7B小模型+3.8萬條訓(xùn)練數(shù)據(jù)，就能讓音頻理解和推斷評(píng)測(cè)基準(zhǔn)MMAU榜單王座易主？

受到DeepSeek-R1中強(qiáng)化學(xué)習(xí)算法的啟發(fā)，小米大模型團(tuán)隊(duì)對(duì)阿里的Qwen2-Audio-7B模型進(jìn)行了微調(diào)。

結(jié)果模型在MMAU上的準(zhǔn)確率從49.2%提升到了64.5%（漲幅31%），比以前霸榜的GPT-4o還高出近10個(gè)百分點(diǎn)。

MMAU是一個(gè)由一萬條涵蓋語音、環(huán)境聲和音樂的音頻樣本構(gòu)成的評(píng)測(cè)基準(zhǔn)，難度非常高，人類專家的成績(jī)?yōu)?2.2%。

來自阿里的Qwen2-Audio-7B模型在此評(píng)測(cè)集上的準(zhǔn)確率為49.2%，經(jīng)小米大模型團(tuán)隊(duì)用清華大學(xué)發(fā)布的AVQA數(shù)據(jù)集，使用SFT微調(diào)后提升到了51.8%。

這樣的提升并不明顯，而當(dāng)小米團(tuán)隊(duì)選擇改用DeepSeek-R1的GRPO算法時(shí)，發(fā)現(xiàn)獲得了巨大的性能提升，一舉達(dá)到了MMAU的新SOTA。

目前，小米大模型團(tuán)隊(duì)已經(jīng)把訓(xùn)練代碼、模型參數(shù)開源，并提供了技術(shù)報(bào)告、在線Demo。

7B小模型拿下MMAU榜單SOTA

如前所述，小米大模型團(tuán)隊(duì)通過SFT，使用清華AVQA數(shù)據(jù)集對(duì)選擇了來自阿里的Qwen2-Audio-7B進(jìn)行了微調(diào)，成績(jī)提升了2.6個(gè)百分點(diǎn)。

直到DeepSeek-R1的發(fā)布，為小米在該項(xiàng)任務(wù)上的研究帶來了啟發(fā)。

DeepSeek-R1的Group Relative Policy Optimization（GRPO）方法，讓模型僅通過”試錯(cuò)-獎(jiǎng)勵(lì)”機(jī)制就能使自主進(jìn)化，涌現(xiàn)出類似人類的反思、多步驗(yàn)證等推理能力。

在同一時(shí)間，卡內(nèi)基梅隆大學(xué)發(fā)布的預(yù)印本論文（arxiv：2503.01067），通過精巧的實(shí)驗(yàn)得出了一個(gè)有趣的論斷：

當(dāng)任務(wù)存在明顯的生成-驗(yàn)證差距（Generation-Verification Gap），即任務(wù)生成結(jié)果的難度遠(yuǎn)大于驗(yàn)證結(jié)果正確性的難度時(shí)，強(qiáng)化學(xué)習(xí)比起有監(jiān)督微調(diào)具有獨(dú)特優(yōu)勢(shì)。

而AQA任務(wù)，恰好是完美的生成-驗(yàn)證差距顯著的任務(wù)。

離線微調(diào)方法，如SFT，有點(diǎn)像背題庫(kù)，你只能根據(jù)已有的題目和答案訓(xùn)練，但遇到新題可能不會(huì)做；

而強(qiáng)化學(xué)習(xí)方法，如GRPO，像老師在要求你多想幾個(gè)答案，然后老師告訴你哪一個(gè)答案好，讓你主動(dòng)思考，激發(fā)出自身的能力，而不是被“填鴨式”教學(xué)。

當(dāng)然，如果訓(xùn)練量足夠，比如有學(xué)生愿意花很多年的時(shí)間來死記硬背題庫(kù)，也許最終也能達(dá)到不錯(cuò)的效果，但效率太低，浪費(fèi)太多時(shí)間。

而主動(dòng)思考，更容易快速地達(dá)到舉一反三的效果。強(qiáng)化學(xué)習(xí)的實(shí)時(shí)反饋可能會(huì)幫助模型更快鎖定高質(zhì)量答案的分布區(qū)域，而離線方法需要遍歷整個(gè)可能性空間，效率要低得多。

基于上述洞察，小米嘗試將DeepSeek-R1的GRPO算法遷移到Qwen2-Audio-7B模型上。

令人驚喜的是，在僅使用AVQA的3.8萬條訓(xùn)練樣本的情況下，強(qiáng)化學(xué)習(xí)微調(diào)后的模型在MMAU評(píng)測(cè)集上實(shí)現(xiàn)了64.5%的準(zhǔn)確率，這一成績(jī)比目前榜單上第一名的商業(yè)閉源模型GPT-4o有近10個(gè)百分點(diǎn)的優(yōu)勢(shì)。

有趣的是，如果在訓(xùn)練中強(qiáng)制要求模型輸出包含thinking標(biāo)簽的推理過程時(shí)，準(zhǔn)確率反而下降至61.1%。這說明顯式的思維鏈結(jié)果輸出可能并不利于模型的訓(xùn)練。

小米大模型團(tuán)隊(duì)的實(shí)驗(yàn)揭示了幾個(gè)和傳統(tǒng)認(rèn)知不同的結(jié)論：

• 關(guān)于微調(diào)方法：強(qiáng)化學(xué)習(xí)在3.8萬條數(shù)據(jù)集上的表現(xiàn)，顯著超過監(jiān)督學(xué)習(xí)在57萬條數(shù)據(jù)集上的結(jié)果；
• 關(guān)于參數(shù)規(guī)模：相比千億級(jí)模型，7B參數(shù)的模型通過強(qiáng)化學(xué)習(xí)也可展現(xiàn)強(qiáng)推理能力；
• 關(guān)于隱式推理：顯式思維鏈輸出反而成為性能瓶頸。

盡管當(dāng)前準(zhǔn)確率已突破64%，但距離人類專家82%的水平仍有差距。

小米大模型團(tuán)隊(duì)表示，在當(dāng)前的實(shí)驗(yàn)中，強(qiáng)化學(xué)習(xí)策略還是比較粗糙，訓(xùn)練過程對(duì)思維鏈的引導(dǎo)并不充分，我們會(huì)在后續(xù)做進(jìn)一步探索。

此次實(shí)驗(yàn)驗(yàn)證了強(qiáng)化學(xué)習(xí)在音頻理解和判斷領(lǐng)域的獨(dú)特價(jià)值，也為后續(xù)研究打開了一扇新的大門。

小米團(tuán)隊(duì)期待，當(dāng)機(jī)器不僅能“聽見”聲音，還能“聽懂”聲音背后的因果邏輯時(shí)，真正的智能聽覺時(shí)代將會(huì)來臨。

人類專家準(zhǔn)確率82.23%

MMAU（Massive Multi-Task Audio Understanding and Reasoning）評(píng)測(cè)集由美國(guó)馬里蘭大學(xué)和Adobe的研究人員于去年聯(lián)合提出，是音頻理解和推斷能力的量化標(biāo)尺。

它通過一萬條涵蓋語音、環(huán)境聲和音樂的音頻樣本，結(jié)合人類專家標(biāo)注的問答對(duì)，測(cè)試模型在27種技能，如跨場(chǎng)景推理、專業(yè)知識(shí)等應(yīng)用上的表現(xiàn)，期望模型達(dá)到接近人類專家的邏輯分析水平。

• 面對(duì)一段汽車行駛中的座艙錄音，AI 能否判斷出汽車是否存在潛在的故障？
• 在交響樂演出現(xiàn)場(chǎng)，AI 能否推測(cè)出作曲家創(chuàng)造這首音樂時(shí)的心情？
• 在早高峰地鐵站混亂的腳步聲潮中，AI 能否預(yù)判閘機(jī)口可能發(fā)生的沖撞風(fēng)險(xiǎn)？

在大模型時(shí)代，人們已經(jīng)不滿足于機(jī)器僅僅識(shí)別說話的內(nèi)容、聲音的種類，更期望機(jī)器具備復(fù)雜的理解和判斷能力，MMAU衡量的就是這種能力。

這是一個(gè)很難的評(píng)測(cè)集，作為基準(zhǔn)上限，人類專家在MMAU上的準(zhǔn)確率為82.23%。

目前MMAU官網(wǎng)榜單上表現(xiàn)最好的模型是GPT-4o，準(zhǔn)確率為57.3%。緊隨其后的是谷歌的Gemini 2.0 Flash，準(zhǔn)確率為55.6%。

訓(xùn)練代碼：https://github.com/xiaomi-research/r1-aqa

模型參數(shù)：https://huggingface.co/mispeech/r1-aqa

技術(shù)報(bào)告：https://arxiv.org/abs/2503.11197交互Demo：http://120.48.108.147:7860/