小米mimo

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

什么是小米mimo?

Xiaomi MiMo-V2-Pro是小米大模型家族中的旗舰巅峰之作，专为处理高强度Agent（智能体）任务而设计。在2026年的全球大模型综合排行榜上，该模型凭借出色的表现位列全球前五，超越了多家国际知名竞争对手。技术上，MiMo-V2-Pro采用了先进的42B激活参数混合架构，在确保强大推理能力的同时，极大地优化了计算效率。其最显著的特色在于支持1M（约100万字）的超长上下文窗口，能够轻松分析整本技术手册、复杂的法律合同或长达数小时的会议录音。针对现实世界中的复杂应用，它在工具调用（Function Calling）和多步逻辑规划方面进行了深度强化学习优化，使其成为开发者构建自动化系统和复杂业务流的首选底座。此外，小米通过极具竞争力的API分段计价策略，进一步降低了开发者使用万亿级模型的门槛，加速了AI技术在各行各业的规模化落地，真正实现了大模型的普惠化。

小米mimo官网: https://mimo.xiaomi.com/zh/

好，信息已经非常充足，可以撰写全文了。

小米 MiMo：从追赶者到领跑者，这家硬件公司的 AI 野心正在成真

2026 年 3 月 19 日凌晨，小米悄悄在全球发布了三款大模型：MiMo-V2-Pro、MiMo-V2-Omni 和 MiMo-V2-TTS。没有盛大发布会，没有预热预告，只有一条技术博文和随即炸裂的开发者圈子。神秘模型”Hunter Alpha”的真实身份曝光——那就是小米自研的旗舰模型，总参数突破一万亿。

这不是小米第一次进入大模型领域，却是它第一次真正打进全球第一梯队。

---

MiMo 是什么

MiMo 是小米 AI 实验室自主研发的大语言模型系列，全名 Xiaomi MiMo，”Mi”代表小米，”Mo”则是 Model 的缩写，也含有中文”磨”的意味——磨砺出真章。

这个系列并非凭空而来。从 2025 年初的 MiMo-7B 推理模型起步，小米 AI 实验室一路迭代，推出 MiMo-Audio 语音大模型、MiMo-VL 视觉语言模型，再到 2025 年底的 MiMo-V2-Flash，最终在 2026 年 3 月以”V2 三件套”完成了从中量级选手到重量级选手的跨越。

MiMo 的定位从一开始就不是孤立的聊天机器人，而是小米”人·车·家全生态”的 AI 神经中枢——用一套统一的智能底座，打通手机、汽车与智能家居三条产品线的交互逻辑。

---

MiMo-V2 三件套：各司其职

旗舰基座：MiMo-V2-Pro

MiMo-V2-Pro 是当前系列中的旗舰，也是迄今为止开源模型中参数规模最大的之一。

核心参数一览：

• 总参数量：超过 1021B（约 1 万亿）
• 激活参数：42B（推理时仅调用这部分）
• 上下文长度：支持最高 1M（100 万）token
• 架构创新：混合注意力机制（Hybrid Attention），滑动窗口注意力（SWA）与全局注意力（GA）比例为 7:1，搭配轻量级 MTP（多 Token 预测）层

这款模型专为 Agent 时代的高强度工作场景设计，在真实任务评测中表现尤为突出。OpenClaw 的标准评测榜单 PinchBench 上，MiMo-V2-Pro 的任务完结率高达 85%，位居全球前三，仅次于 Claude 4.6 系列与 GPT-5.4。 在 Claw-Eval 中，指令服从度达到 97%。

在权威第三方评测机构 Artificial Analysis 的全球大模型综合智能排行榜中，MiMo-V2-Pro 位列全球第八、国内第二，按品牌维度计算则跃升至第五位，超越了 xAI 的 Grok 等多个知名竞争对手。

SWE-Bench 编程评测中，MiMo-V2-Pro 大幅领先国内竞品，且多项指标与全球顶级模型并驾齐驱。社区实测显示，其在编程和工具调用上的体感已接近 Claude Opus 4.6，代码风格更加优雅，具备出色的系统设计与任务规划能力。

API 定价采用分段计价策略，极具竞争力：

• 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

在接近 Claude Opus 4.6 能力的同时，API 定价仅为其五分之一。

上线后，MiMo-V2-Pro 在 OpenRouter 日榜多日稳居第一，大量真实 Agent 工作流调用验证了其实战价值。

---

全模态利器：MiMo-V2-Omni

如果说 MiMo-V2-Pro 是”大脑”，那 MiMo-V2-Omni 就是拥有”五感”的全身。

MiMo-V2-Omni 原生支持文本、图像、语音、视频的输入与输出，上下文长度 262K，能看图、听录音、理解视频内容后直接执行操作。 其真正与众不同的能力包括：

• 音频理解超越语音转写：能对环境音分类、多说话人分离进行深层分析，甚至对超过 10 小时的连续音频进行深度理解
• 音视频联合推理：同时处理对话、背景音乐、环境音和视觉元素，做出整体性判断
• 跨模态自主规划：遇到异常状况时能实时修正任务策略，不需要人工干预

在小米 MWC 2026 展台上，搭载 MiMo-VL 视觉语言模型的 AI 摄像头实时识别用户动作，并自动控制全屋智能设备，引发广泛关注。 这正是 MiMo-V2-Omni 系列技术路线在实体产品中的落地缩影。

---

语音合成神器：MiMo-V2-TTS

TTS（Text-to-Speech，文本转语音）模型是让智能体真正”有温度”的关键一环，MiMo-V2-TTS 的目标是让 AI 的声音告别机械感。

核心能力包括：

• 多层次语音风格控制：支持从整体基调设定到局部片段情绪精调，能在同一句话内完成语气转折与情感递变
• 智能文本理解：自动识别标点、语气词、强调标记等格式信号，无需额外标注即可转化为自然语音
• 精准歌唱音高控制：在 TTS 系统中极为罕见的能力，能在歌唱模式下准确表达音高和节奏，而非普通系统常见的平板机械腔
• 多方言、多角色支持：支持不同说话风格、角色切换与多语种生成

---

MiMo-V2-Flash：效率革命

在三件套正式亮相之前，还有一款常被忽视的基础选手——MiMo-V2-Flash，它本身就已经在全球开源模型中掀起了不小的波澜。

MiMo-V2-Flash 采用混合专家架构（MoE），总参数 3090 亿，但每次推理仅激活 150 亿参数。 创新核心在于：

• 5:1 混合注意力：5 层滑动窗口注意力（每次只看 128 个 token）+ 1 层全局注意力交替，将 KV 缓存需求从 O(N) 降至 O(w)，存储量减少近 6 倍
• 轻量级 MTP：多 Token 预测模块并行预测多个 token，平均接受长度超过 3，推理速度提升 2 到 2.6 倍
• 推理速度 150 tokens/秒，成本仅为输入 $0.1/百万 tokens，输出 $0.3/百万 tokens——约为 Claude 4.5 Sonnet 的 2.5%

在 SWE-Bench 代码评测中，MiMo-V2-Flash 以 73.4% 的成绩超越 DeepSeek-V3.2（73.1%），夺得全球开源模型代码能力第一。 用一块 RTX 3090 显卡，即可跑通原本需要 A100 集群才能实现的复杂推理任务。

---

MiMo 的生态落地：从模型到智能体

模型能力再强，若不能真正融入用户生活，不过是一张亮眼的跑分成绩单。小米清楚这一点，所以 MiMo 的生态建设与模型研发同步推进。

MiClaw：手机端系统级智能体

MiClaw（小米版”龙虾”）是小米基于 MiMo-V2-Pro 打造的第一款系统级 AI 智能体产品，目前正向小米 17 系列机型逐步推进内测。 它以系统应用身份运行，能直接操作底层系统，跨应用执行任务，包括：

• 发短信、打电话、管理日程等基础操作
• 接入小米 IoT 生态，实现手机与全屋智能设备的联动
• 通过开放协议对接第三方设备，打破设备边界
• 自进化能力：越用越懂用户，能沉淀经验并创建子智能体实现专业分工

与传统语音助手”听命令”的模式不同，MiClaw 更接近一个能自主决策、主动完成复杂任务的”数字员工”。

MiMo Claw：开放生态的智能体框架

2026 年 3 月，小米宣布 MiMo Claw 开放免费体验，基于 OpenClaw 架构，用户可一键部署类 OpenClaw 的”龙虾”智能体，并深度集成金山办公生态。 这是小米将 MiMo 能力向企业和开发者开放的关键一步。

MIMO Studio：在线 AI 工作台

面向普通用户和内容创作者，小米推出了 Xiaomi MIMO Studio 在线平台，搭载 MiMo-V2-Flash 模型。其核心差异化功能包括：

• 思考过程可视化：开启”深度思考”后，用户可以实时看到 AI 如何一步步拆解问题
• 所见即所得的代码预览：生成的网页代码可在右侧窗口直接预览，大幅降低低代码开发门槛
• 深度搜索模式：实时联网，支持多步推理和深度挖掘

人车家生态融合

MiMo 并不只存在于手机屏幕上。搭载 MiMo-Embodied 具身大模型的小米汽车辅助驾驶系统，活跃用户占比已超 91%。 在家居场景中，当用户驾车靠近小区时，MiMo 通过车辆定位和家庭网络联动，自动触发”回家模式”——门锁、灯光、空调一并就位，无需任何手动操作。

MiMo-Audio 模型则能仅凭 3 句语音样本快速适应用户的口音、语气乃至方言，实现”千人千声”的个性化识别体验。 对视障用户，它能实时描述周围环境；对听障用户，它能实现手语识别与语音合成的实时互转。

---

五款同类产品深度对比

当 MiMo 进入旗舰模型阵营，它面对的对手不再是同级别的”优秀学生”，而是各自在不同维度上定义行业标准的顶尖选手。

维度	小米 MiMo-V2-Pro	DeepSeek-V3.2	通义 Qwen3-235B	Gemini 3.0 Pro	Claude Opus 4.6
总参数量	1021B（MoE）	671B（MoE）	235B（MoE）	未披露（Google 闭源）	未披露（Anthropic 闭源）
激活参数	42B	37B	~22B	—	—
上下文长度	1M tokens	128K tokens	128K tokens	1M tokens	200K tokens
开源协议	MIT 全量开源	MIT 开源	Apache 开源	闭源	闭源
API 输入价格	$1/M（256K 内）	$0.27/M	$0.7/M	$1.25/M	$15/M
Agent 能力	PinchBench 全球 Top 3	表现优异	良好	较强	全球最强之一
多模态能力	配套 V2-Omni 全模态	有限	支持图文	原生全模态	主要文本
硬件生态	深度集成小米人车家	无	阿里云集成	Google Workspace	无专属生态
本地部署	支持（HuggingFace）	支持	支持	不支持	不支持
中文优化	强	业界最强	极强（阿里优势）	一般	一般

与 DeepSeek-V3.2 的正面较量

DeepSeek 是 MiMo 最直接的国内对手，也是开发者社区最常拿来做对比的参照系。两者都采用 MoE 架构，都走开源路线，都主打性价比。在 SWE-Bench 代码评测上，MiMo-V2-Flash 以 73.4% 微超 DeepSeek-V3.2 的 73.1%，拿下开源代码第一。 然而 DeepSeek 在中文理解与数学推理方面积累更深，且在国内开发者生态中的渗透率更高，品牌认知更为成熟。MiMo-V2-Pro 的上下文长度（1M）是 DeepSeek-V3.2（128K）的约 8 倍，这在处理超长文档、完整代码库方面优势显著。

与通义千问（Qwen3）的竞争格局

通义 Qwen 系列背靠阿里云庞大的算力资源和企业客户基础，在中文场景下积累了大量针对性优化。Qwen3-235B 在多语言能力和中文写作上表现出色，阿里巴巴商业生态（淘宝、钉钉等）的深度整合也是其差异化优势。相比之下，MiMo 的优势在于 Agent 执行能力更强、上下文更长，以及对小米消费电子生态的原生支持。对于需要集成阿里云企业服务的用户，Qwen 更自然；对于希望在 IoT 设备和移动端部署 Agent 的开发者，MiMo 更具吸引力。

与 Gemini 3.0 Pro 的多模态之战

Gemini 3.0 Pro 是谷歌多年多模态研究的集大成之作，原生支持文本、图像、音频、视频，并与 Google Search 实时集成，信息时效性无出其右。 MiMo-V2-Omni 在多模态能力上采取了相似路线，但在音视频联合推理和超长音频处理方面形成差异化。Gemini 的劣势是完全闭源且 API 定价不透明；MiMo 则在开源透明度和私有化部署方面更具优势，也不存在数据出境的合规风险。

与 Claude Opus 4.6 的代差之争

Claude Opus 4.6 是当前公认的代码与推理能力标杆，MiMo-V2-Pro 在 PinchBench 上的任务完结率位居全球前三，社区实测体感已接近 Claude Opus 4.6 水准。 但 Claude 在写作质量、长文本理解的细腻度上仍有优势。真正形成碾压的是价格维度：MiMo-V2-Pro 的 API 成本仅为 Claude Opus 4.6 的五分之一。 对于构建生产级 Agent 的开发者而言，这意味着在同等预算下，可以运行五倍的请求量。

---

深度测评：MiMo 的真实体验如何

代码生成：开源模型天花板

在编程任务上，MiMo 系列经历了从小试牛刀到登顶的快速演进。MiMo-V2-Flash 的 73.4% SWE-Bench 成绩打破了”大模型必须堆参数”的惯性认知，用 MoE 架构的精准激活代替了无差别的暴力堆算力。 而 MiMo-V2-Pro 在复杂代码工程构建中已进入”严肃级别”——能处理跨文件的依赖关系，能设计系统架构，能在长周期工作流中维持上下文一致性。

社区反馈指出，MiMo-V2-Pro 的代码风格比很多竞品更加优雅整洁，这源于它在训练阶段对代码审美的专项强化。多语言编程基准 SWE-Bench Multilingual 解决率达到 71.7%，说明它不只是英语 Python 任务的”专项选手”。

Agent 执行：从对话迈向行动

这是 MiMo 最值得重视的能力维度，也是小米最用心打磨的方向。传统大模型擅长”回答”，MiMo 的目标是”完成任务”。在 Claw-Eval 中，MiMo-V2 的指令服从度达到 97%，这意味着几乎每一条复杂的工具链指令都能被准确执行。

在τ²-Bench 的真实 Agent 场景测试中，MiMo-V2-Flash 在通信类得分 95.3、零售类 79.5，展现出在复杂多轮交互中的稳定性。 配合 MiClaw 的系统级权限，这种 Agent 能力不再局限于对话框，而是延伸到了操作系统层面。

长上下文：百万 token 的实际表现

1M 上下文在实际使用中意味着什么？大约相当于一部 70 万字的长篇小说，或一个包含数千个文件的中等规模代码仓库，能在不丢失任何细节的情况下被完整”读入”。MiMo-V2-Flash 的架构测试显示，在 25 万 token 的超长上下文情境下，性能没有出现明显衰减。 而 MiMo-V2-Pro 将这个极限推进到 100 万 token，对需要处理大规模文档、完整法律合同、全量代码库的企业用户极具价值。

开放性与部署灵活度：MIT 协议的意义

所有 MiMo 系列模型均采用 MIT 协议开源，这是开源界最宽松的许可之一：允许商业使用、修改、分发，几乎没有任何限制。 权重已在 HuggingFace 上公开，支持在本地 GPU 环境中私有化部署，这对数据安全敏感的金融、医疗、政府等行业用户意义重大。对比之下，Gemini 和 Claude 的完全闭源策略让企业在数据主权上缺乏保障。

---

小米 AI 的投入与野心

雷军在 2026 年明确宣布，小米当年 AI 领域投入将超过 160 亿人民币。 这一数字对于一家以硬件起家的公司而言颇具分量，也标志着小米从”AI 功能集成商”向”AI 技术原创者”的角色转变。

从人才布局来看，小米 AI 实验室在国际顶会 ICASSP 2026 上已有多项成果入选，覆盖音频理解、联邦学习、跨模态对齐等前沿方向。 MiMo-V2-Flash 的核心技术负责人罗福莉（Patricia Lo）透露，架构上的创新并非跟随业界方案，而是从训练效率的底层逻辑出发重新设计，这种方法论上的独立性是技术真正积累的标志。

MiMo 全系列的 MIT 开源策略并不只是慷慨，而是一种生态战略：开源加速外部开发者的模型优化与反馈，形成社区飞轮，推动模型迭代速度超越闭门研发的节奏。OpenRouter 上 MiMo-V2-Pro 上线后多日占据日榜第一，就是这种策略奏效的早期信号。

对于小米而言，大模型不是独立的商业产品，而是乘数因子——它的价值体现在让 10.4 亿 AIoT 连接设备变得更聪明，让小米汽车的辅助驾驶更可靠，让小米手机的 AI 助手真正能”办事”。 这种软硬协同的路径，恰恰是纯软件 AI 公司难以复制的护城河。