今天，我们发布小米面向 Agent 时代的全模态基座模型 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 可无缝接入各种 Agent 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。

在正式发布之前，我们将一个早期测试版本以「Healer Alpha」为代号匿名上架 OpenRouter，没有任何宣传，纯粹让模型能力说话。结果调用量自然攀升至平台前列，并在 OpenClaw 测评榜单 PinchBench 上拿下均分第一，用户和基准双双给出了同一个答案。

  感知能力：图像、视频、音频，全面对标前沿

精准感知和准确推理是高效执行的基石。我们在所有模态上将 MiMo-V2-Omni 与国际领先模型进行对比，充分验证了其作为新一代智能体基座的坚实感知与推理能力。

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。

图像理解方面，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 Pro 等顶尖闭源模型水平。

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。

  智能体能力：从理解到完成任务

理解是基础，交付是关键。MiMo-V2-Omni 能够跨模态理解复杂环境、自主制定并执行计划、在遇到异常时实时修正策略，最终端到端地交付完整结果。

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。

Healer Alpha 匿名内测

一周前，MiMo-V2-Omni 以 Healer Alpha 为代号，匿名上线了全球最大的 API 聚合平台 OpenRouter，上线期间调用量持续上涨，广受用户好评。

左右滑动，查看更多

经过一周的持续迭代和优化，MiMo-V2-Omni 具备了更强更稳定的全模态感知和智能体行动能力，在日常生产力场景中表现出巨大的潜力。

  开放 API

MiMo-V2-Omni 模型现已正式开放 API 服务，支持 256K 上下文长度，输入 $0.4 / 百万 tokens，输出 $2 / 百万 tokens。

访问 https://platform.xiaomimimo.com，即刻接入API。

此外，MiMo-V2-Omni 联合 OpenClaw、OpenCode、KiloCode、Blackbox 及 Cline 等五大 Agent 开发框架团队，为全球开发者提供为期一周的限时免费接口支持，欢迎广大开发者接入体验。

  能力展示

来一起看看，MiMo-V2-Omni 能为我们做点什么？

🎭 跨模态共鸣：理解生活的蒙太奇

当我们将电影《好东西》中经典的“猜声音”片段输入 MiMo-V2-Omni 时，让它以资深电影分析师的视角进行拉片，MiMo-V2-Omni 展现出了令人惊叹的跨模态隐喻与情感推理能力：

🎧 长音频理解：7 小时访谈，一次听完

当我们将张小珺对谢赛宁长达7小时的完整访谈音频一次性输入 MiMo-V2-Omni 时，它准确提炼出了跨越数小时的核心论点与逻辑脉络，展现出超长音频的深度理解能力。

💻 Browser Use 场景

Browser Use 是衡量模型 Agentic 能力的试金石。结合 OpenClaw 框架，MiMo-V2-Omni 可以像真人一样操控浏览器，帮你把事情办完：

• 帮你挑手机、砍价、下单：你说"帮我看看小米17怎么选，去小红书做做功课，选好了去京东下单，顺便砍砍价"，模型就会自己打开小红书，翻十几篇帖子，提取配置对比、拍照评测、真实用户体验，给你整理出一份购买建议。切到京东，跨店比价，找到最优渠道。转接人工客服砍价，和客服实时交互，试探优惠空间。聊完价，直接加购下单。遇到复杂网页结构、多标签页切换、实时交互要求，都能见招拆招。

• 帮你做短视频、发 TikTok：你只需要说一句“做一个 MiMo-V2-Omni 介绍短视频，配上科技感音效，发到 TikTok 上”，模型就会自己设计四组画面、现场合成全部音效，不依赖任何外部素材。渲染过程中碰到中文字体报错？自动修复，继续干。做完之后打开 TikTok 上传页面，填好文案，点击发布，还会顺手点赞、评论，最后检查确认视频审核通过、成功上线。

🗒️ 智能办公场景

我们还与金山办公合作，将 MiMo-V2-Omni 接入 WPS Office，探索全模态智能体模型在日常生产力场景中的表现。

只需几句话，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。

这是智能体 AI 在真实生产力工具中的落地形态，它跳出了对话机器人的限制，能够走入现实生活，切实提升日常工作效率。

  下一步

MiMo-V2-Omni 是我们第一个在基座层面统一感知与行动的全模态模型，但这只是起点。

接下来，我们将持续推进长周期智能体规划、实时流式感知、多智能体协同，以及与物理世界更深层的整合。

欢迎加入我们，一起探索 AGI 的下一程。

END