小米MiMo-VL VS 千问Qwen2.5-VL | 多模态模型实测

刘聪NLP 2025-06-18 19:44 四川

端午节前，分享了一篇小米的开源多模态模型的文章，啥？小米又开源了多模态理解大模型。

当时只解读了论文，没有实测。

今天来填坑。

当然，看了这篇论文的，都知道，MiMo-VL-7B模型把一众多模态理解模型按在地上暴捶，尤其是Qwen2.5-VL，哈哈哈哈。

当然这里没有拉仇恨的意思。

他们自己人也说是站在巨人的肩膀上，巨人就是Qwen，虽然Qwen-VL被锤了，但是Qwen的含金量依然存在，毕竟ViT部分是直接用Qwen2.5-VL的ViT初始化的。

话不多说，开始实测，因为MiMo-VL-7B有两个SFT和RL两个版本，并且均可以使用think或no-think，都测试，与Qwen2.5-VL-7B进行对比。

懒人不爱看版：

MiMo-VL-7B个人测试下来SFT和RL相差不大；

MiMo-VL-7B的think和no-think相差较大，think版本要好的更多一些；

MiMo-VL-7B的think模型整体要比Qwen2.5-VL-7B好一些，但是我的体感是没有Qwen2.5-VL-72B好；

MiMo-VL-7B对手写体OCR的效果不好。

结论可能会因为测试样例不足、不同，而不一样，欢迎评论区讨论！

表格识别任务

先来表格识别，共三个表格图片，难度为低中高，prompt如下：

## Role你是一位有多年经验的OCR表格识别专家。## Goals需要通过给定的图片，识别表格里的内容，并以html表格结果格式输出结果。## Constrains- 需要认识识别图片中的内容，将每个表格单元格中的内容完整的识别出来，并填入html表格结构中；- 图片中的表格单元格中可能存在一些占位符需要识别出来，例如"-"、"—"、"/"等；- 输出表格结构一定遵循图片中的结构，表格结构完全一致；- 特别注意图片中存在合并单元格的情况，结构不要出错；- 对于内容较多的图片，一定要输出完整的结果，不要断章取义，更不要随意编造；- 最终输出结果需要是html格式的表格内容。## Initialization请仔细思考后，输出html表格结果。

对于简单表格，MiMo-VL-7B-Think版模型可以正确，但No-think模型错误，Qwen2.5-VL-7B错误。

简单表格

Qwen2.5-VL-7B

MiMo-VL-7B-SFT Think

MiMo-VL-7B-SFT No-Think

MiMo-VL-7B-RL Think

MiMo-VL-7B-RL No-Think对于中等表格，7B模型全都全军覆没，但MiMo-VL-7B-SFT Think接近正确。

中等表格

Qwen2.5-VL-7B结果

MiMo-VL-7B-SFT Think

MiMo-VL-7B-SFT No-Think

MiMo-VL-7B-RL Think

MiMo-VL-7B-RL No-Think复杂表格，MiMo-VL-7B-SFT Think结果更好。

复杂表格

Qwen2.5-VL-7B

MiMo-VL-7B-SFT Think

MiMo-VL-7B-SFT No-Think

MiMo-VL-7B-RL Think

MiMo-VL-7B-RL No-Think但看过我Qwen2.5-VL-72B测试的，都知道，这几道题，是都对的，但是MiMo-VL-7B只有简单的正确了。

数学题任务

两道2024年高考题，prompt如下：

请解题。

2024年年高考全国甲卷数学（文）试题，Qwen2.5-VL-7B、MiMo-VL-7B-SFT、MiMo-VL-7B-RL Think对了，，MiMo-VL-7B-RL No-Think错了。

发现RL-No-Think模型感觉不太好。

试题

Qwen2.5-VL-7B

MiMo-VL-7B-SFT Think

MiMo-VL-7B-SFT No-Think

MiMo-VL-7B-RL Think

MiMo-VL-7B-RL No-Think2024年高考全国甲卷数学（理）试题，都对了，C方程为;

试题

Qwen2.5-VL-7B

MiMo-VL-7B-SFT Think

MiMo-VL-7B-SFT No-Think

MiMo-VL-7B-RL Think

MiMo-VL-7B-RL No-Think

OCR+计算任务

识别手写体，Qwen2.5-VL-7B更好一些，错了两个字，MiMo-VL所有模型都细碎。

prompt如下：

请逐步详细分析，输出图片中的文字内容

Qwen2.5-VL-7B

MiMo-VL-7B-SFT Think

MiMo-VL-7B-SFT No-Think

MiMo-VL-7B-RL Think

MiMo-VL-7B-RL No-Think识别图片中数字，并计算，Qwen2.5-VL-7B对了，MiMo-VL-7B的Think模型对了，No-Think模型错了。

prompt如下：

请逐步详细分析，告诉我在中文数据和英文数据分别占比是多少，并且告诉我总和

Qwen2.5-VL-7B

MiMo-VL-7B-SFT Think

MiMo-VL-7B-SFT No-Think

MiMo-VL-7B-RL Think

MiMo-VL-7B-RL No-Think

图像识别

识别图片中的内容，都正确了。

prompt如下：

这张图片里是有两只狗，对吗

Qwen2.5-VL-7B

MiMo-VL-7B-SFT Think

MiMo-VL-7B-SFT No-Think

MiMo-VL-7B-RL Think

MiMo-VL-7B-RL No-Think

测试代码

Qwen2.5-VL和MiMo-VL模型，均用vLLM框架，单卡4090启动，最大长度为12800。

测试代码：

from openai import OpenAIimport base64def trans_base64(image_path):    with open(image_path, "rb") as image_file:        encoded_string = base64.b64encode(image_file.read())    base64_image = encoded_string.decode('utf-8')    return base64_imageapi_key = "sk-xxxxxxxxxxxxxxxxxxxx"base_url = "http://0.0.0.0:54188/v1"model = "MiMo-VL-7B-RL"client = OpenAI(api_key=api_key, base_url=base_url)image_path = "image.png"query = "prompt"base64_image = trans_base64(image_path)response = client.chat.completions.create(    model=model,    messages=[        {            "role": "user",            "content": [                {                    "type": "image_url",                    "image_url": {                        "url": f"data:image/png;base64,{base64_image}"                    }                },                {                    "type": "text",                    "text": query                }            ]        }])print(response.choices[0].message.content)