小米mimo

小米mimo官网:MiMo-V2-Pro,Omni,TTS大模型,万亿的总参数,1M的超长上下文

什么是小米mimo?

小米MiMo是小米公司在2026年3月正式推出的自研大模型系列，标志着小米全面进入“AI智能体”时代。该系列由旗舰基座模型Xiaomi MiMo-V2-Pro、全模态大模型Xiaomi MiMo-V2-Omni以及语音合成模型Xiaomi MiMo-V2-TTS组成。作为小米“人车家全生态”战略的核心技术基石，MiMo大模型深度集成了HyperOS系统，赋予了智能终端前所未有的理解与决策能力。其中，MiMo-V2-Pro拥有超过1万亿的总参数量，凭借创新的混合注意力架构，在长文本处理和复杂逻辑推理方面表现卓越，支持高达1M的超长上下文。这一系列的发布，不仅提升了小爱同学的智能化水平，更在智能驾驶、自动化工作流等高强度场景中展现了巨大的潜力。小米通过MiMo构建了一个从感知到表达、从云端到端侧的完整AI闭环，致力于为全球用户提供更具人性化和效率的智能体验，引领万物互联向万物智联跨越。

小米mimo官网: https://mimo.xiaomi.com/zh/

小米 MiMo：从端侧推理到万亿参数旗舰，一次被硬件逼出来的 AI 突围

2026 年 3 月 18 日深夜，AI 圈里流传了好几天的”神秘霸榜模型”终于现出真身——它是小米的 MiMo-V2-Pro。在此之前，这个化名 “Hunter Alpha” 的模型已经悄悄在 OpenRouter 上匿名运行了约一周，在没有任何宣传的情况下迅速登上平台周榜第一，调用量力压 DeepSeek V4、GPT-5.2 和 Gemini 3.0 Pro。

这一幕有些戏剧性——全球开发者争相猜测它究竟来自哪家公司，最终小米在深夜官宣”认领”，同时宣布另外两款模型 MiMo-V2-Omni 和 MiMo-V2-TTS 同步发布，正式构成 MiMo-V2 三件套。

MiMo 的起点：从 7B 端侧模型走来

要理解 MiMo-V2 系列的分量，必须先回溯这条产品线的起点。

2025 年 4 月，小米发布了第一代 MiMo-7B，这是一个专为端侧设备优化的推理模型，参数量仅 70 亿，能耗仅为同类竞品的五分之一，已深度集成至 HyperOS 3.0，成为小米手机的”本地思维中枢”。 这一步棋的战略意图很清晰：小米要做的不是一个需要用户单独下载安装的 AI 应用，而是把模型能力直接植入设备底层，让”人车家全生态”的每一个触点都具备本地智能。

2025 年 6 月，MiMo-VL-7B 发布，加入视觉理解能力，覆盖图文混合输入场景。

2025 年 12 月，MiMo-V2-Flash 亮相，总参数 309B，激活参数 15B，采用 MoE（混合专家）架构，定位高效推理和 Agent 应用基座，在多个开源模型 Agent 评测榜进入全球 Top 2，代码能力超越当时所有开源模型，并比肩闭源标杆 Claude 4.5 Sonnet，但推理价格仅为其 2.5%，生成速度提升 2 倍。

2026 年 3 月，MiMo-V2-Pro 登场，总参数突破 1 万亿，激活参数 42B，相比前代 V2-Flash 整体扩容约 3 倍。 从 7B 到 1T，这条成长曲线所经历的不只是参数量级的跨越，更是产品定位从”端侧节能”到”Agent 旗舰”的全面转型。

MiMo-V2-Pro：1T 参数、1M 上下文的旗舰基座

架构核心：混合注意力机制的精进

MiMo-V2-Pro 的底层架构选择了 MoE（混合专家）设计，总参数超过 1 万亿，但每次推理时只激活 42B 参数。这种架构让模型在保持超大参数量带来的知识广度的同时，推理成本大幅低于同参数量级的稠密模型。

核心创新在于混合注意力机制（Hybrid Attention）。前代 V2-Flash 采用 5:1 的 SWA（滑动窗口注意力）与 GA（全局注意力）混合比例，V2-Pro 将这一比例进一步提升至 7:1。这不是简单的数字调整——更高比例的 SWA 显著降低了长序列处理时的显存占用，使得 1M 超长上下文成为实际可部署的特性，而非纸面数据。

配合轻量级的 MTP（Multi-Token Prediction）层，模型在生成阶段可以并行预测多个 Token，打破传统自回归解码在大 Batch 场景下的显存带宽瓶颈，实测加速比达到 2.0 到 2.6 倍。

1M 超长上下文是这次发布里最能体现工程能力的指标之一。100 万 Tokens 相当于能一次性读完《红楼梦》加《三国演义》全文并记住每一个细节，对于需要处理完整代码库、长篇合同、完整财报的 Agent 任务来说，这是真实可用的优势，不是刷榜数字。

Agent 场景的深度优化

MiMo-V2-Pro 的设计目标从一开始就不是”更聪明的聊天机器人”，而是”能真正干活的 Agent 执行引擎”。

在训练策略上，针对复杂多样的智能体架构进行了专项监督微调和强化学习，核心强化方向是工具调用稳定性和多步推理的长程规划能力。现有 AI Agent 最常见的失败模式是”规划链断裂”——在执行复杂多步任务时，模型在某个中间环节出错或卡住，导致整个任务链崩塌。MiMo-V2-Pro 针对这个痛点做了大量专项训练，任务拆解和中间步骤的稳定性都有显著提升。

在 OpenClaw 标准评测榜单 PinchBench 和 Claw-Eval 的实际表现上，MiMo-V2-Pro 排名全球第三，仅次于 Claude Sonnet 4.6 和 Claude Opus 4.6。值得注意的是，其在 Claw-Eval 基准测试中得分 75.7，位列全球前三、国内第二。

在真实的开发者使用场景中，Hunter Alpha 匿名测试阶段调用量最高的 APP 类别集中于编程专用工具，这说明开发者群体在真实工作中选择了它，而不只是测评时跑分。

性价比：与顶级竞品的价格差异是数量级的

性能打进全球第一梯队，定价却走了另一条路。MiMo-V2-Pro 的 API 定价如下：

• 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

作为对比，Claude Opus 4.6 的 API 定价约为 MiMo-V2-Pro 的 5 倍。在 SWE-bench Verified（代码工程能力核心基准）上，MiMo-V2-Pro 得分 78%，Claude Sonnet 4.6 得分 79.6%，差距不到两个百分点，但价格差距是数量级的。

MiMo-V2-Omni：全模态执行专家

如果说 V2-Pro 是”任务大脑”，那么 MiMo-V2-Omni 就是”多模态感知系统”。

全模态统一架构

V2-Omni 的设计理念是从底层构建融合文本、视觉、语音、视频的全模态基座，而非在文本模型上外挂各类模态模块。这种统一架构让”感知”与”行动”能力在同一个模型框架内完成，避免了多模块协作带来的信息损耗和延迟。

多模态基准测试领先

在 2026 年 3 月权威多模态评测榜 PinchBench 中，V2-Omni 以代号 “Healer Alpha” 参测，在多个维度超越了 Gemini 3 Pro 和 Claude Opus 4.6：

音频理解能力超越 Gemini 3 Pro 尤为值得关注——这是多模态领域里 Google 重点押注的能力方向，V2-Omni 能在此领域登顶，说明小米在音频-语言对齐训练上投入了真实的研发资源。

实际使用场景

对开发者而言，V2-Omni 具备多模态感知、工具调用、函数执行及 GUI 操作四项核心能力，可以直接接入现有 Agent 框架，用于处理观察浏览器多窗口、截图分析、音视频内容理解等真实复杂场景。

API 定价方面，支持 256K 上下文，输入定价每百万 Tokens $0.4，输出 $2，价格极其亲民，是目前全模态模型里性价比最高的选项之一。

MiMo-V2-TTS：会唱歌、会说方言的情感化语音引擎

MiMo-V2-TTS 是这次三件套里最”有温度”的一款，也是最能体现小米在消费者场景布局的产品。

多粒度情感控制

传统 TTS 模型的情感表达往往是句子级别的整体基调控制，要么全程平静，要么全程激动。MiMo-V2-TTS 实现了从整体风格到局部情绪的多层次精准调节——可以在同一句话内完成语气转折和情感递变，比如”从愤怒到无奈再到苦笑”，这种细粒度的情感连续变化在过去的 TTS 产品中几乎不存在。

语音合成延迟相比前代降低了 40%，这对于实时对话类应用（如 AI 客服、语音助手、陪伴型 AI）来说是关键指标。

方言与角色声线

MiMo-V2-TTS 支持东北话、粤语等多种中文方言，并能模拟特定虚构角色的声线风格（如孙悟空、林黛玉等文学经典形象）。更值得一提的是，它支持歌唱合成，能准确表达音高和节奏，在唱歌时自然且富有表现力。

训练方式的底层逻辑

V2-TTS 的训练策略分两个阶段：首先通过超大规模语音-文本混合预训练，在海量数据中习得强大的跨模态对齐与理解生成能力；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。 这种”大规模预训练 + 精准微调”的路径，使其在风格泛化性和情感精度上都优于纯监督训练的 TTS 模型。

开发者怎么用：API 接入与使用体验

接入方式

MiMo-V2-Pro 和 MiMo-V2-Omni 均已开放 API 服务，同时在 OpenRouter 平台上可直接调用，支持标准的 OpenAI 兼容 API 格式，与现有工具链无缝接入。 官方同时提供了 MiMo Studio 开发环境，全球开发者均可通过纯浏览器架构访问，无地域限制。

在 Cline、Cursor 等主流 AI 编程客户端中，V2-Pro 均可作为后端模型直接使用。有开发者实测用 Cline + MiMo-V2-Pro（OpenRouter 免费通道）完成了前端逻辑测试、APP 全栈测试和 Java 后端逻辑测试，整体完成率和代码质量接近 Claude Sonnet 4.6 水准，但成本几乎为零。

实际编程测试表现

从社区反馈和公开测试视频汇总来看，MiMo-V2-Pro 在编程场景的表现亮点集中在以下几个方面：

• 系统设计与任务规划：能理解高层次的架构意图，自动拆解子任务并规划执行顺序，不需要手动给出每一步提示
• 代码智能：多文件上下文理解能力强，能在 1M 上下文窗口内同时分析整个中型项目代码库
• 工具调用可靠性：在连续多步 API 调用场景中，失败率低于许多同级别模型，减少了调试循环的时间成本

相对弱势的方向是创意写作和细腻的情感表达——这本身也不是 Agent 导向模型的设计目标，但对于需要兼顾内容创作和逻辑推理的综合型用户来说，是需要了解的局限。

五款同类大模型深度对比

Claude Opus 4.6（Anthropic）

目前公认的全球顶级闭源模型之一，代码推理和长文本逻辑处理是其最强项，在 SWE-bench Verified 上得分约 80%，整体综合能力位居全球前列。Agent 场景表现稳定，是目前最多专业开发团队的主力选型。

但 Opus 4.6 的核心缺陷是价格——API 定价约为 MiMo-V2-Pro 的 5 倍，对于高频调用的生产环境来说，月度 API 费用可以非常可观。上下文窗口为 200K，不及 V2-Pro 的 1M。此外 Anthropic 对 API 访问有地域限制，部分开发者需要通过代理或第三方平台才能稳定调用。

结论：极致性能首选，但成本是 MiMo-V2-Pro 的 5 倍，高频 Agent 任务场景的经济性差距悬殊。

GPT-5.2（OpenAI）

GPT-5.2 是 OpenAI 目前的旗舰模型，也是最”通用”的选手——几乎没有明显短板，在代码、写作、多模态、逻辑推理各维度均衡出色，有免费使用层级，对于普通用户和企业用户都是”闭眼入”的安全选择。

从 Agent 场景表现来看，GPT-5.2 在工具调用和函数执行上的生态最成熟，因为 OpenAI 的 Function Calling 格式已经成为行业事实标准，大量框架和工具都以此为基础构建。但相比 MiMo-V2-Pro 在 Claw-Eval 等 Agent 专项评测上的表现，GPT-5.2 并无明显优势，价格却高出数倍。上下文窗口 128K，远低于 V2-Pro。

结论：生态最成熟，通用性最强，但 Agent 专项能力不比 V2-Pro 有决定性优势，价格较高。

DeepSeek V4（深度求索）

DeepSeek V4 是国产大模型里最接近 MiMo-V2-Pro 定位的竞争者——同样是 MoE 架构，同样主打极致性价比，同样在代码和推理上表现出色。V4 拥有 1 万亿参数，每个 Token 激活约 320 亿参数，在批量处理和代码任务上有成本优势。

但 DeepSeek V4 在多模态理解和长文本逻辑上的表现不及 V2-Pro，在创意写作和文化细节把握上也有明显欠缺。更重要的是，DeepSeek 在合规性和数据安全方面在部分海外市场受到监管压力，对于面向国际用户的产品团队来说是需要评估的因素。

在 SWE-bench Verified 上，DeepSeek V4 的 SWE-Pro 成绩约为 56%，与 GPT-5.3-Codex 持平，低于 MiMo-V2-Pro 的 78%。

结论：价格优势与 V2-Pro 相近，但 Agent 专项能力、多模态理解和长文本处理均落后，是同等价位的有力竞品但非全面压制。

Gemini 3.0 Pro（Google）

Gemini 3.0 Pro 最大的亮点是超长上下文——原生支持 2M Tokens，比 MiMo-V2-Pro 的 1M 还多一倍，对于需要处理超大规模文档或代码库的场景有独特优势。与 Google Workspace 的生态整合也是一大优势，对于使用 Google 套件的企业用户非常自然。

多模态能力方面，Gemini 3.0 Pro 是 V2-Omni 的主要对标目标，但在 MMAU-Pro 音频理解和视频预测类评测中均被 V2-Omni 超越。 Agent 场景中表现参差不齐，稳定性不如 Claude 系列，存在”有时出色有时拉跨”的口碑问题。

价格方面，Gemini 3.0 Pro 的定价比 MiMo-V2-Pro 高，但差距比 Claude Opus 4.6 小，整体性价比居中。对大陆用户的访问限制与 GPT/Claude 类似。

结论：超长上下文是真实优势，Google 生态用户的自然选择，但 Agent 稳定性和部分多模态能力不及 MiMo-V2-Pro，且访问门槛对大陆用户存在。

Qwen 3.5（阿里云）

通义千问 Qwen 3.5 是国内另一条成熟的大模型产品线，在中文能力和中文逻辑推理上表现出色，阿里云的产品集成生态（DingTalk、钉钉、云服务）让其在国内企业客户中有天然的渠道优势。

与 MiMo-V2-Pro 相比，Qwen 3.5 在 Agent 专项优化深度上略逊一筹——它是通用能力更均衡的大模型，而非 Agent-first 设计的专项旗舰。在代码工程能力的 SWE-bench 评测上，Qwen 3.5 与 V2-Pro 有一定差距。价格方面，两者在同等规格下相近，但 V2-Pro 在 Agent 专项任务上的性价比更突出。

不过 Qwen 3.5 的优势在于更强的中文理解细腻度和国内部署合规性，对于中文内容创作、中文客服、中文知识库问答等偏中文语义的场景，Qwen 3.5 仍然是值得认真考虑的选项。

结论：中文场景能力强，国内企业生态成熟，但 Agent 专项深度不及 V2-Pro，两者各有适配场景。

五款模型横向对比速览

小米的 AI 战略棋局

MiMo-V2 系列的发布不是单纯的模型技术秀，而是小米整个 AI 战略布局的一次集中体现。

雷军在官宣当天明确表示，小米今年在 AI 领域的投入将超过 160 亿元，这个数字已经进入国内大厂的第一梯队。 但比投入金额更值得关注的是投资方向：小米不是在做一个独立的 AI 应用，而是要把模型能力变成”人车家全生态”的基础设施。

MiMo-7B 端侧模型负责手机端的本地智能；V2-Flash 负责中低成本 API 场景的高效执行；V2-Pro 是面向开发者和企业的旗舰 Agent 基座；V2-Omni 负责手机、车机、智能家居的多模态感知层；V2-TTS 则是设备端语音交互的情感化输出层。 每款模型各司其职，却又共同服务于同一套设备生态。

这种从端到云、从感知到执行的完整闭环，是小米有别于其他互联网大模型玩家的核心差异——其他公司是”做模型”，小米是”用模型武装设备”。

哪类用户最适合用 MiMo

根据三款模型的能力边界，以下场景是 MiMo-V2 系列真正能体现差异化价值的地方：

• 独立开发者和小团队：V2-Pro 的 API 成本是 Claude Opus 4.6 的五分之一，同等能力下每月省出的 API 费用可能超过一个工具订阅费，对于调用量较高的开发者来说直接影响项目经济模型
• AI Agent 产品构建者：长程任务规划、稳定工具调用、1M 超长上下文，这三个特性叠加对于构建复杂工作流的 Agent 应用是理想组合
• 多模态内容分析团队：V2-Omni 在音频理解和视频预测类任务上领先竞品，适合音视频内容的 AI 分析、字幕生成、媒体监测等场景
• 语音产品开发者：V2-TTS 的细粒度情感控制和低延迟特性，是构建高品质语音助手、AI 播客、有声内容生成工具的优质基础
• 需要无障碍访问的大陆用户：不需要代理，直接调用，对于 Claude/GPT 访问受限的用户来说，这一点本身就是不可忽视的实用优势

几个需要直视的局限

技术发布时的光环往往掩盖了一些需要用户在实际使用中面对的问题，坦诚说出来比一味唱赞歌更有参考价值。

创意写作能力不是强项：V2-Pro 的训练目标高度集中在 Agent 任务和代码场景，在需要细腻情感表达、文化隐喻理解、风格化写作的内容创作场景中，它的表现不如 Claude 系列，这是由设计取舍决定的，不是随版本迭代能轻易弥补的差距。

英文内容细腻度存在差距：MiMo-V2-Pro 在中英双语场景下的中文理解和生成质量优于其英文端，对于以英文为主要工作语言的国际化团队，仍需在自身场景做实测验证，不要被 benchmark 数字直接替代实际判断。

1M 上下文的实际成本：使用 1M 上下文的输入定价是 256K 版本的两倍，在真正需要处理超长文本的场景下，成本优势会有所收窄。大多数日常任务其实用不到 256K 以上的上下文，要根据实际业务测算，不要被”1M”的数字诱导升级到不必要的调用层级。

Omni 模型的上下文上限：V2-Omni 当前仅支持 256K 上下文，对于需要同时处理大量多模态内容的复杂场景，可能需要拆分任务处理。

生态成熟度仍需时间积累：相比 OpenAI 和 Anthropic 数年建立的开发者生态、文档体系、社区沉淀，小米 MiMo 的生态还在快速成长阶段，踩坑记录、社区解决方案、第三方工具适配的丰富程度暂时无法与前者相比。这不是能力问题，是时间问题。