小米大模型團隊近日宣布，在音頻推理技術方面取得了顯著進步。該團隊受DeepSeek-R1項目的啟發(fā)，成功將強化學習算法應用于多模態(tài)音頻理解任務，這一創(chuàng)新實踐僅耗時一周，便在國際權威的MMAU音頻理解評測中取得了64.5%的準確率，成功登頂榜首，并且已經同步開源。

據(jù)悉，DeepSeek-R1項目中提出的Group Relative Policy Optimization（GRPO）方法，使得模型能夠通過“試錯-獎勵”機制自主進化，展現(xiàn)出類似人類的反思和多步驗證等高級推理能力。小米團隊受此啟發(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。

在訓練樣本方面，小米團隊僅使用了AVQA數(shù)據(jù)集中的3.8萬條樣本進行強化學習微調，便在MMAU評測集上實現(xiàn)了64.5%的準確率。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個百分點的優(yōu)勢。

盡管取得了如此顯著的進步，但小米團隊表示，當前模型的準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，以期達到更高的準確率。

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

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

小米團隊還強調了開源的重要性。他們認為，通過開源可以吸引更多開發(fā)者參與到技術的創(chuàng)新和優(yōu)化中來，共同推動人工智能技術的發(fā)展和進步。