Mimo 7B RL

🚀 MiMo-7B：專為推理任務而生的語言模型

MiMo-7B是一系列從頭開始訓練、專為推理任務打造的模型。通過優化預訓練和後訓練策略，該模型在數學和代碼推理任務上展現出卓越性能，甚至超越了部分大模型，為開發強大的推理大語言模型提供了有價值的參考。

🚀 快速開始

本項目開源了MiMo-7B系列模型，包含基礎模型、SFT模型、基於基礎模型訓練的RL模型以及基於SFT模型訓練的RL模型的檢查點。你可以通過以下鏈接獲取模型：

• HuggingFace
• ModelScope

✨ 主要特性

預訓練：為推理而生的基礎模型

• 優化數據預處理流程：增強文本提取工具包，應用多維數據過濾，提高預訓練數據中的推理模式密度。同時，採用多種策略生成大量多樣化的合成推理數據。
• 三階段數據混合策略：預訓練採用三階段數據混合策略，MiMo-7B-Base在約25萬億個標記上進行預訓練。
• 引入多標記預測目標：將多標記預測（Multiple-Token Prediction）作為額外的訓練目標，提升模型性能並加速推理。

後訓練策略：開創推理模型先河

• 精心策劃訓練數據：精心挑選130K個數學和代碼問題作為RL訓練數據，這些問題可由基於規則的驗證器進行驗證。每個問題都經過仔細清理和難度評估，以確保數據質量。僅使用基於規則的準確性獎勵，避免潛在的獎勵破解問題。
• 引入測試難度驅動的代碼獎勵：為緩解具有挑戰性的代碼問題的稀疏獎勵問題，引入測試難度驅動的代碼獎勵。通過為不同難度級別的測試用例分配細粒度分數，可通過密集獎勵信號更有效地優化策略。
• 實施數據重採樣策略：對簡單問題實施數據重採樣策略，以提高滾動採樣效率並穩定策略更新，特別是在RL訓練的後期階段。

RL基礎設施

• 開發無縫滾動引擎：開發了無縫滾動引擎（Seamless Rollout Engine），以加速RL訓練和驗證。該設計集成了連續滾動、異步獎勵計算和提前終止功能，以最小化GPU空閒時間，實現了2.29倍的訓練速度提升和1.96倍的驗證速度提升。
• 支持MTP並增強推理引擎魯棒性：在vLLM中支持MTP，並增強了RL系統中推理引擎的魯棒性。

📦 安裝指南

SGLang推理

# 從主分支安裝最新的SGlang
python3 -m uv pip install "sglang[all] @ git+https://github.com/sgl-project/sglang.git/@main#egg=sglang&subdirectory=python"

# 啟動SGLang服務器
python3 -m sglang.launch_server --model-path XiaomiMiMo/MiMo-7B-RL --host 0.0.0.0 --trust-remote-code

詳細使用方法可參考 SGLang文檔，MTP也將在24小時內得到支持。

vLLM推理

推薦方式

使用 我們fork的vLLM 進行推理：

from vllm import LLM, SamplingParams

model_path = "/path/to/MiMo"
llm = LLM(
    model=model_path,
    trust_remote_code=True,
    num_speculative_tokens=1,
    disable_log_stats=False
)
sampling_params = SamplingParams(temperature=0.6)

conversation = [
    {
        "role": "system",
        "content": ""
    },
    {
        "role": "user",
        "content": "Write an essay about the importance of higher education.",
    },
]

outputs = llm.chat(conversation,
                   sampling_params=sampling_params,
                   use_tqdm=False)

for output in outputs:
    prompt = output.prompt
    generated_text = output.outputs[0].text
    print(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")

print("=" * 80)

替代方式

你可以複製 registry/register_mimo_in_vllm.py 到你的目錄並導入：

import register_mimo_in_vllm

from vllm import LLM, SamplingParams

model_path = "/path/to/MiMo"
llm = LLM(
    model=model_path,
    trust_remote_code=True,
    # num_speculative_tokens=1,
    disable_log_stats=False
)
sampling_params = SamplingParams(temperature=0.6)

HuggingFace推理

from transformers import AutoModel, AutoModelForCausalLM, AutoTokenizer

model_id = "XiaomiMiMo/MiMo-7B-RL"
model = AutoModelForCausalLM.from_pretrained(model_id, trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained(model_id)
inputs = tokenizer(["Today is"], return_tensors='pt')
output = model.generate(**inputs, max_new_tokens = 100)
print(tokenizer.decode(output.tolist()[0]))

💻 使用示例

推薦環境和提示

• 推薦使用 我們基於vLLM 0.7.3開發的fork版本。
• 推薦使用空的系統提示。

📚 詳細文檔

模型詳情

評估結果

通用任務

數學任務

代碼任務

MiMo-7B系列模型評估

⚠️ 重要提示 評估是在 temperature=0.6 的條件下進行的。AIME24和AIME25的分數是32次重複的平均值，LiveCodeBench v5（20240801 - 20250201）、LiveCodeBench v6（20250201 - 20250501）、GPQA-Diamond和IF-Eval的分數是8次重複的平均值，MATH500和SuperGPQA是單次運行的結果。

🔧 技術細節

MiMo-7B的MTP層在預訓練和SFT階段進行調整，在RL階段凍結。使用一個MTP層進行推測解碼時，接受率約為90%。

📄 許可證

本模型倉庫採用MIT許可證。

📚 引用

@misc{coreteam2025mimounlockingreasoningpotential,
      title={MiMo: Unlocking the Reasoning Potential of Language Model -- From Pretraining to Posttraining}, 
      author={{Xiaomi LLM-Core Team}},
      year={2025},
      eprint={2505.07608},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2505.07608}, 
}

📞 聯繫我們

如果您有任何問題，請通過 mimo@xiaomi.com 聯繫我們，或在項目中提出問題。