MiMo-V2-Omni是小米於2026年3月19日發布的面向Agent時代的全模態基座模型，專為現實世界中複雜的多模態互動與執行場景而生。
該模型從底層構建了融合文本、視覺、語音的全模態基座，並以統一架構將感知與行動深度綁定，原生具備多模態感知、工具調用、函式執行及GUI操作能力，可無縫接入各種Agent框架。在音頻理解上，該模型支持從環境聲分類、多說話人分離、音頻-視覺聯合推理、超過10小時連續長音頻的深度理解；圖像理解上，該模型具備多學科視覺推理與複雜圖表分析能力；視頻理解方面，該模型支持原生音視頻聯合輸入。小米MiMo大模型負責人羅福莉承諾，該系列模型將在足夠穩定時開源。
基本介紹
- 外文名：MiMo-V2-Omni
- 產品類型：大模型
- 發布時間：2026年3月
- 所屬企業：小米
發展歷史,產品特點,發布與開源,
發展歷史
代號為“Hunter Alpha”的模型在OpenRouter平台引發熱議，一度登上大模型調用榜第一。
2026年3月19日，小米大模型（Xiaomi MiMo）團隊發文，正式發布MiMo-V2-Pro&Omni&TTS三款大模型。
產品特點
小米從底層構建了融合文本、視覺、語音的全模態基座，並以統一架構將“感知”與“行動”深度綁定。這不僅打破了傳統模型“重理解、輕執行”的局限，更讓模型原生具備了多模態感知、工具調用、函式執行及GUI操作能力。MiMo-V2-Omni可無縫接入各種Agent框架，實現了從理解到操控的跨越，大幅降低了全模態Agent的落地門檻。
在音頻理解上，MiMo-V2-Omni支持從環境聲分類、多說話人分離、音頻-視覺聯合推理、超過10小時連續長音頻的深度理解。其表現超越了Gemini 3 Pro；圖像理解上，MiMo-V2-Omni具備多學科視覺推理與複雜圖表分析能力，其表現超過Claude Opus 4.6，逼近Gemini 3 Pro；視頻理解方面，新模型支持原生音視頻聯合輸入，表現超越Gemini 3 Flash。智慧型體能力方面，MiMo-V2-Omni能夠跨模態理解複雜環境、自主制定並執行計畫、在遇到異常時實時修正策略，最終端到端地交付完整結果。在與真實數字環境互動的評測基準上，MiMo-V2-Omni性能逼近Gemini 3 Pro，純文本智慧型體任務上，其平均表現僅次於Claude Opus 4.6。結合OpenClaw框架，MiMo-V2-Omni可以像人一樣操控瀏覽器。MiMo-V2-Omni接入WPS Office，只需幾句話就可以為用戶直接生成Word、結構化Excel、排版規範的PDF與完整的PPT。MiMo-V2-Omni模型支持256K上下文長度，輸入每百萬tokens 0.4美元，輸出2美元。
發布與開源
2026年3月19日，小米正式認領代號為“Hunter Alpha”的神秘模型，宣布推出MiMo-V2系列三款大模型，包括MiMo-V2-Pro、MiMo-V2-Omni和MiMo-V2-TTS。
同日，小米MiMo大模型負責人羅福莉承諾，新的MiMo-V2系列模型將會開源，前提是模型達到足夠穩定的狀態。
