@小米技術(shù) 官微今日發(fā)文稱，小米大模型團(tuán)隊(duì)在音頻推理領(lǐng)域取得突破性進(jìn)展。受 DeepSeek-R1 啟發(fā)，團(tuán)隊(duì)率先將強(qiáng)化學(xué)習(xí)算法應(yīng)用于多模態(tài)音頻理解任務(wù)，僅用一周時(shí)間便以 64.5% 的 SOTA 準(zhǔn)確率登頂國際權(quán)威的 MMAU 音頻理解評(píng)測榜首，現(xiàn)同步開源。
IT之家附官方全文如下：
強(qiáng)化學(xué)習(xí)展現(xiàn)“反直覺”優(yōu)勢 —— 小米大模型團(tuán)隊(duì)登頂音頻推理 MMAU 榜
面對(duì)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(shí)的心情？在早高峰地鐵站混亂的腳步聲潮中，AI 能否預(yù)判閘機(jī)口可能發(fā)生的沖撞風(fēng)險(xiǎn)？在大模型時(shí)代，人們已經(jīng)不滿足于機(jī)器僅僅識(shí)別說話的內(nèi)容、聲音的種類，更期望機(jī)器具備復(fù)雜推理的能力。
MMAU（Massive Multi-Task Audio Understanding and Reasoning）評(píng)測集（https://arxiv.org/abs / 2410.19168）是這種音頻推理能力的量化標(biāo)尺，它通過一萬條涵蓋語音、環(huán)境聲和音樂的音頻樣本，結(jié)合人類專家標(biāo)注的問答對(duì)，測試模型在 27 種技能，如跨場景推理、專業(yè)知識(shí)等應(yīng)用上的表現(xiàn)，期望模型達(dá)到接近人類專家的邏輯分析水平。
作為基準(zhǔn)上限，人類專家在 MMAU 上的準(zhǔn)確率為 82.23%。這是一個(gè)很難的評(píng)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(zhǔn)確率為 57.3%。緊隨其后的是來自 Google DeepMind 的 Gemini 2.0 Flash，準(zhǔn)確率為 55.6%。
MMAU 任務(wù)示例圖片來自 MMAU 論文
來自阿里的 Qwen2-Audio-7B 模型在此評(píng)測集上的準(zhǔn)確率為 49.2%。由于它的開源特性，我們嘗試使用一個(gè)較小的數(shù)據(jù)集，清華大學(xué)發(fā)布的 AVQA 數(shù)據(jù)集（https://mn.cs.tsinghua.edu.cn/avqa/），對(duì)此模型做微調(diào)。AVQA 數(shù)據(jù)集僅包含 3.8 萬條訓(xùn)練樣本，通過全量有監(jiān)督微調(diào)（SFT），模型在 MMAU 上的準(zhǔn)確率提升到了 51.8%。這并不是一個(gè)特別顯著的提升。
DeepSeek-R1 的發(fā)布為我們在該項(xiàng)任務(wù)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(cuò)-獎(jiǎng)勵(lì)" 機(jī)制就能使自主進(jìn)化，涌現(xiàn)出類似人類的反思、多步驗(yàn)證等推理能力。在同一時(shí)間，卡內(nèi)基梅隆大學(xué)發(fā)布的論文預(yù)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(shí)驗(yàn)得出了一個(gè)有趣的論斷：當(dāng)任務(wù)存在明顯的生成-驗(yàn)證差距（Generation-Verification Gap），即任務(wù)生成結(jié)果的難度遠(yuǎn)大于驗(yàn)證結(jié)果正確性的難度時(shí)，強(qiáng)化學(xué)習(xí)比起有監(jiān)督微調(diào)具有獨(dú)特優(yōu)勢，而 AQA 任務(wù)恰好是完美的生成-驗(yàn)證差距顯著的任務(wù)。
打個(gè)比方來說，離線微調(diào)方法，如 SFT，有點(diǎn)像背題庫，你只能根據(jù)已有的題目和答案訓(xùn)練，但遇到新題可能不會(huì)做；而強(qiáng)化學(xué)習(xí)方法，如 GRPO，像老師在要求你多想幾個(gè)答案，然后老師告訴你哪一個(gè)答案好，讓你主動(dòng)思考，激發(fā)出自身的能力，而不是被“填鴨式”教學(xué)。當(dāng)然，如果訓(xùn)練量足夠，比如有學(xué)生愿意花很多年的時(shí)間來死記硬背題庫，也許最終也能達(dá)到不錯(cuò)的效果，但效率太低，浪費(fèi)太多時(shí)間。而主動(dòng)思考，更容易快速地達(dá)到舉一反三的效果。強(qiáng)化學(xué)習(xí)的實(shí)時(shí)反饋可能會(huì)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(gè)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(xùn)練樣本的情況下，強(qiáng)化學(xué)習(xí)微調(diào)后的模型在 MMAU 評(píng)測集上實(shí)現(xiàn)了 64.5% 的準(zhǔn)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(gè)百分點(diǎn)的優(yōu)勢。
有趣的是，當(dāng)我們在訓(xùn)練中強(qiáng)制要求模型輸出
我們的實(shí)驗(yàn)揭示了幾個(gè)和傳統(tǒng)認(rèn)知不同的結(jié)論：
關(guān)于微調(diào)方法：強(qiáng)化學(xué)習(xí)在 3.8 萬條數(shù)據(jù)集上的表現(xiàn)顯著超過監(jiān)督學(xué)習(xí)在 57 萬條數(shù)據(jù)集上的結(jié)果
關(guān)于參數(shù)規(guī)模：相比千億級(jí)模型，7B 參數(shù)的模型通過強(qiáng)化學(xué)習(xí)也可展現(xiàn)強(qiáng)推理能力
關(guān)于隱式推理：顯式思維鏈輸出反而成為性能瓶頸
盡管當(dāng)前準(zhǔn)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(dāng)前的實(shí)驗(yàn)中，強(qiáng)化學(xué)習(xí)策略還是比較粗糙，訓(xùn)練過程對(duì)思維鏈的引導(dǎo)并不充分，我們會(huì)在后續(xù)做進(jìn)一步探索。
此次實(shí)驗(yàn)驗(yàn)證了強(qiáng)化學(xué)習(xí)在音頻推理領(lǐng)域的獨(dú)特價(jià)值，也為后續(xù)研究打開了一扇新的大門。當(dāng)機(jī)器不僅能 "聽見" 聲音，還能 "聽懂" 聲音背后的因果邏輯時(shí)，真正的智能聽覺時(shí)代將會(huì)來臨。
我們把訓(xùn)練代碼、模型參數(shù)開源，并提供了技術(shù)報(bào)告，供學(xué)術(shù)界產(chǎn)業(yè)界參考交流。
訓(xùn)練代碼：https://github.com/xiaomi-research/r1-aqa
模型參數(shù)：https://huggingface.co/mispeech/r1-aqa
技術(shù)報(bào)告：https://arxiv.org/abs/2503.11197
交互 Demo：http://120.48.108.147:7860/ 
