Mimo 7B RL Zero

🚀 MiMo-7B：解锁语言模型推理潜力

MiMo-7B 是一系列从头开始训练、专为推理任务而生的模型。它在数学和代码推理任务上展现出卓越性能，甚至超越了部分 32B 大模型，为开发强大的推理大语言模型提供了宝贵的见解。

🚀 快速开始

本项目提供了 MiMo-7B 系列模型，涵盖基础模型、SFT 模型、基于基础模型训练的 RL 模型以及基于 SFT 模型训练的 RL 模型。你可以通过以下链接访问模型：

• HuggingFace
• ModelScope
• 技术报告

✨ 主要特性

预训练：为推理而生的基础模型

• 数据预处理优化：优化数据预处理流程，增强文本提取工具包，并应用多维数据过滤，以提高预训练数据中的推理模式密度。同时，采用多种策略生成大量多样化的合成推理数据。
• 三阶段数据混合策略：采用三阶段数据混合策略进行预训练，MiMo-7B-Base 大约在 25 万亿个 token 上进行预训练。
• 多 token 预测训练目标：引入多 token 预测作为额外的训练目标，提升模型性能并加速推理。

后训练方法：开创性的推理模型

• 精心策划的 RL 训练数据：精心策划了 13 万个数学和代码问题作为 RL 训练数据，这些问题可由基于规则的验证器进行验证。每个问题都经过仔细清理和难度评估，以确保数据质量。仅采用基于规则的准确性奖励，避免潜在的奖励作弊问题。
• 测试难度驱动的代码奖励：为缓解具有挑战性的代码问题的稀疏奖励问题，引入了测试难度驱动的代码奖励。通过为不同难度级别的测试用例分配细粒度分数，可通过密集奖励信号更有效地优化策略。
• 数据重采样策略：对简单问题实施数据重采样策略，以提高采样效率并稳定策略更新，特别是在 RL 训练的后期阶段。

RL 基础设施

• 无缝采样引擎：开发了无缝采样引擎，以加速 RL 训练和验证。设计集成了连续采样、异步奖励计算和早期终止，以最小化 GPU 空闲时间，实现了训练速度提高 2.29 倍，验证速度提高 1.96 倍。
• 支持 MTP 的 vLLM：在 vLLM 中支持 MTP，并增强了 RL 系统中推理引擎的鲁棒性。

📦 安装指南

SGLang 推理

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

# 启动 SGLang 服务器
python3 -m sglang.launch_server --model-path XiaomiMiMo/MiMo-7B-RL-Zero --host 0.0.0.0 --trust-remote-code

详细用法可参考 SGLang 文档，MTP 也将在 24 小时内得到支持。

vLLM 推理

推荐方式

使用 我们的 vLLM 分支 进行推理：

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)

其他方式

你可以复制 registry/register_mimo_in_vllm.py 到你的目录并导入：

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-Zero"
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]))

推荐环境和提示

• 推荐使用 我们的 vLLM 分支，该分支基于 vLLM 0.7.3 开发。
• 推荐使用空的系统提示。

⚠️ 重要提示 评估是在 temperature=0.6 的条件下进行的。AIME24 和 AIME25 的分数是 32 次重复的平均值，LiveCodeBench v5（20240801 - 20250201）、LiveCodeBench v6（20250201 - 20250501）、GPQA - Diamond 和 IF - Eval 的分数是 8 次重复的平均值，MATH500 和 SuperGPQA 只进行一次运行。

💡 使用建议 本项目尚未验证 MiMo 在其他推理引擎上的效果，欢迎基于 Huggingface 仓库中的模型定义进行贡献。

📚 详细文档

模型详情

MiMo-7B 的 MTP 层在预训练和 SFT 阶段进行调整，在 RL 阶段冻结。使用一个 MTP 层进行推测解码时，接受率约为 90%。

评估结果

与其他模型的对比

MiMo-7B 系列模型对比

🔧 技术细节

目前，大多数成功的 RL 工作，包括开源研究，都依赖于相对较大的基础模型，例如 32B 模型，特别是在增强代码推理能力方面。此外，人们普遍认为，在小模型中同时实现数学和代码能力的统一和同步提升是具有挑战性的。然而，我们认为 RL 训练的推理模型的有效性依赖于基础模型的固有推理潜力。为了充分解锁语言模型的推理潜力，不仅要关注后训练，还需要关注针对推理的预训练策略。

在本工作中，我们提出了 MiMo-7B 系列模型，该系列模型从头开始训练，专为推理任务而生。我们从 MiMo-7B-Base 进行的 RL 实验表明，我们的模型具有非凡的推理潜力，甚至超越了更大的 32B 模型。此外，我们对冷启动的 SFT 模型进行了 RL 训练，得到了 MiMo-7B-RL，该模型在数学和代码推理任务上均表现出卓越性能，与 OpenAI o1 - mini 的性能相当。

📄 许可证

本模型仓库遵循 MIT 许可证。

📚 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}, 
}

📞 联系我们

如果您有任何问题，请通过 mimo@xiaomi.com 联系我们，或在项目中提交 issue。