MiMo-V2-Pro：面向 Agent 工作流程的 Xiaomi 1M 上下文推理模型
MiMo-V2-Pro 是 Xiaomi 面向複雜推理任務的旗艦模型，適合那些不只需要快速文字生成的團隊。它的吸引力來自 1M 上下文、鮮明的 Agent 定位，以及開發者對其規劃、記憶與多步執行能力的早期關注。
OpenRouter 標註的公開上線日期為 2026 年 3 月 18 日。
查看來源它最突出的實用差異點之一，就是 1M tokens 的上下文視窗。
查看來源在 256K tokens 以內的請求中，我們的文件給出的價格是輸入 ¥7.35 / 百萬 tokens、輸出 ¥22.05 / 百萬 tokens；更長上下文請求會進入更高價格檔。
查看來源平台描述更強調它在編排、生產工作流程與工具呼叫任務中的角色。
查看來源最醒目的規格是 1M-token 上下文視窗。放到真實任務裡，這意味著模型可以在更長流程中持續跟住指令、工具輸出、先前推理與大段工作記憶，而不是在中途失去計畫。
OpenRouter 模型頁另一個原因是定位。Xiaomi 及其平台頁面都把 MiMo-V2-Pro 描述成一個認真面向 Agent 的模型，而不是普通聊天端點；開發者討論也不斷圍繞同樣幾個主題展開：規劃品質、記憶能力與執行跟進。
Reddit：OpenClaw 討論目前這些訊號說明了什麼
從多個角度看 MiMo-V2-Pro，能更清楚地理解為什麼它正在獲得關注。
OpenRouter 將 MiMo-V2-Pro 描述為 Xiaomi 的旗艦基礎模型，重點強調它適用於 Agent 場景與大上下文工作流程編排。
OpenRouter 模型頁Artificial Analysis 將它歸類為偏推理的專有模型，並把超大的上下文視窗視為它與其他模型拉開差異的重要因素。
Artificial Analysis 模型頁早期開發者討論主要集中在幾個點上：Agent 任務中的一致性、長上下文記憶，以及在這個價格帶裡超出預期的表現。
Reddit：OpenClaw 討論從早期關注到旗艦定位
MiMo-V2-Pro 不是悄悄出現的。它的關注度是分階段累積起來的，這也解釋了為什麼它現在會被拿來和高端推理模型比較。
在被廣泛認識之前，一些開發者社群已經在討論一個很強的匿名 Agent 模型，常常和「Hunter Alpha」這個標籤聯繫在一起。
Reddit：OpenClaw 討論2026 年 3 月 18 日，OpenRouter 正式列出 MiMo-V2-Pro，並給出 1M 上下文與旗艦 Agent 定位。
OpenRouter 模型頁隨後第三方比較頁開始把 MiMo-V2-Pro 放到高端推理模型旁邊，尤其是在上下文長度與 Agent 用途的討論中。
Artificial Analysis 模型頁OpenClaw 等社群開始把它和主流程式與 Agent 模型對比，反覆出現的評價集中在規劃能力與任務跟進表現上。
Reddit：OpenClaw 討論在真實選型裡，MiMo-V2-Pro 怎麼比較
MiMo-V2-Pro 並不是所有工作負載的通用答案。它最有價值的地方，是當你更看重記憶、規劃與編排，而不是最低成本或最快輸出的時候。
Artificial Analysis 對比頁| 維度 | MiMo-V2-Pro | Claude Opus 4.6 | MiMo-V2-Flash |
|---|---|---|---|
| 主要適用場景 | 長上下文 Agent 編排與複雜文字工作流程 | 更通用的高端推理與多模態任務 | 高吞吐、低成本的快速生成任務 |
| 上下文視窗 | 1M 上下文 | Artificial Analysis 對比頁中為 200k | 在我們的文件中為 256k |
| 圖像輸入 | Artificial Analysis 中未顯示圖像輸入能力 | 支援圖像輸入 | 並非主要的圖像優先模型；圖像中心工作流程更適合使用 Omni |
| 為什麼選它 | 當你更看重記憶、工具協作與規劃，而不是絕對速度 | 當你需要更廣的多模態能力，並接受更高成本 | 當你更看重速度與成本效率，而不是旗艦級推理 |
社群回饋裡反覆出現的一點是：它在 Agent 迴圈裡表現得非常連貫，尤其是多步任務，而不只是單次提示。
另一個高頻評價是 MiMo-V2-Pro 在長對話中「記得住很多東西」，這和 1M 上下文視窗的實際吸引力高度一致。
並不是所有評價都一面倒。也有開發者明確提到它的回應更慢，因此更適合被理解為有意偏旗艦定位的模型，而不是速度優先的模型。
如果你只想要最便宜的高吞吐生成路徑，MiMo-V2-Pro 並不是最佳選擇，這正是 MiMo-V2-Flash 更吸引人的地方。
如果你的核心流程依賴圖像輸入，它也不是最理想的主模型。第三方比較頁已經顯示出它和高端多模態模型之間存在明確差異。
Artificial Analysis 對比頁社群回饋是正面的，但仍然偏早期階段，更適合把它理解為有價值的訊號，而不是最終結論。