💡 站外导读：当AI行业还在争论多模态如何拼接时，小米已悄然亮出底牌。2026年3月，代号Healer Alpha的模型匿名调用量登顶OpenRouter榜单，测试用户惊呼“这是谁家的Agent？”——谜底揭晓：这正是小米MiMo-V2-Omni，一款从底层重构、原生融合文本、视觉、音频的全模态Agent基座模型。它直击当前大模型“重理解、轻执行”的痛点，将感知与行动深度绑定，让AI不仅能看懂、听懂，更能直接操作网页、编写代码、规划任务。在Gemini与Claude双雄并立的赛道上，小米以百万级上下文窗口和端到端Agent能力，发起了正面挑战。
Xiaomi MiMo-V2-Omni是什么
Xiaomi MiMo-V2-Omni 是小米推出的全模态 Agent 基座模型，融合文本、视觉、语音三大模态，原生具备感知、推理与执行能力。模型支持工具调用、GUI 操作及复杂任务自主规划，在音频理解、图像推理等评测中比肩 Gemini 3 Pro 与 Claude Opus 4.6。模型曾以”Healer Alpha”代号匿名测试，登顶 OpenRouter 调用榜，现已成为小米面向 Agent 时代的核心 AI 基础设施。
Xiaomi MiMo-V2-Omni的主要功能
-
全模态感知：模型融合文本、视觉、音频三大模态，实现图像理解、视频分析、10+小时长音频处理及跨模态联合推理。
-
Agent执行能力：原生支持工具调用、GUI操作和自主任务规划，能制定策略、实时修正和端到端交付完整结果。
-
复杂场景应用：覆盖网页浏览、代码工程、前端开发等真实数字环境交互任务。
Xiaomi MiMo-V2-Omni的技术原理
- 统一全模态架构：从底层构建融合文本、视觉、语音的基座模型，通过统一编码器和融合层实现原生多模态表示，非后期模态拼接。
- 感知-行动深度绑定：打破传统模型”重理解、轻执行”的局限，端到端训练将感知能力与工具调用、GUI操作等行动能力统一内化，实现从理解到操控的跨越。
- 视频预训练与长上下文：采用创新的视频预训练方法实现音视频联合理解，支持超长上下文建模，为复杂Agent任务提供结构性优势。
Xiaomi MiMo-V2-Omni的关键信息和使用要求
- 发布方：小米技术团队
- 发布时间：2026年3月19日
- 内测代号：Healer Alpha（曾匿名上架OpenRouter）
- 模型规模：全模态融合架构（文本+视觉+音频）
- 上下文窗口：支持长序列建模（参考同系列Pro版达1M）
- Benchmark排名：PinchBench均分第一，OpenRouter调用量登顶
- 接入方式：通过OpenRouter等平台API调用，可无缝接入OpenClaw等主流Agent框架
- 硬件/环境：云端部署，无需本地配置；支持多模态输入（图像、视频、音频文件或流）
Xiaomi MiMo-V2-Omni的核心优势
- 全模态原生融合：从底层构建文本、视觉、音频统一架构，实现真正的跨模态理解与联合推理，非简单拼接。
- 感知行动一体化：打破”重理解轻执行”局限，原生内化工具调用、GUI操作等能力，形成”越准感知、越有效行动”的复合优势。
- 超长上下文支持：支持百万级上下文窗口，在处理长视频、长音频及复杂多轮Agent任务时具备结构性优势。
- 真实场景验证：以Healer Alpha匿名内测，调用量登顶OpenRouter并获PinchBench第一，经市场与 benchmark 双重检验。
- 生态无缝接入：可快速集成OpenClaw等主流Agent框架，大幅降低全模态Agent落地门槛。
如何使用Xiaomi MiMo-V2-Omni
开发者只需登录 https://platform.xiaomimimo.com 完成注册，即可获取专属 API 密钥。接口调用采用分段计费模式，输入部分按每百万 tokens 0.4 美元计价，输出部分则为每百万 tokens 2 美元。
Xiaomi MiMo-V2-Omni的同类竞品对比
| 评测维度 | MiMo-V2-Omni | Gemini 3 Pro | Claude Opus 4.6 |
|---|---|---|---|
| MMAU-Pro（音频理解） | 69.4 | 67.0 | – |
| MMMU-Pro（图像理解） | 76.8 | 81.0 | 73.9 |
| Video-MME（视频理解） | 85.3 | 88.4 | – |
| CharXiv RQ（图表理解） | 80.1 | 81.4 | 77.4 |
| FutureOmni（未来预测） | 66.7 | 62.9 | 60.3 |
| MM-BrowserComp（网页浏览） | 52.0 | 37.2 | 59.3 |
| OmniGAIA（多模态感知） | 49.8 | 62.5 | 59.7 |
| Claw Eval（复杂交互） | 54.8 | 51.9 | 66.3 |
| PinchBench（Agent综合） | 85.6 | 75.0 | 86.3 |
Xiaomi MiMo-V2-Omni的应用场景
- 多模态内容理解：模型支持10+小时长视频分析、复杂图表解析及跨模态信息关联推理，实现音视频联合深度理解。
- 智能体任务执行：模型能自主完成网页浏览、代码工程、前端开发等任务，可零样本生成设计精致且功能完备的网页。
- GUI自动化操作：直接操控图形界面，支持多轮对话中的策略规划、实时修正及工具链自主调用。
- 企业级长文档处理：模型依托256K上下文窗口，完成长文档分析、报告生成及自动化办公流程决策支持。
📝 站长洞察 (Editor’s Insight)
MiMo-V2-Omni的发布，标志着中国大模型竞争正式进入“全模态Agent”深水区。小米这次没有选择渐进式改良，而是从架构底层进行重构——统一编码器实现真正的跨模态融合，而非后期拼接；感知与行动的深度绑定，让模型从“理解者”进化为“执行者”。这背后是小米对AI基础设施的战略押注：当模型能力趋同，差异化将来自谁能把感知、推理、行动打包成可落地的Agent服务。Healer Alpha匿名测试的登顶，证明市场对这类“即插即用”智能体的饥渴。但挑战同样明显：如何在复杂真实场景中保持稳定性？如何构建可持续的开发者生态？MiMo-V2-Omni或许不是最终答案，但它指明了方向——未来不属于更大的模型，而属于更完整的智能体。
