结论先行：小米正式发布旗舰 Agent 基座模型 Xiaomi MiMo-V2-Pro，总参数量超过 1T、激活参数 42B，支持 1M 超长上下文，采用 7:1 比例的 Hybrid Attention 混合注意力架构，参数规模较上代 MiMo-V2-Flash 扩大约 3 倍。定价上，256K 以内输入 1 美元/百万 tokens、输出 3 美元/百万 tokens，官方称约为同级竞品的 1/5。
架构与规格：为长上下文和 Agent 场景做的取舍
MiMo-V2-Pro 最显眼的两个数字是”1T 总参数 / 42B 激活参数”。这种大总量、小激活的设计，本质上是用稀疏化换推理成本：总容量用来装知识，实际每次推理只调动一小部分权重。
Hybrid Attention 的 7:1 比例
模型采用创新的 Hybrid Attention 混合注意力架构，比例为 7:1。这类混合注意力方案的核心目标，是在长上下文场景下把注意力的计算开销压下来——全注意力在百万级 token 上的代价极高，混合方案让模型在大部分层用更便宜的注意力变体，只在关键层保留完整注意力。这解释了它为什么能同时做到 1M 上下文和相对可控的定价。
相比上代扩大了约 3 倍
官方资料显示，MiMo-V2-Pro 较上代 MiMo-V2-Flash 参数规模扩大约 3 倍。容量提升主要服务于两类场景：长文理解，以及 Agent 任务中反复出现的长轨迹上下文。
跑分与实测：全球第八、国内第二
在 Artificial Analysis 全球综合智能排行榜上，MiMo-V2-Pro 位列全球第八、国内第二。这个榜单衡量的是综合智能表现，前排位置基本被海外头部模型占据。
Agent 端到端体验：超越 Sonnet 4.6，逼近 Opus 4.6
更值得关注的是实际体感。据小米公布的信息，在 OpenClaw、Claude Code 等 Agent 框架的端到端任务测试中，MiMo-V2-Pro 的整体使用体感超越 Claude Sonnet 4.6、逼近 Opus 4.6；Coding 能力在小米内部工程师评测中体感接近 Opus 4.6。
此外，在面向 Agent 框架的标准化评测榜单 PinchBench 和 ClawEval 上，MiMo-V2-Pro 位居全球顶尖。这两个榜单考察的是模型在真实 Agent 工作流里的表现，与单纯的答题能力不完全重合。
发布前的”匿名跑分”：Hunter Alpha
一个有意思的细节是，该模型在正式发布前以匿名模型 Hunter Alpha 的身份在 OpenRouter 上测试运行了一周，调用量突破 1T tokens，多天登顶日榜。这种先匿名实测、再正式发布的做法，能拿到不受品牌滤镜影响的真实使用数据。正式版经持续迭代后，在长文能力和 Agent 场景稳定性方面进一步提升。
API 定价：按上下文长度分段计价
| 上下文区间 | 输入价格（美元/百万 tokens） | 输出价格（美元/百万 tokens） |
|---|---|---|
| 256K 以内 | 1 | 3 |
| 1M 以内 | 2 | 6 |
上表价格来自小米公布的官方定价。分段计价的设计逻辑很直接：短上下文任务按低价档结算，需要超长上下文时才进入高价档，避免用户为用不上的窗口买单。官方给出的整体判断是约为同级竞品的 1/5。
发布同期，小米还联合 OpenClaw、KiloCode、Cline 等 Agent 框架团队，为开发者提供限时一周的免费接口支持。
生态接入：从手机到办公套件
模型能力的价值最终取决于触达用户的路径。MiMo-V2-Pro 已同步接入 WPS 灵犀、小米手机端智能体 miclaw 以及小米浏览器。
MiMo Claw 打通金山 WebOffice
MiMo Studio 同步上线 MiMo Claw，原生打通金山 WebOffice，支持 Word、Excel、PPT、PDF 四大格式免费体验。对办公场景来说，这一步比单纯的 API 开放更关键——它让模型能力直接落在用户已有的文档工作流里。
开发者入口
API 接入地址为 platform.xiaomimimo.com，免费体验入口为 aistudio.xiaomimimo.com。
FAQ：开发者最关心的问题
Q1：MiMo-V2-Pro 适合什么任务？
从官方定位看，它是面向 Agent 场景的基座模型，重点优化长上下文与 Agent 任务稳定性，适合长文档理解、多步骤工具调用、代码 Agent 等场景。
Q2：1M 上下文的实际成本怎么算？
按小米公布的定价，1M 以内上下文输入 2 美元/百万 tokens、输出 6 美元/百万 tokens；若任务在 256K 以内，则按 1 美元 / 3 美元档结算。
Q3：和普通聊天模型相比有什么不同？
MiMo-V2-Pro 的评测重点放在 Agent 框架下的端到端任务表现（如 PinchBench、ClawEval），强调长轨迹稳定执行，而不是单轮对话的流畅度。
小结
MiMo-V2-Pro 的组合拳可以概括为一句话：用稀疏架构和混合注意力把长上下文成本压下来，再用约同级 1/5 的定价去换 Agent 开发者的迁移意愿。全球第八、国内第二的综合排名说明它已经进入第一梯队讨论范围，而匿名实测一周破 1T tokens 的调用量，则从侧面验证了需求真实存在。对正在选型 Agent 基座的团队，这是一个值得放进对比清单的新选项。