近日，小米在 CVPR 2026 NTIRE 赛事中荣获三项奖项。其中，小米玄戒多媒体算法团队斩获高效超分辨率赛道冠军，小米大模型应用团队夺得人像修复赛道冠军与反光消除赛道亚军。

NTIRE（New Trends in Image Restoration and Enhancement）由 CVPR 组委会承办，是全球规模最大、水平最高的图像恢复与增强领域学术研讨会。小米在本次赛事中展现了从硬件优化到生成式视觉算法的技术深度。

01

高效超分辨率，推理速度与重建质量的双重领先

▍Efficient Super-Resolution Challenge

NTIRE 高效超分辨率挑战赛要求参赛团队在严格保持图像重建质量下限前提下，进一步压缩推理耗时、参数量与计算量，推动在手机、边缘设备等资源受限场景下的真实落地。此外，本届比赛进一步强化推理速度（Runtime）在综合评分中的权重。

在本届比赛的最终评估中，小米玄戒多媒体算法团队依托在芯片多媒体影像算法领域的软硬融合方向持续积累，凭借 SPANV2以综合得分4.43的显著优势位列第一，在推理速度、计算量、参数规模之间取得了出色的整体均衡。

NTIRE 2026 Efficient SR Challenge 最终排行榜：XiaomiMM（SPANV2）综合得分4.43，位列第一

在这个赛道，小米玄戒多媒体算法团队延续了上一届冠军方案 SPAN（Swift Parameter-free Attention Network）的技术路线，提出了全新一代方法 SPANV2，从算法结构与硬件执行两个层面同时发力，在精度几乎无损的情况下将推理延迟再次大幅压缩。

▍SPANV2：从「受控残差更新」出发的新一代高效超分网络

与上一代 SPAN 相比，SPANV2的改动集中在两处：一是让网络在修复图像时不再套用一种固定策略处理全图，而是能根据画面内容自适应判断哪里需要精修、以什么方式精修；二是把 GPU 在注意力计算中原本需要三次读写显存的步骤合并为一次完成，省下了大量重复的数据搬运开销。两点叠加，使模型在画质几乎无损的前提下，推理速度再次被显著提高。

团队将高效超分的设计问题重新抽象为一个受控残差更新（Governed Residual Update）框架：网络中的每一个基本模块都被拆解为两个解耦的阶段——先由一个轻量分支生成候选修正（candidate correction），再由一个显式的「调控器（governor）」决定这份修正应以何种方式、在多大程度上被注入到后续传播路径中，相当于每个模块都在做“提方案、再过审”两步走。在这个统一视角下，上一代 SPAN 对应于调控器为解析、无参数形式的最经济实例，把关逻辑是一条固定规则；SPANV2则在同一宏观结构下，用一个轻量可学习的通道混合调控器替换了原有的解析映射，让“准入”过程具备内容自适应性和跨通道建模能力，判断更细腻，也更贴合画面本身的特点，且仅引入极少量额外参数。

02

人像修复，还原高清细腻画质

人像修复任务旨在将真实世界中退化的低质量人脸图像，恢复为高质量且富含细节的图像。该任务面临三大核心挑战：人脸结构缺失、高频细节缺失以及人物特征难以保持。其本质是在“细节补全”与“身份保持”之间寻求最佳平衡。

小米大模型应用团队提出了双阶段级联框架 + 单步扩散细化的技术方案，从全球参赛队伍中脱颖而出，荣获第一名（Team name: MiPlusCV），在无参考图像质量与身份一致性综合评测中全面领先！

▍层层递进修复：先修对，再修像，后修美

真实世界中的老照片、模糊、压缩损伤、噪声和低分辨率往往属于复合退化，若直接一步生成，容易出现结构漂移、人脸失真甚至身份变化。为此，团队采用了更稳健的双阶段设计：

• 第一阶段：基于 OSDFace 进行粗修复与结构恢复，重点解决五官布局恢复、严重退化修正和整体人脸结构稳定，确保人脸结构修复正确

• 第二阶段：基于 Z-Image One-step Diffusion 进行细节增强，进一步补充皮肤纹理、发丝、边缘和高频细节，确保细节真实自然

相比单阶段方案，双阶段框架结构更稳定、身份一致性更强，在复杂真实退化场景下也展现出更优秀的鲁棒性。

如果仅依赖单一重建损失进行训练，往往容易导致图像过度平滑、人物身份漂移以及整体感知质量不足。为此，团队在训练阶段引入了多目标联合优化策略，从以下四个维度同步提升修复效果：

在完成监督训练后，团队进一步引入了质量奖励优化机制（Reward Fine-tuning），使用多个图像质量评估模型作为反馈信号，模拟人类主观审美标准，对结果进一步优化。这一机制让模型不再局限于“技术上修复正确”，而是进一步向“人眼看起来更好”的方向靠近。

▍高性能！质量与效率双管齐下

传统扩散模型虽然生成能力强，但需数十步采样才能完成推理，成本高，难以落地。针对这一问题，团队创新性地引入了单步扩散细节增强机制（One-step Diffusion），将复杂的多步推理压缩至单步完成，在保证生成质量的同时大幅提升推理效率。

03

反光消除，让玻璃不再“抢镜”

日常拍照时，透过玻璃拍摄的照片往往会混入反光（如室内灯光、人影等），严重影响成像质量。反光消除的目标，就是从一张混合图像中恢复出干净的透射层。不同玻璃材质、角度、光照条件下的反射形态差异极大，且现实的反射图像还伴随着色偏、模糊等复杂退化。因此，反光消除是一个极具挑战性的任务。

小米大模型应用团队基于 RDNet-XL 架构，通过骨干网络升级、扩散模型知识蒸馏与渐进式多分辨率训练策略，在 CVPR 2026主观评分中荣获第二名（4.31分），同时多项客观指标位列第一。

▍升级骨干网络，精准抑制反射

团队的技术路线非常清晰：以强大的骨干网络为基础，用扩散模型知识蒸馏攻克困难样本，通过渐进式训练稳定优化过程。

方案基于 XReflection 框架中的 RDNet（Reversible Decoupling Network）架构，将原始骨干从 FocalNet-L 替换为更大规模的 FocalNet-XL。这一升级带来了显著的多尺度表征能力提升和全局上下文建模增强，使模型能够更精确地抑制反射并保留细节。

▍蒸馏扩散模型，复杂场景也能消！

针对强反射、复杂反射等困难样本，团队创新性地引入了扩散模型知识蒸馏策略：

• 困难样本生成：使用扩散模型 SOTA 方法（WindowSeat、DAI）对大规模开源图像进行反光消除，生成1000对高质量伪标签数据；

• 域对齐处理：将每张反射图像通过与扩散模型相同的 VAE 编码器-解码器处理，用重建图像作为网络输入，消除 VAE 编解码带来的域差异；

• 蒸馏训练：以扩散模型的输出作为教师信号，对已完成渐进式训练的模型进行额外蒸馏训练。

这一设计相当于将扩散模型的“生成式先验知识”注入到判别式网络中——模型获得了扩散模型处理困难反光的能力，且保持了判别式网络的推理效率，既强又快，双剑合璧。

此外，为了在大分辨率图像上实现稳定训练，团队还采用了三阶段渐进式分辨率训练策略（384×384→512×512→768×768）。这种从小到大的训练方式，使模型先学习局部反射模式，再逐步扩展至全局结构理解，有效避免了直接在大分辨率上训练的不稳定性。

输入图

结果图

-

人像修复、反光消除、超分辨率——三项成果覆盖了从拍摄到查看的典型影像场景。未来，小米将继续深耕影像算法领域，推动技术从研究走向产品落地，为用户带来更好的影像体验。

参考文献：

Wan C, Yu H, Li Z, et al. Swift parameter-free attention network for efficient super-resolution[C]//CVPR, 2024: 6246-6256.

技术报告：

📄 人像修复：https://arxiv.org/abs/2604.10532

📄 反光消除：https://arxiv.org/abs/2604.10321

📄 高效图像超分辨率：https://arxiv.org/abs/2604.03198

跳转微信打开

跳转微信打开

从5亿条互联网视频中炼出全球最大的开源 GUI 操作数据集，让7B 模型在 ScreenSpot-Pro 上准确率提升38%；3B 参数的小模型做时序推理，干掉专用大模型还省了71%的 Token。这不是 PPT 愿景，而是小米 AI 团队研究成果的真实体现。

近日，ICML 2026（International Conference on Machine Learning）公布了论文录用结果。小米及合作单位共有11篇最新研究成果入选。入选论文不是孤立的学术发表，而是一套完整的 AI 能力进化拼图。底座层有 MoE 训练稳定性（R3）和神经架构自动搜索（SPARK）；能力层有推理增强（LED、VeriTime）和多模态理解（Visual Para-Thinker、Video-OPD、MECAT）；应用层有 GUI Agent 全栈，从数据（Video2GUI）到评测（GUIEvalKit）到推理架构（CoME），再到视觉内容生成（GAD）。从训练到部署，各技术环节均有论文背书，体现了小米在 AI 技术研发上的长期投入与落地能力。

ICML 是全球机器学习领域历史最悠久、影响力最大的顶级国际会议之一，与 NeurIPS、ICLR 并称机器学习三大顶会。会议由国际机器学习学会（IMLS）主办，聚焦机器学习理论、算法及跨领域应用的前沿突破，汇聚全球顶尖学者与工业界专家，长期引领行业技术演进方向。ICML 2026为第43届，将于2026年7月6日至11日在韩国首尔 COEX 会展中心举办。

01

GUI Agent，从“能演示”到“真能用”

从 OpenAI 的 Operator 到 Google 的 Project Mariner，从 Manus 到各家“AI 帮你操作手机”的 demo，都成为行业重点关注方向。值得关注的是，现阶段 demo 与日常可用上存在一定差距。我们近期发布的论文，覆盖“数据-评测-推理”全链路，旨在推动 GUI Agent 从实验室搬向真实场景。

▍Video2GUI: Synthesizing Large-Scale Interaction Trajectories for Generalized GUI Agent Pretraining

合作者单位：北京大学

论文作者：熊伟民，谷舒豪，叶博文，岳子豪，李磊，宋非凡，李素建，田昊

训练 GUI Agent，最大的瓶颈不是模型架构，而是数据。人工标注成本高昂且局限于单一平台，仿真环境覆盖有限。互联网上5亿条教程视频里明明藏着海量操作示范，但如何从“看视频”变成“可训练的结构化轨迹”？

Video2GUI 构建了“元信息粗筛+视频内容细筛”两阶段流水线，从5亿条视频中筛选出420万条高质量教程，再用 Gemini-3-Pro 将视频转为带任务指令、动作时间戳和屏幕坐标的结构化轨迹。最终产出 WildGUI，目前规模最大的开源 GUI 预训练数据集，包含1270万条轨迹、1.245亿张截图，覆盖1500余个应用与网站、五大平台。

效果说话：利用 WildGUI 预训练后，MiMo-VL-7B 在 OSWorld-G 上取得67.6分，超越 Qwen3-VL-32B 与 Seed1.5-VL；在 ScreenSpot-Pro 上准确率从41.2提升到56.9，提高近38%。Scaling Experiments 表明，性能随预训练 token 数增加持续提升，扩展至200B Token 时仍未出现饱和迹象。

Video2GUI 的核心价值，在于提供了一套可大规模 scale up 的数据生产配方：从互联网海量视频中自动提炼 GUI 操作知识，无需人工标注、不受平台限制，数据规模的天花板理论上等于互联网上所有 GUI 教学内容的总和。这套 pipeline，是通用 GUI Agent 迈向真正规模化的一块重要基石，也是一条充满想象空间的路径。

▍Scaling, Benchmarking, and Reasoning of Vision-Language Agents for Mobile GUI Navigation

*表示共同第一作者

论文作者：屈恒*，刘怡珂*，金任任，张问宗，高鹏至，刘伟，栾剑

项目链接：https://github.com/xiaomi-research/guievalkit

GUI Agent 到底行不行？之前的评测存在三大盲区：训练数据规模有限且以英文为主，缺乏中文移动应用覆盖；评测工具碎片化，模型之间缺乏统一比较标准；数据规模、训练范式与推理能力对 Agent 表现的影响尚未被系统研究。

本文从数据规模化（Scaling）、统一评测（Benchmarking）和推理分析（Reasoning）三个维度展开系统研究。数据层构建了 HyperTrack，目前规模最大的中文移动 GUI 导航数据集，超过16000条真实任务轨迹，覆盖674款中文 Android 应用的17个类别。评测层开源了 GUIEvalKit 统一评测工具包，集成五大主流基准，支持超过30个模型的统一离线评测与半在线评测。分析层提出决策级评估框架，首次将 GUI Agent 的评估从“执行正确率”提升到“行为分布模式”。

核心发现：模型性能随训练数据量对数近似线性增长，且基于 GRPO 的强化学习微调在相同数据规模下始终优于监督微调。更关键的是，推理模式扩展了可行决策空间但降低了稳定性，这为小米手机 Agent 的工程优化提供了精准的调参方向。

HyperTrack Statistics

GUIEvalKit Framework

Decision-Level Evaluation

▍CoME: Empowering Channel-of-Mobile-Experts with Informative Hybrid-Capabilities Reasoning

合作者单位：中国人民大学、武汉大学、南洋理工大学、香港中文大学

论文作者：刘宇轩，徐伟恺，黄琨，陈畅与，赵健坤，高鹏至，刘伟，栾剑，商烁，杜博，文继荣，严睿

论文链接：https://arxiv.org/abs/2602.24142

让 AI 操作手机，模型需要同时具备“看懂屏幕、规划任务、决定动作、调用函数”四种能力。传统 MoE 用面向输入的专家激活，无法精确匹配推理不同阶段所需的能力，导致专家激活与真实推理过程存在错配。

CoME（Channel-of-Mobile-Experts）提出面向 GUI Agent 的多专家推理架构，将推理过程显式划分为屏幕总结、子任务规划、动作决策和函数调用四个阶段，并为每个阶段配置专门专家。通过面向输出的专家激活，使模型在生成不同阶段输出 Token 时激活对应能力的专家。针对多阶段推理中的错误传播问题，引入信息增益来衡量每个中间推理步骤对最终动作预测的贡献，自动筛选更有效的推理轨迹。

实验表明，CoME 在使用更少的激活参数和训练数据的条件下优于 Dense GUI Agents 与 Sparse MoE Models。这验证了“能力解耦+阶段对齐”是 GUI Agent 推理效率提升的关键路径。对小米而言，这意味着端侧 Agent 可以用更小的模型、更少的算力，实现更稳定的多步操作。

02

让大模型“更会想”，推理能力增强

DeepSeek-R1、OpenAI o 系列掀起了“推理模型”热潮。但当前推理模型存在一个隐秘问题：强化学习训练后，模型虽然会“深度思考”，却丧失了“探索多条路径”的能力。以下论文，分别从“恢复推理时的探索多样性”与“专攻时序数据推理”两个方向展开，推动推理模型走向实用。

▍Restoring Exploration after Post-Training: Latent Exploration Decoding for Large Reasoning Models

合作者单位：中国人民大学、Unimore

论文作者：谭文辉，Fiorenzo Parascandolo，Enver Sangineto，鞠建忠，罗振波，曹乾，Rita Cucchiara，宋睿华，栾剑

论文链接：https://arxiv.org/abs/2602.01698

项目链接：https://github.com/AlbertTan404/LED

你有没有发现，给 DeepSeek-R1 提高采样温度，pass@k 反而不涨了？这不是个例。几乎所有 RL 训练后的推理模型都出现了 entropy collapse：输出层已经“塌缩”，提高温度只制造噪声，无法产生真正有意义的多样性路径。

但好消息是，模型内部的 hidden states 依然保留了丰富的 uncertainty。LED（Latent-Exploration-Decoding）正是基于这一发现：不改模型、不加参数、不需训练，仅在解码时利用模型内部多层隐状态的聚合概率分布进行采样，就能恢复推理模型的测试时探索能力。

在五个模型、六个测试基准上验证了 LED 的有效性。更强的测试时探索能力不仅提升了 pass@k，也同样带来了更优的 RL 训练效果。

通俗地说，RL 训练后的推理模型就像一个考试只会用“标准解法”的学生，答对率高但遇到新题就卡住。LED 让它重新学会“试试别的思路”，而且不需要重新训练。对小米 AI 助手而言，这意味着面对用户的开放性问题时，模型能探索更多解题路径，而不是只会一种固定套路。

▍Time Series Reasoning via Process-Verifiable Thinking Data Synthesis and Scheduling for Tailored LLM Reasoning

合作者单位：中山大学，新加坡国立大学

论文作者：周加慧，李丹，李铂鑫，张霄，孟二利，李林，陈卓敏，娄坚，See-Kiong Ng

论文链接：https://arxiv.org/pdf/2602.07830

项目链接：https://anonymous.4open.science/r/VeriTime-E017

时间序列数据无处不在：物联网设备、新能源汽车电池监控、智能家居传感器、工业能源管理。让大模型真正具备时序推理能力，是端侧 AI 从“聊天助手”进化为“智能管家”的关键。但问题是：缺乏精心构建的时序 CoT 训练数据，且没有专门针对时序数据的强化学习算法。

VeriTime 从数据合成、数据调度、强化学习训练三个维度出发。构建了自动化数据合成流水线 TSRgen，生成首个带有过程可验证标注的时序-文本多模态推理数据集 TSRBench；设计了数据调度机制，根据难度和任务分类安排训练样本；开发了两阶段强化微调方法，通过细粒度、多目标的过程级奖励监督中间推理步骤。

结果：推理 Token 消耗平均降低71%，使 3B-4B 模型的推理能力达到甚至超越更大规模专有 LLM 的水平。

对小米智能家居和车载系统而言，这意味着一个小模型就能在端侧完成“判断电池是否异常”“预测空调何时该开”“分析驾驶模式变化”等时序推理任务，无需调用云端大模型，推理更快速。

03

多模态理解，让 AI 真正“看懂”图片、视频和声音

大模型不只需要会读文字。看懂图片细节、定位视频中的关键片段、理解复杂音频场景，这些能力决定了 AI 产品的体验。我们近期发布的论文，覆盖了视觉推理、视频时序定位、图像生成和音频理解。

▍Visual Para-Thinker: Divide-and-Conquer Reasoning for Visual Comprehension

合作者单位：浙江大学，湖南大学

论文作者：许浩然，王鸿裕，李佳泽，陈顺鹏，童子钊，鞠建忠，罗振波，栾剑

论文链接：https://arxiv.org/pdf/2602.13310v1

现有推理模型靠“想得更深更长”来提升能力（如思维链、强化学习）。但垂直扩展在视觉领域容易陷入固定思维模式。并行思维（Parallel Thinking）能够缓解探索范围的收窄，但将这一范式扩展到视觉领域仍然是一个开放的研究问题。

Visual Para-Thinker 是首个面向大型多模态模型的并行推理框架。核心在于研究视觉分区在并行化推理中的作用，并基于此提出两种不同的策略：基于块的分区和基于扫描顺序的分区。为了确保并行推理路径的独立性，提出了路径感知注意力机制和可学习并行旋转位置编码。

在 V*、CountBench、RefCOCO 系列和 HallusionBench 等多个基准上，方法在3B 和7B 模型规模上均持续超越原始模型、顺序推理以及多数投票等基线方法。

通俗地说，以前 AI 看图是”盯着一个点使劲想“，Visual Para-Thinker 让它学会”分区并行看、最后汇总“，就像人类面对一张复杂图片时，会同时扫视不同区域再综合判断。这对小米相册智能搜索、AR 导航中的场景理解等功能有直接价值。

▍Video-OPD: Efficient Post-Training of Multimodal Large Language Models for Temporal Video Grounding via On-Policy Distillation

合作者单位：浙江大学，中国人民大学

论文作者：李佳泽，殷皓，许浩然，许博深，谭文辉，何泽文，鞠建忠，罗振波，栾剑

论文链接：https://arxiv.org/pdf/2602.02994

“帮我找到这个视频里他开始跑步的那个片段”，视频时序定位（Temporal Video Grounding）是视频 AI 最核心的能力之一。强化学习是当前提升此能力的主流后训练范式，但现有基于分组相对策略优化的方法面临两大瓶颈：稀疏的序列级奖励信号导致信用分配困难；多轮策略采样带来巨大计算开销。

Video-OPD 将稀疏的序列级奖励替换为来自教师模型的细粒度、逐词元的监督信号，同时严格保持策略在线的优化特性。进一步提出教师验证差异聚焦的训练课程策略，优先选择教师可靠验证且与当前学生策略存在最大差异的训练轨迹。

结果：显著超越现有 GRPO 方法，平均性能提升超过17%，且在多个更广泛的视频理解基准上展现了强大的泛化能力。计算开销大幅降低，实现了更优越的效率-性能权衡。

这对小米的视频编辑、智能监控回放、车载行车记录仪检索等场景意味着：AI 能更快、更准地帮你在长视频中定位关键时刻。

▍Restoring Initial Noise Sensitivity in Text-to-Image Distillation through Geometric Alignment

合作者单位：武汉大学，巴黎综合理工学院

论文作者：黄华洋，王若瑜，赵锦晖，邓巍，周代国，栾剑，武宇，竺烨

Stable Diffusion 等扩散模型通过蒸馏将多步采样压缩为少步生成，大幅提升了推理效率。但一个被普遍忽视的问题浮出水面：蒸馏后的模型对初始噪声失去了敏感性，不同随机种子生成的结果趋同，多样性下降，布局控制等下游能力也随之减弱。

本文指出根源在于主流蒸馏目标采用点对点对齐，在匹配输出的同时”抹平“了模型对输入扰动的响应能力。GAD（Geometry-Aware Distillation）从”对齐输出“转向”对齐响应“，通过 Jacobian 响应对齐恢复局部敏感性，且作为正则项无缝集成于多种蒸馏范式，无需额外推理成本。

在多个生成架构与蒸馏方法上均提升了功能一致性与生成能力；在布局/低级控制任务中显著恢复教师性能；同时有效缓解多样性与保真度之间的权衡。

通俗地说，蒸馏后的图像生成模型变成了“千篇一律的画师”，你给不同的灵感它画出来都差不多。GAD 让它重新变回“有想象力的创作者”，同一个提示词能画出风格迥异的作品。对小米手机影像 AI 编辑、壁纸生成等功能，这意味着 AI 创作更有惊喜感。

▍MECAT: A Multi-Experts Constructed Benchmark for Fine-Grained Audio Understanding Tasks

合作者单位：香港中文大学

论文作者：牛亚东*，王天资*，Heinrich Dinkel，孙兴伟，周嘉豪，李罡，刘继忠，刘循英，张俊博，栾剑

论文链接：https://arxiv.org/abs/2507.23511

项目链接：https://github.com/xiaomi-research/mecat

GPT-4o 能听懂语音了，但它真的能“听懂”一段复杂音频吗？语音、音乐、环境声同时出现时，即使是最强的 Gemini 系列模型，在细粒度音频描述任务上得分也仅为53.1%。

MECAT 针对此问题提出了一条完整解决路径。数据侧，构建了“多领域专家模型+LLM Chain-of-Thought 推理+多级质量控制”的自动化标注流水线，产出约20000条覆盖8个音频域的高质量标注。指标侧，提出 DATE（Discriminative-Enhanced Audio Text Evaluation），首次可量化地区分“泛泛之谈”与“精准描述”。

对17个主流模型的系统评测清晰地揭示了：从“事件级感知”到“细粒度语义理解”之间仍存在显著差距。这为小米小爱同学的音频理解能力升级（比如精准识别“谁在说话、背景是什么音乐、环境噪声来自哪里”）提供了明确的优化方向和评测标尺。

04

训练底座，让大模型训得更稳、搜得更准

模型再强，若训练过程不稳定，则难以落地；架构设计再精巧，若检索效果不准确，将无法使用。我们聚焦“基础设施级”问题，为大模型研发提供坚实底座支撑。

▍Stabilizing MoE Reinforcement Learning by Aligning Training and Inference Routers

合作者单位：北京大学

论文作者：马文晗，张海林，赵亮，宋一帆，王昱栋，穗志方，罗福莉

论文链接：https://arxiv.org/abs/2510.11370

MoE 架构在各家旗舰大模型中被广泛采用，其优势已成为行业共识。但一个棘手问题仍然存在：MoE 模型做强化学习训练时极其不稳定，动不动就崩。原因在于精度问题导致 MoE 的路由器在训练和推理阶段可能做出不同的专家选择，策略分布不一致，引发训练不稳定甚至崩溃。传统的重要性采样方法仍难以完全稳定训练。

本文提出的 Rollout Routing Replay（R3）通过在推理阶段记录路由分布，并在训练阶段重放这些分布，增强了训推的一致性。这不仅显著降低了训练与推理策略的 KL 散度，还能精准优化生成当前 Token 所需的专家，避免对未使用专家产生不必要的梯度噪声。

R3 在多个 MoE 模型族（Qwen3-MoE、DeepSeek-V2-Lite）的强化学习任务上均显著提高了训练稳定性，避免了训练崩溃。性能分析表明，R3 仅带来约 3.45%的训练速度下降和可控的内存开销。

直观来说，MoE 模型的训推不一致，本质上是“参与生成的专家”和“接收反馈的专家”可能并非同一批。R3 坚持“谁干活，谁收反馈”的原则，有效缓解了这一问题。这是小米为行业提供的一套切实可行的稳定性解决方案。

▍Structured Progressive Knowledge Activation for LLM-Driven Neural Architecture Search

合作者单位：西安交通大学，北方工业大学，中关村学院

论文作者：刘振*，刘雨涵*，王进军，宋伟，刘剑毅，付靖文

论文链接：https://arxiv.org/abs/2605.04057

项目链接：https://github.com/AIM-ResearchLab/SPARK

从 DeepMind 的 AlphaEvolve 到开源的 OpenEvolve，“让 AI 自己设计 AI”正在成为研究热点。让大模型充当“代码进化引擎”自动搜索神经网络架构（NAS）正在成为新范式。但 LLM 看似“局部修改”，却常常牵一发而动全身，候选架构频繁报错，导致评估预算浪费在无法运行的代码上。

本文将这一现象命名为“功能纠缠”（Functional Entanglement），架构代码中的“算子”和“调用方式”本该是两件独立的事，却被 LLM 同时改动。SPARK 提出“先定位、再修改”的结构化编辑范式：把代码切成 Operator 和 Action 两块互斥区域，每轮只动其中一块，让每个候选都能跑通。在相同的计算量下，计算成本更低，准确率更高。

通俗地说，过去用 LLM 搜架构像一个急性子的程序员“想到哪改到哪”，改一处坏三处；SPARK 让它像有经验的工程师，先想清楚“改算子还是改调用方式”，再只动那一块。这也为小米在端侧 AI、智能汽车、智能家居等场景下持续打磨更小、更快、更省的专用模型，提供了一条低成本、可规模化的底层技术路径。

从底层训练稳定性到模型推理增强，从 GUI Agent 全链路到多模态感知理解，这些研究成果勾勒出一幅清晰的图景：小米 AI 正在从“单点突破”迈向“体系化能力建设”。当你让小爱帮你订外卖、让手机自动整理相册、让汽车读懂行车记录仪，背后支撑的正是这些正在从论文走向产品的技术。ICML 2026，首尔见。

跳转微信打开

今日，小米正式发布—— Xiaomi OneVL：一步式潜空间语言视觉推理框架。该模型在业内率先实现 VLA、世界模型、潜空间推理等多个技术路线的统一，在具备 XLA 模型强悍推理能力的基础上，大幅提升了推理的速度和精度，是行业内具备开创性的方案，在精度上超越显式 CoT、在速度上对齐“仅答案”预测的潜空间 CoT 方案。

现在，我们将Xiaomi OneVL 的模型权重和训练、推理代码全面开源，与全球开发者共同推动自动驾驶的进步和迭代。我们相信，这不只是一次对 XLA 的功能补充，而是对 XLA 技术路线中“潜空间推理”能力的一次深度探索。

01

Xiaomi OneVL：让大模型推理“既快又准”

今年 3 月，小米正式发布全新小米 XLA 认知大模型架构，标志着小米辅助驾驶技术路线从“感知与模仿”迈向“理解与推理”。相比传统 VLA，XLA 强调更丰富的多模态认知输入，以及更强的场景认知、行为推理与真实世界理解能力。

在 XLA 的技术方向下，一个核心问题随之浮现：当大模型具备了推理能力，如何让这种推理既快又准？

行业过往的解决方案都有明显的缺陷：显式思维链（CoT）能显著提升轨迹规划质量，但逐 token 生成带来的额外时延，也对真实驾驶场景中的实时决策提出了更高挑战；而跳过推理直接输出答案，又会丢失关键的因果判断能力。

为了解决这些缺陷，此前行业内提出了潜空间思维链（Latent CoT）作为核心推理机制——用高维机器语言替代逐字生成的文本推理，在保持认知质量的同时大幅压缩推理时延。

而今天，小米技术研发团队在 Latent CoT 的基础上进一步探索自动驾驶大模型中的潜空间推理问题，正式推出——Xiaomi OneVL：一步式潜空间语言视觉推理框架。

作为 XLA 架构中 Latent CoT 能力的首次学术验证，Xiaomi OneVL 是首个在精度上超越显式思维链、在速度上对齐“仅答案”预测的潜在推理方案，并实现了 VLA 与世界模型的统一。

通过“语言推理 + 视觉未来预测”的双重监督，Xiaomi OneVL 将可解释性与世界模型的未来预测能力统一到 latent reasoning 中，为自动驾驶大模型探索出一条新的精度—效率平衡路径。

从这个意义上说，Xiaomi OneVL 进一步验证了 XLA 架构方向的技术潜力：真正面向现实世界的辅助驾驶，不只要看见当下，更要理解因果、预判未来，并在有限时间内完成高质量决策。

从家庭场景的具身智能到城市道路的辅助驾驶，小米正推动智能技术向“可用、可信、可扩展”的现实世界稳步迈进，为小米“人车家全生态”注入核心技术动能！

02

三项关键技术，统一 VLA、世界模型、潜空间推理三大技术路线

Xiaomi OneVL 模型与代码现已全面开源，欢迎全球开发者与研究人员共同参与，探索自动驾驶大模型的无限可能～

• 技术报告：https://arxiv.org/abs/2604.18486

• 项目主页：https://Xiaomi-Embodied-Intelligence.github.io/OneVL

• 开源代码：https://github.com/xiaomi-research/onevl

跳转微信打开

很多人选空调只盯着“一级能效”标签，以为贴上这个标识就等于省电。但同样是一级能效机型，全天长时间使用时，不少空调仍会频繁启停、室内温度忽冷忽热，电费也在悄然上涨。真正决定空调长期省不省电的，除了一级能效标识，还要看APF 的具体数值——全年能源消耗效率。

按国标GB 21455-2019定义，APF 就像空调能效的全年综合成绩单：整合春夏秋冬、昼夜时段、制冷制热等全部真实居家使用场景，是全年冷暖总输出和全年总耗电的比值，并非只看某一个固定场景 “临时应试”。

简单说：APF 数值越高，同等用电量下，空调能输出更多制冷、制热量；反过来说，想要达到同样的冷暖效果，高 APF 机型耗电更少、更省电。

正如家庭中常用的1.5P 空调（挂机），新国标一级能效的 APF 准入门槛为 5.0，米家空调直接做到 APF 6.3，远超国标及格线。

米家空调高 APF 不是靠简单“堆料”，而是以工程师思维深耕底层技术，从压缩机效率、换热能力、风道效率到控制算法，多模块协同优化，让空调在不同季节、不同温度、不同负荷下都能少耗电、多输出，把用户日常使用中的每一度电都用在刀刃上。

跳转微信打开

数秒克隆语音早已不是新鲜事，但能覆盖600+语种的语音克隆 TTS 模型，你见过吗！主流音色克隆 TTS 模型的多语言支持最多停留在几十种，大量低资源小语种始终难以覆盖，成为行业痛点。小米AI实验室新一代Kaldi团队全新推出 OmniVoice，以创新的极简架构打破这一局限，不仅在中英文场景达到顶尖性能，更在多语言任务中展现出超越商用系统的实力，是业内首个覆盖数百语种的语音克隆 TTS 模型，在低资源小语种上具备极强的泛化能力，你想得到的所有语种几乎都可以用 OmniVoice 来合成。

01

极简架构，超强实力，LLM 加持，彻底解决读不准问题

OmniVoice 模型架构

OmniVoice最亮眼的突破，莫过于它极简的模型架构。它仅用一个双向 Transformer 网络，就能直接实现文本到语音的转化，省去了多余的结构和环节：没有文本的单独建模，没有复杂的混合结构，也没有多层级的 token 预测，是目前最简单的非自回归 TTS 模型。不少人或许会产生疑问：如此简单的架构，性能能达标吗？答案是不仅达标，还远超预期。

我们对 OmniVoice 的中英文能力进行了严谨验证，OmniVoice 的语音合成质量优于目前同类主流模型，同时，训练和推理速度极具优势，一天完成10万小时训练，用 PyTorch 推理就可以达到40倍实时，轻松适配各类应用场景。

中英文测试集上的TTS性能对比

这份“极简却极强”的实力，源于两个关键设计：一是通过全码本随机掩蔽策略，显著提升模型的训练效率，进而全面提升模型能力；二是引入大语言模型作为模型的预训练参数，首次在非自回归 TTS 模型中有效利用大语言模型，让语音合成的可懂度大幅提升，彻底解决了“读不准”的问题。

02

纯开源数据打造，性能超越商用系统

要实现多语言语音合成，高质量的多语言数据集是核心。OmniVoice 依托开源社区的力量，收集了50个开源语音数据集，经过降噪、质量筛选等处理，最终构建了涵盖 646 种语种、总时长 58 万小时的多语言训练数据集。考虑到不同语种的数据量差异极大，我们采用低资源语种动态上采样训练策略，保证了低资源小语种的训练效果。

在多语言测试中，OmniVoice 表现惊艳：即便仅基于开源数据训练，在24语种的测试中，其语音相似度和可懂度均超越多款商用系统；在102种语种的测试中，它的语音可懂度逼近甚至优于真实语音，充分展现了其强大的多语言泛化能力；即便对于训练数据不足10小时的小语种，OmniVoice 也能实现高质量的语音合成，大大降低了低资源语种的语音合成门槛。

24个语种上 OmniVoice 与商用系统性能对比

102个语种上 OmniVoice 与真实语音的测试指标对比

102个语种上的 OmniVoice 生成语音与真实语音的字错误率（CER）及对应训练数据时长

03

只要能说一种语言，就能说万国语言

语音克隆模型的核心功能就是模仿参考音频（prompt）的音色和情感生成以假乱真的音频，这自不消多说，OmniVoice 轻松搞定，OmniVoice 另一大特色是跨语言克隆能力，真正做到了只要能说一种语言，就能说万国语言！

下边是用中文参考音频生成的日韩两国语言的语音例子：

中文参考音频：

生成的日语语音：

生成的韩语语音：

04

多维度可控，你的音频你说了算

除了核心的多语言和语音克隆能力，OmniVoice 还新增了多个实用功能，让语音合成更灵活、更贴合实际需求：

1.自定义音色设计：无需参考音频，只需描述音色属性（如性别、年龄、音调、方言、口音等），就能生成符合预期的音色，还支持耳语等特殊风格。

比如，“为什么我的眼里常含泪水？因为我对这土地爱得深沉。这土地，这河流，这吹刮着的暴风。”这句话，就可以通过如下的指令词用不同的音色读出来：

“男，中年，极低音调”：

“女，青年，四川话”：

虽然训练过程中只有一些中英文数据进行了音色设计任务的训练，这一能力也可以一定程度上泛化到其他语种，比如对于韩语文本“그래도 관계자의 조언을 듣고 모든 표지판을 지키고, 안전 경고에 세심한 주의를 기울여야 합니다.”，也可以通过如下的指令合成不同的音色：

“Female, Young Adult, Whisper”：

2. 带噪参考音频适配：针对实际使用中参考音频音质不佳的问题，OmniVoice 能自动过滤噪声，提取清晰的音色特征，即便在嘈杂环境下录制的音频，也能克隆出高质量语音。

比如使用如下的带噪参考音频：

也可以生成干净的语音：

3.  丰富语气表达：支持插入笑声、叹气等语气符号，让合成语音更有表现力，更贴近真人交流。

使用文本“[dissatisfaction-hnn]这个结果我不太满意。[surprise-oh]原来你有备用方案？[laughter]那太好了。”可以合成：

4.  发音精准纠正：针对中英文多音字、专有名词易读错的问题，用户可通过简单设置，纠正发音错误，提升语音合成的可靠性。

比如对于含多音字的文本：“这批货物打折出售后他严重折本了，再也经不起折腾了。”，可以用如下的方式指定发音“这批货物打 ZHE2出售后他严重 SHE2本了，再也经不起 ZHE1腾了。”，从而可以生成：

05

全面开源，打开多语言 TTS 研发新范式

OmniVoice 不仅全部基于开源数据训练，其本身的训练、推理代码及模型权重也全面开源，无论是想体验600+语种的语音克隆，还是研究者、开发者进行二次创新，都能直接上手，源码面前，了无秘密！

OmniVoice 的推出，不仅打破了多语言语音克隆的语种局限，更以极简架构、顶尖性能和全开源特性，为 TTS 领域带来新的范式。其核心优势可概括为三点：

1.  架构极简高效：简单设计却实现顶尖性能，训练和推理速度远超同类模型；

2.  多语言能力顶尖：覆盖646种语种，低资源小语种也能实现高质量合成，性能超越商用系统；

3.  实用性极强：多维度可控，适配自定义音色、带噪参考音频使用、副语言控制、发音纠错等多种实际应用场景。

项目相关链接:

• 论文：https://arxiv.org/abs/2604.00688（了解技术细节）

• Github：https://github.com/k2-fsa/OmniVoice（含完整训练、推理代码）

• 语音样本展示：https://zhu-han.github.io/omnivoice/（直观感受语音合成效果）

• Huggingface Demo Space：https://huggingface.co/spaces/k2-fsa/OmniVoice（无需代码一键试用）

• Huggingface Model：https://huggingface.co/k2-fsa/OmniVoice（模型权重直接调用）

跳转微信打开

你有没有遇到过这样的尴尬？

在停车场场景下，当你对车辆说出 “小爱同学，锁车” 时，若旁边路人随口发出类似 “关闭”“停” 的语音，传统车外语音方案可能出现误触发；而当你手持物品走向车尾，说出 “小爱同学，打开后备箱” 时，受移动状态与环境噪声影响，指令也可能出现识别不完整、响应不及时的情况。

这些问题表面看是“车外太吵”，本质上其实是一个更难的技术挑战——“鸡尾酒会”场景下的目标说话人语音识别。

在真实车外环境中，系统面对的不是单一噪声，而是多人同时说话、声源不断移动、背景混响、语音重叠等复杂情况。传统方案往往只能做到“听到什么就转写成什么”，但无法同时解决2个难点：

1.正确区分出谁是说话的目标人、谁是干扰人，从而屏蔽掉干扰声音。

2.在用户位置移动、语音信号变化时，实现对目标人声音的“动态追踪”。

伴随新一代 SU7 的发布，我们带来了车外语音「连续说」和「边走边说」功能。两者协同，让车外语音交互第一次具备了接近人类动静态场景下的“聚焦式聆听”能力，在实际场景中解决了“鸡尾酒会”问题。

跳转微信打开

近日，2026 蓝牙亚洲大会暨展览在深圳圆满闭幕。作为全球蓝牙领域的旗舰盛会，本次大会以"定义标准，改变世界"为主题，汇聚了全球 60 余家参展商、50 余场主题演讲及众多业界精英，不仅搭建了技术交流与合作的高端平台，更将"连接世界，共创美好未来"的愿景转化为实际行动，彰显了中国及亚太地区作为全球蓝牙标准核心贡献者的重要地位，为全球无线连接产业发展注入新动能。

作为蓝牙技术联盟（SIG）联盟会员（Associate Member）和中国兴趣小组（CIG）会员单位，小米凭借在蓝牙技术领域的深厚积累与生态布局，成为本次大会备受瞩目的本土技术力量。大会期间，小米全面展示了 Auracast™ 广播音频、Channel Sounding 蓝牙测距、HDT（High Data Throughput）蓝牙高吞吐量数据传输等核心技术，深度参与场景演示与行业交流，以实际行动推动蓝牙技术创新与生态共建。

SIG 音频生态展区：小米深度赋能，Auracast™ 三大场景落地显价值

本次大会音频生态展区内，健身房无声电视、高铁站音频分享、会场同声传译三大创新应用场景精彩亮相，集中呈现了蓝牙 Auracast™ 功能在公共与个人场景下的实际应用价值。小米深度参与全部场景的技术筹备与落地实施，充分发挥其在智能大屏与广播音频领域的技术优势，让前沿技术走出实验室，走进大众生活。

在"健身房无声电视"场景中，小米依托 Auracast™ 广播功能，实现电视画面正常播放的同时，将音频精准发送至用户耳机，真正达成"看不扰人、听随心"的理想体验。用户可自由选择音频内容、独立控制音量，既保障了健身环境的静谧，又满足了个性化听音需求，有效破解了传统公共空间中音画冲突的行业痛点。该方案充分展现了小米在多路音频并发、大屏同步显示与低延迟广播方面的硬核实力，为未来智慧场馆、健身空间等场景的智能化升级提供了可复制、可推广的标杆解决方案。

在高铁站音频共享场景演示中，小米携手行业伙伴，成功解决复杂公共环境下的音频传输难题。面对高铁站人潮涌动、噪声频发的现实挑战，传统音频分享方式受限于点对点连接，无法满足多人同步收听需求。而搭载 Auracast™ 功能的小米相关设备，突破性实现"一源多听"——一人播放音频，周边所有支持 Auracast™ 的设备均可即时同步接收，音质清晰、低延迟，即便在嘈杂环境中也能精准还原每一个声音细节。现场观众仅需通过手机或耳机完成简单操作，即可便捷体验多人共享音频的乐趣。更值得关注的是，Auracast™ 支持广播加密功能，用户可设置密码保护，确保音频内容仅对授权人员开放，如同 Wi-Fi 网络的密码防护机制，实现了开放性与安全性的双重兼顾，标志着蓝牙音频生态正迈向更智能、更安全的新阶段。

在大会主会场及蓝牙创新讲堂，Auracast™ 功能国内本土解决方案正式落地应用，为多语言会议场景带来革命性变革。长期以来，跨语言会议依赖人工翻译或笨重的同声传译设备，不仅操作繁琐，还常因音质不稳、延迟明显影响信息传达。大型会场中，远端听众普遍面临声音模糊、音质不均等听觉体验难题。Auracast™ 功能的引入彻底解决了这些痛点：通过部署小米蓝牙广播音频发射装置，会场实现全域音频覆盖，无论坐在前排还是角落，所有参会者均可享受一致的高品质音频体验。

现场每一场演讲均通过 Auracast™ 实时广播，支持多语言同步传输。参会者仅需佩戴支持 Auracast™ 的耳机，即可一键切换中、英及其他语言频道，实时接收精准、清晰的翻译音频，音质纯净无杂音、延迟近乎为零，真正实现"听懂每一句话"。这一创新应用不仅显著提升了会议效率与参与感，更彰显了蓝牙音频技术向智能化、个性化、无障碍化演进的强劲趋势，为大型国际会议、跨语言交流提供了全新解决方案。

行业分享：蓝牙 Auracast™ 广播音频联动小米"声"态融合

小米手机部蓝牙软件架构师张海珅，作为蓝牙技术联盟（SIG）中国兴趣小组（CIG）音频推广组主席，在大会中发表了题为《无限聆听新纪元：蓝牙 Auracast™ 技术联动小米"声"态融合》的主题演讲，深度解读了蓝牙低功耗音频（LE Audio）及 Auracast™ 广播音频的未来发展方向。他指出，Auracast™ 广播音频的核心价值在于打破传统蓝牙点对点连接的局限，让用户可无限接入广播音频流，畅享自由聆听体验。

小米以"人车家全生态"战略为核心，通过小米澎湃 OS 全面打通人、车、家三大场景，实现跨硬件设备的无缝连接与实时协同。这一强大生态为 Auracast™ 广播音频的全方位高效落地提供了坚实支撑，同时 Auracast™ 广播音频也进一步反哺生态，显著增强小米全场景设备的音频互联能力与沉浸式听觉体验，助力构建真正一体化的智能"声"态系统。

张海珅强调，小米高度重视生态建设，未来将带领中国兴趣小组音频推广组，积极推动 Auracast™ 等蓝牙功能在中国区的生态落地。小米始终秉持开放理念，乐于搭建开放的生态平台，让更多中国科技企业便捷加入，共同推动蓝牙技术的创新发展。

以 openvela 开源生态为例，其通过内核层屏蔽多品类设备的硬件差异，借助轻量且强大的服务框架层，为手表、手环、音箱、眼镜、耳机等 AIoT 设备提供全场景技术支撑，搭配丰富的开发工具和维测框架，助力 AIoT 设备厂商快速实现产品落地。

圆桌论坛：蓝牙技术赋能，小米运动健康助力智能医疗升级

大会第一天，深圳市计量质量检测研究院副院长徐涛博士主持了主题为"互联健康：赋能智能与个性化医疗"的圆桌论坛，小米运动健康专家雷晓晨受邀参与讨论，分享了蓝牙技术在医疗级健康穿戴领域的应用与探索。

雷晓晨指出，蓝牙技术是推动医疗级健康穿戴普及的核心支撑，其凭借低功耗特性，可保障设备 7×24 小时持续监测，满足医疗级长期续航需求；标准化协议降低了跨品牌设备数据互通成本，实现多设备无缝对接；安全的绑定配对与加密传输机制，能有效保护心率、血氧、心电等敏感数据，杜绝信息泄露。同时，操作简便、快速配对与自动同步功能，显著降低了老年等群体的使用门槛，助力健康穿戴设备大众化推广。

在手机 AI 健康助手的智能诊断模式中，蓝牙低功耗技术确保了生理数据的稳定、连续传输，为 AI 模型提供完整的数据支撑，实现健康趋势分析与异常预警。雷晓晨表示，未来三年，蓝牙技术将加速汇聚手环、血压计、血糖仪等多类设备数据，推动健康管理从临时检测向全场景连续监测转型；结合 Wi-Fi 与广域网技术，构建覆盖个人、家庭、云端的健康数据网络，未来可对接医院与远程诊疗平台，打通医疗数据流通瓶颈。蓝牙正从单一传输技术，逐步演变为个人健康生态的核心连接器，全面赋能全天候、便捷化、智能化的日常健康管理。

UPF 测试同期举办，小米助力蓝牙互联互通生态建设

与 2026 蓝牙亚洲大会暨展览同期举办的，还有为期四天（2026 年 4 月 21-24 日）的 UPF（UnPlugFest）互操作性测试大会。小米一向高度重视蓝牙兼容性能力，此次专门派出测试和研发团队组团参与，与行业内其他厂商在 LE Audio、Channel Sounding 等领域开展了大量测试和验证工作，全力推动蓝牙设备互联互通，为行业标准完善与生态共建贡献力量。

小米展区：全栈蓝牙技术，筑牢"人车家全生态"底座

本次大会上，小米受邀参展，以"小米蓝牙技术"为主题，全面展示了其在蓝牙领域的持续深耕成果与生态布局——从底层核心技术突破，到应用场景拓展，再到生态共建，持续推动蓝牙技术向更智能、更高效、更开放的方向演进。

手机蓝牙：人车家互联互通的核心技术底座

作为全球领先的智能手机品牌，小米手机出货量稳居全球前三。小米通信技术团队以"人车家全生态"战略为核心，将蓝牙技术作为小米澎湃 OS 全球化基础体验的重要载体、人车家互联互通生态的重要技术底座，始终致力于提升全球化融合通信的高品质体验竞争力。

蓝牙技术深度赋能小米全场景互联生态，全面覆盖音频传输、语音通话、运动健康监测及智能家居控制等核心场景，助力"人车家全生态"通过实时动态组网技术，实现跨设备无缝协同运作，打造一体化智能体验，开启万物互联新时代。小米手机不仅率先支持蓝牙 LE Audio 及 Auracast™ 广播音频通信，还积极开放生态，目前已广泛支持多个品牌的 Auracast™ 发射器和接收器，兼容性表现优异，进一步推动了 Auracast™ 功能的普及。

电视蓝牙：以大屏中枢，重塑 Auracast™ 广播音频新体验

小米电视凭借大屏联动与音画一体的独特优势，深度参与 SIG Auracast™ 体验展、主会场广播及生活场景演示，全面展现了其在广播音频生态中的核心价值。在体验馆中，小米电视模拟健身房、高铁站等真实场景，同步显示多路节目画面并独立发射音频流，支持用户通过耳机自由选择频道，实现"无声播放、个人收听"，大屏可视化优势让多源广播清晰可辨，是小屏设备无法替代的核心优势。

在大会主会场，小米电视作为广播音频源，稳定分发演讲内容，观众可实时切换中英文等多语种，实现无延迟翻译，无需额外设备加持；小米展台呈现的家庭场景中，Auracast™ 技术实现了无声观影、多人分听、听力辅助等功能，真正提升了家庭影音体验。这一切都依托于小米电视在大屏多画面同步、独立音频发射与多路并发处理等方面的核心技术，使其具备了小屏设备无法比拟的广播能力。小米电视正以智能中枢的角色，推动 Auracast™ 从技术概念走向实际应用，实现跨设备、跨场景的无缝音频体验，开启全场景智慧音频新范式。

穿戴蓝牙：构建人车家全场景互联的交互中枢

在本次大会上，小米穿戴设备全系亮相，涵盖智能手表、手环、无线耳机、智能眼镜及防丢器 Tag，全面展现其在"人车家"全场景智慧生态中的核心定位。如今，穿戴设备正加速从健康监测工具，演变为连接个体与智能世界的关键交互中枢。

在"人"端，实时感知健康与行为数据；在"车"端，实现身份识别与无缝接入；在"家"端，成为语音与手势控制的核心入口。蓝牙技术作为跨场景连接的基石，凭借低功耗、高兼容、精准连接与安全定位优势，有效打通手机、汽车、家居之间的壁垒，实现无感联动，释放全场景智能体验。

展会期间，小米多款蓝牙耳机顺利通过 CIG 多轮兼容性测试，获合作厂商高度认可，彰显其在 SIG 蓝牙音频生态的技术引领力。搭载 openvela 双核蓝牙 Offloading 架构的小米 AI 眼镜，实现极致低功耗，树立可穿戴设备长续航与高效能新标杆，持续推动智能穿戴向更轻、更省、更智能迈进。

IoT 蓝牙：连接万物，打造家居互联新体验

小米以"蓝牙连接万物，家居互联新体验"为主题打造沉浸式展区，全面展示了其在智能家居领域的创新成果。在场景体验区，围绕用户日常需求，呈现了多样化的智能交互场景：Mesh 2.0 灯控支持将沙发区、电视区及全屋灯光灵活分组，实现统一控制与个性控制的自由切换；无感控光结合 Bluetooth LE 存在传感器，实现"人来灯亮、人走灯灭"的智能感知；多控场景支持多开关协同控制同一灯具，提升使用便利性；小米 Watch 4 更可通过手势识别，轻松完成灯光开关操作，带来自然流畅的交互新体验。

在技术展示区，小米通过 60 片 MHCB13G 模组构建了高效稳定的蓝牙 Mesh 网络，仅需无线开关即可实现灯光同步控制，系统响应迅速、运行稳定；智能场景由中枢网关本地执行，确保响应及时、控制一致，不受网络波动影响。依托已连接超 9 亿设备的小米 IoT 平台，小米持续发挥蓝牙低功耗、低时延与大规模组网的优势，推动智能家居从功能实现迈向无缝、智能、个性化的全场景体验，加速构建真正意义上的智慧生活生态。

openvela 蓝牙：实现测距精度从米级到亚米级的跨越

openvela 蓝牙为所有智能设备提供了功能丰富、性能优异、稳定性高、兼容性强、功耗低、资源占用少的开源蓝牙端到端轻量解决方案，致力于成为终端用户体验最佳的蓝牙解决方案。

其提供的业界首个 AIoT 全栈开源蓝牙 Channel Sounding 测距方案，涵盖 CS Host、RaS Server、RaP Client 完整协议栈，相比传统 RSSI 技术，测距精度提升数倍，波动控制在亚米级，为智能 TAG 精准寻物带来了全新的体验升级。

openvela 生态：专为 AI 硬件量身打造的轻量操作系统

openvela 是小米主导的开源嵌入式操作系统，基于 Apache NuttX 实时内核构建，专为 AIoT 硬件打造，作为小米澎湃 OS 的轻量化技术底座，其累计装机量已突破 1.8 亿台，全球生态伙伴超过 120 家。

大会现场展出了小米 AI 眼镜、小米 Watch S4 手表、小米手环 10 等多款基于 openvela 系统打造的标杆产品，其中小米智能家庭屏 Mini 升级为 openvela 系统后，优势尤为明显：占用内存更少，运行操作更流畅丝滑，在当前硬件内存成本上涨的大环境下，既降低了设备生产成本，又提升了用户使用体验，成为系统的核心竞争力。

为助力生态共建与技术普及，现场还展出了多款 openvela 硬件平台和行业解决方案，包括恒玄 BES（BES2800 系列）、乐鑫 Espressif（ESP32-S3 系列）、意法半导体 ST（STM32H7 系列）、思澈 Sifli（SF32LB52 系列）、全志 Allwinner（R528S3 系列）、旗芯微 FlagChip（FC7300 系列）等平台。这些硬件平台接口齐全、拓展性强，系统运行稳定，多设备协同能力出色，是 openvela 生态落地的核心载体。

作为 openvela 的战略合作伙伴，恒玄科技（BES）此次联合 openvela 重点演示了 HDT 蓝牙高吞吐量数据传输技术，实测传输速率最高可达 6Mbps 左右，远超传统蓝牙传输速率，在高码率、无损音频等场景具有重要应用前景。

生态共建：小米携手 CIG，共筑开放互联"超级生态"

2025 年，蓝牙中国兴趣小组（China Interest Group，CIG）正式成立，标志着中国蓝牙技术生态发展迈入新阶段。CIG 致力于加速蓝牙技术在中国的普及与创新，深化本地产业链上下游企业的协作与沟通，推动符合中国市场需求的技术演进与应用场景落地，构建更具活力与韧性的本土蓝牙生态体系。自成立以来，CIG 已有效促进中国区蓝牙生态企业间的技术交流与资源共享，成为推动行业协同创新的重要平台。

作为全球科技领域的领军企业，小米自创立以来始终秉持开放、协作、创新的理念，以颠覆性产品与生态布局持续引领智能硬件发展，凭借在物联网、智能音频与连接技术领域的深厚积累，成为《财富》世界 500 强榜单中历史上最年轻的上榜企业之一。

2026 蓝牙亚洲大会的成功举办，为蓝牙技术的创新发展与生态共建奠定了坚实基础。未来，小米将携手 CIG 全体成员，共同致力于构建高效互联、开放共享的"超级生态"，持续输出核心技术能力与平台资源，推动蓝牙技术在消费电子、智慧城市、工业互联等多场景的深度融合，赋能更多企业加速创新，携手打造更智能、更便捷、更可持续的万物互联未来。

篇后：小米 Auracast™ 广播音频功能解析

传统 A2DP（Advanced Audio Distribution Profile）采用点对点蓝牙音频传输架构，其本质限制在于单个音频源设备（如手机）同一时间仅能与一副耳机建立稳定连接，难以满足多用户同时接收音频内容的场景需求。尽管小米曾基于 A2DP 协议进行创新，实现双耳机音频分享功能，但该方案在设备数量扩展性、连接稳定性及用户体验一致性方面存在明显瓶颈，无法支撑更大规模的共享场景。

相比之下，Auracast™ 广播音频技术基于蓝牙低功耗音频（LE Audio）的广播能力，采用"一对多"音频分发模式，支持一个音频源向无限数量的接收设备进行广播，彻底突破了传统点对点连接的物理限制。其核心优势在于：无需配对、自动发现、低延迟、高音质，且可实现大规模、高并发的音频共享，是会议厅、交通枢纽、体育场馆、博物馆等公共场域音频分享场景的理想技术方案，正如蓝牙技术联盟所倡导的，Auracast™ 将"解锁音频新体验，让世界声动起来"。

除了公共场所，Auracast™ 在家庭场景中同样展现出广阔的应用前景。借助其多设备同时接入与独立音量控制能力，家庭成员可共享同一音频源，每人根据个人需求自由调节音量，实现个性化聆听体验。同时，基于多声道广播音频技术，Auracast™ 支持家庭音响系统的无线组网与灵活布局，无需复杂布线即可构建沉浸式立体声环境，为智慧家庭音频体验注入全新可能。

经过五年持续的技术研发与生态建设，小米已全面完成 Auracast™ 技术的布局与落地：旗下多款旗舰及主流型号的智能手机、平板、智能电视及无线耳机产品，均已原生支持 Auracast™ 广播音频功能，实现了从终端设备到系统级协议栈的全链路覆盖。目前，小米已成为全球范围内最早实现 Auracast™ 规模化商用的厂商之一，正持续推动蓝牙音频技术向更开放、更智能、更普惠的方向发展。

电视作广播音频源

小米 Auracast™ 功能的配置流程简洁高效。在支持 Auracast™ 广播音频能力的设备上，用户仅需通过标准化的系统设置界面即可快速启用该功能。以小米智能电视为例，用户进入「设置」→「外设与蓝牙」→「更多设置」，即可在界面中直接触发"音频广播"功能按钮。点击后，系统将自动启动 Auracast™ 广播模式，设备即刻进入广播状态。在此场景下，该电视作为音频信号的发送端，通常被定义为 Auracast™ 发射器（Transmitter）。

在 Auracast™ 广播音频功能的实现中，耳机作为接收端设备，由于不具备主动扫描与发现广播音频源的能力，需借助已与之配对的手机作为辅助工具完成接入过程。具体操作路径为：在已与耳机建立蓝牙连接的手机上，进入「设置」→「蓝牙」→「高级设置」→「音频广播」，即可在"附近的广播"列表中查看当前可接收的 Auracast™ 广播音频源。

备注：如果看不到"音频广播"这个选项，请进入「设置」→「蓝牙」→「（已连接的耳机，右侧的设置箭头）">"」→「音效设置」，确认您的手机、耳机是否支持并启用"蓝牙低功耗音频"（LE Audio）功能。另外，为了保护您的使用体验，对于非授信的非小米品牌耳机，默认不能使用此功能。但您可以通过在"开发者选项"中使能"绕过蓝牙 LE 音频许可名单"，来强制接入您觉得可信的非小米品牌耳机。

用户点击目标广播源后的"收听"按钮，耳机即刻开始接收音频流。值得注意的是，该过程具有高度的独立性——在耳机成功接入并开始接收音频后，手机无需持续保持与耳机的蓝牙连接，即使手机已断开连接，或处于关机状态，耳机仍可继续稳定接收广播音频数据，确保播放不中断。

当用户完成收听并希望停止接收时，可通过手机端再次点击"结束"按钮，主动断开连接，耳机将停止接收广播音频流。

在此架构中，具备辅助耳机接入 Auracast™ 广播音频源的手机被称为 Auracast™ 助手（Assistant），而支持接收广播音频的耳机则被称为 Auracast™ 接收器（Receiver）。

"电视发、手机辅、耳机收"的"无声电视"解决方案，凭借其高效节能与隐私保护优势，已在家庭观影、公共空间、夜间休息等场景中展现出广泛应用价值。该方案通过蓝牙技术实现音视频信号的精准同步传输，用户无需依赖外部设备即可享受沉浸式听觉体验，同时避免干扰他人，显著提升使用便捷性与场景适应性。更多技术细节与应用案例，可访问蓝牙技术联盟（Bluetooth SIG）官网（https://www.bluetooth.com/zh-cn/auracast/）了解。

手机/平板作广播音频源

此外，小米手机与平板现已全面支持作为 Auracast™ 广播音频源，用户可将本机播放的音频内容（如音乐、视频、语音通话等）通过蓝牙广播方式，无缝分享给周边的多个接收设备，实现高效、低延迟的多人音频共享体验。

功能启用路径清晰明确：用户进入「设置」→「蓝牙」→「高级设置」→「音频广播」，开启"广播本机音频"开关后，设备即刻进入 Auracast™ 广播模式。在此模式下，该手机或平板作为音频信号的发送端，被定义为 Auracast™ 发射器（Transmitter），可主动向周围支持 Auracast™ 协议的接收设备（如耳机、音箱等）推送音频流，支持多设备并发接入，具备良好的扩展性与稳定性。

为提升用户体验并增强安全性，系统默认启用密码保护机制（即广播接入认证），仅允许授权设备连接，有效防范未授权访问，确保用户隐私与音频内容的安全。该机制在保障安全的同时，兼顾了使用便捷性。

为进一步简化接收端接入流程，避免用户手动扫描、输入密码等繁琐操作，小米还引入二维码接入机制。当用户开启"广播本机音频"后，系统将自动弹出"二维码分享"功能入口。点击后，设备生成一个动态加密二维码，展示在屏幕上。

此时，只需使用已与耳机建立了连接的另一台手机（即 Auracast™ 助手），通过其相机应用扫描广播音频源所生成的动态二维码，即可完成一键式接入流程。该过程自动触发身份认证机制，无需手动输入密码或执行复杂配置。

在认证成功后，耳机（即 Auracast™ 接收器）将自动接入广播音频源，并开始接收音频数据流。整个接入过程具备高可靠性与低延迟特性，用户感知流畅，体验无缝。

值得注意的是，一旦耳机成功建立广播接收连接，原用于辅助接入的"助手"手机与耳机之间的蓝牙配对连接即可安全断开。即便该手机后续与耳机断开连接，甚至进入关机或休眠状态，耳机仍可维持对广播音频源的持续接收，确保音频播放不中断。

依托小米澎湃 OS 的强大系统能力，小米已成为国内首家实现电视、手机、平板、耳机等全品类终端设备全面打通 Auracast™ 功能的消费者设备供应商，率先构建起覆盖多场景、全链路的 Auracast™ 端到端解决方案。通过与蓝牙技术联盟（Bluetooth SIG）的深度协作，小米已成功推动国内首个 Auracast™ 应用场景落地部署，标志着中国在下一代蓝牙音频技术落地方面迈出关键一步。

未来，随着小米"人车家全生态"战略的持续深化，Auracast™ 广播音频将加速渗透至更多生活场景——从家庭影院、智慧办公到公共空间、大型场馆，实现音频内容的智能广播与无缝共享。凭借低延迟、高并发、免配对、安全可靠等核心优势，Auracast™ 正成为连接万物的新型音频基础设施，助力蓝牙技术从"点对点连接"迈向"多设备广播共享"的新时代，真正实现"声随人动，处处可听"的智能生活愿景。

阅读原文

跳转微信打开

4月28日，中华全国总工会授予小米集团大家电部和集团技术委员会空调动态运行节能控制团队“全国工人先锋号”荣誉称号。这一荣誉是对团队长期深耕智能空调节能技术、以科技创新推动绿色低碳发展的认可。

01

着眼生活所需，优化空调能耗表现

空调耗电量占居民生活用电总量的 50% 以上，提升空调运行能效是降低家庭用电能耗的关键路径。小米大家电部空调动态运行节能控制团队，长期聚焦 AI 技术与空调制冷技术的深度融合，以实现空调高效节能、智能低碳升级为核心目标。

团队自研 AI 节能控制算法，攻克空调节能调控关键核心技术。核心技术成果经院士专家团队权威鉴定，整体达到国际领先水平。截至2025年底，合计使用超 8.4亿小时，综合节能率达29%，累计节电量约2.46亿千瓦时，节电开支约1.56亿元（按平均电价 0.65元/度计算），累计碳减排约14.268万吨，规模化节能降碳成效显著。

在空调核心技术成熟落地的基础上，团队进一步打通软件算法与硬件设计、量产制造全业务链路，将自研智能控制算法拓展应用至冰箱、洗衣机等全品类大家电，实现从空调单品节能优化，向全品类智能化、平台化管控能力的升级迭代。

02

AI 赋能，让空调更节能可靠

传统空调普遍采用固定参数控制、常规 PID 调节等控制策略，存在响应滞后、工况适配性不足等短板，无法动态匹配复杂多变的实际运行环境，调控精度有限，容易造成舒适性差、运行能耗偏高等问题。同时，传统空调设备出厂投运后，整机运行状态缺乏有效监测手段，异常隐患无法及时识别，设备容易处于低效运行状态，进一步加剧能源浪费。

针对以上两大行业普遍问题，团队构建物联网、大数据、人工智能与空调产业深度融合的创新技术路径，突破传统算法架构与数据应用瓶颈，打造空调 "感知 - 决策 - 控制" 全链路闭环技术方案。围绕 AI 节能控制技术、智能诊断与主动维保两大方向集中攻关，推动空调从粗放式运行控制向精细化节能决策转型；维保模式从被动事后维修，向主动预判防护升级，同步兼顾节能降耗与用户舒适体验。

▍智能诊断与主动运维

为保障空调全生命周期长效节能、稳定可靠运行，团队创新构建全链路智能诊断 + 主动运维一体化技术体系。依托设备全生命周期运行大数据，搭建基于对比学习的 AI 故障诊断模型，全域实时监测整机运行状态，精准识别系统脏堵、冷媒泄漏、性能衰减等隐性问题与潜在故障隐患。

建立分级智能处置机制：针对轻微性能偏移、运行效率下降等一般性问题，通过自适应动态参数调校策略，实时优化运行策略，保障空调长期稳定维持高效能效区间；针对严重隐患，实现提前研判、智能预警与售后主动介入，从源头杜绝设备低效空转与异常损耗，全面提升空调整机运行可靠性与全周期节能效益。

03

沉淀科创硕果赋能产业进阶

在核心技术研发攻坚之外，团队高度重视技术沉淀与行业价值输出。已累计获授权发明专利53件，主导参与制定团体标准1项。凭借扎实的技术创新实力与显著的节能降碳成效，斩获多项重量级行业荣誉：荣获2025中国节能协会科技进步一等奖、十四五轻工业先进科技创新成果、2025年度中国质量协会质量技术奖等荣誉；创新实践成功入选2025年度全国轻工业数字化转型"领航者"案例，技术专业性与示范价值获得行业权威认可。

与此同时，团队依托智能制造体系，推动前沿技术从研发成果走向规模化量产落地。2025年10月，小米武汉光谷智能家电工厂正式投产，厂区占地750亩，空调年产能可达700万套，为技术规模化应用筑牢生产根基。团队将自研 AI 智能控制算法深度融入产线全流程质量检测环节，依托云平台智能质检技术，实现核心部件故障秒级精准筛查，设备负载闭环检测覆盖率达100%，质检耗时较行业平均水平缩短50%，以数字化智造保障每一台空调都能长效稳定发挥智能节能核心效能。

荣获"全国工人先锋号"是对团队阶段性成果的肯定，也是持续投入的起点。未来，团队将继续围绕智能空调节能控制技术进行研发攻坚，并将"算法+制造"模式推广至更多家电品类，为用户提供更节能、更智能的全场景家电解决方案，助力实现国家"双碳"目标与家电产业的高质量发展。

跳转微信打开

以下文章来源于：Xiaomi MiMo

从务实创新到探索未知，以思考触碰智能的边界，用创造回应每一次好奇。Ask Mi Anything！

跳转微信打开

对于很多家庭来说，宠物不是动物，是家人。

它是孩子放学回家第一个扑上去的伙伴，是深夜加班时趴在脚边的温暖，是全家出游照片里永远抢镜的毛孩子。

可每次开车出行，却不能总是将爱宠带在身边——受限于旅途颠簸、出行时间等等制约，车里装了导航、音乐、空调，却装不下最想带的那份陪伴。

在开发座舱功能时，我们不仅希望它足够好用，也希望它是有温度的：为了满足车载空间内宠物陪伴的需求，小米大模型应用团队自研了视觉生成 Agent Vision Forge，打造了新一代 SU7 座舱内的真实宠物数字化身功能——只需上传一张家里宠物的照片，AI 就能为你生成一只专属的 3D 萌宠，入驻你的车机桌面。

萌宠功能也出现在了雷总的直播中，现在，让我们一起来看看这个好玩又有趣的功能是怎么开发出来的吧：

跳转微信打开

两个月前，我们发布了 Xiaomi-Robotics-0 模型，并深度分享了其在复杂工业场景中的实战经验。模型发布首月就在 HuggingFace 全球 VLA 模型下载榜斩获第六名。

看到 Xiaomi-Robotics-0 在全球开发者手中释放潜力，我们深受鼓舞。为了让其真正成为“开箱即用”的生产力利器，今天我们给大家带来新的能力演示并正式发布 Xiaomi-Robotics-0 真机后训练（Post-training）全流程。

01

加速进化仅需20小时

基于预训练基座，我们仅利用 20 小时的任务数据进行真机后训练，便让 Xiaomi-Robotics-0 掌握了“将耳机收纳进耳机盒”这一高难度动作，并能够连续丝滑地完成多个耳机的收纳。

依次完成不同颜色耳机收纳

该任务涉及两大核心挑战：

• 耳机与槽位间公差极小，模型必须达到亚毫米级的空间感知精度，才能完成精准对位。

• 耳机与盒体表面粗糙度最低至 Ra0.03μm，极易在触碰过程发生位移，模型必须能快速修正动作偏差，避免装配失败。

多视角展示装配细节

02

三重策略破局“偷懒效应”

为实现机器人动作的无缝衔接，我们在部署阶段采用了异步推理（Asynchronous Execution）方案：在执行当前轨迹时，同步推理下一步动作。为了确保模型前后两次推理生成的动作轨迹不发生突变，我们在训练中引入了动作前缀（Action Prefixing）。这如同为接力赛选手提供了“助跑区”，让新动作能够从既有轨迹中自然生长，从而实现动作流的平滑切换。

在引入 Action Prefixing 后，一个行业通病——“偷懒效应”随之而来：模型容易过度依赖动作惯性，而选择性地忽视实时的视觉反馈。为此，我们引入了三项关键技术，平衡动作的连贯性与响应的灵敏度：

a. 自适应加权机制 (Adaptive Loss Re-weighting)：根据模型预测值与真实轨迹的偏差，动态调整 Loss 权重，强迫模型在关键误差处“刻苦补课”

自适应加权机制 (Adaptive Loss Re-weighting)

b. Λ 型掩码 (Λ-Shape Attention Mask)：通过特殊的注意力机制，确保模型在参考前段动作末尾的同时，保持对当前视觉信号的高度专注，防止陷入单纯的“路径依赖”。

Λ 型掩码 (Λ-Shape Attention Mask)

c. 前缀动作随机遮蔽 (Random Masking)：在训练中对既有的动作前缀进行随机 Dropout，倒逼模型深入挖掘摄像头画面与传感器信号，而非盲目跟从动作惯性。

前缀动作随机遮蔽 (Random Masking)

03

开源与资源

真机后训练是打通 VLA 模型迈向落地 “最后一公里” 的关键。我们选择将这一套完整的数据处理、训练方法、推理代码全面开放，正是希望通过开源的力量，降低机器人智能化的技术门槛。

为此，我们还专门搭建了机器人技术发布与交流平台，欢迎广大开发者与生态伙伴前往小米机器人官方网站分享经验、交流探讨、共同进步。

未来，小米也将持续在多样化的硬件本体上开展跨本体通用能力的部署、测试与验证，不断迭代优化模型性能，全面提升具身智能的泛化能力与落地效果。

我们也真诚鼓励所有开发者，在不同硬件本体上积极开展模型部署、验证与创新实践，充分释放开源技术的价值。我们期待看到更多开发者利用 Xiaomi-Robotics-0，在各式各样的场景中，通过极低的真机后训练成本，训练出属于自己的 “专属机器人”，让我们一起推动机器人走向具身智能的未来。

• 技术官网：

  https://robotics.xiaomi.com

• 技术报告：

  https://arxiv.org/abs/2602.12684

• 项目网站：

https://robotics.xiaomi.com/xiaomi-robotics-0.html

• 模型权重：

  https://huggingface.co/XiaomiRobotics

• 开源代码：

  https://github.com/XiaomiRobotics/Xiaomi-Robotics-0

04

About Xiaomi Robotics

探索物理智能的边界，我们从不止步。

欢迎加入，一起在具身智能领域，触碰未来。

跳转微信打开

今天是2026年世界知识产权日，我们在此向大家分享小米的技术创新与知识产权成果：截至2025年底，小米集团全球授权专利数已超4.5万项；今天，AI 正成为放大创新的核心引擎，全面融入小米“人车家全生态”，推动产品体验与产业效率同步跃升。

面向未来，小米将持续强化研发与知识产权布局，以 AI 驱动创新，以创新赋能新质生产力，释放更长期的增长动能。

跳转微信打开

跳转微信打开

以下文章来源于：Xiaomi MiMo

从务实创新到探索未知，以思考触碰智能的边界，用创造回应每一次好奇。Ask Mi Anything！

你的声音，随心所“驭”

跳转微信打开

以下文章来源于：Xiaomi MiMo

从务实创新到探索未知，以思考触碰智能的边界，用创造回应每一次好奇。Ask Mi Anything！

Agent & 全模态能力强劲提升

跳转微信打开

小米大模型应用团队发布视频消除开源模型，解决视频物体消除中的三大难题

视频目标消除是一个非常实用的技术：当你在美丽的风景里拍了一段视频或 livephoto，而回看的时候发现画面中有不希望出现的内容（比如路人），这时景色已经变换无法再次拍摄，甚至已经离开了拍摄地点，视频消除技术可以挽救你的不完美视频。

在实际研发视频消除任务的过程中，我们发现了一个普遍存在的问题：现有的方法大多在理想条件下设计和验证，而真实世界的视频远比论文里的测试场景复杂——模型识别的掩码边缘不够准、物体消除后阴影仍然留在画面里、目标快速移动时逐帧处理频繁"跟丢"导致闪烁……这些问题让许多 SOTA 方法在真实使用中显得力不从心。

为此，我们提出了SVOR（Stable Video Object Removal）框架，专门针对这三类"不完美条件"设计了对应的解决方案：用 MUSE 窗口化联合策略解决运动抖动，用 DA-Seg 去噪感知分割提升遮罩容错能力，并通过课程式两阶段训练让模型真正学会处理阴影和反射残留。

最终，SVOR 在多个标准数据集和退化遮罩基准上均达到了新的 SOTA 水平，并在 CVPR 2026 物理感知视频实例消除挑战赛中从18支参赛队伍中脱颖而出，荣获第一名。代码现已完整开源，希望能切实帮助开发者和创作者在真实场景中用好视频消除技术。

跳转微信打开

今天，我们将正式开启 PC、Mac 和有屏音箱版 Xiaomi miclaw 小范围封测，上午10:00起，用户即可前往小米社区申请测试资格。Xiaomi miclaw 是基于小米 MiMo 大模型构建的 AI 交互测试产品，也是国内首款手机端 AI 智能体应用，于3月6日上线并开启小范围封测。

本次封测新增 Xiaomi miclaw PC 及 Mac 版，作为基于小米 MiMo 大模型构建的桌面端 AI Agent 测试产品，该产品将 miclaw 的系统级执行能力延伸到 PC 和 Mac 平台，支持文档整理、数据分析、批量文件处理等桌面场景，并可与手机端 miclaw 跨设备协作 —— 在电脑上说一句话，就能自动调度手机、智能家居等设备一起帮你完成任务。

新增 Xiaomi miclaw 有屏音箱版，基于小米 MiMo 大模型打造，面向家庭多成员场景。无需手机，开口即用。支持语音唤醒与多轮连续对话，轻量任务快速响应，复杂任务自主规划并逐步执行。覆盖智能定时提醒、家庭信息播报、旅行规划等家庭场景。支持自然语言触发多设备联动与自动化创建，无需手动配置。可与手机、PC 及 IoT 设备跨设备协作——音箱负责语音交互，手机与 PC 承担后续编辑、确认等深度操作。

此次封测品类扩大后，Xiaomi miclaw 现已支持手机、平板、PC、Mac 和有屏音箱等多终端，跨端能力迎来进一步重大升级。

例如手机和 PC 互发文件，你可以和手机版 miclaw 说：“把电脑上关于小米汽车的文件发送过来”，手机版 miclaw 会直接调用你的 PC 将文件发送到你的手机。

手机控制电脑传文件

你也可以和 PC 版 miclaw 说：“把我的手机上最近的两张照片发给我”，PC 版 miclaw 也能调用手机直接帮你把照片发过来。

电脑控制手机传文件

miclaw 现在还支持跨设备写入笔记，只需要对 PC 版 miclaw 说：“帮我写一份去三亚玩5天的旅游攻略，并发送到手机笔记里”，完成执行后即可打开小米手机笔记查看。

跨设备写入笔记

同时 miclaw 的手机、平板和PC还支持跨端共享记忆，你可以直接对 PC 版 miclaw 说：“根据我的喜好，给我推荐几本国内作家的书”，miclaw 就会根据你在手机端的记忆为你推荐书籍。

手机、平板和PC跨端共享记忆

miclaw 目前还处于封测阶段，相关功能仍在快速迭代中。我们相信，AI Agent不应该只是一个聊天窗口，它应该是一个真正理解你、能替你行动的智能伙伴，Xiaomi miclaw 正在朝这个方向一步步前进。

未来，小米将持续推动 AI 从虚拟屏幕走向真实世界，加速赋能人车家全生态。

跳转微信打开

跳转微信打开

我们花了无数精力让小米汽车的座舱更安静——降噪材料填充、双层夹胶隔音玻璃、声学密封条、主动降噪功能……隔音性能越来越好，好到你在车内几乎听不到外面的世界。

但我们知道，在有些时刻，你恰恰需要听到外面的声音。

倒车时，车后有人在喊“小心”；停车场里低速穿行，想提醒前面的路人有车，又怕鸣笛吓到他；旁边有人挥手想跟你说话……

安静是一种能力。在安静中选择性地"听见"，是更高级的能力。

这就是新一代SU7的新功能——通透模式

跳转微信打开