小米发布 MiMo V2 系列模型：代号 Hunter Alpha 被误认为 DeepSeek，主打 Agent 全栈能力

事件概述

上周，两个未署名的匿名模型「Hunter Alpha」和「Healer Alpha」悄然上架知名 API 聚合平台 OpenRouter，凭借不寻常的调用量攀升速度（累计突破 1T tokens）引发社区热议，主流猜测指向 DeepSeek V4 的内测版。近日，小米官方正式揭晓谜底：这两个代号均为MiMo 大模型的早期内测版本。小米 MiMo 大模型负责人罗福莉（前 DeepSeek 研究员）公开认领，标志着小米在 AI 领域从“会对话”向“能完成任务”的 Agent 范式转型正式落地。

核心信息：MiMo-V2 系列三大模型详解

小米此次一口气发布三款侧重点不同但协同工作的模型，共同构建全栈 AI 能力：

1. MiMo-V2-Pro：旗舰文本基座，主打推理与规划

• 定位：专为高强度 Agent 工作场景设计，负责推理、规划与工具调用。
• 架构与性能：
  • 总参数量突破 1T，激活参数 42B（较前代扩大约 3 倍）。
  • 采用创新的混合注意力架构（Hybrid Attention），混合比例提升至 7:1，引入轻量 MTP 层加速生成。
  • 支持高达 1M 的超长上下文窗口。
  • 在 Artificial Analysis 全球榜单位列第 8，国内第 2；代码工程能力接近 Claude Opus 4.6。
• 定价策略：极具竞争力的价格，API 成本约为同级别竞品的 1/5。
  • 256K 上下文内：输入 $1/百万 tokens，输出 $3/百万 tokens。
  • 1M 上下文内：输入 $2/百万 tokens，输出 $6/百万 tokens。
• 生态合作：联合 OpenClaw、OpenCode 等五大 Agent 框架团队提供限时免费接口，目前已开放 API 服务。

2. MiMo-V2-Omni：全模态 Agent 基座，打通感知与执行

• 定位：首个在基座层面统一感知与行动的模型，融合文本、视觉与音频，实现端到端任务完成。
• 核心能力：
  • 音频理解：支持超过 10 小时连续长音频处理，表现超越 Gemini 3 Pro。
  • 视觉推理：在多学科视觉推理与复杂图表分析上逼近顶尖闭源模型水平。
  • 视频理解：原生支持音视频联合输入，而非分离处理。
  • Agent 实操：可像真人一样操控浏览器进行跨平台比价、联系客服、下单等操作；能自动修复渲染错误并完成视频制作发布全流程。
• 办公应用：已接入金山办公 WPS 灵犀，原生支持 Word、Excel、PPT、PDF 四大格式，覆盖超 95% 日常文档类型。
• 定价：输入 $0.4/百万 tokens，输出 $2/百万 tokens。

3. MiMo-V2-TTS：情感化语音合成大模型

• 定位：为 Agent 赋予有温度、有情感的声音表达能力，补齐全栈最后一环。
• 技术亮点：
  • 基于自研 Audio Tokenizer 和多码本语音文本联合建模架构，经过上亿小时语音数据预训练。
  • 支持从整体基调到句内局部情绪的多粒度控制，能自然处理语气转折与情感递变。
  • 涵盖东北话、四川话、粤语等多种方言，具备角色扮演与高质量歌声合成能力。
• 未来规划：将与 MiMo-V2-Omni 深度融合，实现“看懂世界”到“讲述世界”的闭环。

战略意义：AI 驱动“人车家”全生态

此次发布不仅是模型能力的展示，更是小米“人车家全生态”战略的关键拼图：

1. 范式转变：罗福莉透露，团队早在数月前便布局 1T 基础模型，并在体验复杂 Agent 框架后迅速调整方向，强制要求团队转向 Agent 研发，以应对行业快速变化。
2. 生态中枢：MiMo-V2 系列将作为智能中枢，通过澎湃 OS 连接手机、汽车（SU7 系列）与智能家居。
   • MiMo-V2-Pro 负责跨设备意图理解与任务规划。
   • MiMo-V2-Omni 负责多模态感知与执行。
   • MiMo-V2-TTS 负责交互表达。
3. 落地形态：miclaw（小米手机端 AI 智能体）已率先接入 MiMo 大模型，具备系统级执行能力；WPS 灵犀、小米浏览器等应用也已相继接入，标志着 MiMo 正从单一产品向基础能力层渗透。

目前，MiMo-V2-Pro 和 MiMo-V2-Omni 已开放 API 服务，开发者可通过 https://platform.xiaomimimo.com 接入体验。