近期，小米发布了其全模态Agent基座大模型MiMo-V2-Omni，标志着其在人工智能领域的布局进入了一个新阶段。这款模型的发布，连同其旗舰文本基座MiMo-V2-Pro和语音合成模型MiMo-V2-TTS，共同构成了小米面向智能体（Agent）时代的技术矩阵。
在正式发布前，小米采取了“匿名测试”的策略。MiMo-V2-Omni以“Healer Alpha”为代号，在没有任何宣传的情况下上线了全球API聚合平台OpenRouter。凭借其自身能力，模型在具身智能评测基准PinchBench上获得了均分第一的成绩，获得了用户和基准评测的双重认可。与此同时，旗舰模型MiMo-V2-Pro也以“Hunter Alpha”的代号进行匿名测试，调用量迅速攀升，一度引发行业对其真实身份的广泛猜测。这一策略成功地在正式发布前验证了模型的实际能力。
MiMo-V2-Omni的核心定位是“看得见、听得懂、能动手”的全模态智能体。它专为现实世界中复杂的多模态交互与执行场景设计，从底层构建了融合文本、视觉、语音的全模态基座。这一设计打破了传统模型“重理解、轻执行”的局限，让模型原生具备了多模态感知、工具调用、函数执行及GUI（图形用户界面）操作能力。具体来说，MiMo-V2-Omni在音频理解方面，支持超过10小时的连续长音频处理；在图像和视频理解上，也展现出超越部分业界顶尖模型的实力。这种将“感知”与“行动”深度绑定的统一架构，使得模型能够无缝接入各类Agent框架，显著降低了全模态Agent的落地门槛。
为了构成一个完整的AI能力闭环，小米还同步推出了另外两款模型。作为“大脑”的MiMo-V2-Pro，是一个总参数量超过万亿、支持百万级（1M）超长上下文的旗舰文本基座，专为高强度的Agent工作场景优化，负责复杂的逻辑推理、任务规划与工具调用。而作为“声音”的MiMo-V2-TTS，则是一款语音合成大模型，基于上亿小时的语音数据训练，能够实现精细可控的语音风格，包括在同一句话内实现语气转折、情感递变，甚至支持多种方言和歌唱，旨在为智能体注入更富“人性”的表达能力。
这三款模型并非孤立的技术展示，而是小米“人车家全生态”战略的重要组成部分。目前，这些模型已经开始在小米的生态产品中落地。例如，MiMo-V2-Omni与金山办公合作，接入WPS Office探索其在日常生产力场景中的应用；MiMo-V2-Pro则成为小米手机端AI智能体miclaw的核心，并与WPS灵犀、小米浏览器等进行深度整合。通过将AI大模型与自身的硬件生态相结合，小米正致力于打通从云端智能到终端执行的完整链路，推动AI技术在手机、汽车、智能家居等多元场景中的实际应用。
