整理：TopAIMap 编辑
小米开源 MiDashengLM-Spatial：7B 音频大模型能听出声音「从哪来」，STAR-Bench 空间推理 70.3 分超 Gemini-3.6-Flash 的 47.0
10 月 15 日（PT）凌晨，小米在 GitHub 和 Hugging Face 放出 MiDashengLM-Spatial，上午 8:00 由 @XiaomiTech_ 正式官宣（当晚约 4.2K 浏览、104 赞）。这是在 MiDashengLM-7B 基础上加了一路「空间编码器」的音频语言模型，小米称是首个开源的端到端统一模型，既能听懂声音内容，也能判断声源方位与空间分布：STAR-Bench 空间推理 70.3 分（Gemini-3.6-Flash 47.0、Qwen3-Omni-30B 44.7、人类 73.7），MMAU-Pro 空间子集 55.4 分（Gemini-3.6-Flash 48.3）；左右声道对调测试正确率 72.6%，其余对比模型大多为 0。权重与推理、评测代码均为 Apache 2.0，可商用。
技术上它是「双耳」架构：原有的 Dasheng 语义编码器只吃单声道，新增的 Spatial-Dasheng 吃左右双声道，负责逐帧检测并定位重叠声源，两路通过分层「语义→空间」条件模块（HSSC）融合后交给 LLM（LoRA 微调）。训练数据靠合成：约 100 万个空间声学场景、约 1.3 万小时，覆盖环境声、人声和音乐，配 600 万条经过事实校验的问答。官方示例输出是「有人在听者左后上方打鼾」这种带方位的描述；单声道通用能力基本保住——MMAU-Pro 全集 56.4（底座 55.9），LibriSpeech test-clean WER 从 3.6 降到 1.8，东南亚语种 ASR 小幅领先同级开源模型。
要打折的地方：所有成绩都是小米自测（arXiv 2610.11156）；MMAU-Pro 全集上 Gemini-3.6-Flash 仍以 70.4 对 56.4 明显领先，通用音频理解没有反超闭源；空间能力必须喂真实双耳 (2, T) 音频，单声道能跑但「没有方向」；空间训练数据以合成为主，真实环境泛化要看社区复测。目前小米没有公布哪款产品会用上，比较自然的落地方向是车舱（判断哪个座位在说话、救护车从哪侧来）、智能音箱/家居、AR 眼镜与助听设备、机器人和安防监听，这些都还属于推测场景。
谁能用：个人开发者和企业都能免费用——权重在 Hugging Face（mispeech/midashenglm-spatial，transformers + trust_remote_code 加载）和 ModelScope，推理示例与 STAR-Bench / MMAU-Pro 一键评测脚本在 GitHub，Apache 2.0 允许研究和商用；约 8B 参数，按 bf16 估算单张 24GB 显卡即可推理。没有官方托管 API、App 或付费档位，也没有等候名单；小米 MiMo 等 App 是否接入未公布。在线 Demo 页可直接试听样例。
解读：多模态大模型这两年把「看图」卷到了极致，「听」却还停在单声道转文字加分类——绝大多数音频模型分不清声音从左还是从右来，声道对调测试几乎全是 0 分就是证据。小米这一步的意义不在 7B 的分数，而在把「空间听觉」变成可直接 fine-tune 的开源底座，这对手里有车、有音箱、有眼镜的硬件厂商比对纯软件公司更有价值，也是小米生态自己最需要的能力。讨论：1. 车载和智能家居里，「听出方位」会比「听懂内容」更早变成刚需吗？2. 靠 100 万个合成场景训出来的空间感，放到真实嘈杂的客厅和马路上还能剩多少？原帖：https://x.com/XiaomiTech_/status/2110747532804436083 ；GitHub：https://github.com/xiaomi-research/midashenglm-spatial ；模型：https://huggingface.co/mispeech/midashenglm-spatial ；论文：https://arxiv.org/abs/2610.11156
