文｜郭晓静
编辑｜徐青阳
12 月 17 日，2025 小米"人车家全生态合作伙伴大会"举办。在这次大会上，小米 MiMo 团队负责人罗福莉完成了首秀演讲。作为前 DeepSeek 核心成员，罗福莉自从加入小米，就被视为小米 AI 研发走向"正规军化"和"极客化"的里程碑。
市场曾期待她能带来像 DeepSeek 那样颠覆性的"小而美"模型，而罗福莉身上 AI 时代的极客特质，也许能与小米初创时期的极客基因完美相融，产生新的化学反应。
罗福莉的首秀略显紧张，但不负众望，她带来了一个高效的模型 MiMo-V2-Flash，也抛出了新的 AGI 梦想。
在她看来，现在的模型大多只是"完美的语言外壳，没有锚定现实世界的物理模型"；"真正的智能是从交互中活出来的"，通往 AGI 的必经之路，不是打造一个程序，而是"推演整个世界的运作逻辑，打造一个虚拟宇宙"。
这次首秀，罗福莉确实带来了鲜明的" DeepSeek 基因"，比如 MoE 架构、MTP 技术和对极致效率的追求。
此次开源的 MiMo-V2-Flash 模型，它具备三个核心特点：
高效推理：虽然总参高达 309B，但通过 MoE 架构仅激活 15B，结合被低估的 MTP（多令牌预测）技术，生成速度达到 150 tokens/ 秒。这带来约 2.5 倍加速，主要为了解决车机、助手等端侧交互对延迟的敏感。
创新的长文本架构：设计上追求"简单优雅"，采用 Hybrid SWA 机制，锁定 128 tokens 的"神奇窗口"。这不仅支持 256K 长上下文，固定了 KV 缓存以降低硬件压力，还在代码生成上刷新了 SOTA。
极高的性价比：落地层面非常务实，后训练阶段采用 MOPD 技术，用极低的计算量（不到标准流程 1/50）复刻教师模型性能，意在降低大规模部署的成本。
这场首秀被安排在"人车家全生态"大会上，意义耐人寻味。罗福莉在小米的职责很明确：主导大模型研发，通过高效推理与智能体技术，推动 AI 从"语言交互"跨越到"物理世界"，赋能全生态。
但客观来看，端侧 AI 智能、赋能全生态的理想还在路上，现在的硬件依然难以支撑这样一个已经"极致效率"的模型。
以当前最高端的旗舰手机为例，端侧模型的舒适区依然停留在 3B 到 7B 参数之间。MiMo-V2-Flash 的 15B 激活参数，对移动设备而言依然是"房间里的大象"。
所谓的"高效推理"，更多是指在云端数据中心实现了高吞吐量，对于用户手中的终端，这依然是一个重度依赖网络的"云端模型"。
虽然有惊喜，但是此次小米并没有打破端侧 AI 的算力天花板，对于期待" AI 手机"变革的用户而言，还需要继续等待。
但今天的罗福莉，确实在给小米，讲了一个可围绕"人车家生态的"、新的 AGI 故事。
以下为演讲实录（为优化阅读体验，做了二次编辑、删减）：
一、 从生物演变看 AI 发展路径
今天我想带大家换一个视角，从 10 亿年生物进化的长河中，重新去审视我们正在经历的这一场 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，遵循着非常严密的逻辑：在 6 亿年前，生命首先学会了控制身体与环境互动；紧接着进化出了多巴胺系统，通过强化学习进一步提升生存能力；在 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；最终我们发现，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对物理世界的感知和生存体验，最后才诞生了语言。但大家都能发现，到现在为止，大模型的发展路径其实跟生物进化路径是不同步的，甚至说是一种倒叙，或者说是一种跳跃。
生物是先从行动进化到思考，再进化到语言；但是大模型是先学会了语言，再去补齐它的思考能力，最后再去补齐对物理世界的模拟以及具身感知。
为什么大模型智能的产生首先是在语言领域？因为语言不仅仅是一种符号的排列组合，更是人类思维以及对于世界的一种描述。在文本领域的投射，本质上是一种有损压缩。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，试图把 Loss（损失函数）降到最低的时候，我们发现它不仅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，大模型通过语言的爆发，通过 Scaling（扩展）算力和数据，从而理解了人类的思维和对世界的理解。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一个投影。大家都能看到，这其实是一种自顶向下的捷径，因为它是在学习一种智能的结果，来倒推智能产生的过程。
二、 MiMo-V2-Flash 的诞生，解决三大核心问题
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，也是高阶智能体之间高效协作的工具。因此，小米从语言出发，构建了全新一代面向 Agent（智能体）的基座模型—— MiMo-V2-Flash。
MiMo-V2-Flash 在研发之初，主要围绕着三个非常关键的问题展开：
第一，我们认为当代的智能体必须要有一个高效的沟通语言，即代码能力和工具调用能力。
第二，目前智能体之间的沟通带宽非常低，如何加速带宽？这需要一个推理效率极高的模型结构。
第三，Scaling 的范式已经逐步从预训练（Pre-train）转向后训练（Post-train），我们如何激发后训练的潜能？这就需要一个稳定的范式，以便在强化学习（RL）上投入更多的 Compute（算力）。
在这三个问题的驱动下，我们看到了 MiMo-V2-Flash 超强的基座潜能。虽然它的总参数在我看来非常小——总参数 309B，激活参数只有 15B，我甚至都不愿意称它为"大"模型——但它的代码能力和 Agent 能力在世界级公开公正的评估榜单上，已经进入了全球开源模型 Top 1-2 的行列。
基本上，大部分评估基准已经超过或者与 DeepSeek-V3、Kimi、Qwen 等模型相当，而这些模型的总参数量通常是 MiMo-V2-Flash 的两倍到三倍。
三、 性能与成本的平衡，挑战推理不可能三角
这个图展示了全球相同水位大模型在价格和速度上的比较：横轴是推理价格（从大到小），纵轴是推理速度（从小到大）。我们能看到 MiMo 在右上角，代表了低成本、高速度。
举两个 benchmark 进行对比： 比如 DeepSeek-V3.2，MiMo-V2-Flash 比它更便宜一点，但推理速度大概是 V3.2 的三倍左右。
再比如 Gemini 2.5 Pro，虽然综合性能相当，且推理速度差不多，但 Gemini 2.5 Pro 的推理成本比 MiMo-V2-Flash 贵了整整 20 倍。
四、 架构创新与 MTP 加速
那么我们是怎么做到这一切的呢？核心关键在于围绕"极致推理效率"重新设计模型结构，主要依靠两个创新。
第一个是 Hybrid Attention（混合注意力）结构。我们采用了 Hybrid Sliding Window Attention（混合滑动窗口注意力）和 Full Attention（全局注意力），比例大概是 5:1。
为什么选 Sliding Window Attention？因为它看起来非常简单，只关注邻域的 128 个 Token。经过大量实验验证，我们发现一些看似复杂的 Linear Attention（线性注意力）结构，在兼顾长短文推理和知识检索的综合性能上，其实并不如简单的 Sliding Window Attention。更重要的是，它的 KV Cache 是固定的，能非常好地适配当代主流的 Infra（基础设施）推理框架。
图：MiMo-V2-Flash 全局注意力（GA）和滑动窗口注意力（SWA）的 1:5 混合结构
第二个是 挖掘 MTP（Multi-Token Prediction，多令牌预测）的潜力。MTP 一开始被提出是用于做推理加速的，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 层以提升基座潜能，并且在微调时加入了更多层的 MTP，用少量算力就提升了 MTP 层的接受率。
最终推理时，我们使用了三层 MTP 进行加速并行 Token 验证。在实际场景中，这种方式能做到 2.2 到 2.6 倍的推理加速。
在社区关于三层 MTP 的情况下，我们来看模型输出吞吐：在单机吞吐能做到 5,000~15,000 Tokens/ 秒的基础上，单请求吞吐也能做到 150~155 Tokens/ 秒。使用 MTP 相比不使用，整体速度提升了 2 到 3 倍。
五、 训练范式革新：MOPD 与自进化
除了关注预训练结构的高效性，我们还在思考如何扩展强化学习训练的 Compute。强化学习训练通常非常不稳定，因此我们提出了 MOPD（Multi-Teacher On-Policy Distillation，多教师在线策略蒸馏） 范式。
它的核心在于 On-Policy，依赖稠密的 Token Level Reward（令牌级奖励）进行监督学习。通常 Post-train 范式会通过 SFT 和 RL 拿到各领域专家模型。MOPD 则会让 Student（学生）模型基于自身概率分布 Roll out（生成）一些序列，然后用专家模型对这些序列进行打分，提供非常稠密的监督信号。
我们发现这种学习效率极高，通过简短的几十步就能将各领域专家的能力快速蒸馏到 Student 模型上。
此外，我们还有一个意外发现：当 Student 很快超越 Teacher 时，我们正在尝试将 Teacher 替换成更强的 Student，继续自我迭代提升，这是一个正在进行中的工作。
六、 迈向物理世界：从语言模拟到真实交互
MiMo-V2 已经初步具备在语言空间模拟世界的能力。比如，我们可以通过 HTML 让它写一个操作系统，很多功能都是可实现的；或者写一个 HTML 模拟太阳系；甚至做一个画圣诞树并产生交互的小 Demo。
MiMo-V2-Flash 已经在昨天发布，我们开源了所有模型权重，同步了技术报告细节，并提供了 API 供开发者接入 Web Coding IDE。我们的体验 Web 也已上线，大家可以扫描试用。
虽然现在的大模型能聊天、能写代码，但我相信大家还是不放心把身边复杂的任务交给它。我认为真正的下一代智能体系统，不应该只是一个语言模拟器，而是需要跟世界共存。
下一代智能体必须具备两个潜能： 第一，从"回答问题"变成"完成任务"。 这不仅需要记忆、推理、规划能力，更需要一个 Omni（全模态）的感知能力。做一个统一的动态系统非常必要，这是理解世界的基础。有了这个基础，模型才能无缝嵌入到像眼镜这样的智能终端，融入我们的生活流。
第二，构建物理模型。 回到开头的话题，现有大模型本质上是用算力的"暴力美学"攻克了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和模拟，以及底层的实体交互。这就是为什么大模型能做奥数、模仿莎士比亚，却不懂重力等物理法则，经常产生具身幻觉。
因此，AI 进化的下一个起点，一定要有一个可以跟真实环境交互的物理模型。我们要打造的本质上不是一个程序，而是一个具备物理一致性、时空连贯性的虚拟宇宙。
这意味着 AI 能力的本质跨越——不仅仅是看懂画面，而是理解背后的物理规律；不仅仅是处理文本，而是推演世界的运作逻辑。真正的智能绝对不是在文本里读出来的，而是在交互里"活"出来的。
红腾网配资提示：文章来自网络，不代表本站观点。
