3 月 17 日，小米技术官方账号宣布，小米大模型团队通过迁移 DeepSeek 算法，让 7B 模型登顶音频推理 MMAU 榜。小米也公布了其训练的目的之一：通过一段汽车行驶中的座舱录音，利用 AI 判断出汽车是否存在潜在的故障。
据小米大模型团队介绍，其尝试将 DeepSeek-R1 的 GRPO 算法（强化学习算法）迁移到通义千问的 Qwen2-Audio-7B 模型上。结果显示，在仅使用由清华大学发布的 AVQA 的 3.8 万条训练样本情况下，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。
小米方面还提到了一点有趣的实验结果：当团队在训练中强制要求模型输出 < thinking >< /thinking > 推理过程时（类似传统思维链方法），准确率反而下降至 61.1%。团队表示，这说明显式的思维链结果输出可能并不利于模型的训练。
本次使用的 MMAU 评测集是这种音频推理能力的量化标尺，它通过一万条涵盖语音、环境声和音乐的音频样本，结合人类专家标注的问答对，测试模型在 27 种技能的表现。作为基准上限，人类专家在 MMAU 上的准确率为 82.23%，而本次小米所选用的 Qwen2-Audio-7B 模型在此评测集上的准确率为 49.2%。
小米大模型团队表示，此次实验验证了强化学习在音频推理领域的独特价值，也为后续研究打开了一扇新的大门，同时小米预测，当机器不仅能「听见」声音，还能「听懂」声音背后的因果逻辑时，真正的智能听觉时代将会来临。
目前该项目的训练代码、模型参数、技术报告均已公开，同时还公布了交互 Demo：http://120.48.108.147:7860/。（比较有趣的是，Demo 点开来是小米创始人雷军的「名场面」— Are U OK）
