以下是小米2025人车家生态合作伙伴大会，小米MiMo大模型负责人罗福莉的主题演讲。该内容为AI根据录音转译，可能存在错误，供参考。Hello，各位开发者，大家上午好，我是罗福莉。今天我想带大家换一个视角，从11亿年生物进化的长河中，重新去审视我们正在经历的这场 AI 变革。如果我们回到生命进化的历程，会发现自然界在构建“智能”这座金字塔时，其实遵循着非常严密的逻辑。6亿年前： 生命首先学会了控制身体与环境互动；2亿年前： 哺乳动物的大脑首次具备了在行动前先在大脑里模拟未来的能力（进化出了多巴胺系统，通过强化学习进一步提升）；最终： 人类才登上了智能的塔尖，掌握了“语言”这一抽象的符号系统。所以我们能看到，生物演化的规律是：先具备了对物理世界的感知和生存体验，最后才诞生了语言。[大模型的发展路径：一种“倒序”的进化]但是，大家都能发现，现在大模型的发展路径其实跟生物进化路径是不同步的，甚至说是一种倒序或跳跃。生物： 行动 -> 思考 -> 语言。大模型： 先学会了语言，再去补齐思考能力，最终再去补齐对物理世界的模拟以及具身感知。为什么大模型的智能首先产生在语言领域？因为语言不仅是符号的排列组合，更是人类思维以及对世界描述在文本领域的投影。我认为这个投影本质上是一种有损的压缩。当大模型通过 Next Token Prediction（下一词预测） 这种范式在海量文本里进行学习，当模型试图把 Loss（损失）降到最低时，我们发现它不仅是在拟合一个统计规律，而是在压缩人类数十亿年间关于这个世界的认知同构。这种压缩的过程，在我们看来就是一种智能。所以，大模型是通过语言的爆发，通过 Scaling（扩展）计算算力、Scaling 数据，从而理解了人类的思维和关于世界的理解。但其实它并不真正像人类一样具备对整个物理世界的感知。严谨来说，它应该是成功地解码了人类思维在文本空间的投影。但这是一种“自顶向下”的捷径，因为它是学习到了一种智能的结果，来倒推智能产生的过程。[小米的新一代模型：MiMo-V2 Flash]不管怎么说，语言包含了人类对世界极致的压缩，是智慧的结晶，同时也是高阶智能体之间高效协作的工具。因此，小米也从语言出发，构建了全新一代面向 Agent（智能体）的基座模型——MiMo-V2 Flash。在 MiMo-V2 Flash 研发之初，我们主要围绕三个关键问题展开：沟通语言： 当代的智能体必须有一个高效的沟通语言，即代码能力和工具调用能力。推理效率： 目前智能体之间的沟通带宽非常低，我们需要一个推理效率非常高效的模型。我们需要面向推理效率，去重新设计模型结构。训练范式： Scaling 的范式已经逐步从预训练（Pre-training）转向了后训练（Post-training）。如何去激发后训练的潜能，在强化学习上投入更多的 Training Compute（训练算力），这就非常需要一个稳定的后训练范式。在这三个问题的驱动下，我们看到了 MiMo-v Flash 超强的基座潜能。[模型参数与性能]虽然它被称为“Flash”，但在我看来它是一个非常精巧的模型（虽然总参数量看起来很大）。参数量： 总参数 309B，但激活参数只有 15B（属于 MoE 架构）。能力排名： 代码能力和 Agent 能力在公信力榜单上已进入全球 Top 1、Top 2 的梯队（在开源模型中）。对标竞品： 大部分评估基准已经比肩或超过DeepSeek V3.2、与Kimi K2 thinking 差不多。值得注意的是，这些竞品模型的总参数量大约是 MiMo-V2 Flash 的两倍到三倍范围。[技术创新：极致的效率优化]虽然模型“小”（指激活参数），但我们通过了很多优化达到了极致的推理效率。1. 混合注意力机制 (Hybrid Attention)我们的模型结构主要依靠两个创新。第一是 Hybrid Attention 结构，采用了 Sliding Window Attention（滑动窗口注意力） 和 Full Attention（全注意力） 的混合，比例大约是 5:1。为什么选 Sliding Window？虽然看起来简单（只关注邻域 token），但经过大量实验验证，看似复杂的 Linear Attention 结构在综合性能（如长短文推理、知识检索）上并不如简单的 Sliding Window。优势：KV Cache 是固定的，能非常好地适配当代的 Infra（基础设施）推理框架。2. 多 Token 预测 (MTP - Multi-Token Prediction)我们也更好地挖掘了 MTP 的潜力。MTP 最初是被提出来做推理加速的，后来 DeepSeek 将其用于提升基座模型能力。我们在训练时加入了一层 MTP 层，进一步提升基座潜能。在微调（Fine-tuning）时加入了更多层的 MTP，用极少量的算力就提升了 MTP 层的接受率。最终推理时使用了 3 层 MTP。这种加速并行进行 Token 验证的方式，在实际推理场景中能做到 2.0 到 2.6 倍的实际加速提升。[成本与速度对比]在同等水位的大模型中，MiMo-V2 Flash 具有低成本、高速度的优势：对比 DeepSeek V3.2： MiMo-V2 Flash 比 V3.2 更便宜一点，但推理速度大约是 V3.2的 3 倍左右。对比 Gemini 2.5 Pro： 推理速度相当，但推理成本比 MiMo-V2 Flash 贵了大概 20 倍。[训练范式创新：MOPD]为了充分利用高效结构扩展强化学习（RL）的算力，针对 RL 训练不稳定的问题，我们提出了一种 Multi-Teacher On-Policy Distillation (MOPD) 范式。核心： 依赖于一个 Token-level（词元级）的 Dense Reward（密集奖励）进行监督学习。流程： 通常 Post-training 是通过 SFT 和 RL 拿到各领域专家的模型。MOPD 则先让 Student（学生）模型基于自身概率分布生成序列，然后用专家模型（Teacher）对这些序列进行打分，提供非常稠密的 Token-level 监督信号。效果： 学习效率极高，几步就能将各领域专家模型的能力蒸馏到 Student 模型上。甚至发现当 Student 很快超越 Teacher 时，可以用 Student 替换 Teacher 继续自我迭代提升。[能力展示与应用]MiMo-v Flash 具备初步的在语言空间模拟世界的能力。当然它只是通过语言去模拟。Demo 1： 通过 HTML 写一个操作系统，功能大部分可实现。Demo 2： 写一个 HTML 模拟太阳系，甚至可以画一颗圣诞树并与其交互。发布情况： MiMo-v Flash 已于昨日发布，开源了所有模型权重和技术报告细节。同时也提供了 API，开发者可以实时接入 IDE 或 Web 端体验。[未来展望：从语言到具身智能]虽然现在的模型能聊天、写代码，但大家可能还是不敢把身边复杂的任务完全交给它。因为我认为真正的下一代智能体系统，不是一个语言模拟器，而是需要与我们的世界共存的智能体。下一代智能体必须具备两个潜能：从“回答问题”变成“完成任务”： 这不仅需要记忆、推理、规划，其背后研究深度很深。具备与物理世界交互的感知能力： 我们需要一个统一的动态系统，它是理解整个世界的关键基础。在此基础上，我们可以无缝嵌入到眼镜等智能终端，融入生活流。[总结与思考]回到开头的话题，大模型本质上是用算力的“暴力美学”攻克了最顶层的“语言”和第二层的“强化学习”，但跳过了中间对世界的感知/模拟，以及最底层的实体交互。现在大家认为大模型已经达到了“数学奥林匹克”水平，能模仿莎士比亚写作，但它其实不太懂“重力”等物理法则，经常产生具身幻觉。现在的 AI 只有完美的“语言外壳”，没有瞄定现实世界的“物理模型”。所以我认为，AI 进化的下一个起点，一定要有一个可以跟真实环境产生交互的物理模型。我们本质上要打造的不是一个程序，而是一个具备物理一致性、时空连贯性的虚拟宇宙。这代表了 AI 能力的本质跨越。真正的智能绝不是纯粹在文本里读出来的，而是在交互里“活”出来的。其实我刚刚说这一话呢，它是一个“非共识”。就有很多人还是比较坚信，包括 Ilya 其实都比较坚信说，在语言空间是能够实现所谓的 AGI 的。所以我带着这样一个命题，我去问了一下 MiMo-V2 Flash。我是怎么问的呢？我说：“你是怎么解读关于‘物理世界导向’——也就是说我们要去强调多模态和真实世界的交互是通往 AGI 的关键——你是怎么解读这个事儿？”它给我的回复是，它认为这是一个非常核心和深刻的观点。它认为：智能是要根植于存在的，而并非符号。 因为符号体系里边，它只能建模模式匹配、建模概率预测，它并不具备一个（实体）。而 MiMo 认为，它必须具备一个具身的、嵌入式的环境，通过与这个真实的物理世界产生持续的交互，从而持续涌现更强的能力。我觉得这其实本质上就是人类这样一个高阶智能体，它所演变的一个逻辑。这并不是我们训练进去的，是它自己涌现出来的能力。其实，本质上我们认为，技术上是可以追赶的，算力和数据也并非最终的护城河。真正的护城河，其实我认为是科学的研究文化和方法。是将未知的问题转化成模型的优势，最终去结合可用产品的一个能力。小米的大模型 Core 团队其实就是在这样的长期愿景中诞生的。我们构建了一个研究、产品、工程深度耦合的一个年轻化的团队。它非常具备创业精神，我们团队里边每个人都极度好奇，追求真理，乘着自由的风，满怀着对这个世界极致的关怀，在一起去探索智能的边界。在演讲的结尾，我想跟大家回顾一下，2020年我刚进入大模型领域时，开源模型距离顶尖闭源模型至少有3年的代差。但如今，像 DeepSeek、Qwen、MiMo 等国产开源模型，距离世界顶尖闭源模型的差距可能只有数月了。开源的价值不仅是分享代码和模型，本质上是一种**“分布式的技术加速主义”**。开源是实现 AGI（通用人工智能）普惠化，确保所有人类智慧共同进化的唯一路径。从数据的极致压缩，到算法的范式创新，再到与物理空间的深度链接，小米与全球 AI 共同定义未来。谢谢大家！小米人车家全生态合作伙伴大会