小米技術(shù)團(tuán)隊(duì)近日正式推出三大自研MiMo-V2系列模型，涵蓋語音合成、全模態(tài)交互及高強(qiáng)度Agent應(yīng)用場景，為人工智能領(lǐng)域注入創(chuàng)新動(dòng)能。此次發(fā)布的模型矩陣包括旗艦基座模型MiMo-V2-Pro、全模態(tài)基座模型MiMo-V2-Omni以及語音合成大模型MiMo-V2-TTS，標(biāo)志著小米在多模態(tài)大模型研發(fā)領(lǐng)域取得突破性進(jìn)展。

作為面向高強(qiáng)度Agent工作場景的旗艦?zāi)Ｐ?，MiMo-V2-Pro以超1T的總參數(shù)量和1M超長上下文處理能力脫穎而出。該模型通過參數(shù)規(guī)模與算力的協(xié)同優(yōu)化，實(shí)現(xiàn)了從代碼生成到復(fù)雜任務(wù)執(zhí)行的廣泛能力覆蓋。在國際權(quán)威評測中，該模型以綜合智能評分位列全球第八、國內(nèi)第二，其強(qiáng)大的泛化能力已通過多項(xiàng)基準(zhǔn)測試驗(yàn)證。目前該模型已開放API接口，為開發(fā)者提供高精度、長序列的智能支持。

針對全模態(tài)交互需求，MiMo-V2-Omni創(chuàng)新性融合文本、視覺、語音三模態(tài)感知與行動(dòng)能力。該模型原生支持多模態(tài)推理、工具調(diào)用及GUI操作，可無縫適配各類Agent開發(fā)框架。在匿名測試階段，該模型在OpenRouter平臺(tái)的日均調(diào)用量突破百萬次，并在OpenClaw測評中以顯著優(yōu)勢登頂均分榜首。其低門檻接入特性正加速推動(dòng)全模態(tài)Agent技術(shù)的商業(yè)化落地。

在語音合成領(lǐng)域，MiMo-V2-TTS通過自研Audio Tokenizer技術(shù)實(shí)現(xiàn)革命性突破。該模型采用多碼本語音-文本聯(lián)合建模架構(gòu)，支持從整體語調(diào)到局部情緒的精細(xì)調(diào)控，能夠精準(zhǔn)還原人類說話的呼吸節(jié)奏與情感變化。實(shí)驗(yàn)數(shù)據(jù)顯示，其生成的語音在自然度評分上超越主流模型17%，尤其在歌唱場景中可準(zhǔn)確匹配音高與節(jié)奏，為虛擬數(shù)字人、有聲內(nèi)容創(chuàng)作等領(lǐng)域提供高質(zhì)量語音解決方案。

據(jù)小米技術(shù)團(tuán)隊(duì)透露，MiMo-V2-Omni與MiMo-V2-Pro的API服務(wù)已正式上線，并與多家主流Agent開發(fā)平臺(tái)達(dá)成戰(zhàn)略合作。即日起至年底，全球開發(fā)者可通過限時(shí)免費(fèi)接口調(diào)用模型能力，相關(guān)文檔與開發(fā)工具包已同步開放下載。此次模型矩陣的發(fā)布，標(biāo)志著小米在AI基礎(chǔ)設(shè)施領(lǐng)域完成關(guān)鍵布局，為智能體時(shí)代的生態(tài)建設(shè)奠定技術(shù)基礎(chǔ)。