Now I have all the details. Let me write the article:
3月19日凌晨,小米MiMo大模型团队正式官宣:一周前以匿名代号"Hunter Alpha"登陆全球最大API聚合平台OpenRouter的神秘模型,其实是MiMo-V2-Pro的早期内测版本。与此同时,小米一口气发布了三款新模型——旗舰基座大模型MiMo-V2-Pro、全模态Agent模型MiMo-V2-Omni、以及语音合成模型MiMo-V2-TTS,三者各司其职、互相配合,构成了一套完整的Agent能力铁三角。 这次三连发的核心逻辑非常清晰:Pro负责"想"和"做",Omni负责"看"和"听",TTS负责"说"。 三个模型协同工作,让Agent具备了完整的感知-推理-执行-沟通闭环。
Hunter Alpha 的一周封神之路
Hunter Alpha在上架期间调用量持续攀升,连续多天登顶OpenRouter日调用量排行榜,总使用量突破1万亿Token。由于参数规格惊人,此前有人猜测它是DeepSeek V4,也有人指向智谱AI——因为同一匿名提供商此前曾发布过Pony Alpha,后被确认为GLM-5。直到社区通过分词器特殊Token匹配和模型自我认知测试,才锁定了小米MiMo的真实身份。连OpenClaw创始人Peter Steinberger都在X上公开询问这两个匿名模型的具体信息。 MiMo-V2-Pro:顶级Agent编程模型,Sonnet 4.6级能力、1/5价格
MiMo-V2-Pro是这次发布的核心主角,定位为高强度Agent工作负载的旗舰推理模型。
架构与参数: MiMo-V2-Pro采用稀疏MoE架构,总参数超过1T,但每次前向推理仅激活42B参数,约为前代MiMo-V2-Flash的三倍。模型使用改进的混合注意力机制,全局注意力与滑动窗口注意力的比例从Flash版本的5:1提升至7:1,支持最高100万Token上下文窗口。
性能表现: 在Artificial Analysis全球权威综合智能排行榜上,MiMo-V2-Pro全球排名第九、中国排名第三,仅次于智谱GLM-5和MiniMax-M2.7。在Claw-Eval基准测试中,MiMo-V2-Pro取得了75.7的平均分,位列全球前三,紧随Claude Opus 4.6之后。在编程Agent、通用Agent和工具使用等关键能力的基准评测中,MiMo-V2-Pro的表现与Claude Sonnet 4.6、GPT 5.2和Gemini 3.0 Pro处于同一水平线。 Agent深度优化: MiMo-V2-Pro通过SFT和RL在复杂多样的Agent框架上进行微调,具备更强的工具调用和多步推理能力。在OpenClaw和Claude Code等智能体框架中,可以完成复杂的工作流编排、长期规划和精准工具调用,无需人工干预。 定价极具竞争力: 256K上下文:输入1美元/百万Token,输出3美元/百万Token;1M上下文:输入2美元/百万Token,输出6美元/百万Token——API定价仅为Claude Opus 4.6的五分之一。
MiMo-V2-Omni:Agent的眼睛和耳朵
如果说Pro是Agent的大脑,那Omni就是它的感官系统。MiMo-V2-Omni定位为全模态理解模型,负责感知环境、为Agent决策提供信息输入。
音频理解: MiMo-V2-Omni支持环境声音分类、多说话人分离、音视频联合推理,以及超过10小时连续长音频的深度理解,性能超越Gemini 3 Pro。
图像理解: 在MMMU-Pro等图像理解基准上,MiMo-V2-Omni展现了强大的多学科视觉推理和复杂图表分析能力,超越Claude Opus 4.6,接近Gemini 3等顶级闭源模型。
视频理解: MiMo-V2-Omni支持原生音视频联合输入,通过创新的视频预训练发展出强大的情景感知和未来推理能力——不仅感知当前场景,还能预测接下来会发生什么。
原生Agent能力: MiMo-V2-Omni原生支持结构化工具调用、函数执行和UI grounding,可以直接接入真实的Agent框架和编排系统,无需额外适配层。
官方给出了一个经典示例:结合OpenClaw框架,MiMo-V2-Omni可以像人一样操作浏览器——自己打开小红书浏览帖子、提取配置对比和真实用户体验,然后跳转京东比价、转接人工客服讨价还价,满意的话直接加购下单。
MiMo-V2-TTS:给Agent一个有灵魂的声音
Agent能想、能看、能做,还得能跟人"说话"。MiMo-V2-TTS就是补上最后这块拼图的。
MiMo-V2-TTS基于自研Audio Tokenizer和多码本联合建模,在数亿小时音频数据上训练并通过多维度强化学习优化,实现了精细多粒度的情绪控制。
具体能力相当炸裂:
支持"自然语言风格指令"控制语音风格,不限于固定标签——你可以用自然语言描述你想要的声音效果。支持句中情绪切换和渐变,而非只能整句一个情绪。能够在句子中间转换情绪和语调,可以准确地唱歌,还能原生合成多种地方方言(包括四川话、河南话、粤语等)。同时支持人物化声音(如孙悟空等角色音色),以及咳嗽、叹气、犹豫填充音等非言语声音建模。甚至会利用大小写、重复字符、标点符号等文本格式作为韵律信号。最令人惊喜的是,同一模型中支持说话与唱歌切换,能准确捕捉旋律和节奏。 免费试用一周,Codepilot已支持
MiMo-V2-Pro和MiMo-V2-Omni将与OpenClaw、OpenCode、KiloCode、Blackbox、Cline等智能体开发框架团队合作,为全球开发者提供一周限时免费接口支持。目前Codepilot已支持接入,填写API Key即可使用。OpenRouter上的Hunter Alpha和Healer Alpha匿名端点也仍然可以免费调用。 此外,在MiMo-V2-Pro的官方模型体验页面上,小米还同步上线了MiMo Claw,用户可以基于MiMo-V2-Pro免费体验"养虾"——每次创建可免费体验30分钟,退出后数据自动销毁。
编辑点评
小米这次的三连发,战略意图非常明确:不做单点突破,而是直接交付完整的Agent能力栈。 Pro提供推理和执行大脑,Omni提供多模态感知输入,TTS负责与人类自然沟通——三者组合起来,就是一个能看能听能想能做能说的完整Agent系统。
小米MiMo大模型的负责人罗福莉,是DeepSeek前核心成员,业内被称为"天才少女"。从MiMo-V2-Flash到如今的V2-Pro三连发,这支团队正在以极快的迭代速度证明自己。
更多详情和API接入:mimo.xiaomi.com