Mimo-v2-Pro & Mimo-v2-Omni
综合场景深度测评报告
数据来源：XSCT Arena | 评测日期：2026-03-19
用例集：16 条跨模型对比（L/W/A 三维覆盖）+ 14 条小米内部对比
基于 XSCT Arena 平台 L（文本理解）/ W（Web 应用生成）/ A（Agentic 任务）三轨全量数据，对标 Mimo-v2-Flash 内部基线，横向比对 Claude Sonnet 4.6、GPT-5.4、Gemini 3.1 Pro。
Judge：Claude 50% · Gemini 30% · Kimi 20%
本报告所有评测数据均由小山基于 XSCT 用例生成。
详细报告请点击查看原文查阅原始数据与评测用例。
一、执行摘要
核心结论速览
二、研究背景与方法论
2.1 平台说明
本报告全部数据来自 XSCT Arena 场景化大模型评测平台，评测覆盖文本理解（xsct-l）、Web 应用生成（xsct-w）、Agentic 任务执行（xsct-a）三个维度，每条用例设 Basic / Medium / Hard 三档难度，综合分 = 日常（30%）+ 专业（40%）+ 极限（30%）。
2.2 公平对比原则
-
横向对比仅选所有目标模型均有数据的公平用例集，某模型缺数据则该用例不参与排名 -
每个维度取 ≥3 条用例均分；单用例数据在报告中明确标注用例数量 -
Judge 分差 >15 分时专门说明分歧原因 -
得分差距判断：≤2 分 = 误差；5-9 分 = 有意义；≥10 分 = 明显优势
2.3 目标模型与竞品列表
三、模型基本档案
3.1 Mimo-v2-Pro
- 强项：
文本写作（L-Writing 87.3 hard）、长文逻辑一致性、多场景人设控制 - 风险1：
Web 生成能力严重低于系列预期（W 综合 73.4，#18，甚至低于 Flash #11） - 风险2：
Agentic 任务执行较弱（56.7，与 Flash 持平），工具调用可靠性存疑 - 适配场景：
内容创作平台、专业写作辅助、长文本生成、角色扮演类产品 - 不建议场景：
前端代码生成、Web App 构建、复杂 Agent 工作流
3.2 Mimo-v2-Omni
- 强项：
Agentic 任务（62.8，与 GPT-5.4 并列 #4）、PPT/文档生成类 Agent、多轮对话意图追踪 - 风险1：
文本写作出现幻觉风险（擅自添加”单亲”人设） - 风险2：
Web 生成低于竞品（78.1，落后于 Flash 78.8） - 适配场景：
办公自动化 Agent、文档生成工作流、PPT/报告自动化、轻量级 Agentic 产品 - 不建议场景：
严格事实性写作、医疗/法律高精度内容生成
3.3 系列内部进化对比
四、全景维度评分（L / W / A）
4.1 xsct-l 文本综合热力表
4.2 xsct-w 热力表（Web 应用生成）
4.3 xsct-a 热力表（Agentic 任务）
五、核心场景深度分析
5.1 写作任务 — 多场景角色一致性（l_write_001 · hard）
用例描述：扮演”林思远”（35岁 UX 设计师，建筑师转行，有4岁女儿，移居成都），完成私人邮件 + 约会软件简介 + 面试回答三段写作，并输出人设一致性自查表。
5.2 博弈论推理 — 蜈蚣博弈逆向归纳（l_logic_009 · hard）
用例描述：100轮蜈蚣博弈完整分析——要求逆向归纳推导子博弈完美均衡、解释实验现象与理论偏差（认知层次、社会偏好等≥2维度）、批判「完全理性」与 CKR 假设局限、分析 AI 对战均衡与强化学习偏差。
5.3 科幻短篇创作 — 非线性叙事（l_creative_001 · hard）
用例描述：280-320字科幻故事开头，需包含哲学命题（100字内）、非线性叙事结构、≥2种感官描写、自然融入伏笔，禁止套语和旁白式解释。
5.4 Agentic PPT 生成 — 多轮矛盾指令处理（a_034 · hard）
用例描述：多轮对话中将”政府汇报 PPT”改版为”投资人路演 PPT”，处理风险页去留矛盾、总页数 10 页限制、保留特定场景页等冲突约束。
5.5 多视角叙事写作（l_write_007 · hard）
5.6 文学翻译批评 — 《盖茨比》结尾句（l_trans_004 · hard）
5.7 代码工程 — 分布式限流器设计（l_code_038 · hard）
5.8 多工具协同执行 — Flash 极端失分（l_agent_004 · medium）
5.9 数学推理 — 质数无穷证明（l_math_007 · hard）
5.10 数学竞赛深度推理（l_math_008 · 三档难度对比）
5.11 子 Agent 并行编排（orch_001 · 三档难度）
六、横向竞品对标
6.1 公平用例集逐条对比（9 条全模型完整数据）
6.2 Omni vs 外部竞品维度均分对比
七、综合评估：优劣势矩阵
Mimo-v2-Pro 优劣势
Mimo-v2-Omni 优劣势
八、场景选型建议
- 选 Pro：
核心任务是高质量长文本生成、多场景写作、内容营销，且对 Web 生成无需求 - 选 Omni：
需要 Agentic 能力（文档生成/工具调用/多轮对话），PPT 自动化，或希望以 1/7.8 的 GPT 价格实现相近效果 - 选 Flash：
高并发低成本场景，日常文本质量够用，需要 Web 生成能力，预算极度敏感
⚠️ 避免将 Pro 用于 Web 前端代码生成，这是其最大短板。
九、核心结论与改进建议
改进建议优先级
展望
综合 30 条测评用例数据来看，小米 Mimo-v2 系列的核心竞争力在于极致的性价比——Omni 以 GPT-5.4 约 1/56 的输出成本，在 A 维度达到与其并列的水准；Flash 以极低的价格覆盖大量日常 L/W 场景。然而当前版本存在三条明显的”能力断层线”：Flash 在复杂 W 用例中的代码截断与逻辑崩溃；全系列在 Agentic 冷启动场景中的决策陷阱；Pro 在 W 维度的系列内倒退。
本次新增 Claude Sonnet 4.6 数据进一步明确了差距边界：W 和 A 维度已与外部顶级竞品基本持平，L 维度的代码工程规范性、人文写作深度、复杂逻辑推理是与 Claude 差距最显著的三个方向，建议作为 Mimo-v3 的重点强化目标。如果 Mimo-v3 能够在保持现有成本优势的同时修复上述问题，小米系列将在中等复杂度 Agent/Web 应用市场形成较强的差异化竞争位置。
十、附录：全量用例对照表
十一、局限性声明
用例覆盖不完全：本报告深度分析集中在 L / W / A 三轨 Hard 难度代表性用例，通过维度均分呈现整体表现。建议关键决策前通过平台验证更多用例。
LLM-as-a-Judge 主观性：Judge 模型（Claude 50% · Gemini 30% · Kimi 20%）本身的偏好会影响评分。对分差 >15 分的用例均已进行分歧分析，但无法完全消除主观性影响。
价格数据时效性：定价以 2026-03-19 各厂商官方公示价格为准，实际决策时请以最新定价为准。
模型版本迭代：数据采集于 2026 年 3 月，报告结论不代表未来版本表现，建议定期通过 XSCT Arena 平台重新评估。
数据来源：XSCT Arena（xsct.ai） · 报告日期：2026 年 3 月 19 日
评测方式：XSCT Arena 平台全自动化评测，全程无人工干预；
Claude 系列 API 赞助：PIPELLM（pipellm.ai），未参与报告内容撰写
关于我
我是洛小山，一个在 AI 浪潮中不断思考和实践的大厂产品总监。
我不追热点，只分享那些能真正改变我们工作模式的观察和工具。
如果你也在做 AI 产品，欢迎关注我，我们一起进化。