小米一次性发布了三款 AI 模型，分别是大语言模型 MiMo-V2-Pro、多模态模型 MiMo-V2-Omni，以及语音合成模型 MiMo-V2-TTS，目标不是单点展示能力，而是搭建一套完整的 AI 代理平台。按照报道，小米希望这些模型未来不仅能写代码、调用工具和浏览网页，还能逐步扩展到机器人控制等更贴近真实世界的任务。
其中旗舰模型 MiMo-V2-Pro 采用 Mixture-of-Experts 架构，总参数量超过 1 万亿，每次请求激活 420 亿参数。小米称，该模型可处理最长 100 万 token 上下文，并通过混合注意力机制和多 token 并行生成提升效率。在 Artificial Analysis Intelligence Index 上，MiMo-V2-Pro 排到全球第七，在中国模型中位居 GLM-5 和 MiniMax-M2.7 之后。
从具体基准看，MiMo-V2-Pro 在 SWE-bench Verified 上达到 78%，接近 Claude Opus 4.6 的 80.8，也逼近 Claude Sonnet 4.6 的 79.6；在代理基准 ClawEval 上拿到 81 分，几乎追平 Claude Opus 4.6 的 81.5，而 GPT-5.2 为 77。价格则更具攻击性：在 256,000 token 以内上下文长度下，输入每百万 token 1 美元、输出每百万 token 3 美元，明显低于 Claude Sonnet 4.6 和 Claude Opus 4.6 的定价。
更值得注意的是，小米在发布时宣布与 OpenClaw、OpenCode、KiloCode、Blackbox 和 Cline 五个 agent framework 合作，面向全球开发者开放一周免费 API。对 OpenClaw 生态来说，这意味着 MiMo 系列正在主动进入代理开发工具链，而不是只停留在模型榜单竞争层面。
MiMo-V2-Omni 则把图像、视频和音频编码器并入统一主干网络，支持结构化工具调用、函数执行和自主导航界面。报道提到，它在音频能力上超过 Gemini 3 Pro，在图像基准 MMMU-Pro 上拿到 76.8，高于 Claude Opus 4.6 的 73.9；但在通用代理能力上仍有差距，ClawEval 得分仅 54.8，落后于 Claude Opus 4.6 的 66.3 和 GPT-5.2 的 59.6。
在演示中，小米让 MiMo-V2-Omni 分析行车记录仪画面，实时识别行人与来车风险；也让它自行打开浏览器，在小红书查产品评价、去京东比价、再通过客服聊天议价并完成购买。另一段演示中，模型还自动生成多媒体内容、调试代码并经浏览器发布到 TikTok。报道特别说明，在这些流程里，MiMo-V2-Omni 负责决策，而真正执行点击与文件操作的开源框架是 OpenClaw。
语音模型 MiMo-V2-TTS 训练数据超过 1 亿小时，不仅能处理普通说话，还支持唱歌。它采用多层离散单元并行建模，让用户可以直接用自然语言描述声音风格，例如“刚睡醒、有些沙哑”或“生气但尽量克制”，同时还能原生生成咳嗽、停顿、叹气和笑声等副语言信号。小米称，这是目前唯一一个在同一商业 API 中原生支持说话与唱歌的 TTS 模型。
总体看，小米这次不是单纯发一款大模型，而是在向“全栈 AI 代理平台”迈进。基准成绩显示，它在部分维度已经能与 Anthropic 和 OpenAI 正面对比，但在更复杂的通用代理任务上仍有提升空间。MiMo 团队接下来还计划推进跨小时和跨天的长期规划、实时流式、多代理协作以及机器人方向，这也是其把“看、听、想、做”打通的下一步。