小米 MiMo-V2-Pro 登場：1T MoE 模型

小米這次真的把牌面打很大。MiMo-V2-Pro 總參數超過 1 兆，單次啟用 420 億。它還給你 100 萬 token context，起價每百萬 input token 1 美元。

講白了，這不是拿來聊天裝可愛的模型。它是衝著 agentic coding 來的。成本、延遲、長上下文，這三個痛點一次全碰上。小米直接把它們攤在桌上。

在 SWE-bench Verified 上，小米宣稱它拿到 78.0%。這個分數很接近 Claude Sonnet 4.6 的 79.6%。和 Claude Opus 4.6 的 80.8% 也只差一點點。

小米到底端出什麼

MiMo-V2-Pro 是小米第二代 MiMo 系列的旗艦文字模型。它採用 Mixture-of-Experts，也就是 MoE。簡單說，總參數很大，但每個 token 只喚起其中一部分。

這招很實際。你不用真的讓 1T 參數每次都跑一遍。那樣伺服器會先哭。MiMo-V2-Pro 每個 token 啟用 42B 參數，比較像是把大腦分工切開，讓不同專家輪流上場。

小米還加了 7:1 hybrid attention pattern，外加輕量 Multi-Token Prediction 層。這些設計都指向同一件事。它想讓 agent loop 跑得更順，少一點卡頓，多一點連續操作。

對開發者來說，最重要的不是架構圖，是能不能直接接。MiMo-V2-Pro 目前是 API only，沒有公開權重可抓。你可以從 platform.xiaomimimo.com 下手，也能走 OpenAI 相容端點 api.xiaomimimo.com/v1。它也上了 OpenRouter。

• 總參數超過 1T
• 每 token 啟用 42B
• 標準 context 256K，延伸到 1M
• 最大 completion 131,072 token
• 標準 context 價格：input $1、output $3 / 百萬 token
• 256K 到 1M context：input $2、output $6 / 百萬 token

為什麼 Hunter Alpha 會鬧這麼大

在小米正式揭曉前，AI 圈先被一個匿名模型搞得很熱。它叫 OpenRouter 上的 Hunter Alpha。它大概在 2026 年 3 月 11 日出現，接著就開始吃掉大量流量。

那個流量不是小數字。外界估計它每週處理約 5000 億 token。這種用量，通常不是小模型能扛的。大家自然會開始猜，背後是不是藏著什麼大傢伙。

最先被拿來猜的，是 DeepSeek V4。原因也不難懂。小米研究主管羅福莉之前就在 DeepSeek 工作過。這讓整件事更像一場業界八卦接力。直到小米在 3 月 18 日確認，Hunter Alpha 就是 MiMo-V2-Pro，話題才從「這是誰」變成「小米怎麼做到這個價格」。

“I am a Chinese AI model primarily trained in Chinese.”

這句話就是當時的名場面。當模型被問自己是誰，它只回了這句。說真的，這種回答很像故意吊胃口。也很像一台還沒想好要不要自曝身分的 AI。

小米還順手做了開發者拉新。像 Cline、Blackbox、KiloCode、OpenClaw、OpenCode 這些工具，發表週都有免費 API 可試。這招很務實。真實開發者丟進去的 repo，才會把模型的毛病逼出來。

數字怎麼看，跟誰比才有感

如果只看宣傳詞，大家很容易麻木。還是得拿數字對照。MiMo-V2-Pro 最有感的地方，是它把接近頂級 coding 模型的分數，壓到更低的價格帶。

在 SWE-bench Verified 上，小米給的成績是 78.0%。Claude Sonnet 4.6 是 79.6%。Claude Opus 4.6 是 80.8%。分數差距不大，價格差距就很有感。

標準 context 下，MiMo-V2-Pro 是 input $1、output $3。Sonnet 4.6 是 $3 和 $15。Opus 4.6 則是 $5 和 $25。這種差距放到大量 agent traffic，帳單會很誠實地告訴你誰比較兇。

在 agentic 任務上，小米還丟出 ClawEval 61.5。這個 benchmark 看的是多輪工具使用、錯誤修正、長程規劃。這些就是 coding agent 最常翻車的地方。MiMo-V2-Pro 在這裡高於 GPT-5.2 的 50.0，低於 Opus 4.6 的 66.3。

• SWE-bench Verified：MiMo-V2-Pro 78.0%，Sonnet 4.6 79.6%，Opus 4.6 80.8%
• ClawEval：MiMo-V2-Pro 61.5，GPT-5.2 50.0，Opus 4.6 66.3
• Terminal-Bench 2.0：MiMo-V2-Pro 86.7
• GPQA Diamond：MiMo-V2-Pro 87%
• VentureBeat 引用的測試總成本：MiMo-V2-Pro $348，GPT-5.2 $2,304，Claude Opus 4.6 $2,486

我覺得最刺眼的是成本。VentureBeat 報的 benchmark 總帳單，MiMo-V2-Pro 只有 $348。GPT-5.2 是 $2,304。Claude Opus 4.6 是 $2,486。這不是差一點，是直接差一個級距。

它適合放進哪種產品

MiMo-V2-Pro 不是小米唯一的模型。這次它一次丟出三款。這很像在告訴你：別只看旗艦，整條產品線都有分工。

MiMo-V2-Flash 是可自架的版本。它有 310B 總參數、15B active parameters，而且在 Hugging Face 上給了 MIT 授權。這對想控成本、控資料、控部署的人，吸引力很直接。

小米還發了 MiMo-V2-Omni。它走多模態，能處理文字、圖片、影片、音訊。小米說它可以一次處理 10 小時以上連續音訊。價格則是 input $0.40、output $2.00 / 百萬 token。

所以三款的定位其實很清楚。你要本地控制，就看 Flash。你要多模態，就先試 Omni。你要最強 agentic coding 表現，就先拿 Pro 去跑你的流水線。

但也別太快高潮。MiMo-V2-Pro 目前還有幾個空白。它沒有公開權重。完整總參數拆法也沒全公開。跨所有知識 benchmark 的對照表也不算完整。它也沒有多模態輸入。做文件理解或媒體流程的人，還是得另找模型。

如果你問我值不值得試，我會說值得。不是因為它神。是因為它把「接近頂級 coding 成績」和「便宜很多」放在一起。這種組合，對 SaaS、內部工具、客服自動化、repo 修補 agent，都很有吸引力。

這波對開發圈代表什麼

中國模型廠現在很常做一件事。先把參數數字拉高，再把價格壓低。這招不新，但很有效。因為開發者最後看的是每次呼叫的成本，不是簡報封面。

MiMo-V2-Pro 的出現，也讓 agent 模型的競爭更直接。以前大家比的是聊天品質。現在比的是能不能在長 context 裡穩定做事。能不能接工具。能不能修 repo。能不能在一堆失敗後還撐住。

這也是為什麼 1M context 很重要。很多真實工作不是一問一答。是整包資料、整個專案、整段對話、整串 log 一起丟。你要的是記得住，也要跑得動。這兩件事常常互相打架。

現在的關鍵問題很簡單。你的 agent stack，能不能把一部分 coding 流量切到 MiMo-V2-Pro，然後真的省下錢，還不掉穩定性？如果可以，那它就不是新聞而已。它會變成你月底帳單上的差異。

最後怎麼看

我會先把 MiMo-V2-Pro 當成一個值得測的高性價比選項。不是直接換掉現有主力，而是拿 20% 到 30% 的 coding 流量做 A/B test。看修 bug 成功率、工具呼叫失敗率、平均 completion 成本。

如果你的團隊現在就有大量 agent 工作，這款模型很適合放進試跑清單。尤其是那些要長上下文、要多輪操作、又很在意帳單的案子。先測，再決定要不要放大。

說真的，這類模型現在比的是實戰，不是口號。你手上的 repo、log、ticket、CI 失敗紀錄，才是最好的考場。MiMo-V2-Pro 值不值得留下來，答案應該會很快出來。