小米MiMo在全球最大AI模型API聚合平臺OpenRouter上登頂全球調用量榜首，成爲首個獲此成就的國產大模型。近一個月，MiMo貢獻1.45萬億Token調用量，在300多個模型中脫穎而出。其端雲協同架構設計帶來高推理效率和低成本，實用性優先的定位獲全球開發者認可。生態上，Nous Research已與小米合作，MiMo系列全面接入增長最快的開源生態。
在AI平臺OpenRouter最新統計中，開源Agent框架Hermes Agent的調用量全球登頂，日均Token調用量達2910億，周調用量突破1.75萬億。小米自研的MiMo大模型作爲其首選推理引擎，近一個月貢獻1.45萬億Token調用量，位居所有支撐模型之首，成爲核心推動力。
Hermes Agent 智能體框架由Nous Research開發並開源，自2026年2月發佈後迅速崛起，在全球Token消耗量榜單上首次超越OpenClaw登頂首位。該智能體在調用前五大模型方面表現突出，包括小米MiMo-V2-Pro、MiniMax M2.7、英偉達Nemotron 3 Super、階躍星辰Step 3.5 Flash及騰訊Hy3 preview，展現了其在AI領域的領先地位。
小米發佈MiMo-V2.5全鏈路語音模型系列，包括三款TTS模型和一款開源ASR模型，覆蓋語音輸入與輸出。TTS模型能精準調度情緒、語氣和角色身份，讓聲音可編程、可創作、可復刻，提升人機交互自然度，開啓語音智能新紀元。
小米首個推理大模型MiMo開源，專為推理任務設計，性能卓越。
可控角色視頻合成技術
DJI 手持穩定設備專屬應用，創作無限。
XiaomiMiMo
米模具身模型（MiMo-Embodied）是一款強大的跨具身視覺語言模型，在自動駕駛和具身AI任務中均展現出了卓越的性能。它是首個將這兩個關鍵領域相結合的開源視覺語言模型，顯著提升了在動態物理環境中的理解和推理能力。
MiMo Audio是小米開發的音頻語言模型，通過大規模預訓練展現出強大的少樣本學習能力。該模型突破了傳統模型依賴特定任務微調的侷限，在語音智能、音頻理解等任務中表現出色，在開源模型中達到先進水平。
MiMo Audio是一款基於大規模預訓練的音頻語言模型，在語音智能和音頻理解基準測試中取得了開源模型的SOTA性能。該模型展現出強大的少樣本學習能力，能夠泛化到訓練數據中未包含的任務，支持語音轉換、風格遷移和語音編輯等多種音頻任務。
bartowski
這是XiaomiMiMo的MiMo-VL-7B-SFT-2508模型的量化版本，使用llama.cpp進行優化處理，旨在提升模型在特定硬件上的運行性能。該模型是一個70億參數的視覺語言模型，支持圖像到文本的生成任務。
這是小米MiMo-VL-7B-RL-2508模型的GGUF量化版本，使用llama.cpp的imatrix選項進行量化處理，支持多種量化級別，適用於不同的硬件配置和性能需求。
allura-forge
MiMo是小米專為推理任務從頭開始訓練的大語言模型系列，通過優化預訓練和後訓練策略，在數學和代碼推理任務上展現出卓越性能。項目開源了7B參數規模的多個版本，包括基礎模型、SFT模型和RL模型。
benxh
這是XiaomiMiMo/MiMo-VL-7B-RL-2508模型的GGUF量化版本，採用Q6_K量化級別。該模型是一個7B參數規模的多模態視覺語言模型，支持圖像和文本的聯合理解與生成任務。
MiMo-VL是一款緊湊且強大的視覺語言模型，結合了原生分辨率ViT編碼器、MLP投影器和MiMo-7B語言模型，在多模態推理等任務中表現出色。該模型在多個基準測試中表現優異，具備思維控制功能，用戶體驗顯著提升。
MiMo-VL是一款緊湊且強大的視覺語言模型，結合了原生分辨率ViT編碼器、MLP投影儀和專為複雜推理任務優化的MiMo-7B語言模型。通過多階段預訓練和後訓練，在多個視覺語言任務中取得了優異的成績。
MiMo是一系列專為推理任務從頭訓練的7B參數模型，通過優化預訓練和後訓練策略，在數學和代碼推理任務上表現出色。
MiMo-7B 是小米推出的專為推理任務設計的語言模型系列，包括基礎模型、SFT模型和RL模型，在數學和代碼推理任務上表現優異。
MiMo-7B-RL是基於MiMo-7B-SFT模型訓練的強化學習模型，在數學與代碼推理任務上表現出色，性能媲美OpenAI o1-mini。
小米推出的7B參數規模推理專用語言模型系列，通過優化預訓練和後訓練策略顯著提升數學與代碼推理能力
MiMo-7B-RL是基於MiMo-7B-SFT模型訓練的強化學習模型，在數學與代碼推理任務上達到與OpenAI o1-mini比肩的性能。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
