小米 MiMo-V2 三張牌：1T 參數(shù)旗艦、全模態(tài) Omni、情感 TTS，分別在解決什么

上周，OpenRouter 上悄悄出現(xiàn)了兩個(gè)沒(méi)有任何介紹的匿名模型：Hunter Alpha和Healer Alpha。沒(méi)有宣發(fā)，沒(méi)有官方認(rèn)領(lǐng)，只有調(diào)用量在持續(xù)攀升——多天沖上日榜前列，開(kāi)發(fā)者社區(qū)開(kāi)始炸鍋。

有人猜這是 DeepSeek V4，參數(shù)規(guī)格高度吻合，連 OpenClaw 創(chuàng)始人 Peter Steinberger 也忍不住在 X 上公開(kāi)發(fā)帖打聽(tīng)身份。

3 月 19 日凌晨，謎底揭曉：Hunter Alpha 是MiMo-V2-Pro的早期測(cè)試版，Healer Alpha 是MiMo-V2-Omni的早期測(cè)試版。兩個(gè)模型的主人，是小米。

當(dāng)天，小米 MiMo 官方同步正式發(fā)布三款新模型：MiMo-V2-Pro、MiMo-V2-Omni、MiMo-V2-TTS。只看名字可能會(huì)覺(jué)得這又是一輪常規(guī)迭代；把三者放在一起看，小米這次真正想講的是"我已經(jīng)開(kāi)始搭一整套 Agent 能力底座"。官方給 Pro 的定位是旗艦基座模型，給 Omni 的定位是全模態(tài) Agent 模型，給 TTS 的定位是給 Agent 補(bǔ)上"聲音、情緒和表達(dá)力"。三個(gè)模型覆蓋了從"大腦"到"感知與執(zhí)行"再到"輸出層"的完整鏈路。

MiMo-V2-Pro 負(fù)責(zé)想，MiMo-V2-Omni 負(fù)責(zé)看、聽(tīng)、做，MiMo-V2-TTS 負(fù)責(zé)說(shuō)。這波發(fā)布最值得看的，也正是這條清晰的路線：小米在把 AI 從"對(duì)話框里的回答機(jī)器"，往"能調(diào)用工具、理解界面、處理真實(shí)任務(wù)、自然表達(dá)"的系統(tǒng)層智能體方向推進(jìn)。

一、MiMo-V2-Pro：對(duì)標(biāo) Claude 去的 Agent 旗艦，偏偏只賣(mài)五分之一的價(jià)

先看MiMo-V2-Pro。按照官方說(shuō)法，這是面向真實(shí)世界 agentic workload 的旗艦基座模型，目標(biāo)是去完成任務(wù)。模型總參數(shù)超過(guò) 1T，激活參數(shù)42B，支持1M token上下文；架構(gòu)上延續(xù)上一代 Hybrid Attention，混合比例從 5:1 提升至 7:1，同時(shí)保留輕量級(jí) MTP 層以提升生成效率。官方強(qiáng)調(diào)的關(guān)鍵詞很明確：complex workflows、production engineering tasks、tool-call stability、multi-step reasoning。

跑分上，MiMo-V2-Pro 是這次三款里官方公開(kāi)數(shù)據(jù)最完整的。小米在官方頁(yè)直接標(biāo)注：按 Artificial Analysis Intelligence Index，MiMo-V2-Pro 全球第 8、中文大模型第 2。

Agent 相關(guān) benchmark 上，它在PinchBench 拿到 84.0，在ClawEval 拿到 61.5，兩項(xiàng)均為全球第 3，官方明確標(biāo)注"接近 Claude Opus 4.6"。對(duì)照數(shù)據(jù)：PinchBench 上 Claude Sonnet 4.6 為 86.9、Claude Opus 4.6 為 86.3、Gemini 3 Pro 為 70.7；ClawEval 上 Claude Opus 4.6 和 Sonnet 4.6 均為 66.3，Gemini 3 Pro 為 51.9，GPT-5.2 為 50.0。這兩個(gè)評(píng)測(cè)考的是工具調(diào)用、多步規(guī)劃、復(fù)雜任務(wù)鏈上的穩(wěn)定性——Agent 場(chǎng)景里最核心也最難做的部分。MiMo-V2-Pro 在這個(gè)維度上，已經(jīng)和 Claude Opus 4.6 基本站在同一梯隊(duì)。

驗(yàn)證方式上，小米沒(méi)有只放幾張實(shí)驗(yàn)室對(duì)比圖。Hunter Alpha 在 OpenRouter 上跑了一周盲測(cè)——總調(diào)用量超過(guò) 1T tokens，多天登頂日榜。官方展示的調(diào)用來(lái)源幾乎全是 coding/agent 工具，尤以OpenClaw、Kilo Code、Roo Code為主。開(kāi)發(fā)者對(duì)它的感知，從一開(kāi)始就落在"能干活"上。

案例上，官方給了兩個(gè)方向。一個(gè)是前端開(kāi)發(fā)：在 OpenClaw 里，MiMo-V2-Pro 可以根據(jù)一條 prompt 直接生成完整網(wǎng)頁(yè)，官方展示的例子是一個(gè)90 年代印刷雜志風(fēng)格的網(wǎng)頁(yè)，版式、字體、噪點(diǎn)和翻頁(yè)感這些細(xì)節(jié)都有覆蓋。

用同樣的提示詞在 MiMo Claw 實(shí)測(cè)了一下，生成的網(wǎng)頁(yè)有目錄交互、完整頁(yè)面元素、整體排版也算得上美觀，圖片渲染稍有瑕疵，但完成度已經(jīng)相當(dāng)不錯(cuò)。

不到三分鐘，一次性生成的版本，無(wú)抽卡

另一個(gè)官方案例更直接：讓它做一個(gè) 3D 塔防游戲，要求使用 Three.js 或 Babylon.js，實(shí)現(xiàn) 3D 渲染、關(guān)卡模式、敵人波次、升級(jí)路徑、動(dòng)態(tài)背景和完整控制邏輯。官方想傳達(dá)的很清楚——這個(gè)模型瞄準(zhǔn)的是端到端工程交付，代碼補(bǔ)全只是其中最基礎(chǔ)的一層。

價(jià)格是 MiMo-V2-Pro 另一個(gè)值得單獨(dú)說(shuō)的點(diǎn)。官方頁(yè)把 API 價(jià)格和 Claude 4.6 系列并排列出：256K 以內(nèi)，輸入/輸出分別為 $1/$3 每百萬(wàn) tokens；256K 到 1M 為 $2/$6。Claude Sonnet 4.6 是 $3/$15，Claude Opus 4.6 是 $5/$25。同等 Agent 能力梯隊(duì)，價(jià)格約為五分之一——這個(gè)價(jià)差對(duì)大規(guī)模調(diào)用的 agent 框架來(lái)說(shuō)，是實(shí)質(zhì)性的成本差異，也是小米最直接的市場(chǎng)切入點(diǎn)。

二、MiMo-V2-Omni：感知與行動(dòng)原生綁定，最有想象空間的那款

如果說(shuō) Pro 是"大腦"，MiMo-V2-Omni才是這次最有未來(lái)感的東西。官方對(duì)它的定義是omni foundation model：把圖像、視頻、音頻編碼器直接融合進(jìn)同一個(gè)共享 backbone，形成一條統(tǒng)一感知流。更關(guān)鍵的是訓(xùn)練目標(biāo)——這個(gè)模型從一開(kāi)始，就同時(shí)學(xué)三件事：場(chǎng)景是什么、接下來(lái)會(huì)發(fā)生什么、現(xiàn)在該做什么。感知和行動(dòng)在架構(gòu)層就是綁定的。

官方公開(kāi)的 benchmark 數(shù)據(jù)，感知側(cè)六個(gè)分?jǐn)?shù)：MMAU-Pro 69.4、BigBench Audio 94.0、MMMU-Pro 76.8、CharXiv RQ 80.1、Video-MME 85.3、FutureOmni 66.7。從對(duì)照表可以直接讀出：MMAU-Pro 69.4高于 Gemini 3 Pro 的 67.0；CharXiv RQ 80.1高于 Claude Opus 4.6 的 77.4；FutureOmni 66.7高于 Gemini 3 Pro 的 62.9 和 Claude Opus 4.6 的 60.3。官方總結(jié)：音頻理解整體超過(guò) Gemini 3 Pro，圖像理解超過(guò) Claude Opus 4.6，視頻理解支持原生音視頻聯(lián)合輸入，并具備 future reasoning 能力。

行動(dòng)側(cè)數(shù)據(jù)更值得關(guān)注：MM-BrowserComp 52.0、OmniGAIA 49.8、ClawEval 54.8、PinchBench 85.6。其中MM-BrowserComp 52.0明顯高于 Gemini 3 Pro 的 37.2 和 GPT-5.2 的 47.4；PinchBench 85.6高于 Gemini 3 Pro 的 70.7、Gemini 3 Flash 的 75.0 和 GPT-5.2 的 77.0，非常接近 Claude Opus 4.6 的 86.3。MM-BrowserComp 測(cè)的是模型在真實(shí)瀏覽器環(huán)境里完成任務(wù)的能力，這個(gè)分?jǐn)?shù)比兩個(gè)主要對(duì)手高出 5-15 個(gè)百分點(diǎn)，是執(zhí)行維度上相當(dāng)顯著的差距。

代碼與任務(wù)能力上還有SWE-Bench Verified 74.8、GDPVal 1410。

官方給了三個(gè)案例，每個(gè)都指向一類具體場(chǎng)景。

第一個(gè)是自動(dòng)駕駛視覺(jué)大腦：給它一段海邊小鎮(zhèn)的行車記錄儀視頻，讓它實(shí)時(shí)識(shí)別潛在風(fēng)險(xiǎn)。模型的輸出是"并線風(fēng)險(xiǎn)、盲區(qū)、行人橫穿、車道收窄、街邊雙排停車帶來(lái)的側(cè)向風(fēng)險(xiǎn)"——已經(jīng)接近駕駛決策層的信息，目標(biāo)檢測(cè)只是基礎(chǔ)。

第二個(gè)是跨平臺(tái)購(gòu)物 Agent：任務(wù)是扮演一個(gè)喜歡旅行攝影的學(xué)生，在小紅書(shū)上搜三款小米 17 的選購(gòu)建議，整理推薦，再去京東下單，并盡量和客服談到更低價(jià)格。整個(gè)流程里，MiMo-V2-Omni 在 OpenClaw 配合下自主瀏覽帖子、比較賣(mài)家、與客服自然語(yǔ)言談價(jià)、加購(gòu)并走到結(jié)算，期間還處理了非標(biāo)準(zhǔn) DOM、多標(biāo)簽頁(yè)上下文管理、平臺(tái)反自動(dòng)化打斷后的恢復(fù)，全程沒(méi)有人工干預(yù)。任務(wù)鏈結(jié)構(gòu)——跨平臺(tái)、跨模態(tài)、遇到干擾后自主恢復(fù)——已經(jīng)非常接近真實(shí)電商和辦公場(chǎng)景里 Agent 工作流的復(fù)雜度。

第三個(gè)案例更極端：從零做一個(gè) 15 秒介紹視頻，然后上傳到 TikTok。模型先自己設(shè)計(jì) 4 個(gè)鏡頭，再合成低頻 bass、電子音、轉(zhuǎn)場(chǎng) whoosh 和 glitch 細(xì)節(jié)音效；渲染中碰到中文字體報(bào)錯(cuò)，自己診斷并修復(fù)；打開(kāi) TikTok 上傳頁(yè)后，發(fā)現(xiàn)描述輸入框不是標(biāo)準(zhǔn)文本元素，自行分析 DOM、找到正確交互方式，填完文案、發(fā)布、點(diǎn)贊、評(píng)論，最后確認(rèn)視頻通過(guò)審核公開(kāi)上線。這個(gè)案例想說(shuō)明的是：Omni 已經(jīng)開(kāi)始展現(xiàn)出閉環(huán)自主完成任務(wù)的能力——從內(nèi)容生成到平臺(tái)發(fā)布，中間出了問(wèn)題，自己解決。

三、MiMo-V2-TTS：給 Agent 裝上情感，被低估最久的那層體驗(yàn)

第三個(gè)模型MiMo-V2-TTS，表面看起來(lái)最不"炸"，但可能是最容易直接走進(jìn)產(chǎn)品的那一個(gè)。行業(yè)這兩年幾乎所有討論都集中在推理能力、工具調(diào)用、代碼質(zhì)量上，但真正到產(chǎn)品里，用戶接觸到的是最后那層——它怎么說(shuō)話，有沒(méi)有情緒，是否自然，是不是像一個(gè)真實(shí)存在的智能體。這層體驗(yàn)長(zhǎng)期被當(dāng)成錦上添花，但在終端產(chǎn)品里，它直接影響用戶粘性。MiMo-V2-TTS 要做的，就是把這層認(rèn)真填上。官方的說(shuō)法很直接：給 Agent 一個(gè)聲音，甚至給它"靈魂"。

技術(shù)上，MiMo-V2-TTS 建在小米自研的Audio Tokenizer和multi-codebook joint speech-text modeling架構(gòu)上，預(yù)訓(xùn)練數(shù)據(jù)超過(guò)1 億小時(shí)語(yǔ)音數(shù)據(jù)，后續(xù)做了多維度強(qiáng)化學(xué)習(xí)。重點(diǎn)在三件事：多粒度風(fēng)格控制、自然韻律還原、唱歌能力。它可以理解自由文本風(fēng)格描述，比如"剛睡醒、略微沙啞"、"幾乎是耳語(yǔ)式的深情表達(dá)"、"憤怒但盡量克制"，而不是只能從 happy/sad/angry/neutral 的下拉菜單里選。

更細(xì)的一層，是它可以在生成時(shí)同步輸出非語(yǔ)言事件——咳嗽、停頓、遲疑、嘆氣、笑聲等，強(qiáng)調(diào)的是這些信號(hào)在建模階段就和上下文一并處理，而不是后期拼進(jìn)去的音效。它還支持方言和角色音色，包括東北話、四川話、粵語(yǔ)、臺(tái)灣普通話，以及孫悟空、林黛玉這類角色風(fēng)格。目標(biāo)是把一段文本表演出來(lái)，而不只是念出來(lái)。

最值得單獨(dú)說(shuō)的是唱歌。官方明確寫(xiě)明支持 singing voice synthesis，并表示這可能是當(dāng)前首個(gè)在商業(yè)可用 API 中原生同時(shí)支持說(shuō)話和唱歌的 TTS 能力。同一套架構(gòu)，既能做耳語(yǔ)式對(duì)話，也能生成帶音高和節(jié)奏的演唱，中間不用切模型、不用切模式。對(duì)內(nèi)容生產(chǎn)、虛擬人、陪伴型 Agent、AI 主播和短視頻工具來(lái)說(shuō)，這是非常直接的能力補(bǔ)充。

需要說(shuō)明的是，目前官方公開(kāi)頁(yè)里，MiMo-V2-TTS 沒(méi)有像 Pro 和 Omni 那樣給出一套完整的 benchmark 排名表，更多展示的是能力樣例和產(chǎn)品方向。TTS 的質(zhì)量本身就很難量化，最終檢驗(yàn)只能靠真實(shí)產(chǎn)品里的用戶體驗(yàn)。這個(gè)模型的核心命題只有一個(gè)：能不能把人機(jī)交互的體驗(yàn)往上拉一個(gè)臺(tái)階。

四、寫(xiě)在最后

把這三款模型放在一起看，小米在推進(jìn)的目標(biāo)已經(jīng)超出了"能對(duì)話、會(huì)回答的大模型"范疇，落點(diǎn)在 Agent 時(shí)代的系統(tǒng)層底座。MiMo-V2-Pro 負(fù)責(zé)規(guī)劃、推理、長(zhǎng)上下文和復(fù)雜工具鏈；MiMo-V2-Omni 負(fù)責(zé)多模態(tài)理解、界面感知和跨環(huán)境執(zhí)行；MiMo-V2-TTS 負(fù)責(zé)把這一切變成自然、可持續(xù)交互的產(chǎn)品體驗(yàn)。

有意思的是，小米這次挑的案例——自動(dòng)駕駛、電商談價(jià)、短視頻生成上傳、3D 游戲搭建、方言情緒語(yǔ)音——幾乎全是小米自己生態(tài)里能直接落地的場(chǎng)景。

至于最終效果怎樣，網(wǎng)址在此：

https://mimo.xiaomi.com/zh