注：小米最新的 AI 顶会成果实际入选了 ICLR 2026（国际学习表征会议），推测您提到的 ICML 为会议名称的混淆，本文将基于小米此次入选的核心研究成果，以及配套的 MiMo-V2.5 系列技术，按您要求的五大模块进行深度解读。

在 2026 年的全球 AI 技术竞赛中，小米凭借一系列针对产业落地的务实创新，多篇研究成果成功顶会收录，同时发布了 MiMo-V2.5 系列大模型，覆盖了 GUI Agent、端侧推理、多模态、MoE 训练、安全对齐五大核心方向，为 "人车家全生态" 的 AI 落地搭建了完整的技术底座。本文将从技术原理、创新突破与产业落地三个维度，拆解这五大模块的核心价值。

一、GUI Agent：让手机 Agent 真正 "把事做完"

技术原理

传统 GUI Agent 面临的核心痛点是高质量思考轨迹稀缺：训练一个能自主操作手机界面的智能体，需要大量标注好的 "中间思考步骤" 数据，人工标注成本极高，且难以覆盖复杂的长尾场景。

小米提出的MobileIPL（Mobile Iterative Preference Learning）框架，从根本上解决了这一问题：

1. 思考层偏好学习（T-DPO）：不再依赖人工标注中间步骤，而是通过最终的任务结果评分，反向归因到每一步的决策过程，自动构建中间推理步骤的偏好数据对。简单来说，系统只需要知道 "任务有没有完成"，就能自动判断智能体的哪一步思考是对的、哪一步是错的。

1. 三阶段指令演化机制：通过迭代式的指令优化，逐步突破高质量轨迹数据的稀缺瓶颈，让智能体在少量初始数据的基础上，自主演化出处理复杂任务的能力。

核心创新点

1. 无监督的中间步骤优化：打破了传统 Agent 训练必须标注完整轨迹的限制，将标注成本降低了 90% 以上，同时让智能体能够自主优化自己的思考过程。

1. 移动端场景的深度适配：针对手机 GUI 的碎片化、动态化特点，优化了智能体的决策鲁棒性，在 AITZ 等主流 GUI Agent 测试中刷新了性能纪录，分布外场景的鲁棒性提升了 30%。

1. 系统级工具调用的原生支持：智能体能够直接调用手机系统的底层能力，而非模拟用户的点击操作，大幅提升了操作的准确性和效率。

落地价值

这一技术直接落地到了小米的移动端 AI Agent 产品 "Xiao miclaw" 中：

• 该 Agent 以系统应用的身份运行，拥有 50 多个系统级工具调用权限，能够自主完成短信发送、日历管理、智能家居控制、应用操作等复杂任务。

• 比如用户只需要说 "帮我把上周的会议纪要整理成待办，发给项目组的同事"，Agent 就能自主拆解任务，一步步完成文件读取、内容整理、邮件发送的全流程，真正实现了 "帮用户把事做完"，而非仅仅是聊天应答。

二、端侧高效推理：让大模型在手机上跑起来

技术原理

端侧大模型的核心挑战是算力、显存与延迟的约束：手机等端侧设备的算力远逊于云端 GPU，如何让大模型在有限的资源下实现低延迟、高吞吐的推理，是落地的核心瓶颈。

小米的端侧高效推理体系，采用了端云协同 + 全链路效率优化的架构：

1. 混合部署架构：将模型拆分为端侧小模型与云端大模型，基础的、低延迟的交互任务（比如简单问答、基础控制）由端侧小模型处理，确保弱网环境下也能快速响应；复杂的、长周期的任务（比如代码开发、长文档处理）则调用云端大模型。

1. 混合注意力机制：采用滑动窗口注意力与全局注意力 6:1 交错的架构，将 KV 缓存的存储空间减少了近 7 倍，大幅降低了端侧的显存占用，同时让端侧模型也能支持百万级的上下文长度。

1. 令牌效率优化：通过优化的思维链生成、MTP（多令牌预测）模块，减少了冗余的推理令牌，让单次任务的令牌消耗比同类模型降低了 40%-60%，直接降低了端侧的计算负载。

核心创新点

1. 全链路的效率优化：从模型架构、推理引擎到硬件适配，全链路针对端侧设备进行优化，支持 INT4/INT8 混合精度量化，首日就完成了对 5 家国产芯片的适配，让大模型能够在手机、IoT 设备上流畅运行。

1. 隐私优先的端侧处理：高度隐私的信息（比如用户的聊天记录、生物特征）全部在端侧本地处理，无需上传云端，从根本上解决了隐私数据的安全问题。

1. 动态资源适配：能够根据端侧设备的实时算力、电量情况，动态调整模型的推理策略，在性能与功耗之间取得最优平衡。

落地价值

这一技术已经深度适配了小米澎湃 OS，覆盖了手机、平板、智能座舱、智能家居等全生态设备：

• 在手机端，用户可以本地运行轻量化的 MiMo 模型，无需联网就能完成基础的 AI 交互，响应延迟控制在 50ms 以内。

• 在智能座舱中，端侧模型能够实时处理语音、视觉信号，实现无网环境下的座舱交互，同时保护用户的隐私数据。

• 对于 IoT 设备，端侧推理让低成本的智能家居设备也能拥有 AI 能力，比如摄像头能够本地识别用户行为，自动调整家居设备。

三、多模态：原生统一的感知与推理能力

技术原理

传统多模态模型往往是 "拼接式" 的：在语言模型的基础上，外接一个视觉或音频编码器，模态之间的对齐不够深入，难以实现真正的跨模态推理。

小米的 MiMo-V2.5 采用了原生多模态统一架构：

1. 模态专属编码器 + 统一投影：自研的视觉与音频编码器，通过轻量级的投影器，与语言模型的语义空间深度对齐，实现了真正的 "一个模型处理所有模态"。

1. 五阶段的训练流程：

1. 文本预训练：构建基础的语言主干；

1. 投影器预热：对齐多模态编码器与语言模型；

1. 多模态预训练：在大规模跨模态数据上训练，打通模态之间的壁垒；

1. Agentic 后训练：逐步扩展上下文窗口，从 32K 到 1M；

1. RL 与 MOPD（多模态偏好优化）：通过强化学习与多模态偏好优化，提升跨模态的感知与推理能力。

1. 语音双模态原生集成：将 ASR（语音识别）与 TTS（语音合成）原生集成到模型架构中，共享底层的 Transformer 模块，无需部署两套独立的系统。

核心创新点

1. 原生多模态的深度融合：不同于后期拼接的多模态模型，MiMo-V2.5 从训练之初就实现了模态的深度对齐，在图像理解、图表分析、视频理解等任务上，取得了领先的性能，比如图像理解准确率达到 81%，MMMU-Pro 得分达到 88.5%。

1. 语音与语言的统一：原生集成的 ASR 与 TTS，让模型能够直接 "听" 和 "说"，中文语音识别准确率比 Whisper 高 5-8%，同时支持通过文本描述生成全新的音色，大幅降低了语音应用的部署成本。

1. 百万上下文的跨模态支持：支持最长 100 万 token 的上下文，能够一次性处理数百页文档、数小时的视频内容，实现超长跨模态内容的理解。

落地价值

原生多模态能力，成为了小米 "人车家全生态" 的核心纽带：

• 在智能座舱中，模型能够同时处理语音指令、视觉感知、路况信息，实现真正的自然交互，比如用户说 "找一条不堵车、沿途有咖啡店的路线"，模型能够跨模态整合所有信息，给出最优方案。

• 在智能家居中，多模态模型能够通过摄像头理解用户的行为，比如用户起夜时，自动调整灯光的亮度与色温，无需用户手动操作。

• 在消费端，用户可以直接用语音、图片、视频与 AI 交互，比如拍一张菜谱，模型就能自动整理出步骤，或者用语音描述，模型就能生成对应的音色，大幅提升了交互的自然度。

四、MoE 与训练：万亿参数模型的工程化落地

技术原理

混合专家（MoE）架构的核心思想是 "稀疏激活"：模型拥有超大规模的参数储备，但每次推理只激活部分参数参与计算，从而在保持超大模型知识储备的同时，大幅降低推理成本。小米的 MiMo-V2.5-Pro，就是这一架构的工程化标杆：

1. 稀疏激活的专家架构：总参数量达到 1.02 万亿，但每次推理只激活 420 亿参数，激活比例仅为 4.1%，相当于用 420 亿参数的成本，获得了万亿模型的知识储备。

1. 动态专家路由策略：路由网络根据输入 token 的语义特征，实时选择最相关的专家组合，同时通过负载均衡机制，避免专家的闲置或过载，解决了 MoE 架构的负载不均问题。

1. 规模化的训练工程：针对万亿模型的训练，小米构建了分布式的训练框架，支持专家并行、数据并行，同时采用 FP8 混合精度训练，大幅降低了训练的显存与通信开销。

核心创新点

1. 万亿参数的工程化落地：首次将万亿级的 MoE 模型实现了开源可部署，推理吞吐量提升了 3 倍，KV 缓存减少了 7 倍，让超大规模模型的落地成本降低了一个数量级。

1. 训练效率的突破：通过五阶段的渐进式训练策略，逐步扩展模型的能力，从文本到多模态，从短上下文到长上下文，让模型的训练效率提升了 2 倍以上，同时保证了能力的平稳演进。

1. 专家协作的优化：通过渐进式的训练，让模态专家、任务专家能够高效协作，避免了专家的偏向性，提升了模型的泛化能力，比如在 SWE-bench Pro 测试中，得分达到 57.2%，是行业平均的 2.3 倍。

落地价值

MoE 架构的落地，让小米能够用可控的成本，提供顶级的模型能力：

• 对于企业用户，万亿模型的推理成本仅为 Claude Opus 的 1/6，大幅降低了企业部署 AI 应用的成本，比如同样的预算，能够运行 6 倍的任务量。

• 对于开发者，开源的 MoE 模型，提供了一个高性能、低成本的基座，能够快速开发复杂的 Agent 应用，比如代码 Agent、办公 Agent，无需自己训练超大规模模型。

• 对于复杂任务，比如从零构建编译器、开发视频编辑器，万亿模型的专家能力，能够在几小时内完成人类需要数周的工作，大幅提升了生产效率。

五、安全对齐：兼顾能力与合规的隐私安全体系

技术原理

大模型的安全对齐，核心是解决两个问题：一是模型输出的合规性，避免生成有害内容；二是用户数据的隐私安全，防止敏感信息泄露。小米的安全对齐体系，从模型层到部署层，构建了完整的防护：

1. 多模态偏好优化中的安全约束：在 MOPD（多模态偏好优化）阶段，将安全偏好与有用性偏好联合优化，不仅提升模型的能力，同时注入安全约束，让模型在多模态场景下也能遵守安全规则，抵御多模态越狱攻击。

1. 分层的安全审查机制：针对不同的场景，设计了分层的安全审查策略，Pro 版本针对企业场景做了强合规审查，适配国内的监管要求，同时针对海外场景提供了适配的版本，满足不同地区的合规需求。

1. 端侧隐私计算：将高度敏感的用户数据，全部在端侧本地处理，无需上传云端，同时通过联邦学习等技术，实现数据不动模型动，在不泄露用户隐私的前提下，完成模型的迭代优化。

核心创新点

1. 多模态场景的安全对齐：不同于传统的文本安全对齐，小米的安全体系覆盖了文本、视觉、音频等多模态场景，解决了多模态越狱、视觉有害内容等新的安全问题，安全对齐率达到 92% 以上。

1. 隐私优先的部署架构：通过端云协同的隐私处理，让用户的隐私数据不出本地，同时不损失模型的能力，解决了大模型应用中的隐私痛点，雷军曾明确表示，"力争会把那些高度隐私的信息在本地处理"。

1. 合规的全球化适配：针对不同地区的监管要求，提供了分层的安全策略，既满足国内的合规要求，也能够适配海外的市场需求，为模型的全球化落地铺平了道路。

落地价值

安全对齐体系，为小米 AI 的大规模落地提供了合规与隐私的保障：

• 对于 C 端用户，彻底解决了 AI 交互中的隐私顾虑，用户可以放心地用 AI 处理敏感的个人数据，比如医疗记录、财务信息，不用担心数据泄露。

• 对于 B 端企业，分层的合规策略，能够帮助企业快速适配不同地区的监管要求，降低了 AI 应用的合规成本，同时保护企业的商业数据安全。

• 对于整个生态，安全对齐的技术，让 AI 能够放心地落地到医疗、金融、汽车等敏感领域，加速了 AI 的产业化落地。

总结：从技术到生态的 AI 落地之路

小米的这五大核心技术，并非孤立的实验室研究，而是一套完整的、面向产业落地的 AI 技术栈：从 GUI Agent 解决 "交互" 的问题，到端侧推理解决 "部署" 的问题，从多模态解决 "感知" 的问题，到 MoE 解决 "规模与成本" 的问题，最后用安全对齐解决 "信任" 的问题，最终共同支撑起小米 "人车家全生态" 的 AI 战略。

这些技术的落地，不仅让小米在全球 AI 竞赛中占据了一席之地，更重要的是，它让 AI 真正从实验室的技术，变成了普通人能够触手可及的产品，让大模型的能力，真正赋能到每一个用户的日常交互中，这正是产业 AI 的核心价值所在。

参考资料

[1] Li, J., et al. MobileIPL: Iterative Preference Learning for Mobile GUI Agents. ICLR 2026.
[2] Xiaomi MiMo-V2.5 Official Documentation. https://mimo.xiaomi.com/mimo-v2-5
[3] 小米 MiMo-V2.5 架构深度解析：万亿参数 MoE 模型的技术实现与性能优化。博客园，2026.
[4] 小米万亿模型全面开源：MIT 协议、1M 上下文. 36 氪，2026.
[5] 解析小米 ICLR 2026 研究：从多模态推理效率到端到端自动驾驶的工程突破. CSDN, 2026.