** 图像 ** ** 理解 ** 方面，MiMo-V2-Omni 展现出强大的多学科视觉推理与复杂图表分析能力，超越 Claude Opus 4.6，逼近 Gemini 3 Pro 等顶尖闭源模型水平 … 在训练过程中，MiMo-V2-TTS 首先通过超大规模语音-文本混合预训练，在海量数据中习得了强大的跨模态对齐与理解生成的统一能力 … 得益于多层码本建模架构，模型在高保真的离散 token 空间中对语音进行建模，充分保留了原始语音中的丰富信息，使强化学习阶段能够直接利用语音相关奖励信号对模型进行优化，从而让多维奖励信号更有效地作用于生成过程。
暂无讨论，说说你的看法吧