Modelo Xiaomi MiMo-V2.6-Pro disponível no Tencent WorkBuddy e TokenHub com janela de contexto de 1 milhão de tokens

O proprietário do site pandaily.com bloqueou temporariamente o acesso do usuário ao recurso. Esta restrição foi implementada usando o serviço Cloudflare.

Para obter mais informações sobre esta situação, os usuários podem consultar a documentação oficial do Cloudflare sobre códigos de status HTTP, especificamente no link https://developers.cloudflare.com/support/troubleshooting/http-status-codes/cloudflare-1xxx-errors/error-1015/.

O Laboratório de Inteligência Artificial de Xangai apresentou a versão completa do seu grande modelo orientado a agentes, o Atria Dawn. Este lançamento ocorreu aproximadamente um mês após o lançamento da versão preliminar do Atria Dawn em meados de setembro.

O modelo foi treinado no modelo base GLM-5.2, que contém 744 bilhões de parâmetros no formato mixture-of-experts. Ele é projetado para suportar trabalho de pesquisa científica e engenharia que exige compreensão do ambiente, uso de ferramentas e execução de tarefas multifásicas.

A principal mudança notada pelo laboratório é o aumento da janela de contexto de 256 mil tokens, disponível na prévia, para 512 mil tokens na versão completa. No entanto, a tabela de download do modelo no repositório do projeto no GitHub ainda indica 256K tanto para o modelo completo quanto para sua versão FP8, portanto, os desenvolvedores são aconselhados a consultar a documentação da API hospedada para confirmar o limite aplicável.

O laboratório agora classifica as capacidades do modelo em quatro áreas. Descoberta (Discovery) inclui coleta e sistematização de dados, condução de pesquisas aprofundadas e conversão de questões de pesquisa em planos de experimento executáveis. Criação (Creation) abrange o desenvolvimento de software, aplicativos interativos, jogos, sistemas de aprendizado de máquina e visualizações de dados. Entrega (Delivery) permite transformar especificações técnicas, dados e requisitos de design em relatórios e apresentações estruturados. Cibersegurança (Cybersecurity) foca na análise de problemas de segurança, verificação de vulnerabilidades, aplicação de correções e reteste, sendo limitado a ambientes autorizados.

Em comparação com a prévia, o laboratório destaca melhorias significativas: um aumento de 7,2 pontos no JobBench (57,5 contra 50,3), um aumento de 2,7 pontos no WideSearch (84,6 contra 81,9) e um aumento de 2,6 pontos no PaperBench (89,6 contra 87,0). No entanto, na tabela de avaliação do repositório, que o laboratório afirma ser consistente com seu site, são mostradas melhorias menores na maioria dos outros benchmarks, incluindo AutomationBench (54,7), SkillsBench (67,8) e SWE-bench Pro (61,7). Em alguns testes, a prévia mostrou resultados iguais ou superiores, como no BrowseComp, onde a prévia com 92,5 supera a versão completa com 91,3.

O modelo está disponível através de APIs hospedadas com endpoints internacionais e chineses separados. O repositório contém guias de configuração para SGLang, vLLM e Codex. O modelo aceita apenas entrada de texto. O código foi lançado sob a licença MIT, mas os pesos para a versão completa no Hugging Face e ModelScope ainda estão marcados como 'Em breve'; no momento, apenas os pesos da prévia podem ser baixados.

A Xiaomi apresentou o MiDashengLM-Spatial, um novo componente de sua série de modelos de áudio Dasheng. Este modelo foi desenvolvido para entender não apenas o conteúdo do som, mas também sua origem espacial.

Os pesos completos do modelo e o código para inferência foram publicados pela empresa sob a licença Apache 2.0, o que permite uso tanto de pesquisa quanto comercial. O modelo é construído com base no MiDashengLM-7B, um grande modelo de compreensão de áudio que a Xiaomi havia tornado aberto anteriormente.

Para implementar a percepção espacial, um codificador de áudio espacial chamado Spatial-Dasheng foi adicionado ao modelo. De acordo com um relatório técnico publicado no arXiv, é utilizado um módulo hierárquico de condicionamento semântico a espacial, que registra separadamente as informações semânticas e espaciais, e depois as combina. O resultado é um modelo ponta a ponta unificado que pode analisar fala, ruídos de fundo e música, além de tirar conclusões sobre a direção, distância e movimento da fonte sonora.

Na página do Hugging Face, o modelo é apresentado com aproximadamente 8 bilhões de parâmetros. As dicas espaciais dependem da entrada multicanal; a descrição do modelo indica que ele foi treinado em áudio binaural de dois canais, embora a entrada mono também seja suportada, ela não carrega informações de direção.

A Xiaomi afirma que as capacidades gerais de áudio do modelo são mantidas, e a equipe de pesquisadores relata que o desempenho em tarefas básicas de processamento de áudio permanece comparável aos grandes modelos de linguagem de áudio de cerca de 8 bilhões de parâmetros.

A Xiaomi posiciona o MiDashengLM-Spatial como o primeiro modelo ponta a ponta aberto do setor para compreensão de áudio espacial. Vale notar que esta declaração está contida no artigo e qualificada pela frase 'tanto quanto sabemos', e ainda não foi verificada independentemente.

Nos últimos dois anos, a Xiaomi tornou abertos seus modelos de som fundamentais Xiaomi Dasheng e MiDashengLM-7B. A empresa observa que as tecnologias da série Dasheng já são usadas em mais de 30 aplicativos em seus produtos de casa inteligente e cockpits automotivos, abrangendo reconhecimento de fala, sons ambientes e música. No entanto, este número refere-se à série existente, e não ao novo modelo MiDashengLM-Spatial.

Quanto ao próprio MiDashengLM-Spatial, a Xiaomi planeja implementá-lo gradualmente em cenários de casa inteligente e cockpits automotivos, onde o conhecimento de onde vem uma voz ou alarme permitirá que os assistentes reajam com mais precisão. A empresa ainda não forneceu prazos ou nomes de produtos específicos.

O lançamento inclui uma página de demonstração do projeto, um relatório técnico no arXiv, código para avaliação no GitHub e pesos do modelo no Hugging Face.