凤凰网科技讯 3 月 19 日，小米发布面向 Agent 时代的全模态基座模型 Xiaomi MiMo-V2-Omni … 该模型从底层构建融合文本、视觉、语音的全模态架构，将感知与行动深度绑定，原生支持多模态感知、工具调用、函数执行及 GUI 操作能力 … MiMo-V2-Omni 在音频理解方面支持环境声分类、多说话人分离、音频-视觉联合推理及超 10 小时长音频理解，综合表现超越 Gemini 3 Pro。
暂无讨论，说说你的看法吧
凤凰网科技讯 3 月 19 日，小米发布面向 Agent 时代的全模态基座模型 Xiaomi MiMo-V2-Omni … 该模型从底层构建融合文本、视觉、语音的全模态架构，将感知与行动深度绑定，原生支持多模态感知、工具调用、函数执行及 GUI 操作能力 … MiMo-V2-Omni 在音频理解方面支持环境声分类、多说话人分离、音频-视觉联合推理及超 10 小时长音频理解，综合表现超越 Gemini 3 Pro。