MiMo-V2 三件套：小米 Agent 全能底座——全面进军大模型全家桶

Agent 时代真的来了，但大家有没有发现一个问题：我们至今还缺一个真正的全能 AI 大脑。

说到底，一个合格的 Agent，得能看、能听、能说、能思考，还得会动手解决问题。可现在市面上的情况是什么样呢？大多是东拼西凑——语音合成是一个模型，多模态理解是另一个，推理能力又靠第三个，Agent 专项推理还要再搭一个。这么拼出来的系统，不仅推理效率低，用起来体验很割裂，而且成本还不便宜。

这次小米直接一步到位，放出了 MiMo-V2 三件套，从底层底座到语音输出全覆盖，相当于把底牌直接摊开，给大家一套现成的、完整的 Agent 解决方案。

型号	定位
MiMo-V2-Pro	旗舰推理底座，相当于 Agent 的“大脑”，1万亿参数支持100万token上下文，能处理超长内容
MiMo-V2-Omni	全模态理解底座，负责“看、听、理解”，就连10小时以上的长音频都能轻松解析
MiMo-V2-TTS	情感语音合成，给 Agent 一个有温度、有灵魂的声音，不再是冷冰冰的机械音

简单说，这三个顶级模型拼在一起，就是一个完整的 Agent，从感知世界、思考决策到表达输出，小米直接把 Agent 该走的路，一次性铺好了。

MiMo-V2 三件套架构：各司其职，又融为一体

MiMo-V2 的设计思路特别清晰：Pro 底座负责核心推理，Omni 负责全模态感知，TTS 负责情感表达，三个模型环环相扣，构成一个完整的 Agent 闭环，流程其实很简单：

┌───────────┐
│ 用户输入  │
│ 图像/视频/音频/文本
└─────┬─────┘
      ↓
┌─────┴─────┐
│ MiMo-V2-Omni │ 全模态感知理解
│  支持 10 小时连续音频理解
└─────┬─────┘
      ↓
┌─────┴─────┐
│ MiMo-V2-Pro │ Agent 推理 & 工具调用 & 多步规划
│  1T 参数，1M 上下文，开源框架支持
└─────┬─────┘
      ↓
┌─────┴─────┐
│ MiMo-V2-TTS │ 情感语音输出
│  自然语言风格控制，会唱歌
└─────┬─────┘
      ↓
┌─────┴─────┘
  完整 Agent 闭环

1. MiMo-V2-Pro：万亿参数旗舰底座，专为 Agent 而生

核心规格:

• 总参数超过 1TB，其中 42B 为活跃参数，继承了前代的混合注意力机制，而且把混合比例从5:1提升到了7:1，这就意味着，虽然模型规模更大了，但推理效率反而更高，不会出现“反应慢”的问题。
• 支持 100 万个 token 的上下文窗口
• 轻量级的 MTP（多 token 预测）层实现了快速生成

Agent 原生优化：

• 通过 SFT 和 RL 在复杂多样的代理框架上进行了精细调优
• 工具调用稳定性和准确度大幅提升
• 原生支持 OpenClaw 等主流 Agent 框架，相当于天生就是为 Agent 打造的“大脑”，不用额外适配就能直接用

实际表现也很能打：编码能力超过了 Claude 4.6 Sonnet，接近 Opus 水平；在业内评测中，表现也和 Claude Opus 4.6 不相上下，社区里的实际测试也显示，多数场景下的体验比 Sonnet 更好。

最关键的是价格很亲民，对比同类顶级闭源模型，差价能达到一个数量级，我们可以看一组具体定价（单位：美元）：

Model	Input	Output	Cache Read	Cache Write
MiMo-V2-Pro (up to 256K)	$1	$3	$0.20	$0
MiMo-V2-Pro (256K-1M)	$2	$6	$0.40	$0
Claude Sonnet 4.6	$3	$15	$0.30	$3.75
Claude Opus 4.6	$5	$25	$0.50	$6.25

2. MiMo-V2-Omni：全能多模态，感知与行动一体化，能搞定10小时长音频

MiMo-V2-Omni 的核心设计很有亮点，它没有把图像、视频、音频的编码器分开，而是融合进了同一个共享骨干网络——不是事后拼接，而是从训练的第一步开始，就是一体化设计。

它的目标不只是“感知世界”，还要“会行动”：从一开始就训练模型学会“这里有什么→接下来会发生什么→我现在该做什么”，所以它天生就具备 Agent 能力，不用额外改造。

我们可以看看它在不同模态下的表现：

模态	评测基准	表现	结果
音频理解	MMAU-Pro, BigBench-Audio	超过 Gemini 3 Pro	目前最强音频理解底座之一
图像理解	MMMU-Pro, CharXiv RQ	超过 Claude Opus 4.6，接近 Gemini 3 水平	强大跨学科视觉推理能力
视频理解	VideoMME, FutureOmni	原生音视频联合理解，具备预测未来能力	不只是感知已发生的事，还能预判接下来的情况

举几个实际应用的例子就好理解了：

自动驾驶场景：MiMo-V2-Omni 可以作为自动驾驶的视觉大脑，实时给出风险分析，逐秒识别环岛、施工区、行人等各种潜在危险，精准定位风险点。

文艺分析场景：给它一段母女做声音游戏的视频，它能写出深度的文艺分析，从蒙太奇结构、光影色调，到母女关系的主题解读，都能分析得很到位，看得出来它的跨模态理解能力很强。

播客摘要场景：面对7小时的长时对谈，它能输出精准的结构化摘要，抓住核心观点和脉络，这对现在很多模型来说，都是很难做到的。

在 Agent 能力评测上，它在浏览器操作、移动端交互、复杂工作流等场景下，表现都超过了 Gemini 3 Pro 和 GPT 5.2。和 OpenClaw 集成后，还能端到端控制浏览器，完成各种复杂任务。

3. MiMo-V2-TTS：给 Agent 一个有灵魂的声音，不止能说还会唱

在 Agent 时代，AI 不光要能解决问题，还要会“好好说话”。MiMo-V2-TTS 就是为了解决这个问题，给 Agent 一个有温度、有灵魂的声音，彻底摆脱机械音的尴尬。

它能提供的功能很实用：

• 高度可控的风格调节，不管是设定整段话的整体基调，还是微调某一句的情绪细节，甚至是句子里情绪的转变、单个短语的情感递进，都能轻松实现。
• 自然韵律，能完美还原人类说话的节奏和语气，不会出现生硬卡顿的情况。
• 唱歌能力，能准确抓住歌曲的音高和节奏，唱出来自然流畅，完全没有违和感。

它的能力之所以这么强，和它的训练方式分不开：

1. 超过1亿小时的语音数据做预训练，建立了强大的跨模态对齐能力；
2. 用少量高质量数据做监督式微调，让它能灵活响应各种指令；
3. 通过多维强化学习，持续优化韵律、音频质量、发音准确性，还能实现高保真的语音克隆，在不同场景下用最合适的语气表达。

更让人惊喜的是它的文本理解能力，能自动捕捉文本里的语义、标点甚至重复字符里的情感线索。比如它能读懂“我真是受——够——了！”里的拖长音是愤怒，也能在朗读“请你慢慢闭上眼睛……”时，自动切换成舒缓平和的语调。

值得一提的是，它是目前市面上唯一一个在统一模型里，同时支持说话和歌唱的商用 API，轻松实现从日常对话到艺术表达的无缝切换。

优点与局限性

优点

1. 完整 Agent 闭环：这是第一次有厂商，从底座推理、全模态感知到语音输出，提供一整套全家桶，不用自己东拼西凑，小米直接给你一套能直接用的完整方案。

2. 架构设计简洁高效：Omni 从训练第一步就是一体化设计，感知和行动不是事后拼接，天生就是为 Agent 打造的，用起来更流畅、效率更高。

3. 价格亲民：和顶级闭源模型比，价格差了一个数量级，而且性能不相上下，开发者还能免费体验一周，很容易上手搭建自己的 Agent 生态。

局限性

1. 语言覆盖：目前主要支持中文和英文，其他语言的覆盖还需要后续优化。

2. 深度融合不足：现在 Omni 和 Pro 还是两个独立的模型，未来如果能实现更深层次的融合，推理和感知的协同效率会更高。

结语：从“回答问题”到“完成任务”的跨越

小米 MiMo-V2 三件套，其实指向了一个很明确的未来：AI 智能体不再是被动响应指令的工具，而是能感知世界、会表达情绪、善于解决问题的合作伙伴。

• MiMo-V2-TTS 解决了智能体“怎么自然和人对话”的问题，让它有了温度；
• MiMo-V2-Omni 赋予了智能体“看懂、听懂世界，还能主动行动”的能力；
• MiMo-V2-Pro 则给复杂的智能体系统，装上了一个“最强大脑”。

这三者结合在一起，正在把 AI 从“只能回答问题”的旧模式，推向“能独立完成复杂任务”的新阶段。

想要体验的朋友，可以去这里：https://aistudio.xiaomimimo.com/

需要 API 接入的开发者，可访问：https://platform.xiaomimimo.com