凤凰网科技讯 3月19日，小米发布面向Agent时代的全模态基座模型Xiaomi MiMo-V2-Omni。该模型从底层构建融合文本、视觉、语音的全模态架构，将感知与行动深度绑定，原生支持多模态感知、工具调用、函数执行及GUI操作能力。
在正式发布前，小米将一个早期测试版本以“Healer Alpha”为代号匿名上架OpenRouter。上线期间调用量持续攀升，在OpenClaw测评榜单PinchBench上取得均分第一。
据官方介绍，MiMo-V2-Omni在音频理解方面支持环境声分类、多说话人分离、音频-视觉联合推理及超10小时长音频理解，综合表现超越Gemini 3 Pro。图像理解方面，在多学科视觉推理与复杂图表分析任务中超越Claude Opus 4.6，逼近Gemini 3 Pro等闭源模型水平。视频理解方面支持原生音视频联合输入，具备情境感知与未来推理能力。
智能体能力方面，该模型可在与真实数字环境交互的评测基准上比肩Gemini 3 Pro。在Browser Use场景中，结合OpenClaw框架可实现浏览器操控，完成信息检索、比价、与客服交互及下单等任务。与金山办公合作，接入WPS Office后，模型可根据指令生成Word文档、结构化Excel、排版规范的PDF及PPT。
MiMo-V2-Omni已开放API服务，支持256K上下文长度，输入0.4元/百万tokens，输出2元/百万tokens。小米联合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。
