAI的GPT-4o，准确率为57.3%。小米团队受DeepSeek-R1启发，将GRPO算法迁移到Qwen2-Audio-7B模型上，在仅使用3.8万条训练样本的情况下，实现了显著的性能提升。
此次实验不仅验证了强化学习在音频推理领域的独特价值，也为后续研究提供了新的思路。小米团队表示，将把训练代码、模型参数开源，并提供技术报告，供学术界和产业界参考交流。这一成果标志着小米在人工智能领域的技术实力不断提升，也为智能听觉时代的发展注入了新的活力。
原创文章，作者：XIAOMI，如若转载，请注明出处：https://www.kejixun.com/article/710539.html
