Modelo de visión y lenguaje de Xiaomi de 7.000 millones de parámetros que entiende imágenes, vídeo e interfaces gráficas, basado en MiMo-7B.
Según Xiaomi, su versión RL obtuvo la mejor puntuación Elo entre los modelos de visión de pesos abiertos de 7.000 a 72.000 millones de parámetros en su evaluación interna.
Pesos abiertos en Hugging Face con licencia MIT, en variantes SFT y RL.
Entrada de texto, imagen y vídeo; unos 8.300 millones de parámetros contando el codificador visual.
