### [Xiaomi MiMo](https://dkwy.com/)

**Published:** 2026-05-06T10:54:22

**Author:** 蛋壳

**Excerpt:** Xiaomi MiMo 是小米推出的大型基础模型系列，专为在真实世界场景中驱动智能 Agent 系统而设计。最新的 V2 系列包含三款专业化模型：MiMo-V2-Pro，面向复杂 Agent 工作负载的万亿参数旗舰模型，支持 100 万 token 上下文窗口；MiMo-V2-Omni，原生多模态基础模型，将文本、视觉与音频感知融合为统一的 Agent 流水线；以及 MiMo-V2-TTS，具备精细多层次声音风格控制的语音合成模型。三款模型共同覆盖从推理、感知到执行与语音输出的完整链路。所有模型均可通过 API 和网页 Demo 访问，并计划开源发布。

## 产品概述

Xiaomi MiMo 是小米推出的大型基础模型系列，专为在真实世界场景中驱动智能 Agent 系统而设计。最新的 V2 系列包含三款专业化模型：MiMo-V2-Pro，面向复杂 Agent 工作负载的万亿参数旗舰模型，支持 100 万 token 上下文窗口；MiMo-V2-Omni，原生多模态基础模型，将文本、视觉与音频感知融合为统一的 Agent 流水线；以及 MiMo-V2-TTS，具备精细多层次声音风格控制的语音合成模型。三款模型共同覆盖从推理、感知到执行与语音输出的完整链路。所有模型均可通过 API 和网页 Demo 访问，并计划开源发布。

## 主要功能

|     |     |
| --- | --- |
| **前沿智能体推理** | MiMo-V2-Pro 拥有 1T 总参数（激活 42B），采用混合注意力架构，支持 100 万 token 上下文窗口——在 Artificial Analysis Intelligence Index 全球排名第 8，并在真实世界智能体基准测试（GDPval-AA）中位居中国大模型第一。 |
| **全栈全模态感知** | MiMo-V2-Omni 原生融合文本、视觉与音频理解，支持视听联合推理、多说话人分离，以及超过 10 小时的连续音频理解——在音频理解基准测试上超越 Gemini 3 Pro。 |
| **富有表现力的语音合成** | MiMo-V2-TTS 采用自研 Audio Tokenizer 与多码本语音-文本联合建模，实现多层次声音风格控制——从整体语调到句中情感切换——并在歌唱中准确还原音高与节奏。 |
| **Agent 框架集成** | MiMo-V2-Pro 作为 OpenClaw 的原生大脑，并与 OpenCode、KiloCode、Blackbox、Cline 等框架深度集成，在 PinchBench 和 ClawEval 上取得全球领先成绩。 |
| **API 与开发者接入** | 三款模型均可通过 MiMo 开发者平台（platform.xiaomimimo.com）访问，提供兼容 OpenAI 的 API，并已集成至小米自有产品 MiMo Studio 和小米浏览器。 |

## 使用场景

-   **自主 Agent 工作流：**工程团队和企业可将 MiMo-V2-Pro 部署为 Agent 系统的推理核心，处理多步骤任务规划、工具调用以及生产级软件工程任务，最大程度减少人工干预。
-   **多模态内容理解：**需要对视频、音频和文本进行联合解析的开发者——如会议分析、媒体监控或无障碍工具——可借助 MiMo-V2-Omni 的统一感知流水线构建应用。
-   **智能语音应用：**产品团队可使用 MiMo-V2-TTS 构建语音助手、有声书朗读工具或角色对话系统，支持细腻的情感表达与方言。
-   **复杂编程与工程：**软件开发者可使用 MiMo-V2-Pro 完成高强度编程任务，其编码能力超越 Claude 4.6 Sonnet，100 万 token 上下文可在单次处理中覆盖大型代码库。
-   **生产力平台集成：**办公及企业软件厂商（如金山办公）可通过标准化 API 将 MiMo 模型嵌入文档编辑、摘要生成和工作流自动化场景。



---