北京
分享至
小米技术官微今日（3 月 17 日）发文称，小米大模型团队在音频推理领域取得突破性进展。
受 DeepSeek-R1 启发，团队率先将强化学习算法应用于多模态音频理解任务，仅用一周时间便以 64.5% 的 SOTA 准确率登顶国际权威的 MMAU 音频理解评测榜首，现同步开源。
DeepSeek-R1 的 Group Relative Policy Optimization (GRPO) 方法，让模型仅通过"试错-奖励"机制就能使自主进化，涌现出类似人类的反思、多步验证等推理能力。
该团队尝试将 DeepSeek-R1 的 GRPO 算法迁移到 Qwen2-Audio-7B 模型上。
在仅使用 AVQA 的 3.8 万条训练样本的情况下，强化学习微调后的模型在 MMAU 评测集上实现了 64.5% 的准确率，这一成绩比目前榜单上第一名的商业闭源模型 GPT-4o有近 10 个百分点的优势。
尽管当前准确率已突破 64%，但距离人类专家 82% 的水平仍有差距。
有趣的是，官方提供的交互 demo 中，默认分析的便是雷总 2015 年“R U OK”的视频。
本文源自：IT之家
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
