1. 一场”赶紧做”的追赶#

2022 年底 ChatGPT 引爆大模型热潮后，小米 AI 实验室主任王斌等人在内部开始酝酿自研大模型。2023 年 4 月，小米正式组建 AI 大模型团队，由栾剑（原微软小冰首席语音科学家）任”技术委员会 AI 实验室大模型团队负责人”，向王斌汇报。雷军的态度是”赶紧做”，并承诺投入不设上限。

这个时间点比多数头部厂商晚了约半年，但小米没有选择硬拼云端通用大模型——手机厂商的算力、功耗、隐私约束，决定了它必须走另一条路。

2. 定调：轻量化 + 本地部署#

2023 年 8 月，雷军在年度演讲中宣布小米”全面拥抱大模型”，主攻方向是 “轻量化 + 本地部署”：13 亿参数端侧模型已跑通 Demo，部分场景效果媲美云端 60 亿参数模型。此前 MiLM-6B / 1.3B 已现身 GitHub 及 C-Eval / CMMLU 榜单——这是小米最早的模型亮相。

同年底，界面新闻独家披露小米已搭建 GPU 万卡集群（团队成立时约 6500 张 GPU），算力基建同步就位。

3. MiLM 备案与 MiLM2：云边端矩阵成形#

2024 年 5 月，MiLM 通过大模型备案，获得合规入场券；11 月升级为 MiLM2，参数覆盖 0.3B–30B，形成”云边端结合”的模型矩阵——其中 MiLM2-30B 用于小米 SU7 智能座舱。

关键转折在同一时期发生：MiMo 项目正式启动，小爱同学升级为”超级小爱”。如果说 MiLM 是验证”能不能做”，MiMo 则开始回答”做什么、怎么做”。

阶段小结：这一阶段小米完成了团队、算力、合规、场景四要素的积累。MiLM 系列的”轻量化”路线，为 MiMo 日后的”场景驱动、端云协同”打法埋下了伏笔。

1. MiMo-7B：一个 7B 模型掀起的风暴#

2025 年 4 月 30 日，小米开源首个推理大模型 Xiaomi MiMo（MiMo-7B），由”小米大模型 Core 团队”研发，一次性放出 Base / SFT / RL-Zero / RL 四个版本。三个技术细节值得注意：

• 预训练 25 万亿 tokens（含约 200B 合成推理数据），采用三阶段递进式数据混合——推理数据不是后补的，而是嵌入预训练全流程；
• 多 token 预测（MTP）——明显受 DeepSeek-V3 启发，一次预测多个后续 token，提升训练效率与规划能力；
• 后训练 RL——用 13 万道数学/代码题做强化学习，自研 Seamless Rollout 引擎将训练提速 2.29×、验证提速 1.96×。

评测结果（temp=0.6）：MATH-500 95.8%、AIME24 68.2%、AIME25 55.4%、LiveCodeBench v5 57.8%、GPQA 54.4%、MMLU-Pro 58.6%。MiMo-7B-RL 以 7B 参数在 AIME 24/25、LiveCodeBench v5 上超越 OpenAI o1-mini 与 Qwen QwQ-32B-Preview——“7B 打 32B、打闭源推理模型”，直接引爆社区。

市场反应同样热烈：发布当天小米股价涨 4.74%，市值站上 1.29 万亿港元。

2. RL-0530：一个月内再超 DeepSeek R1#

2025 年 5 月 30 日发布的 MiMo-7B-RL-0530 展现了惊人的迭代速度：SFT 数据从 50 万条扩到 600 万条，RL 窗口从 32K 扩到 48K，AIME24 从 68.2 直接拉到 80.1——超过了 DeepSeek R1 的 79.8；MATH-500 同步升至 97.2。

一个 7B 模型在数学推理上打赢 671B 的 R1，这是当时开源社区最热的话题之一。它也确立了 MiMo 的一个核心方法论：推理能力不是参数堆出来的，是数据工程 + RL 配方”炼”出来的。

1. MiMo-VL-7B：视觉语言能力补齐#

2025 年年中，小米开源 MiMo-VL-7B（SFT / RL 两版）。架构上采用务实路线：Qwen2.5-ViT 视觉编码器 + MLP projector + MiMo-7B 主干，四阶段预训练 2.4 万亿 tokens，后训练使用混合在线强化学习 MORL。

成绩单：OlympiadBench 59.4（超越 78B 级模型）、OSWorld-G 56.1（超越 UI-TARS），40 项任务中 35 项超越 Qwen2.5-VL-7B——证明 MiMo 的文本推理底座可以高效迁移到视觉场景，且用相对小的模型打出了更大模型的成绩。

同期发布的 MiMo-Audio-7B 补齐音频模态（具体参数与评测待核实）。

阶段小结：从纯文本推理到视觉/音频，MiMo 没有重复造”视觉编码器”的轮子，而是复用成熟组件 + 自有强推理主干——这是一条成本可控、见效快的多模态路线，也为后来的全模态 V2.5 攒下了方法论。

1. 罗福莉加盟：研发主帅更替#

2025 年 11 月 12 日，前 DeepSeek 核心研究员（DeepSeek-V2 作者之一）罗福莉官宣加入小米，任 MiMo 大模型负责人；12 月 17 日她在小米”人车家全生态”合作伙伴大会首秀。外界传言的”千万年薪”未获双方证实，但这次加盟的象征意义明确：小米要把 MiMo 从”追赶者”推向”第一梯队”。

罗福莉团队的画像在后续报道中逐渐清晰：平均年龄 25 岁、清北毕业生占比超六成——一支年轻、精干、由顶会论文作者组成的技术攻坚队。

2. MiMo-V2-Flash：MoE 旗舰首次亮相#

2025 年 12 月 16–17 日，小米开源 MiMo-V2-Flash，这是 MiMo 系列第一个 MoE 旗舰：

• 总参数 309B、激活参数 15B——用约 1/20 的参数做推理；
• 混合注意力架构：128-token 滑动窗口注意力 + 全注意力，比例 5<1>；
• 256K 上下文、150 tok/s 推理速度，MIT 协议开源；
• 成绩：SWE-bench Verified 73.4%，开源模型第一；AIME 2025 / GPQA 跻身开源前二。

同场发布的还有 MiMo-Embodied（具身智能模型），MiMo 能力同步落地 HAD 辅助驾驶。小米官方还公开了 V2-Flash 与 DeepSeek-V3.2、K2-Thinking、Claude Sonnet 4.5 的对比数据——敢直接对标闭源前沿，姿态已然不同。

3. HySparse：长上下文注意力新探索#

2026 年 1 月 V2-Flash 迎来版本更新；2 月，小米推出 HySparse（混合稀疏注意力）架构——把稀疏注意力与稠密注意力按需组合，直指长上下文场景的效率问题。这条技术线与 DeepSeek 的 DSA / CSA+HCA 处于同一赛道，是 MiMo 在”效率”维度上开始正面较量的信号。

阶段小结：罗福莉团队的到来 + V2-Flash 的开源，完成了 MiMo 从”小模型推理特化”到”MoE 旗舰 + 开源生态”的关键一跃。

1. 三连发：V2-Pro、V2-Omni、V2-TTS#

2026 年 3 月 18–19 日，小米一口气发布三款模型：

• MiMo-V2-Pro：万亿级 MoE（总参数过万亿），100 万 token 上下文，在 Artificial Analysis 综合智能榜位列全球第八；
• V2-Omni：全模态模型；
• V2-TTS：语音合成模型。

同月，手机端 AI 智能体应用 miclaw 小范围封测——卢伟冰的定调是：不会取代小爱，将与超级小爱合体赋能。

2. V2.5 全量开源：全球开源登顶#

2026 年 4 月 23 日，V2.5 系列公测；4 月 28 日正式全量开源（MIT 协议），并同步启动 Orbit 百万亿 Token 计划——30 天免费发放 100 万亿 tokens（4.28–5.28），直接复制并放大了”开源 + 生态补贴”的打法。

• V2.5-Pro：1.02 万亿参数 / 42B 激活，27T tokens 预训练，1M 上下文；在 GDPVal-AA、ClawEval 榜单登顶全球开源第一，超越 DeepSeek-V4-Pro 与 Kimi K2.6；
• V2.5：310B / 15B 激活，原生全模态（文/图/视频/音频），48T tokens 训练。

开源首日即完成 7 家芯片厂商（平头哥、AWS、AMD、昆仑芯等）与 SGLang / vLLM 的 Day-0 适配——生态工程能力是这次”登顶”能落地的关键一环。

3. 商业化闭环#

2026 年 5 月，MiMo API 永久降价、最高降幅 99%（输出低至 2 元/百万 tokens）；雷军宣布 2026 年 AI 投入至少 160 亿元、未来三年 600 亿元；V2.5-Pro 在 Artificial Analysis 综合智能指数 / Agent 指数上全球开源并列第一。

6 月，发布 MiMo Code（开源终端 AI 编程代理）与 Miloco 2.0 智能家居方案（基于 MiMo-VL-Miloco-7B）；7 月，小爱同学组织架构调整——基础模型能力统一归罗福莉的 MiMo 团队，栾剑负责云端工程化，端侧下放各 OS 团队。至此，MiMo 从”小米的大模型项目”变成了”驱动超级小爱、HyperOS、智能座舱、HAD 的通用基座”。

阶段小结：V2.5 系列是 MiMo 的集大成者——万亿参数、全模态、百万上下文、全球开源第一，外加 API 降价与 Orbit 生态计划，完成了从”技术开源”到”商业生态”的闭环。

主线一：架构效率——从”端侧省”到”云端也省”#

MiLM（6B 稠密端侧）→ MiMo-7B（7B 推理特化，MTP + 数据工程）→ V2-Flash（MoE 309B/15B + 混合注意力）→ HySparse（混合稀疏注意力）→ V2.5-Pro（1.02T/42B + 原生全模态）

• 端侧轻量化 = 场景倒逼（功耗/隐私/离线）；
• MTP = 训练效率（DeepSeek-V3 式思路的移植）；
• MoE + 混合注意力 = 推理效率（15B 激活扛 309B 总参）；
• HySparse = 长上下文效率（与 DSA / CSA+HCA 同赛道）。

主线二：能力突围——从”会算”到”会看、会说、会干活”#

数学/代码推理（MiMo-7B-RL）→ 视觉语言（MiMo-VL-7B）→ 音频（MiMo-Audio-7B）→ Agent / 具身（MiMo-Embodied、MiMo Code、miclaw）→ 全模态（V2-Omni、V2.5）

对应落地场景：超级小爱（手机）→ HyperOS（系统）→ 智能座舱 / SU7（车）→ HAD 辅助驾驶 → Miloco 智能家居——“人车家全生态”是 MiMo 能力演进的牵引线。