一个入口接入 Xiaomi MiMo V2 Pro、Omni、Flash 与 TTS
使用 Xiaomi MiMo V2 Pro 处理复杂推理，使用 MiMo V2 Omni 处理多模态理解，使用 MiMo V2 Flash 支撑低延迟交互，使用 MiMo V2 TTS 提供更自然、更有表现力的语音输出。
这一阶段以清晰的落地页表达为主，同时为后续扩展认证、API Key 与生产接入能力预留空间。
MiMo V2 Pro
推理适合高级推理、规划、长上下文分析、知识工作流，以及对决策质量要求更高的 AI Agent 系统。
MiMo V2 Omni
多模态适合图像、视频、音频与文本的多模态理解，让产品能够在一个工作流中处理更丰富的真实世界输入。
MiMo V2 Flash
低延迟适合低延迟响应、前台高频交互和更高吞吐的 API 请求场景，在速度本身就是产品价值的一部分时尤其有用。
MiMo V2 TTS
语音适合富表现力的文本转语音、自然韵律、角色语音和语音界面，在声音呈现同样重要的产品中价值更高。
Xiaomi MiMo V2 不是单一模型，而是一组面向产品流程的能力组合
MiMo V2 的价值在于模型分工。Pro 适合复杂推理、长上下文和 Agent 工作流；Omni 适合同时处理文本、截图、短视频和音频等混合输入；Flash 适合更快的交互和更高频的请求场景；TTS 则把整套能力延伸到更自然的语音体验上。
这也是 Xiaomi MiMo API Provider 落地页最需要讲清楚的部分。相比把所有请求都交给一个通用模型，围绕任务类型去分配模型角色，通常更容易同时兼顾效果、延迟与成本。
四个 Xiaomi MiMo V2 方向，对应四类真实产品需求
先从最适合当前产品行为的模型开始，再随着工作流成熟逐步扩展为多模型架构。
快速比较 Xiaomi MiMo V2 各模型定位
通过这个对比视图，快速判断你的产品应该由哪个模型承担推理、多模态输入、实时流量或语音输出任务。
| 模型 | 最适合 | 输入类型 | 输出方向 | 速度特征 |
|---|---|---|---|---|
| MiMo V2 Pro | 复杂推理、Agent 工作流、长上下文分析 | 以文本与结构化上下文为主 | 高质量推理与任务执行结果 | 质量优先 |
| MiMo V2 Omni | 多模态助手、媒体理解、混合输入工作流 | 文本、图像、视频、音频 | 跨模态理解与响应生成 | 均衡 |
| MiMo V2 Flash | 实时聊天、前台助手、高吞吐场景 | 以文本和轻量请求流为主 | 快速回复与轻量任务处理 | 最快 |
| MiMo V2 TTS | 语音助手、播报、品牌音色、角色语音 | 文本与风格控制指令 | 富表现力语音音频 | 快速语音合成 |
围绕产品工作流做模型分工，而不是只看模型名称
真正强的 Xiaomi MiMo 产品通常会组合多个模型角色，而不是让一个模型承担所有任务。
关于 Xiaomi MiMo 的常见问题
快速解答最常见的接入与模型选择问题
Xiaomi MiMo API 是什么？
Xiaomi MiMo API 指的是围绕 Xiaomi MiMo 模型家族进行的接口接入能力，包括 MiMo V2 Pro、MiMo V2 Omni、MiMo V2 Flash 和 MiMo V2 TTS。当前站点重点帮助开发者理解不同模型在推理、多模态、低延迟与语音场景中的定位。
MiMo V2 Pro、Omni、Flash 和 TTS 有什么区别？
MiMo V2 Pro 更适合复杂推理、长上下文和 AI Agent 工作流；MiMo V2 Omni 更适合图像、视频、音频与文本的多模态理解；MiMo V2 Flash 更适合低延迟、高频调用和成本敏感场景；MiMo V2 TTS 更适合自然语音输出、风格控制和语音产品体验。
哪个 Xiaomi MiMo 模型更适合 AI Agent？
如果你的 AI Agent 需要更强的任务拆解、上下文理解、分析总结和多步执行能力，通常更适合优先考虑 MiMo V2 Pro。它更适合作为智能体系统中的核心推理层。
MiMo V2 Omni 支持图像、视频和音频理解吗？
从公开模型信息来看，MiMo V2 Omni 是 MiMo V2 家族中的多模态方向模型，更适合处理截图、视频片段、音频内容与文本指令混合输入的工作流。对于多模态助手、媒体分析和跨模态检索，这类能力尤其重要。
MiMo V2 Flash 更适合低延迟应用吗？
是的。如果你的产品强调响应速度、调用频率和在线交互体验，MiMo V2 Flash 会是更合适的方向。它更适合实时聊天、前台助手、客服系统和其他需要快速返回结果的场景。
MiMo V2 TTS 可以用于语音助手和角色声音吗？
可以。MiMo V2 TTS 适合语音助手、数字人、内容播报、角色语音和品牌声音场景。对于把“声音体验”作为产品重要组成部分的应用，TTS 模型通常是必不可少的一环。
是否需要为不同产品流程选择不同模型？
通常需要。MiMo V2 模型家族最有价值的地方就在于可以按任务分层：复杂推理交给 Pro，多模态输入交给 Omni，实时交互交给 Flash，语音输出交给 TTS。这样更容易平衡效果、延迟与成本。
这个网站是介绍单一模型，还是整个 MiMo V2 家族？
这个网站聚焦 Xiaomi MiMo API 接入，同时以 MiMo V2 模型家族为核心进行介绍。相比只展示单一模型，我们更强调 Pro、Omni、Flash 和 TTS 的组合价值，帮助开发者更快找到适合自己产品的能力方案。