小米发布Xiaomi MiMo-V2-Omni全模态基座模型：能看、能听、能动手

3月19日消息，小米深夜炸场发布了三款模型，其中包括面向Agent时代的全模态基座模型——Xiaomi MiMo-V2-Omni。

该模型专为现实世界复杂多模态交互与执行场景打造，从底层构建了文本、视觉、语音融合的全模态基座，以统一架构深度绑定“感知”与“行动”，原生具备多模态感知、工具调用、函数执行及GUI操作能力，可无缝接入各类Agent框架，大幅降低全模态Agent的落地门槛。

在正式发布前，该模型早期测试版本以「Healer Alpha」为代号匿名上架全球最大API聚合平台OpenRouter，未做任何宣传便实现调用量自然攀升至平台前列，还在OpenClaw测评榜单PinchBench上拿下均分第一，能力得到用户与专业测评的双重认可。

MiMo-V2-Omni拥有对标国际前沿的全模态感知能力，是高效执行的坚实基础。

-音频理解上，支持环境声分类、多说话人分离等功能，可深度理解超10小时连续长音频，综合表现超越Gemini 3 Pro，跻身当前最强音频理解基座模型之列。

-图像理解上，具备强大的多学科视觉推理和复杂图表分析能力，超越Claude Opus 4.6，逼近Gemini 3 Pro等顶尖闭源模型水平。

-视频理解上，支持原生音视频联合输入，依托创新预训练技术，拥有出色的情境感知与未来推理能力。

同时，该模型实现了从理解到完成任务的智能体能力升级，能跨模态理解复杂环境，自主制定并执行计划，遇异常时实时修正策略，最终端到端交付完整结果。

在真实数字环境交互的评测基准中，其表现比肩Gemini 3 Pro，前沿感知能力与原生行动能力形成复合优势，且在纯文本智能体任务上也保持着高度竞争力。

经过一周迭代优化，模型的全模态感知和智能体行动能力更稳定，在日常生产力场景中展现出巨大潜力。

目前MiMo-V2-Omni已正式开放API服务，支持256K上下文长度，定价为输入0.4美元/百万tokens、输出2美元/百万tokens，开发者可通过指定平台接入；同时模型联合OpenClaw、OpenCode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。

该模型在多场景下的能力表现亮眼，跨模态层面能深度解读电影片段的隐喻与情感，长音频层面可精准提炼数小时访谈的核心论点与逻辑脉络。

结合OpenClaw框架还能像真人一样操控浏览器，完成选品比价砍价下单、制作并发布短视频等复杂操作，遇网页报错、多标签切换等问题可自主解决。

在智能办公场景，模型与金山办公合作接入WPS Office，可根据指令直接生成高质量Word、结构化Excel、规范排版PDF及完整PPT，跳出对话机器人限制，切实提升日常工作效率。