小米开源业界首个端到端空间音频理解大模型 MiDashengLM-Spatial

小米发布并开源 MiDashengLM-Spatial，试图在一个音频语言模型中同时处理一般音频理解和空间感知，关注价值在于空间音频从单独识别任务进入统一多模态模型架构。

• 小米研究团队在 arXiv 论文 2026-10-08 版本中介绍了 Spatial-Dasheng 空间音频编码器和层级语义到空间条件模块。
• GitHub 项目以 Apache 2.0 许可证发布代码，仓库列出模型权重、评估脚本和示例推理流程。
• 项目 README 显示，MiDashengLM-Spatial-7B 在 STAR-Bench 空间准确率为 70.3，通道交换全正确率为 72.6；这些是作者报告的基准结果，不等同于独立复现结论。
• 论文称模型在空间理解任务上优于现有音频语言模型，同时在多项单声道任务上保持竞争力，但论文仍属于预印本。
• 影响/看点：若空间定位和一般音频理解能够在同一模型中稳定协同，智能家居、车载座舱和环境感知可能获得更丰富的交互信号；能否形成产品价值取决于双耳数据质量、噪声环境表现和端侧推理成本。资料依据:
• MiDashengLM-Spatial 论文（2026-10-08）：https://arxiv.org/abs/2610.11156
• MiDashengLM-Spatial GitHub（2026-10-08）：https://github.com/xiaomi-research/midashenglm-spatial

本内容由 AI 生成，仅供参考，请注意甄别