Post #13753

🚀 小米发布 MiMo-V2 系列：旗舰大模型 + 全模态 + 语音合成三箭齐发 小米 MiMo 团队于 3 月 18 日一口气发布三款新模型：MiMo-V2-Pro（旗舰基座）、MiMo-V2-Omni（全模态）和 MiMo-V2-TTS（语音合成），全面覆盖文本推理、多模态感知与语音表达，标志小米 AI 从「追赶者」迈向全球第一梯队。 📌 MiMo-V2-Pro：Agent 时代的大脑 - 总参数超 1T，激活 42B（Flash 的 3 倍），支持 1M token 上下文 - Artificial Analysis 综合智力指数全球第 8、中国大模型第 2 - 编码能力超越 Claude 4.6 Sonnet，Agent 能力（ClawEval 61.5）接近 Opus 4.6（66.3） - 此前以匿名代号「Hunter Alpha」上架 OpenRouter，日调用量多次登顶，总用量超 1T tokens - 定价：输入 $1 / 输出 $3 per 1M tokens（≤256K），仅为 Claude Sonnet 4.6 的 1/3 至 1/5 - 与 OpenClaw、OpenCode、KiloCode、Blackbox、Cline 五大框架合作，提供一周免费 API 📌 MiMo-V2-Omni：看、听、行动，一个模型搞定 - 统一图像、视频、音频编码器，原生全模态感知 - 音频理解超越 Gemini 3 Pro，支持超 10 小时连续音频 - 图像理解超越 Claude Opus 4.6，视频理解具备未来预测能力 - Agent 基准（MM-BrowserComp、OmniGAIA、Claw Eval）超越 Gemini 3 Pro 和 GPT-5.2 - 实测：全自动浏览器购物（小红书选购 → 京东下单 → 客服砍价）、端到端视频制作并上传抖音 - 原生支持结构化工具调用和 UI grounding，可直接接入 Agent 框架 📌 MiMo-V2-TTS：给 Agent 一个有灵魂的声音 - 超 1 亿小时语音数据预训练 + 多维度强化学习 - 自然语言风格指令：用文字描述想要的语气，无需预设标签 - 支持方言（东北话、四川话、粤语等）和角色扮演（孙悟空、林黛玉） - 细粒度非语言事件：笑声、叹气、咳嗽、犹豫自然融入语音 - 唯一同时支持说话和唱歌的商用 TTS API - 自动从文本语境推断情感和语气，无需额外标注 🔙 背景 - MiMo-V1（2025年4月）：7B 推理模型，性能超越 OpenAI o1-mini，开源但市场反响平淡 - MiMo-V2-Flash（2025年12月）：309B/15B MoE 模型，代码能力开源第一，比肩 Claude 4.5 Sonnet，API 定价极低（输入 $0.1/M，输出 $0.3/M） - 团队由前 DeepSeek 核心成员罗福莉领导，被称为「95后AI天才少女」 ⚔️ 竞品对比 - MiMo-V2-Pro vs Claude Opus 4.6：Agent 能力接近但定价远低；编码已超越 Sonnet 4.6 - MiMo-V2-Omni vs Gemini 3 Pro：音频理解和 Agent 基准多项超越 - MiMo-V2-TTS vs 传统 TTS：从「下拉菜单选情绪」到「自然语言描述」的范式转变 🏢 小米 AI 近况 小米 MiMo 团队在短短一年内完成了从 7B 小模型到万亿参数旗舰、从纯文本到全模态的完整跃迁。此次三款模型同时发布，展现出系统性的 AI 战略布局：Pro 负责推理与编码核心，Omni 补全感知与行动闭环，TTS 赋予 Agent 自然语音交互能力。 📎 来源 小米官网 MiMo-V2-Pro：https://mimo.xiaomi.com/mimo-v2-pro 小米官网 MiMo-V2-Omni：https://mimo.xiaomi.com/mimo-v2-omni 小米官网 MiMo-V2-TTS：https://mimo.xiaomi.com/mimo-v2-tts #小米#MiMo#AI大模型#AIAgent#全模态#TTS#语音合成