3月19日凌晨，小米宣布推出三款自研大模型——MiMo-V2-Pro、MiMo-V2-Omni与MiMo-V2-TTS。这些模型已登陆Xiaomi miclaw、MiMo Studio、金山办公、小米浏览器，通过OpenClaw、OpenCode、KiloCode、Blackbox、Cline接入，可限时免费体验一周。
MiMo-V2-Pro：面向Agent时代的旗舰基座
Xiaomi MiMo-V2-Pro专为现实世界中高强度的Agent工作场景打造，拥有超过1T总参数量（42B激活参数），采用创新的混合注意力架构，并支持1M超长上下文长度。在Artificial Analysis排行榜上，该模型位列全球第八、国内第二。
在OpenClaw、Claude Code等智能体框架中，MiMo-V2-Pro能够在无人工干预条件下完成复杂工作流编排、长程规划与精准工具调用，整体使用体感已超越Claude Sonnet 4.6，逼近Opus 4.6，但API定价仅为其五分之一。在OpenClaw标准评测榜单PinchBench、ClawEval上，效果处于全球顶尖。内部工程师评测显示，其代码智能体感已接近Claude Opus 4.6，展现出更出色的系统设计与任务规划能力。
MiMo-V2-Pro现已正式开放API服务，支持1M上下文长度，采用分段计价：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。MiMo Claw模块已全面打通金山WebOffice生态，原生支持Word、Excel、PPT、PDF四大主流格式，WPS灵犀现已接入该模型。
MiMo-V2-Omni：全模态基座实现跨模态交互
Xiaomi MiMo-V2-Omni专为现实世界中复杂的多模态交互与执行场景而生，无缝接入各种Agent框架，实现了从理解到操控的跨越。音频理解方面，支持从环境声分类、多说话人分离、音频-视觉联合推理，到超过10小时连续长音频的深度理解，综合表现超越Gemini 3 Pro。图像理解方面，多学科视觉推理与复杂图表分析能力超越Claude Opus 4.6，逼近Gemini 3 Pro。视频理解方面，支持原生音视频联合输入，具备强大的情境感知与未来推理能力。
MiMo-V2-Omni现已开放API服务，支持256K上下文长度，输入$0.4/百万tokens，输出$2/百万tokens。该模型联合OpenClaw、OpenCode、KiloCode、Blackbox及Cline等五大Agent开发框架团队，为全球开发者提供为期一周的限时免费接口支持。
MiMo-V2-TTS：语音合成大模型实现多风格控制
Xiaomi MiMo-V2-TTS是小米自主研发的语音合成大模型，基于自研Audio Tokenizer和多码本语音-文本联合建模架构，经过上亿小时语音数据大规模预训练与多维度强化学习，实现了高度可控的多粒度语音风格控制。该模型能在同一句话内完成语气转折和情感递变，真实还原人类说话的自然韵律，在唱歌时也能准确表达音高和节奏。
MiMo-V2-TTS支持从整体到局部的多层次语音风格控制，用户可通过自然语言指令设定整体语音基调，同时对句内局部片段进行细粒度情绪调节。模型还具备丰富的多元表达能力，支持东北话、四川话、河南话、粤语、台湾腔等多种方言的自然发音，可进行角色扮演式的风格化演绎，更能实现高质量的歌声合成。
原创文章，作者：科技探索者，如若转载，请注明出处：https://www.kejixun.co/article/747894.html
