11 个小时前，小米深夜 " 突袭式 " 发布并开源了其最新的专家混合架构（MoE）大语言模型 MiMo-V2-Flash。该模型总参数量达 3090 亿，活跃参数为 150 亿，采用对开发者友好的 MIT 开源协议，基础版权重也已经在 Hugging Face 上发布。

小米 MiMo 团队负责人罗福莉（Fuli Luo）在社交平台上明确表示："MiMo-V2-Flash 已经上线。这只是我们 AGI 路线图上的第二步。"这一表态凸显了小米在 AI 领域的长远规划和技术雄心。

从市场影响来看，MiMo-V2-Flash 的入局可能搅动现有开源 AI 模型的竞争格局。其官方公布的每百万输入 token 0.1 美元、输出 token 0.3 美元的极低成本，结合高达 150 tokens/ 秒的推理速度，为开发者和企业提供了极具吸引力的选择，或将加速高性能 AI 技术在更广泛场景的应用和普及，尤其是对其庞大的 " 手机 x AIoT" 生态系统形成强大赋能。

性能媲美 DeepSeek-V3.2，并且 " 极具性价比 "

MiMo-V2-Flash 在多个权威基准测试中展现了强大的实力，其性能表现足以和部分顶尖的开源及闭源模型同台竞技。

根据小米官方公布的数据，在衡量编程能力的 SWE-bench Verified 测试中，MiMo-V2-Flash 取得了 73.4% 的得分，超越了所有已知的开源模型，并接近顶级闭源模型的水平。

在 AIME 2025 数学竞赛和 GPQA-Diamond 科学知识测试等考验推理能力的项目中，该模型也位列开源模型前两名。摩根士丹利的研报图表亦显示，MiMo-V2-Flash 在综合性能上与 DeepSeek-V3.2 等主流大模型相比具有竞争力。

在愈发重要的智能体（Agent）任务上，MiMo-V2-Flash 同样表现出色。数据显示，其在 τ² -Bench 分类得分中，通信、零售、航空等多个类别均获得高分，证明其具备理解复杂任务逻辑和执行多轮交互的能力。

小米方面表态现实，该模型的高性能与 150 tokens/ 秒的推理速度，加上极低的运营成本，使其成为现有最高性价比的高性能模型之一。目前，该模型已在 API 平台限时免费开放，并以 MIT 开源协议在 Hugging Face 上发布了基础版权重。

" 极致性价比 " 背后的技术创新：解锁效率与长文本能力

MiMo-V2-Flash 之所以能在保持高性能的同时实现低成本和高效率，得益于其在模型架构和训练方法上的多项关键技术创新。

首先，是" 混合滑动窗口注意力机制 "（Hybrid Sliding Window Attention）。小米采用了一种 5:1 的混合比例，即每 5 层滑动窗口注意力（SWA）搭配 1 层全局注意力，将 KV 缓存（一种用于存储中间结果的内存）的存储量减少了近 6 倍，同时依然支持高达 256k 的超长上下文窗口。

罗福莉（Fuli Luo）在其 X 帖子中分享了工程细节：" 我们最终选择了混合 SWA。它简单、优雅，并且在我们的内部基准测试中，其长上下文推理能力优于其他线性注意力变体。" 她特别指出一个反直觉的发现，即 128 个 token 的窗口大小是 " 最佳选择 "，盲目扩大到 512 反而会导致性能下降，并强调 "sink values 是不可或缺的 "。

其次，是轻量级多 Token 预测（Lightweight Multi-Token Prediction, MTP）。该技术使模型能一次并行预测多个 token，而非传统的逐字生成，从而将推理速度提升 2 至 2.6 倍。

罗福莉透露：" 通过 3 层 MTP，我们观察到平均接受 token 数超过 3 个，编码任务速度提升约 2.5 倍。" 她补充说，这项技术有效解决了 GPU 的空闲时间问题，尽管因项目周期紧张此次未能完全整合进强化学习（RL）循环，但小米已将 3 层 MTP 开源，供开发者使用。

今年 11 月，曾效力 DeepSeek 的罗福莉在 X 上高调宣布正式加入小米，出任 MiMo 团队负责人。小米 MiMo 是小米推进大模型研发的核心招牌，随着罗福莉的官宣，小米 MiMo 也被一并明确，剑指最前沿——空间智能。

训练 " 黑科技 "：1/50 算力实现性能对齐

在训练阶段，小米采用了业界领先的技术以最大化效率。模型在预训练阶段使用了 FP8 混合精度技术，在 27 万亿 token 的数据上完成训练。

更具突破性的是在后训练阶段引入的多教师在线策略蒸馏（Multi-teacher Online Policy Distillation, MOPD）框架。据小米介绍，该方法借鉴了 Thinking Machine 的 On-Policy Distillation 思路，让学生模型在训练时能从多个专家教师模型处获得密集的奖励信号。其最显著的优势在于效率，仅需传统 SFT（监督微调）与强化学习相结合方法的 1/50 算力，就能让学生模型达到教师模型的性能峰值。

罗福莉指出，这一框架为构建一个 " 自我强化循环系统 " 奠定了基础，即今天的学生模型在进化后可以成为明天更强的教师模型，从而实现模型的持续、高效迭代。

小米的 AI 版图：从手机到 AGI

MiMo-V2-Flash 的发布，并非一次孤立的技术展示，而是小米 AI 战略的重要组成部分。正如罗福莉所言，这只是其 AGI 路线图的 " 第二步 "，暗示了后续将有更深入的布局。

此举清晰地表明了小米正全力将 AI 打造为其核心竞争力之一。据摩根士丹利发布的研报观点称，此举 " 展示了小米对 AI 研发的承诺 "，并预计该公司未来将在云端 AI 和边缘 AI 两方面取得更多实质性进展。而强大的自研 AI 底层能力，将为其手机、IoT 设备乃至新能源汽车等硬件产品带来独特的智能化体验，构筑更深的生态护城河。

摩根士丹利认为，MiMo-V2-Flash 的推出，不仅可能重塑开源 AI 模型市场格局，更揭示了小米意图通过自研 AI 技术深度赋能其 " 人车家 " 全生态的战略野心。

十四年前，小米手机以 1999 元的价格重新定义了旗舰智能手机市场。如今，小米似乎希望通过 MiMo-V2-Flash，以其卓越的性能和颠覆性的成本，为开源 AI 领域带来一个新的 " 小米时刻 "。

体验模型可戳：https://aistudio.xiaomimimo.com/#/