小米正式推出三款全新大模型——MiMo-V2-Pro、MiMo-V2-Omni与MiMo-V2-TTS，目前这些模型已登陆Xiaomi miclaw、MiMo Studio、金山办公、小米浏览器等平台，同时可通过OpenClaw、OpenCode、KiloCode、Blackbox、Cline等框架接入，并且面向开发者开启为期一周的限时免费体验。
此前在OpenRouter平台推出的匿名模型Hunter Alpha、Healer Alpha也正式官宣身份，前者即为小米MiMo-V2-Pro，后者则是小米MiMo-V2-Omni，两款模型各有技术侧重与场景适配性。
小米MiMo-V2-Pro：Agent时代的旗舰基座模型
MiMo-V2-Pro专为现实世界高强度的Agent工作场景打造，是小米面向Agent时代推出的旗舰基座模型。该模型拥有超1T总参数量，其中激活参数为42B，采用创新混合注意力架构，同时支持1M超长上下文长度。小米还在更广泛的Agent场景中持续拓展算力，进一步延伸智能动作空间，实现了从Coding到Claw的重要能力泛化，在Artificial Analysis排行榜中，MiMo-V2-Pro位列全球第八、国内第二。
在技术架构上，MiMo-V2-Pro沿用了MiMo-V2-Flash的轻量MTP、滑动窗口注意力和GQA技术，保障了高效的生成速度。在OpenClaw、Claude Code等智能体框架中，该模型可在无人工干预的情况下，完成复杂工作流编排、长程规划与精准工具调用，稳定交付最终结果，整体使用体验已超越Claude Sonnet 4.6，逼近Opus 4.6，而其API定价仅为同类产品的1/5，大幅降低了前沿智能技术的使用门槛。
针对Agent场景，MiMo-V2-Pro完成了针对复杂多样Agent Scaffold的SFT & RL优化，工具调用与多步推理能力大幅提升，在OpenClaw标准评测榜单PinchBench、ClawEval上均达到全球顶尖水平。1M的超大上下文窗口，也让其能够从容支撑高强度的真实Claw复杂应用流。在代码工程构建方面，内部工程师评测显示，MiMo-V2-Pro的使用体验接近Claude Opus 4.6，具备高阶代码智能，拥有更出色的系统设计与任务规划能力、更优雅的代码风格，以及更高效直接的问题解决路径。
目前MiMo-V2-Pro已正式开放API服务，支持1M上下文长度，按使用量分段计价：256K上下文以内，输入$1/百万tokens，输出$3/百万tokens；1M上下文以内，输入$2/百万tokens，输出$6/百万tokens。同时，MiMo Claw模块已全面打通金山WebOffice生态，原生支持Word、Excel、PPT、PDF四大主流文档格式，覆盖超95%的日常文档类型，小米MiMo底层推理引擎与金山办公生态实现框架级集成，WPS灵犀已接入该模型，助力高效办公。
小米MiMo-V2-Omni：Agent时代的全模态基座模型
MiMo-V2-Omni是小米面向Agent时代打造的全模态基座模型，专为现实世界中复杂的多模态交互与执行场景而生，拥有262K上下文长度，支持文本、音频、图片、视频多模态输入，可无缝接入各种Agent框架，实现从理解到操控的能力跨越，大幅降低全模态Agent的落地门槛。该模型针对端侧场景进行了专项优化，多模态感知、工具调用、函数执行及GUI操作能力均为重点优化方向。
在各模态理解能力上，MiMo-V2-Omni表现亮眼：音频理解方面，支持环境声分类、多说话人分离、音频-视觉联合推理，可实现超10小时连续长音频的深度理解，综合表现超越Gemini 3 Pro，成为当前最强的音频理解基座模型之一；图像理解方面，具备强大的多学科视觉推理与复杂图表分析能力，超越Claude Opus 4.6，逼近Gemini 3 Pro等顶尖闭源模型水平；视频理解方面，支持原生音视频联合输入，通过创新视频预训练拥有强大的情境感知与未来推理能力，实现真正的多模态视频理解。
整体而言，MiMo-V2-Omni能够跨模态理解复杂环境，自主制定并执行计划，遇到异常时可实时修正策略，最终端到端交付完整结果。目前该模型已正式开放API服务，输入$0.4/百万tokens，输出$2/百万tokens，同时联合OpenClaw、OpenCode等五大Agent开发框架团队，为全球开发者提供为期一周的限时免费接口支持。
小米MiMo-V2-TTS：Agent时代的全模态交互语音合成模型
MiMo-V2-TTS是小米自主研发、专为Agent时代全模态交互打造的语音合成大模型，基于自研Audio Tokenizer和多码本语音-文本联合建模架构打造，经过上亿小时语音数据的大规模预训练与多维度强化学习，实现了高度可控的多粒度语音风格控制，既能还原人类说话的自然韵律，也能在唱歌时准确表达音高和节奏，自然且富有表现力。
在模型训练阶段，MiMo-V2-TTS首先通过超大规模语音-文本混合预训练，习得强大的跨模态对齐与理解生成的统一能力；再通过少量高质量监督数据微调，获得可泛化的多粒度与多风格指令控制能力；最后引入多维度强化学习，围绕自然韵律、稳定音质、准确字词表达、高质量音色克隆及场景化语气表达等维度持续优化，兼顾模型的稳定性与表现力。得益于多层码本建模架构，模型能在高保真的离散token空间中对语音建模，保留原始语音的丰富信息，让多维奖励信号更有效地作用于生成过程。
MiMo-V2-TTS的核心优势在于支持从整体到局部的多层次语音风格控制，用户可通过自然语言指令设定整体语音基调，同时对句内局部片段进行细粒度情绪调节，实现同一语句中语气转折与情感递变的自然过渡。此外，该模型还具备丰富的多元表达能力，支持东北话、四川话、河南话、粤语、台湾腔等多种方言的自然发音，可进行角色扮演式的风格化演绎，更能实现高质量的歌声合成，让同一个模型兼具“说、演、唱”多种能力。
小米MiMo系列模型均已开放API接入通道，开发者可访问小米MiMo API开放平台（https://platform.xiaomimimo.com），完成API key管理、查看调用规范与参数说明、体验模型能力等操作，快速接入小米MiMo大模型能力。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
相关文章
暂无评论...
