MiDashengLM-7B

MiDashengLM-7B是由小米公司於2025年8月4日發布並全量開源的聲音理解大語言模型。該模型基於自研Xiaomi Dasheng音頻編碼器與Qwen2.5-Omni-7B Thinker自回歸解碼器構建，採用通用音頻描述訓練策略實現語音、環境聲及音樂的統一語義理解，在22個公開評測集上刷新多模態大模型最優成績（SOTA）。其單樣本推理首Token延遲為業界先進模型的1/4，同等顯存條件下的數據吞吐效率可達20倍以上。

模型訓練數據100%使用公開資源，包含五大類110萬小時音頻數據及77個數據源詳細配比比例，遵循Apache License 2.0協定開放學術與商業使用。目前已落地智慧型家居、汽車座艙等場景超30項套用，涵蓋車外喚醒防禦、異常聲音監控、環境音關聯IoT控制等功能。技術方案包含GitHub代碼庫、Hugging Face模型參數及魔搭社區互動Demo，未來計畫提升終端設備離線部署能力並開發自然語言聲音編輯功能。

基本介紹

• 外文名：MiDashengLM-7B
• 發布企業：小米
• 發布時間：2025年8月4日
• 類別：聲音理解大語言模型

發展歷史

2025年8月4日，小米發布和全量開源MiDashengLM-7B模型。該模型基於自研Xiaomi Dasheng音頻編碼器與Qwen2.5-Omni-7B Thinker自回歸解碼器構建，採用通用音頻描述訓練策略實現語音、在22個公開評測集上刷新多模態大模型最優成績（SOTA）。

模型簡介

MiDashengLM-7B 基於 Xiaomi Dasheng 作為音頻編碼器和 Qwen2.5-Omni-7B Thinker 作為自回歸解碼器，通過創新的通用音頻描述訓練策略，實現了對語音、環境聲音和音樂的統一理解。

MiDashengLM-7B聲音理解性能在22個公開評測集上刷新多模態大模型最好成績（SOTA），單樣本推理的首Token延遲（TTFT）僅為業界先進模型的1/4，同等顯存下的數據吞吐效率是業界先進模型的20倍以上。