MiMo-Embodied：X-Embodied基盤モデル技術レポート

概要: 私たちは、Autonomous Driving（自動運転）とEmbodied AI（身体化されたAI）の両方において統合を達成し、最先端の性能を実現した、初のクロス・エンボディド（複数の身体形態にまたがる）基盤モデルであるMiMo-Embodiedをオープンソースとして公開します。MiMo-Embodiedは、タスク計画（Task Planning）、アフォーダンス予測（Affordance Prediction）、空間理解（Spatial Understanding）における17の身体化AIベンチマークすべてで新記録を樹立する一方で、環境認識（Environmental Perception）、ステータス予測（Status Prediction）、運転計画（Driving Planning）における12の自動運転ベンチマークでも高い性能を発揮します。これらのタスクにおいて、MiMo-Embodiedは既存のオープンソース／クローズドソース、および専門的なベースラインを大きく上回ります。私たちの結果は、多段階学習、厳選したデータ構築、そしてCoT/RLファインチューニングを通じて、これら2つの領域が強い正の転移を示し、互いに強化し合うことを示しています。さらなる研究を促進するために、モデル設計と学習手法について詳細な分析を提供します。コードとモデルは https://github.com/XiaomiMiMo/MiMo-Embodied で利用可能です。