@小米技術 官微今日發(fā)文稱，小米大模型團隊在音頻推理領域取得突破性進展。受 DeepSeek-R1 啟發(fā)，團隊率先將強化學習算法應用于多模態(tài)音頻理解任務，僅用一周時間便以 64.5% 的 SOTA 準確率登頂國際權威的 MMAU 音頻理解評測榜首，現(xiàn)同步開源。
IT之家附官方全文如下：
強化學習展現(xiàn)“反直覺”優(yōu)勢 —— 小米大模型團隊登頂音頻推理 MMAU 榜
面對一段汽車行駛中的座艙錄音，AI 能否判斷出汽車是否存在潛在的故障？在交響樂演出現(xiàn)場，AI 能否推測出作曲家創(chuàng)造這首音樂時的心情？在早高峰地鐵站混亂的腳步聲潮中，AI 能否預判閘機口可能發(fā)生的沖撞風險？在大模型時代，人們已經(jīng)不滿足于機器僅僅識別說話的內(nèi)容、聲音的種類，更期望機器具備復雜推理的能力。
MMAU（Massive Multi-Task Audio Understanding and Reasoning）評測集（https://arxiv.org/abs / 2410.19168）是這種音頻推理能力的量化標尺，它通過一萬條涵蓋語音、環(huán)境聲和音樂的音頻樣本，結合人類專家標注的問答對，測試模型在 27 種技能，如跨場景推理、專業(yè)知識等應用上的表現(xiàn)，期望模型達到接近人類專家的邏輯分析水平。
作為基準上限，人類專家在 MMAU 上的準確率為 82.23%。這是一個很難的評測集，目前 MMAU 官網(wǎng)榜單上表現(xiàn)最好的模型是來自 OpenAI 的 GPT-4o，準確率為 57.3%。緊隨其后的是來自 Google DeepMind 的 Gemini 2.0 Flash，準確率為 55.6%。
MMAU 任務示例圖片來自 MMAU 論文
來自阿里的 Qwen2-Audio-7B 模型在此評測集上的準確率為 49.2%。由于它的開源特性，我們嘗試使用一個較小的數(shù)據(jù)集，清華大學發(fā)布的 AVQA 數(shù)據(jù)集（https://mn.cs.tsinghua.edu.cn/avqa/），對此模型做微調(diào)。AVQA 數(shù)據(jù)集僅包含 3.8 萬條訓練樣本，通過全量有監(jiān)督微調(diào)（SFT），模型在 MMAU 上的準確率提升到了 51.8%。這并不是一個特別顯著的提升。
DeepSeek-R1 的發(fā)布為我們在該項任務上的研究帶來了啟發(fā)。DeepSeek-R1 的 Group Relative Policy Optimization (GRPO) 方法，讓模型僅通過 "試錯-獎勵" 機制就能使自主進化，涌現(xiàn)出類似人類的反思、多步驗證等推理能力。在同一時間，卡內(nèi)基梅隆大學發(fā)布的論文預印本“All Roads Lead to Likelihood: The Value of Reinforcement Learning in Fine-Tuning (https://arxiv.org/abs / 2503.01067) ”，通過精巧的實驗得出了一個有趣的論斷：當任務存在明顯的生成-驗證差距（Generation-Verification Gap），即任務生成結果的難度遠大于驗證結果正確性的難度時，強化學習比起有監(jiān)督微調(diào)具有獨特優(yōu)勢，而 AQA 任務恰好是完美的生成-驗證差距顯著的任務。
打個比方來說，離線微調(diào)方法，如 SFT，有點像背題庫，你只能根據(jù)已有的題目和答案訓練，但遇到新題可能不會做；而強化學習方法，如 GRPO，像老師在要求你多想幾個答案，然后老師告訴你哪一個答案好，讓你主動思考，激發(fā)出自身的能力，而不是被“填鴨式”教學。當然，如果訓練量足夠，比如有學生愿意花很多年的時間來死記硬背題庫，也許最終也能達到不錯的效果，但效率太低，浪費太多時間。而主動思考，更容易快速地達到舉一反三的效果。強化學習的實時反饋可能會幫助模型更快鎖定高質(zhì)量答案的分布區(qū)域，而離線方法需要遍歷整個可能性空間，效率要低得多。
基于上述洞察，我們嘗試將 DeepSeek-R1 的 GRPO 算法遷移到 Qwen2-Audio-7B 模型上。令人驚喜的是，在僅使用 AVQA 的 3.8 萬條訓練樣本的情況下，強化學習微調(diào)后的模型在 MMAU 評測集上實現(xiàn)了 64.5% 的準確率，這一成績比目前榜單上第一名的商業(yè)閉源模型 GPT-4o 有近 10 個百分點的優(yōu)勢。
有趣的是，當我們在訓練中強制要求模型輸出
我們的實驗揭示了幾個和傳統(tǒng)認知不同的結論：
關于微調(diào)方法：強化學習在 3.8 萬條數(shù)據(jù)集上的表現(xiàn)顯著超過監(jiān)督學習在 57 萬條數(shù)據(jù)集上的結果
關于參數(shù)規(guī)模：相比千億級模型，7B 參數(shù)的模型通過強化學習也可展現(xiàn)強推理能力
關于隱式推理：顯式思維鏈輸出反而成為性能瓶頸
盡管當前準確率已突破 64%，但距離人類專家 82% 的水平仍有差距。在我們當前的實驗中，強化學習策略還是比較粗糙，訓練過程對思維鏈的引導并不充分，我們會在后續(xù)做進一步探索。
此次實驗驗證了強化學習在音頻推理領域的獨特價值，也為后續(xù)研究打開了一扇新的大門。當機器不僅能 "聽見" 聲音，還能 "聽懂" 聲音背后的因果邏輯時，真正的智能聽覺時代將會來臨。
我們把訓練代碼、模型參數(shù)開源，并提供了技術報告，供學術界產(chǎn)業(yè)界參考交流。
訓練代碼：https://github.com/xiaomi-research/r1-aqa
模型參數(shù)：https://huggingface.co/mispeech/r1-aqa
技術報告：https://arxiv.org/abs/2503.11197
交互 Demo：http://120.48.108.147:7860/ 
