MiMo-Embodied：小米开源的7B跨具身视觉语言模型，打通自动驾驶与具身AI双领域推理

原创 发布日期：
18

一、MiMo-Embodied是什么？

MiMo-Embodied是小米公司具身智能团队推出的一款开源跨具身视觉语言模型（Vision-Language Model, VLM），于2025年正式发布。作为全球首个整合自动驾驶与具身AI两大关键领域的开源VLM，它打破了传统VLM“单领域优化”的局限，实现了在动态物理环境中“感知-理解-推理-决策”的全链路能力覆盖。

从核心定位来看，MiMo-Embodied并非单纯的“视觉+语言”融合工具，而是面向“真实世界交互”的基础模型——它既能理解自动驾驶场景中的车道、车辆、交通信号等元素并规划行驶轨迹，也能感知具身场景中的物体位置、功能属性并制定操作步骤，同时还保留了强大的通用视觉理解能力。其设计目标是为自动驾驶、机器人交互等需要“跨场景适配”的AI应用，提供一个高效、可复用的开源基础框架，降低领域专用AI系统的开发门槛。

与传统VLM相比，MiMo-Embodied的核心差异在于“跨具身整合”：传统开源VLM多专注于通用视觉问答或单一领域任务（如纯自动驾驶感知模型、纯机器人操作模型），而MiMo-Embodied通过统一的模型架构和跨领域训练数据，实现了“一套模型适配两类核心场景”，且在两个领域均达到行业领先水平，这也是其命名中“MiMo”（Multi-Embodiment）的核心含义。

二、功能特色

MiMo-Embodied的功能特色围绕“跨领域能力、高性能表现、全场景适配”三大核心展开，具体可分为以下四大维度，结合实测数据与场景落地能力详细说明：

2.1 核心特色1：跨领域深度整合，打破场景壁垒

这是MiMo-Embodied最显著的优势，也是其区别于所有现有开源VLM的核心特征。它首次将“自动驾驶”与“具身AI”两大高价值领域的能力整合进单一模型，无需额外适配即可应对两类场景的核心任务：

  • 自动驾驶场景：支持环境感知（识别车道、车辆、行人、交通标志）、状态预测（判断车辆行驶状态、行人行为意图）、驾驶规划（基于路况制定行驶轨迹、速度调整方案）。

  • 具身AI场景：支持任务规划（如“清洁桌子的下一步操作”）、动作可能性预测（Affordance Prediction，如“识别物体可操作的部位”）、空间理解（如“判断物体相对位置、识别空闲区域”）。

这种整合并非“简单叠加”，而是通过统一的训练目标和模型架构实现的——模型能自动识别输入场景类型（自动驾驶/具身AI），并调用对应的推理逻辑，避免了“多模型拼接”带来的延迟和兼容性问题。例如，面对“前方有行人横穿马路”的图像输入，模型会自动切换到自动驾驶推理模式，输出“减速避让”的规划；面对“如何用蒸汽熨斗熨衣服”的视频输入，会切换到具身任务规划模式，输出“用右手握住熨斗按压衣物右侧”的操作指令。

2.2 核心特色2：三大能力维度，全链路覆盖真实需求

MiMo-Embodied的能力体系可分为三大核心维度，每个维度均对应真实场景中的关键痛点，且经过权威基准测试验证：

（1）具身AI能力：覆盖“操作-规划-空间”全需求

针对具身AI（如机器人交互、虚实结合操作）的核心需求，模型在三大子能力上表现突出：

  • 任务规划：能基于目标和当前状态，制定分步操作流程（如“ knead dough（揉面）”任务中，根据视频帧判断“下一步需移开手部”）；

  • 动作可能性预测：能识别物体的可操作部位和功能（如“识别水壶的握持处”“判断桌子的空闲区域”）；

  • 空间理解：能精准判断物体相对位置、距离、方位（如“判断水壶在椅子左侧”“识别最远物体为窗户”）。

（2）自动驾驶能力：“感知-预测-规划”一体化

针对自动驾驶场景，模型实现了端到端的推理能力，无需拆分多个模块：

  • 环境感知：能识别单/多视图图像/视频中的车道数量、车辆类型、交通信号、行人位置等（如“判断当前道路为1车道”）；

  • 状态预测：能基于视频序列判断车辆行驶状态（如“停止、直行、转弯”）、其他交通参与者的行为意图（如“行人是否准备横穿马路”）；

  • 驾驶规划：能基于路况制定安全合理的行驶方案（如“前方有蓝色卡车时，保持当前车道并调整车速匹配卡车”）。

（3）通用视觉理解能力：领域优化不削弱通用性能

传统领域专用模型往往存在“领域过拟合”问题——优化某一领域性能后，通用能力会下降。而MiMo-Embodied通过独特的训练策略，在强化自动驾驶和具身AI能力的同时，保留并增强了通用视觉理解能力，可应对图像问答、物体计数、场景识别等基础任务。

2.3 核心特色3：性能领先，开源模型中的“标杆级”表现

MiMo-Embodied在37个权威基准测试中（17个具身AI+12个自动驾驶+8个通用视觉）均取得优异成绩，其中多个指标超越现有开源模型，部分场景比肩闭源模型（如GPT-4o、Gemini2.5-Pro）。以下为核心基准测试的性能对比（选取关键指标，数据源自项目官方评估）：

模型类型 模型名称 参数规模 具身AI关键指标（RoboRefit） 自动驾驶关键指标（CODA-LM） 通用视觉关键指标（Prostandard）
开源模型 MiMo-Embodied 7B 82.30（第一） 58.55（第一） 52.08（第一）
开源模型 Qwen2.5-VL 7B 80.42（第二） 35.75 34.70
开源模型 InternVL3.5 8B 39.38 32.61 45.60
闭源模型 GPT-4o - 14.15 34.18 42.50
闭源模型 Gemini2.5-Pro - 38.44 53.21 -

从表格可见，MiMo-Embodied在开源模型中处于绝对领先地位：

  • 具身AI场景：RoboRefit指标（动作可能性预测核心基准）以82.30分远超第二名Qwen2.5-VL（80.42分），是唯一突破80分的开源模型；

  • 自动驾驶场景：CODA-LM指标（环境感知与规划综合基准）以58.55分领先所有开源模型，甚至超过闭源模型GPT-4o（34.18分）；

  • 通用视觉场景：Prostandard指标（通用视觉理解基准）以52.08分领先开源同类模型，与闭源模型GPT-4o（42.50分）相比仍有优势。

此外，在自动驾驶多视图视频任务（如nuScenes-QA、DriveAction）中，MiMo-Embodied的指标（56.71分、80.99分）均超过开源专用模型（如DriveLMM-o1）和部分闭源模型，证明其在复杂动态场景中的推理能力。

2.4 核心特色4：轻量化部署，兼顾性能与效率

MiMo-Embodied的参数规模为7B，属于“轻量化大模型”范畴——相比动辄几十B参数的闭源模型（如GPT-4o），它在保持高性能的同时，降低了硬件部署门槛。普通GPU（如NVIDIA RTX 3090/4090）即可支持推理，无需大规模集群资源，这为中小企业和开发者的二次开发提供了便利。

同时，模型支持单视图图像、多视图图像、单视图视频、多视图视频等多种输入格式，输出结果包括自然语言回答、坐标点（如空闲区域位置）、动作指令等，适配不同场景的输出需求。

MiMo-Embodied：小米开源的7B跨具身视觉语言模型，打通自动驾驶与具身AI双领域推理

三、技术细节

MiMo-Embodied的优异性能源于其“统一架构+跨领域训练”的技术设计，核心技术细节可从模型架构、训练策略、推理流程三个维度拆解，兼顾专业性与通俗性：

3.1 模型架构：统一编码+模块化设计

MiMo-Embodied采用“视觉-语言统一编码”架构，核心目标是让模型能同时理解视觉信号（图像/视频）和文本指令，并实现跨领域推理。架构整体分为四大模块，各模块功能及协作流程如下：

技术模块 核心功能 技术实现细节
Tokenizer（分词器） 统一处理视觉Token与文本Token，生成模型可理解的输入格式 视觉Token：通过Vision Transformer（ViT）将图像/视频编码为特征向量；文本Token：采用通用语言分词器（如BPE）处理自然语言指令；同时融合“历史Token”（上下文信息）
视觉编码器 提取图像/视频中的空间、时序特征（如物体位置、运动轨迹） 采用改进型ViT架构，支持单/多视图输入，针对自动驾驶场景优化了“远距离物体识别”，针对具身场景优化了“物体局部特征提取”
文本编码器 理解文本指令的意图、目标，关联视觉特征与语言语义 基于Transformer解码器，融入跨领域指令预训练（自动驾驶+具身AI指令），支持“意图解析-逻辑推理”的语义建模
推理生成模块 基于视觉特征与文本语义，生成逻辑连贯的思考过程与最终答案 引入“Thinking Process”（思维链）机制，先输出推理逻辑（如“要睡觉需去卧室找床”），再生成最终结果，提升决策可解释性

这种架构的核心优势在于“统一性”——无论是自动驾驶还是具身AI场景，输入均通过同一套编码体系处理，模型无需切换架构即可适配不同场景，避免了“多模型拼接”的效率损耗。

3.2 训练策略：跨领域指令数据集+分层训练

MiMo-Embodied的训练数据核心是“跨领域指令数据集”，涵盖三大类数据：

  1. 具身AI指令数据：包括任务规划（如“清洁桌子的步骤”）、动作可能性预测（如“识别物体可操作部位”）、空间理解（如“判断物体相对位置”）等场景的问答、指令数据；

  2. 自动驾驶指令数据：包括环境感知（如“图像中有多少辆车”）、状态预测（如“车辆在做什么”）、驾驶规划（如“前方有行人该如何行驶”）等场景的问答、指令数据；

  3. 通用视觉指令数据：包括图像问答、物体计数、场景识别等基础任务数据，用于保障通用能力。

训练过程采用“分层训练”策略：

  • 第一阶段：通用视觉-语言预训练，对齐视觉特征与语言语义，奠定基础能力；

  • 第二阶段：跨领域指令微调，使用自动驾驶+具身AI指令数据微调模型，强化领域专用能力；

  • 第三阶段：基准测试对齐，针对权威基准测试优化模型输出格式与精度，确保评估性能。

这种训练策略既保证了模型的“领域深度”（适配自动驾驶与具身AI），又保留了“通用广度”（应对基础视觉任务），避免了“领域过拟合”。

3.3 推理流程：“输入-编码-推理-输出”全链路优化

MiMo-Embodied的推理流程遵循“端到端”设计，以“图像/视频+文本指令”为输入，输出最终答案，中间包含“思维链推理”环节，具体流程如下：

  1. 输入处理：用户提供图像/视频（单/多视图）+ 自然语言指令（如“前方有蓝色卡车，该如何规划轨迹？”）；

  2. Token编码：视觉编码器处理图像/视频，生成视觉Token；文本编码器处理指令，生成文本Token；同时融合历史上下文Token；

  3. 思维链推理：模型基于视觉Token与文本Token，生成推理逻辑（如“要规划轨迹需先判断当前车道，再匹配卡车速度”）；

  4. 结果生成：基于推理逻辑，生成最终答案（如“保持当前车道，调整车速匹配卡车”），支持自然语言、坐标点、动作指令等输出格式。

以“自动驾驶规划”任务为例，推理流程可简化为：输入（含蓝色卡车的道路图像+“该如何规划轨迹”指令）→ 编码（提取车道、卡车位置特征+理解“规划轨迹”意图）→ 推理（“当前车道无障碍物，卡车在前方，需保持车道并调速”）→ 输出（最终规划方案）。

MiMo-Embodied：小米开源的7B跨具身视觉语言模型，打通自动驾驶与具身AI双领域推理

四、应用场景

基于“跨领域整合+高性能+轻量化”的核心优势，MiMo-Embodied可广泛应用于自动驾驶、机器人、智能硬件等多个领域，以下为具体落地场景及应用方式：

4.1 自动驾驶领域：辅助驾驶决策与感知系统

（1）L2-L4级辅助驾驶系统

MiMo-Embodied可作为辅助驾驶系统的“感知-推理”核心模块，处理摄像头采集的图像/视频数据，实现：

  • 实时环境感知：识别车道数量、车辆/行人/自行车等交通参与者、交通信号灯/标志、道路障碍物（如掉落物）；

  • 行为状态预测：判断前方车辆是否会减速/变道、行人是否会横穿马路、路口是否有车辆抢行；

  • 驾驶决策规划：基于实时路况生成行驶建议（如“保持当前车道，车速调整至60km/h”“前方施工，建议变道至左侧车道”）。

相比传统自动驾驶感知模型，MiMo-Embodied的优势在于“端到端推理”——无需拆分“感知-预测-规划”多个模块，降低了系统集成复杂度，且支持自然语言交互（如驾驶员通过语音询问“前方路况是否安全”，模型直接用语言回复）。

（2）自动驾驶数据标注与场景生成

在自动驾驶算法开发中，数据标注是核心成本之一。MiMo-Embodied可自动识别图像/视频中的关键元素（如车道、车辆位置），生成标注结果（如坐标、类别），减少人工标注工作量；同时可基于文本指令生成虚拟场景（如“生成雨天道路有行人横穿的场景描述”），辅助算法测试。

4.2 具身AI领域：服务机器人与工业操作

（1）家庭/商用服务机器人

MiMo-Embodied可作为服务机器人的“大脑”，实现：

  • 任务规划：基于用户指令制定操作步骤（如“用户说‘要睡觉’，规划‘前往卧室→找到床’的路径与动作”）；

  • 物体交互：识别物体功能与可操作部位（如“识别水壶的握持处”“找到桌子的空闲区域放置物品”）；

  • 空间导航：判断自身与物体的相对位置，规划移动路径（如“从客厅到卧室找床”“避开障碍物前往餐桌”）。

例如，家庭清洁机器人可通过模型识别“桌子下方的空闲区域”，规划清扫路径；商用服务机器人（如餐厅机器人）可识别“顾客需要加水”，规划“前往水壶位置→拿起水壶→走向顾客”的操作流程。

（2）工业机器人操作辅助

在工业场景中，MiMo-Embodied可辅助工业机器人完成精密操作：

  • 零件定位：识别生产线上的零件位置、朝向（如“找到第三颗从左到右的螺丝”）；

  • 装配规划：基于装配目标制定步骤（如“先将盖子放在锅的左侧，再将粉色勺子放入锅中”）；

  • 质量检测：识别零件装配是否正确、是否存在缺陷（如“判断螺丝是否拧紧”“识别零件表面划痕”）。

4.3 通用视觉理解场景：智能监控与教育辅助

（1）智能监控系统

MiMo-Embodied可处理监控摄像头的实时视频，实现：

  • 异常行为识别：如“识别商场内有人摔倒”“停车场有车辆异常停留”；

  • 场景状态分析：如“判断超市收银台排队人数”“识别办公楼走廊是否有未关闭的门”；

  • 自然语言交互：安保人员可通过语音询问“监控区域是否有异常”，模型直接回复结果。

（2）教育与科研辅助

  • 机器人教育：为机器人相关专业学生提供开源基础模型，用于学习“视觉-语言-动作”的整合推理；

  • 科研实验：作为具身AI、自动驾驶领域的基准模型，支持研究者在此基础上优化算法（如改进训练策略、扩展场景）；

  • 教学演示：通过“图像/视频+指令”的交互方式，直观展示AI在真实场景中的推理过程，辅助AI相关课程教学。

4.4 其他场景：智能硬件与虚实结合交互

  • 智能汽车座舱：支持驾驶员与车辆的自然语言交互（如“前方路况如何”“附近有加油站吗”），同时基于摄像头数据提供实时驾驶建议；

  • AR/VR交互：在增强现实场景中，识别现实物体并提供操作指引（如“AR眼镜显示‘点击设备右侧按钮开机’”）；

  • 智能家居控制：通过图像识别判断家电状态（如“识别空调是否开启”），并基于用户指令规划控制步骤（如“用户说‘降温’，规划‘找到空调遥控器→按下降温按钮’”）。

MiMo-Embodied：小米开源的7B跨具身视觉语言模型，打通自动驾驶与具身AI双领域推理

五、使用方法

MiMo-Embodied的开源仓库提供了完整的推理脚本和依赖清单，用户可快速部署并进行测试。以下为详细使用步骤，兼顾新手友好性与技术准确性：

5.1 环境准备

（1）硬件要求

  • 最低配置：NVIDIA GPU（显存≥16GB，支持CUDA 11.0+）、CPU≥8核、内存≥32GB；

  • 推荐配置：NVIDIA RTX 3090/4090或A100 GPU（显存≥24GB），确保处理视频或多视图图像时的推理速度。

（2）软件依赖安装

  1. 克隆项目仓库：

    git clone https://github.com/XiaomiMiMo/MiMo-Embodied.git
cd MiMo-Embodied

  2. 创建虚拟环境（推荐Python 3.8-3.10）：

    conda create -n mimo-env python=3.9
conda activate mimo-env

  3. 安装依赖库（基于requirements.txt）：

    pip install -r requirements.txt

    核心依赖包括：torch（PyTorch）、transformers（模型加载）、opencv-python（图像/视频处理）、numpy（数值计算）、pillow（图像读取）等。若安装过程中出现兼容性问题，可参考项目README.md的“依赖版本说明”。

5.2 模型加载

MiMo-Embodied的预训练模型已发布至Hugging Face Hub，用户可直接通过transformers库加载，无需手动下载权重文件：

from transformers import AutoModelForVisionAndLanguage, AutoProcessor

# 加载模型和处理器（处理器用于处理图像/视频和文本指令）
model_name = "XiaomiMiMo/MiMo-Embodied-7B"
processor = AutoProcessor.from_pretrained(model_name)
model = AutoModelForVisionAndLanguage.from_pretrained(model_name)

# 设置模型为推理模式
model.eval()

若网络环境受限无法直接加载，可先从Hugging Face下载模型权重（https://huggingface.co/XiaomiMiMo/MiMo-Embodied-7B），再通过本地路径加载：

model = AutoModelForVisionAndLanguage.from_pretrained("./local-model-path")
processor = AutoProcessor.from_pretrained("./local-model-path")

5.3 推理执行

MiMo-Embodied支持“图像/视频+文本指令”的输入格式，输出为自然语言回答、坐标点等结果。以下为常见场景的推理示例：

（1）自动驾驶场景：图像输入+路况询问

import cv2
from PIL import Image

# 加载图像（自动驾驶场景的道路图像）
image_path = "road_image.jpg" # 替换为你的图像路径
image = Image.open(image_path).convert("RGB")

# 文本指令
text = "当前道路有多少条车道？"

# 处理输入（图像+文本）
inputs = processor(images=image, text=text, return_tensors="pt").to("cuda")

# 推理
with torch.no_grad():
  outputs = model.generate(**inputs, max_new_tokens=100)

# 解码输出结果
result = processor.decode(outputs[0], skip_special_tokens=True)
print("模型回答：", result)
# 预期输出："当前道路有1条车道。"

（2）具身AI场景：视频输入+任务规划

# 加载视频（具身操作场景，如揉面视频）
video_path = "knead_dough_video.mp4" # 替换为你的视频路径
video_frames = []
cap = cv2.VideoCapture(video_path)
while cap.isOpened():
  ret, frame = cap.read()
  if not ret:
    break
  frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
  video_frames.append(Image.fromarray(frame))
cap.release()

# 文本指令
text = "基于视频中的进度，揉面的下一步操作是什么？"

# 处理输入（视频+文本）
inputs = processor(images=video_frames, text=text, return_tensors="pt").to("cuda")

# 推理
with torch.no_grad():
  outputs = model.generate(**inputs, max_new_tokens=100)

# 解码输出结果
result = processor.decode(outputs[0], skip_special_tokens=True)
print("模型回答：", result)
# 预期输出："移开手部，以便继续揉面操作。"

（3）空间理解场景：图像输入+物体位置查询

# 加载图像（包含多个物体的场景图像）
image_path = "room_image.jpg" # 替换为你的图像路径
image = Image.open(image_path).convert("RGB")

# 文本指令
text = "水壶和椅子的相对位置是什么？"

# 处理输入并推理
inputs = processor(images=image, text=text, return_tensors="pt").to("cuda")
with torch.no_grad():
  outputs = model.generate(**inputs, max_new_tokens=100)
result = processor.decode(outputs[0], skip_special_tokens=True)
print("模型回答：", result)
# 预期输出："水壶在椅子的左侧。"

5.4 输出格式说明

MiMo-Embodied的输出格式根据任务类型自动适配：

  • 问答类任务（如“有多少条车道”）：输出自然语言回答；

  • 空间位置类任务（如“识别空闲区域”）：输出坐标点列表（如[[237, 296], [245, 484]]）；

  • 任务规划类任务（如“下一步操作”）：输出动作指令或步骤描述；

  • 自动驾驶规划类任务（如“轨迹规划”）：输出行驶建议（如“保持当前车道，车速调整至50km/h”）。

5.5 注意事项

  1. 输入图像/视频需保证清晰，避免模糊或遮挡过多（尤其是自动驾驶场景中的远距离物体）；

  2. 文本指令需明确意图，避免歧义（如“规划轨迹”需说明“基于当前路况”，而非模糊表述“该怎么做”）；

  3. 推理时建议使用GPU加速，CPU推理速度较慢（尤其是视频输入场景）；

  4. 若需处理多视图图像（如自动驾驶的前后左右摄像头数据），可将多个图像传入processor的images参数（支持列表格式）。

MiMo-Embodied：小米开源的7B跨具身视觉语言模型，打通自动驾驶与具身AI双领域推理

六、常见问题解答（FAQ）

Q：运行MiMo-Embodied需要什么级别的GPU？能否在CPU上运行？

A：最低要求为显存≥16GB的NVIDIA GPU（支持CUDA 11.0+），推荐24GB显存的GPU；CPU可运行，但推理速度极慢（单张图像问答可能需要数十秒），不建议用于实际应用。

Q：处理视频输入时，对视频长度有要求吗？

A：建议视频长度不超过30秒（约900帧），过长会导致显存占用过高；若需处理长视频，可分段输入模型。

Q：MiMo-Embodied支持微调吗？如何基于自定义数据优化模型？

A：当前开源版本主要提供推理功能，官方暂未发布正式的微调脚本。若需微调，可参考项目技术报告中的训练策略，基于transformers库扩展微调代码，自定义数据需遵循“图像/视频+文本指令”的格式。

Q：模型支持哪些输入格式？是否支持红外图像、点云数据？

A：目前支持的输入格式为RGB图像（.jpg/.png）和RGB视频（.mp4/.avi）；暂不支持红外图像、点云数据，需将这类数据转换为RGB格式后再输入。

Q：MiMo-Embodied与其他开源VLM（如Qwen2.5-VL、InternVL3.5）的核心区别是什么？

A：核心区别在于“跨领域整合”——其他开源VLM多专注于通用视觉或单一领域，而MiMo-Embodied是首个同时在自动驾驶和具身AI两大领域达到领先水平的开源模型，且无需额外适配即可切换场景。

Q：MiMo-Embodied可用于商业产品吗？

A：可以。项目采用Apache License 2.0授权，允许商业使用、修改、分发，只需保留原作者版权声明。

Q：模型的推理延迟如何？能否满足实时场景需求？

A：在NVIDIA RTX 4090 GPU上，单张图像问答的推理延迟约为500ms-1s，短视频（10秒内）推理延迟约为3-5s，基本满足自动驾驶辅助决策、服务机器人交互等实时场景需求；若需进一步降低延迟，可通过模型量化（如INT8量化）优化。

Q：模型的准确率如何保障？是否有实际场景的测试数据？

A：模型在37个权威基准测试中经过验证，且官方提供了大量案例可视化（如自动驾驶车道识别、具身任务规划）；实际应用中，建议针对具体场景进行少量适配测试（如采集目标场景的样本数据验证准确率）。

Q：使用过程中遇到报错（如依赖冲突、模型加载失败），该如何解决？

A：首先参考项目GitHub仓库的“Issues”板块，查看是否有类似问题的解决方案；若未找到，可提交新Issue，提供报错信息、硬件配置、操作步骤等细节，官方团队会定期回复。

Q：是否有官方提供的API服务？

A：目前暂无官方API服务，用户需通过开源代码本地部署或基于模型权重二次开发。

七、相关链接

八、总结

MiMo-Embodied作为小米推出的开源跨具身视觉语言模型，以“7B参数规模+跨领域整合+高性能表现”三大核心亮点，填补了开源VLM在自动驾驶与具身AI双领域适配的空白。它通过统一的模型架构和跨领域训练策略，既实现了在17个具身AI基准、12个自动驾驶基准中的领先性能，又保留了强大的通用视觉理解能力，同时具备轻量化部署优势，为中小企业、开发者及科研人员提供了一个高效、灵活的开源基础框架。其应用场景覆盖自动驾驶辅助决策、服务机器人交互、工业操作规划等多个高价值领域，不仅降低了领域专用AI系统的开发门槛，也为具身智能与自动驾驶的融合创新提供了新的可能性。作为首个打通两大核心场景的开源VLM，MiMo-Embodied的发布有望推动相关领域的技术普及与产业落地，成为动态物理环境AI推理的标杆级开源项目。

视觉语言模型 自动驾驶 具身AI 开源大模型
打赏

版权及免责申明：本文由@人工智能研究所原创发布。该文章观点仅代表作者本人，不代表本站立场。本站不承担任何相关法律责任。

如若转载，请注明出处：https://www.aipuzi.cn/ai-news/mimo-embodied.html

THE END
作者头像
人工智能研究所
发现AI神器，探索AI技术！