快科技3月19日消息，小米深夜炸場(chǎng)發(fā)布了三款模型，其中包括面向Agent時(shí)代的全模態(tài)基座模型——Xiaomi MiMo-V2-Omni。

該模型專為現(xiàn)實(shí)世界復(fù)雜多模態(tài)交互與執(zhí)行場(chǎng)景打造，從底層構(gòu)建了文本、視覺、語音融合的全模態(tài)基座，以統(tǒng)一架構(gòu)深度綁定"感知"與"行動(dòng)"，原生具備多模態(tài)感知、工具調(diào)用、函數(shù)執(zhí)行及GUI操作能力，可無縫接入各類Agent框架，大幅降低全模態(tài)Agent的落地門檻。

在正式發(fā)布前，該模型早期測(cè)試版本以「Healer Alpha」為代號(hào)匿名上架全球最大API聚合平臺(tái)OpenRouter，未做任何宣傳便實(shí)現(xiàn)調(diào)用量自然攀升至平臺(tái)前列，還在OpenClaw測(cè)評(píng)榜單PinchBench上拿下均分第一，能力得到用戶與專業(yè)測(cè)評(píng)的雙重認(rèn)可。

MiMo-V2-Omni擁有對(duì)標(biāo)國際前沿的全模態(tài)感知能力，是高效執(zhí)行的堅(jiān)實(shí)基礎(chǔ)。

-音頻理解上，支持環(huán)境聲分類、多說話人分離等功能，可深度理解超10小時(shí)連續(xù)長音頻，綜合表現(xiàn)超越Gemini 3 Pro，躋身當(dāng)前最強(qiáng)音頻理解基座模型之列。

-圖像理解上，具備強(qiáng)大的多學(xué)科視覺推理和復(fù)雜圖表分析能力，超越Claude Opus 4.6，逼近Gemini 3 Pro等頂尖閉源模型水平。

-視頻理解上，支持原生音視頻聯(lián)合輸入，依托創(chuàng)新預(yù)訓(xùn)練技術(shù)，擁有出色的情境感知與未來推理能力。

同時(shí)，該模型實(shí)現(xiàn)了從理解到完成任務(wù)的智能體能力升級(jí)，能跨模態(tài)理解復(fù)雜環(huán)境，自主制定并執(zhí)行計(jì)劃，遇異常時(shí)實(shí)時(shí)修正策略，最終端到端交付完整結(jié)果。

在真實(shí)數(shù)字環(huán)境交互的評(píng)測(cè)基準(zhǔn)中，其表現(xiàn)比肩Gemini 3 Pro，前沿感知能力與原生行動(dòng)能力形成復(fù)合優(yōu)勢(shì)，且在純文本智能體任務(wù)上也保持著高度競(jìng)爭(zhēng)力。

經(jīng)過一周迭代優(yōu)化，模型的全模態(tài)感知和智能體行動(dòng)能力更穩(wěn)定，在日常生產(chǎn)力場(chǎng)景中展現(xiàn)出巨大潛力。

目前MiMo-V2-Omni已正式開放API服務(wù)，支持256K上下文長度，定價(jià)為輸入0.4美元/百萬tokens、輸出2美元/百萬tokens，開發(fā)者可通過指定平臺(tái)接入；同時(shí)模型聯(lián)合OpenClaw、OpenCode等五大Agent開發(fā)框架團(tuán)隊(duì)，為全球開發(fā)者提供為期一周的限時(shí)免費(fèi)接口支持。

該模型在多場(chǎng)景下的能力表現(xiàn)亮眼，跨模態(tài)層面能深度解讀電影片段的隱喻與情感，長音頻層面可精準(zhǔn)提煉數(shù)小時(shí)訪談的核心論點(diǎn)與邏輯脈絡(luò)。

結(jié)合OpenClaw框架還能像真人一樣操控瀏覽器，完成選品比價(jià)砍價(jià)下單、制作并發(fā)布短視頻等復(fù)雜操作，遇網(wǎng)頁報(bào)錯(cuò)、多標(biāo)簽切換等問題可自主解決。

在智能辦公場(chǎng)景，模型與金山辦公合作接入WPS Office，可根據(jù)指令直接生成高質(zhì)量Word、結(jié)構(gòu)化Excel、規(guī)范排版PDF及完整PPT，跳出對(duì)話機(jī)器人限制，切實(shí)提升日常工作效率。