读懂、看懂与听懂，小米快速务实加入中国开源生态

当小米拿出最新开源音频大模型MiDashengLM-7B时，市场有理由确信，这家，正在认真投身于中国开源模型生态的构建中。它构建于中国已有的开源生态，围绕着自身业务，服务于中国的AI硬件创新。

真正的科技巨头要做AI。今年，AI在小米集团正式扶正，“智能电动汽车等创新业务”分部，已经改成了“智能电动汽车及AI等创新业务”。小米承认2025年已是“大模型逐梦的后半程”，但它最新组建的AI团队追赶迅速，平均2个月开源一款大模型。在今年4月，小米开源了首个推理模型MiMo，6月开源了多模态大模型MiMo-VL，8月的是音频大模型MiDashengLM。

音频大模型经常被市场有意无意地忽略。包括阿里的Qwen-Audio、OpenAI的Whisper与Meta的Wav2Vec，几经迭代，但市场讨论度往往不及文、图与视频模型。但它的重要性会随着汽车、智能家居与耳机、眼镜等端侧设备AI化而逐步凸显。声音是主要模态，语音目前是最自然的交互方式。

小米一直在强调“人车家”的全生态。这次，它在MiDashengLM的技术报告中写道，“理解声音的能力，对于智能体全面参与物理世界而言，仍然至关重要。”

在小米看来，传统的自动语音识别（ASR）技术，已经暴露了明显的不足。物理世界中的音频一般涵盖了语音、环境音与音乐。市场上不少音频模型，语音模型与音乐模型往往是割裂的；环境音又往往被它们所抛弃。小米想要的，是更自然和真实的声音。

在训练中保留并利用这些“噪声”，是构建具备真实世界理解能力的音频模型所必需。AI耳机就不仅需要听到用户在说什么，也要完整远程拾音、识别环境，并从中提取有用的感知线索。环境声学也是“空间智能”的一部分。正是这些被视为“噪声”的部分，恰恰包含着关键的上下文信息。海浪声与键盘声都蕴藏着丰富的场景信息；异常噪声在制造业场景中往往代表着故障；很多时候，甚至“无声的停顿”，也是一种声音，包裹着丰富的情绪。

可以说，小米的MiDashengLM，瞄准的是统一原生的通用音频模型，而且是全局性的，而并非以往的单调的、线性的。以往，音频大模型的预训练非常依赖声学单元与转录文本的线性对齐，以及音乐歌词或环境音等单调的标注字幕。小米自建了高质量的训练数据集ACAVCaps与测试集，自研了音频编码器（encoder）Dasheng，实现了一个模型处理多种音频模态的任务能力。

在最新的测试基准X-Ares上，小米的Dasheng在大多数子测试集上胜过了当前主流的Whisper-Large v3编码器，验证了其在不同语义模态下拥有更强的泛化能力。在基于传统ASR技术的领域，Whisper仍然占据一定优势；但Dasheng在说话人身份识别（VoxCeleb1）、室内声音事件识别（DESED）、常见环境声音分类（FSD50k）与音乐演奏识别（MAESTRO）等领域遥遥领先。这使得MiDashengLM在完成具体任务时具备了全局通用的音频能力。

作为大模型预训练的后来者，从MiMo到MiMo-VL，再到MiDashengLM的演进中，小米布局的策略，至少反映出两条主线：一在于加入中国的开源生态，一在于紧紧围绕自身业务生态试水。

它们都是参数规模较小的模型，符合小米端侧布局。无论是MiMo、MiMo-VL还是MiDashengLM，构成三个模型系列的，主要都是70亿参数。

MiMo让小米旗下的智能终端拥有了文本推理的能力。它在数学和代码能力上有所突破，性能超越OpenAI闭源推理模型o1-mini，以及阿里巴巴开源推理模型QwQ-32B-Preview。MiMo-VL则让小米的智能终端拥有了多模态推理能力。在技术报告中，它频繁强调屏幕理解与GUI定位能力。它的目标很明确，就是赋予模型对屏幕内容与人机界面的感知与推理能力，从而支撑智能体在手机、平板或车载系统中，实现基于视觉的交互。而现在MiDashengLM的加入，则为部署在真实物理世界中的 AI 智能体，补全了“听觉”维度。

小米还在技术报告中强调了一下，还没特别针对多语种进行预训练，MiDashengLM就对“印尼语、越南语和泰语”有很强的理解能力，暗示了一把自己“人车家”生态出海的前景。

它们也都站在了DeepSeek与Qwen等中国开源生态的肩膀上，避免了重复造轮子，将资源集中于差异化创新上。

MiMo的技术报告明确它受到了DeepSeek的启发，引入了MTP（多token预测）技术，并在强化学习阶段优化了GRPO算法。MiMo-VL的视觉编码器（encoder）源于Qwen2.5-ViT；MiDashengLM的文本解码器（decoder）源于Qwen2.5-Omni-7B，而数据集ACAVCaps的注释语料由DeepSeek-R1生成。最后，小米又将这些模型开源了出来，采用Apache 2.0许可协议。

中国的，小米添上了最新一款砖。差不多同时，阿里开源了Qwen-Image，实现了复杂文本渲染和精确图像编辑，让图像生成中的文字，尤其是汉字，不再是“鬼画符”了。腾讯Hunyuan系列也开源了从5亿参数到70亿参数等消费级显卡可以运行的4个端侧模型。

开源模型+端侧智能，这也是中国AI落地有别于美国的关键路径。奥特曼判断，AI 应用将进入 SaaS 的“快时尚化”时代。这是美国擅长的游戏。但中国仍在为SaaS时代缺乏标准化数字化解决方案补课；中国跳过了PC时代，直接进入移动互联网时代，也成了当前AI在Web端渗透的无形的阻碍。但在终端上，包括承载于终端之上的应用领域，中国不是追赶者，而有可能是智能终端范式的定义者。