小米推出的三款大模型都是啥？有什么作用？-量化交易-财云量化

摘要：

3月19日凌晨小米宣布推出三款大模型MiMo-V2-Pro、Omni、TTS，已登陆多平台可限时免费体验一周。MiMo-V2-Pro专为高强度Agent工作场景打造，MiMo-V2-Omni用于复杂多模态交互与执行场景，MiMo-V2-TTS是语音合成大模型。

小米推出三款大模型

面向Agent时代的旗舰基座模型

XiaomiMiMo-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，采用创新的混合注意力架构，支持1M超长上下文长度。在ArtificialAnalysis排行榜上位列全球第八、国内第二。在智能体框架中，能完成复杂工作流编排等，且模型API定价仅为其他模型的1/5。该模型针对Agent场景深度优化，在相关评测榜单上效果顶尖，还能参与严肃代码工程构建。

全模态基座模型

XiaomiMiMo-V2-Omni专为现实世界中复杂的多模态交互与执行场景而生，可无缝接入各种Agent框架。音频理解方面表现出色，能进行环境声分类等；图像理解展现强大能力；视频理解支持原生音视频联合输入。它能跨模态理解复杂环境，自主制定并执行计划，遇到异常时实时修正策略。该模型已开放API服务，还为全球开发者提供限时免费接口支持。

语音合成大模型

XiaomiMiMo-V2-TTS是小米自主研发的语音合成大模型。基于自研架构，经过大规模预训练与多维度强化学习，实现高度可控的多粒度语音风格控制。支持从整体风格到局部情绪表达的精准调节，能还原自然韵律，还能进行高质量歌声合成。训练过程分多阶段，通过超大规模预训练、少量高质量监督数据微调及多维度强化学习，让模型具备丰富多元表达能力。

模型的特点与优势

强大的性能表现

MiMo-V2-Pro拥有超1T总参数量和创新架构，支持超长上下文长度，在排行榜上位居前列，能完成复杂任务且成本低。MiMo-V2-Omni在音频、图像、视频理解方面表现卓越，超越多个知名模型，能跨模态处理复杂环境。MiMo-V2-TTS实现高度可控的语音风格控制，能精准调节语音，自然还原韵律，还能进行高质量歌声合成。

小米推出的三款大模型都是啥？有什么作用？

广泛的应用场景

MiMo-V2-Pro适用于高强度Agent工作场景，如代码工程构建、智能体框架中的复杂任务处理。MiMo-V2-Omni可用于复杂多模态交互与执行场景，如智能客服、智能家居控制等领域。MiMo-V2-TTS可应用于有声读物、语音导航、语音助手等需要语音合成的场景。

技术创新与突破

三款模型在技术上均有创新。MiMo-V2-Pro的混合注意力架构和1M上下文长度拓展了智能动作空间。MiMo-V2-Omni的创新视频预训练使其具备情境感知与未来推理能力。MiMo-V2-TTS的自研架构和多维度强化学习实现了多粒度语音风格控制。

模型的开放与使用

开放API服务

MiMo-V2-Pro和MiMo-V2-Omni已正式开放API服务。MiMo-V2-Pro支持1M上下文长度，根据使用量分段计价；MiMo-V2-Omni支持256K上下文长度。用户访问特定网址即可接入API，方便开发者将模型集成到自己的应用和服务中。

限时免费体验

目前，这些模型已经登陆Xiaomimiclaw、MiMoStudio、金山办公、小米浏览器，通过OpenClaw、OpenCode、KiloCode、Blackbox、Cline接入，可限时免费体验一周。这为开发者和用户提供了一个了解和试用模型的机会，降低了使用门槛。

与其他生态的集成

MiMoClaw模块全面打通金山WebOffice生态，原生支持四大主流格式，覆盖超95%日常文档类型。XiaomiMiMo底层推理引擎与金山办公生态实现框架级集成，WPS灵犀接入MiMo-V2-Pro模型，提升办公效率。