Xiaomi MiMo-V2-Omni - 小米推出的Agent全模态基座模型

Xiaomi MiMo-V2-Omni是什么

Xiaomi MiMo-V2-Omni 是小米推出的面向Agent时代的全模态基座模型，专为现实世界中复杂的多模态交互与执行场景打造。模型从底层构建了融合文本、视觉、语音的统一架构，将"感知"与"行动"深度绑定，原生具备多模态感知、工具调用、函数执行及GUI操作能力。在正式发布前，早期测试版本以「Healer Alpha」为代号匿名上架OpenRouter。

Xiaomi MiMo-V2-Omni的功能特色

• 全模态统一架构：从底层原生融合文本、视觉、语音三种模态，非简单拼接，实现真正的跨模态联合推理。
• 超长音频理解：支持超过10小时连续长音频的深度理解，包括环境声分类、多说话人分离、音频-视觉联合推理。
• 强大多模态感知：图像理解超越Claude Opus 4.6，逼近Gemini 3 Pro；视频理解支持原生音视频联合输入，具备情境感知与未来推理能力。
• 原生Agent能力：无缝接入各类Agent框架，支持工具调用、函数执行、GUI操作，可自主制定并执行计划，遇异常时实时修正策略。
• 端到端任务执行：实现从理解到操控的跨越，可完成浏览器操控、信息检索、比价、与客服交互及下单等复杂任务。

Xiaomi MiMo-V2-Omni的核心优势

• benchmark表现优异：在PinchBench、MMAU-Pro（69.4分）、FutureOmni（66.7分）等多模态评测中均分第一，音频理解能力超越Gemini 3 Pro。
• 高性价比API定价：输入$0.4/百万tokens，输出$2/百万tokens，支持256K上下文长度，价格极具竞争力。
• 生态集成完善：已与金山WPS Office打通，可直接生成Word、Excel、PDF、PPT；联合OpenClaw、OpenCode、KiloCode、Blackbox、Cline五大Agent框架提供限时免费接口。
• Verificación de escenas reales：在Browser Use等真实数字环境交互评测基准上比肩Gemini 3 Pro，具备从Coding到Claw的重要泛化能力。

Xiaomi MiMo-V2-Omni官网是什么

• Dirección del sitio web oficial：https://platform.xiaomimimo.com/#/docs/news/v2-omni-release

Xiaomi MiMo-V2-Omni的适用人群

• Agent开发者：需要构建全模态感知、具备GUI操作能力的智能体应用的开发者。
• 多模态AI应用团队：专注音频理解、视频分析、图文结合等跨模态场景的产品团队。
• Usuarios de ofimática：需要通过AI自动生成文档、表格、PPT并进行复杂办公流程编排的企业用户。
• 浏览器自动化需求方：需要实现端到端浏览器操控、信息检索、电商比价、客服交互等任务的用户。
• 中文语音交互开发者：需要处理方言、长音频、多说话人场景的中文语音应用开发者。