小米發布聲音理解大模型MiDashengLM-7B 全面開源

IT之家4日消息，小米自研聲音理解大模型「MiDashengLM-7B」4日正式發布，並全量開源。

小米表示，MiDashengLM-7B速度精度上實現雙突破：單樣本首Token延遲僅為同類模型1/4、同顯存下並發超20倍，在22個公開評測集上刷新多模態大模型最佳成績（SOTA）。

報導稱，MiDashengLM-7B基於Xiaomi Dasheng作為音訊編碼器和Qwen2.5-Omni-7B Thinker作為自回歸解碼器，透過創新的通用音訊描述訓練策略，實現對語音、環境聲音和音樂的統一理解。

2024年，小米發布的Xiaomi Dasheng聲音基座模型，據稱是國際上首次突破AudioSet 50+ mAP，在HEAR Benchmark環境聲、語音、音樂三大領域建立領先優勢並保持至今。

Xiaomi Dasheng在小米的智慧家庭和汽車座艙等場景有超過30個落地應用。業界首發的車外喚醒防禦、手機音箱全天候監控異常聲音、「打個響指」環境音關聯IoT控制能力，以及小米YU7上搭載的增強哨兵模式劃車檢測等，背後都有Xiaomi Dasheng作為核心演算法的賦能。

作為小米「人車家全生態」策略的關鍵技術，MiDashengLM透過統一理解語音、環境聲與音樂的跨領域能力，不僅能聽懂用戶周圍發生了什麼事情，還能分析發現這些事情的隱藏含義，提高用戶場景理解的泛化性。