MiMo-Embodied: クロス身体性基盤モデル技術報告

- MiMo-Embodied は、Autonomous Driving と Embodied AI の両方を統合し、両領域で state-of-the-art 性能を達成した初の cross-embodied foundation model - オープンソースとして公開され、コードとモデルが GitHub (XiaomiMiMo/MiMo-Embodied) で提供 - Embodied AI では Task Planning, Affordance Prediction, Spatial Understanding の 17 benchmarks で新記録 - Autonomous Driving では Environmental Perception, Status Prediction, Driving Planning の 12 benchmarks でも優れる - 技術レポートとしてモデル設計と学習手法の詳細分析を提供

- 従来の open-source, closed-source, specialized baselines を大きく上回る性能を達成 - 単一領域に特化した既存モデルではなく、Autonomous Driving と Embodied AI の両方を 1 モデルで統合 - 両領域を同時に扱う cross-embodied foundation model として初めて state-of-the-art を実現した点が特徴 - 両領域が強い positive transfer を示し相互補強することを結果として示唆 - 具体的なベースライン名や数値比較の詳細は要旨からは不明

- multi-stage learning を採用し、段階的に学習を進める設計 - curated data construction により両領域向けのデータを整備 - CoT (Chain-of-Thought) と RL fine-tuning を組み合わせて性能を引き上げ - これらにより Autonomous Driving と Embodied AI の間の positive transfer を促す - モデル設計と学習方法の詳細分析をレポートで公開 - 各手法の具体的な構成やハイパーパラメータは要旨からは不明

- Embodied AI の 17 benchmarks (Task Planning, Affordance Prediction, Spatial Understanding) で評価し新記録を報告 - Autonomous Driving の 12 benchmarks (Environmental Perception, Status Prediction, Driving Planning) で評価 - open-source, closed-source, specialized baselines との比較で優位性を確認 - 両領域での positive transfer と相互補強の兆候を結果から分析 - 個々の benchmark 名や定量的なスコアは要旨からは不明

- 両領域が strong positive transfer を示し相互に強化し合うという解釈を提示 - multi-stage learning, curated data construction, CoT/RL fine-tuning の寄与を分析 - モデル設計と学習方法の詳細を公開し今後の研究を促進する姿勢 - 限界や失敗事例、計算コスト、データ依存性などの議論は要旨からは不明 - 両領域統合の一般性やスケーリングに関する議論の有無は要旨からは不明

- 要旨で参照・比較されている具体的な既存研究名は記載なし - 関連手法として CoT (Chain-of-Thought) と RL fine-tuning の文献を挙げる - 同分野の定番として Embodied AI の Task Planning, Affordance Prediction, Spatial Understanding 関連研究 - Autonomous Driving の Environmental Perception, Status Prediction, Driving Planning 関連研究 - cross-embodied foundation model や multi-stage learning に関する研究 - 具体的な論文名は要旨からは不明