Xiaomi MiMo-V2-Pro 专为现实世界中高强度的 Agent 工作场景而打造。它拥有超过 1T 的总参数量（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。在强大的模型基座上，我们在更为广泛的 Agent 场景中持续 Scaling 算力，进一步拓展了智能的动作空间，实现了从 Coding 到 Claw 的重要泛化。

在全球权威大模型综合智能排行榜 Artificial Analysis 上，MiMo-V2-Pro 位列全球第八，国内第二。

在 OpenClaw、Claude Code 等智能体框架中，MiMo-V2-Pro 展现出了优秀的端到端任务完成能力，能够在无人工干预的条件下完成复杂工作流编排、长程规划与精准工具调用，并持续可靠地交付最终结果。整体使用体感已超越 Claude Sonnet 4.6，逼近 Opus 4.6，但模型 API 定价仅为其 1/5，降低了前沿智能的使用门槛。

基座能力的全面跃升

通过 Scaling 参数和算力，MiMo-V2-Pro 拥有了更大、更强的模型基座。

• 万亿参数，高效架构：总参数量突破 1T（激活参数 42B），较前代 MiMo-V2-Flash 扩大约 3 倍。沿用前代 MiMo-V2-Flash 的创新 Hybrid Attention 机制，混合比例从 5:1 进一步提升至 7:1，在参数量大幅增长的同时依然维持了较高推理效率，并支持 1M 超长上下文。轻量 MTP (Multi Token Prediction) 层实现了高效的生成速度。
• 从 Chat 到 Agent：通过后训练阶段在更广泛的 Agent 任务场景进行 Scaling，模型能力已不再局限于“回答问题”或是“生成精美 Demo”，而是“完成任务”。我们致力于将其深度集成至生产力场景，使其成为驱动系统运转的“大脑”，持续交付具有真实世界影响力的结果。
• 超越榜单的实际体验：在各个衡量模型重要能力的基准测评中，MiMo-V2-Pro 均表现优异，Coding Agent、通用 Agent 和 Tool Use 与 Claude 4.5 Sonnet、GPT5.2、Gemini 3.0 Pro 处于同一梯队，展现了其领先的智能水平。我们坚持以“实际体感”为导向进行训练优化，始终关注模型在应用场景中的落地表现。

为 Agent 而生的旗舰模型

MiMo-V2-Pro 专为 Agent 场景深度优化。

OpenClaw 的原生大脑

OpenClaw 是近期开源社区备受瞩目的通用智能体框架。作为驱动此类框架的核心，底层模型的能力上限直接决定了系统的业务表现。MiMo-V2-Pro 针对复杂多样的 Agent Scaffold 进行 SFT & RL，具备更强的工具调用与多步推理能力。

在 OpenClaw 标准评测榜单 PinchBench、ClawEval 上，MiMo-V2-Pro 效果处于全球顶尖。同时，凭借 1M 的超长上下文窗口，MiMo-V2-Pro 能够从容支撑高强度的真实 Claw 复杂应用流。下图中的 Hunter Alpha 为 MiMo-V2-Pro 的早期匿名版本。

Coding 能力持续进化

不止于 Vibe Coding，MiMo-V2-Pro 能够参与更严肃的代码工程构建。

在小米内部工程师的深度评测中，MiMo-V2-Pro 体感已接近 Claude Opus 4.6，并展现出高阶的代码智能：拥有更出色的系统设计与任务规划能力、更优雅的代码风格，以及更高效直接的问题解决路径。

在 Hunter Alpha 测试阶段，调用量前几的 APP 多为编程专用工具，这印证了 MiMo-V2-Pro 在真实研发场景下的高可用性与高可靠性。

百万上下文，开放 API

MiMo-V2-Pro 模型现已正式开放 API 服务，支持 1M 上下文长度，并根据使用量分段计价：

• 256K 以内：输入 $1 / 百万 tokens，输出 $3 / 百万 tokens
• 256K ~ 1M：输入 $2 / 百万 tokens，输出 $6 / 百万 tokens

Xiaomi MiMo-V2-Omni

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。我们从底层构建了融合文本、视觉、语音的全模态基座，并以统一架构将“感知”与“行动”深度绑定。这不仅打破了传统模型“重理解、轻执行”的局限，更让模型原生具备了多模态感知、工具调用、函数执行及 GUI 操作能力。MiMo-V2-Omni 可无缝接入各大智能体框架，实现了从理解到操控的跨越，大幅降低了全模态 Agent 的落地门槛。

感知能力：图像、视频、音频，全面对标前沿

行动的前提是准确的感知。我们在所有感知模态上对比了 MiMo-V2-Omni 与国际领先模型，验证作为智能体的感知能力基础是否牢固。

视觉理解方面，MiMo-V2-Omni 展现出强大的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 等顶尖闭源模型水平。

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，是当前最强的音频理解基座模型之一。

视频理解方面，支持原生音视频联合输入，实现真正的多模态视频理解。通过创新的视频预训练，模型具备强大的情境感知与未来推理能力。

而当多种模态同时输入时，统一架构的优势进一步放大：跨模态信号相互增强，而非相互竞争。

智能体能力：从理解到完成任务

感知是基础，行动是目标。

一个真正的智能体模型，能够跨越多个模态观察复杂环境、制定计划并执行、在出错时自主恢复，最终端到端地交付结果。

全模态智能体任务

在与真实数字环境交互的评测基准上，MiMo-V2-Omni 表现优异，比肩 Gemini 3 Pro。前沿的感知能力与原生训练的行动能力形成了复合优势：感知越准确，行动越有效。

与此同时，MiMo-V2-Omni 在纯文本智能体任务上也保持了高度的竞争力。

能力展示

💻 Browser Use场景

Browser Use 是衡量模型 Agentic 能力的试金石：真实世界交互、网页环境动态变化、交互方式异构、且存在主动的对抗机制。感知、决策、行动的闭环在开放环境中持续运转直至任务完成——同样的能力迁移到智能终端、机器人等场景，就是通用智能体的雏形。

• 替你逛街砍价下单 我们测试了一个端到端购物任务。模型操控浏览器，先在小红书浏览十余篇帖子完成信息搜集与购买建议，再跨平台切到京东多店比价，接着转接人工客服用自然语言砍价，与客服实时交互，最终完成加购下单。模型自主应对了非标准 DOM 结构、多页签上下文管理、以及平台反自动化检测后的流程恢复。
• TikTok 视频创作发布 我们测试了一个端到端视频发布任务。模型自主设计四组画面并现场合成全部音效，零外部素材依赖；渲染时遇到中文字体报错，自动修复后继续执行；再操控浏览器打开 TikTok 上传页面，分析非标准输入控件完成文案填写，点击发布后继续点赞、评论，回查确认审核通过、视频公开上线。

🗒️ 智能办公场景

通过自然对话，MiMo-V2-Omni 能够直接生成高质量的 Word、结构化 Excel、排版规范的 PDF 与完整的 PPT。这些生成的文档不再是需要大幅修改的草稿，而是贴合实际需求的高质量“准终稿”。

• 2026高考志愿智能填报

  我们测试了高考志愿填报任务。模型可以自主发起网络搜索，获取原始信息，调用 skill 处理文件，并输出一份包含详细志愿建议和分级的 Excel 表格文件。

Xiaomi MiMo-V2-TTS

Xiaomi MiMo-V2-TTS 是小米自主研发的语音合成大模型。它基于自研 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的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。MiMo-V2-TTS 支持从整体风格定调到局部情绪表达的精准调节，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，自然且富有表现力。

MiMo-V2-TTS 模型现已可通过 Xiaomi MiMo API 开放平台 (https://platform.xiaomimimo.com) 访问，限时免费。

文本风格控制

灵活自定义文本控制风格

MiMo-V2-TTS 支持任意自然语言风格描述，不局限于预设关键词，模型能理解并执行任意描述性表达。

• 情感控制：开心、悲伤、生气、温柔、兴奋、平静……
• 方言支持：东北话、四川话、河南话、粤语、台湾腔……
• 角色扮演：孙悟空、林黛玉、钢铁侠……
• 自由组合短语 — 真正的自然语言控制："撒娇 夹子音"、"慵懒 刚睡醒 有点沙哑"、"深情款款 语速慢"、"慷慨激昂"

细粒度声音事件控制

MiMo-V2-TTS 能够在语音中自然地插入和控制各种副语言声音事件，让生成的语音更加真实、生动。

支持的声音事件：笑声、咳嗽、停顿、思考犹豫、叹气等。

深度文本理解

模型能够智能识别文本中的格式信号，将其转化为对应的语音表达，比如语气标点等，无需额外标注。

格式感知 → 语音表达：

• 全大写文本（如 "THIS IS IMPORTANT"）→ 自动加重语气强调；
• 连续重复（如 "不不不不不"）→ 自动映射为对应的语音节奏和情感。

模型在预训练阶段学习了大量文本-语音对齐数据，能够自动将书面格式信号转化为自然的语音表达。

超越语音：方言·角色·歌声

MiMo-V2-TTS 不止于标准语音生成，还具备丰富的多元表达能力：支持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——让同一个模型既能说、能演、也能唱。

试用

目前模型还是处于免费期，OpenClaw 通过 Openrouter 免费接入 MiMo-V2-Pro/MiMo-V2-Omni，也可以在Cline、Kilo Code、Roo Code 通过配置使用，现在可以在opencode中免费使用