Ongesensureerde MiMo-visie-API

Goedkoop multimodale eindpunte is goedkoop omdat iets weggesny is, en wat weggesny word, is gewoonlik die deel wat jy nie kan sien nie: die gewigte word tot drie of vier bisse gedruk, en die model antwoord steeds met selfvertroue oor 'n grafiek wat dit nie meer werklik kan lees nie. MiMo-V2.5 is die teenvoorbeeld in ons katalogus — teen die prysvloer en teen die boonste presisievlak tegelyk, want die grondslag waarvan dit afstam, is klein en dig gebou eerder as enorm en yl.

01Waar MiMo vandaan kom: eers 'n redeneermodel, dan 'n visiemodel

Die MiMo-lyn is Xiaomi se navorsingsprogram met oop gewigte, en die stigtingsargument is onmodieus: redeneervermoë word tydens voorafrigting vasgelê, nie agterna met RL aangeheg nie. Die werk is meestal data-ingenieurswese — Xiaomi het teksonttrekking en -filtrering herbou om die digtheid van redeneringspatrone in die korpus te verhoog, sintetiese redeneringsdata op skaal gegenereer, en MiMo-7B-Base op ongeveer 25 biljoen tekens voorafgerig onder 'n driefase-mengsel, met Multiple-Token Prediction as 'n hulpdoelwit wat by afleidingstyd ook as 'n spekulatiewe dekodeerder dien (aanvaardingskoers naby 90%, volgens Xiaomi).

Na-afrigting is doelbewus sober: 130,000 wiskunde- en kodeprobleme met slegs reëlgebaseerde akkuraatheidsbelonings, geen aangeleerde beloningsmodel nie, op die redenasie dat 'n neurale beloningsmodel 'n oppervlak is om gekap te word. Verifieerbare belonings kan nie soetgepraat word nie. MiMo-7B-RL boek getalle buite verhouding tot sy grootte — Xiaomi berig 68.2% op AIME 2024, 95.8% op MATH-500, 57.8% op LiveCodeBench v5 teen pass@1, wat OpenAI se o1-mini ewenaar. Dit is die vorm van die model wat jy aanroep: kompak, dig afgerig, ingestel om deur 'n probleem te werk eerder as om 'n antwoord te herroep — en daardie temperament oorleef in die multimodale afstammelinge.

02Hoe MiMo leer sien het: die MiMo-VL-argitektuur

MiMo-VL is die visie-taal-tak, en die konstruksie daarvan is leersaam. Xiaomi het drie dele saamgestel: 'n ViT-enkodeerder met inheemse resolusie wat fyn detail bewaar in plaas daarvan om elke beeld deur 'n vaste laeresolusie-rooster te forseer, 'n lukraak geïnisialiseerde MLP-projektor na die taalmodel se latente ruimte, en — kritiek — die MiMo-redeneerruggraat as die taalmodel. Die visiestelsel erf 'n dekodeerder wat reeds goed is met veelstapdenke eerder as een wat bloot goed is met onderskrifte.

Afrigting het in vier voorafrigtingsfases geloop — projektor-opwarming, visie-taal-belyning, algemene multimodale voorafrigting, langkonteks-SFT — oor ongeveer 2.4 biljoen tekens, daarna Mixed On-policy Reinforcement Learning (MORL), wat waarnemingsakkuraatheid, visuele grondingspresisie, redeneringskorrektheid en mens/KI-voorkeur in een op-beleid-lus invou. Die verslag is openhartig dat dit onstabiel is om al daardie dinge gelyktydig te optimeer — 'n eerliker raamwerk as wat die meeste multimodale artikels bied.

Die gepubliseerde resultate is sterk vir die parametertelling. Xiaomi berig dat MiMo-VL-7B-RL Qwen2.5-VL-7B op 35 van 40 take klop, 59.4 op OlympiadBench (bo modelle tot 78B), en 56.1 op OSWorld-G vir GUI-gronding, voor doelgeboude koppelvlakagente. Die latere 2508-verfrissing het MMMU vir die eerste keer in die reeks bo 70 gestoot (70.6), 94.4 op ChartQA, 92.5 op ScreenSpot-v2 en 70.8 op VideoMME bereik, en 'n denkbeheerskakelaar bygevoeg sodat redeneringspore per versoek afgeskakel kan word.

03Wat W8A16 beteken, en waarom dit meer vir visie as vir teks saak maak

Elke model op die poort dra 'n kwantiseringsagtervoegsel. Dit is nie versiering nie — dit sê vir jou wat verruil is om die model bedienbaar te maak.

Agtervoegsel	Wat dit is	Waarom dit gebruik word
3BIT-REAP	3-bis-gewigte plus REAP, 'n ekspertsnoeimetode wat selde gerouteerde eksperts uit 'n MoE-model laat val voor kwantisering	Die enigste manier om die heel grootste grondslae teen 'n redelike spoed te laat pas en te bedien
W4A16-AUTOROUND-REAP	4-bis-gewigte, 16-bis-aktiverings, gekwantiseer met AutoRound — aangeleerde afronding wat akkuraatheid bo naïewe afronding-na-naaste herwin — plus REAP-snoei	Middelgrond vir groot grondslae wat nie uiterste kompressie nodig het nie
W8A16	8-bis-gewigte, 16-bis-aktiverings — die vlak met die hoogste getrouheid wat ons bedien	Gebruik waar die grondslag klein genoeg is dat aggressiewe kompressie onnodig is

MiMo-V2.5 verdien die derde ry deur kompak te wees: 'n digte grondslag in hierdie klas hoef nie tot drie bisse verpletter te word om te pas nie, so jy kan bekostig om agt te hou, en die gewigte waaruit jy monster bly naby aan dié wat afgerig is. Dit maak buitengewoon veel saak vir beeldwerk, om 'n strukturele rede. In 'n slegs-teks-dekodeerder word 'n inbedding wat onder kwantisering dryf, deur dosyne latere aandaglae herkontekstualiseer — baie kanse om te herstel. 'n Visiestapel het geen sulke speling nie: visuele inligting gaan deur 'n enkele enkodeerder en 'n enkele nou projektor voordat dit die dekodeerder bereik, en alles stroomaf is gekondisioneer op wat daardie bottelnek geproduseer het. Fynkorrelige sein — 3 teenoor 8 in 'n laekontras-skandering, die presiese pixel waar 'n staaf op 'n grafiek-as eindig, die grens van 'n UI-element wat jy gevra word om te klik — leef in die kleingrootte-gewigsdetail wat aggressiewe kwantisering eerste weggooi.

'n 3-bis-visiemodel faal nie hard nie; dit faal stil, en produseer 'n vlot beskrywing van 'n dokument met twee syfers omgeruil in die totaal. Hoër gewigspresisie is die goedkoopste versekering teen daardie mislukking, en hier is dit gratis — jy betaal in elk geval die vloerprys.

04Die vloerprys, in konteks

Vier modelle in ons katalogus van twaalf sit teen die prysvloer van $0.50 inset / $2.00 uitvoer per miljoen tekens. Slegs een van hulle neem beelde. Hier is waar die visie-bekwame modelle op uitvoerkoste land, die getal wat die meeste werklike rekeninge oorheers:

Uitvoerprys in USD per 1M tekens, Shannon AI-poort se lyspryse, September 2026. Staaflengte is relatief tot die duurste visiemodel in die katalogus.

Teenoor Kimi-K3 — die plafon-visiemodel, en 'n werklik sterker een — is MiMo-V2.5 rofweg 9.6× goedkoper op uitvoer en 7.7× goedkoper op inset. Dit is nie 'n aanspraak op gelykwaardigheid nie; dit is 'n argument oor werkladingvorm. Teen honderdduisend beelde per maand is die plafonmodel nie bekostigbaar nie en die vloermodel wel, en die eerlike vraag is of die vloermodel jou akkuraatheidsdrempel haal — nie of dit 'n maatstaf wen nie.

05MiMo-V2.5 teenoor MiniMax-M3: die twee goedkoop visiemodelle, eerlik vergelyk

Hierdie twee is presies gelykop op prys, konteks en eindpuntoppervlak. Hulle is nie uitruilbaar nie: die kwantiseringsvlak is 'n plaasvervanger vir twee verskillende weddenskappe oor wat 'n visiemodel nuttig maak.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Inset / uitvoer per 1M	$0.50 / $2.00	$0.50 / $2.00
Gewigspresisie	8-bis	3-bis + ekspertsnoei
Grondslaggrootte	Kompak, dig	Groot, yl MoE
Visie	Ja	Ja
Konteksvenster	262,144	262,144
Skema · gereedskap · stroming	Ja	Ja

Kies MiMo-V2.5 wanneer die beeld die moeilike deel is: digte OCR op onvolmaakte skanderings, numeriese onttrekking uit grafieke en tabelle, skermkiekie- en UI-gronding, kleinteks-lees, die uitmekaarhou van byna identiese produkfoto's — enigiets waar 'n omgeruilde syfer 'n defek eerder as 'n kosmetiese fout is. Jy wil die pad met die hoogste getrouheid van pixels na tekens hê, en 8-bis-gewigte is hoe jy dit teen hierdie prys kry.

Kies MiniMax-M3 wanneer die beeld die maklike deel is. 'n Groot yl grondslag wat tot 3 bisse gekomprimeer is, hou steeds meer wêreldkennis en redeneringsbreedte vas as wat 'n kompakte digte model kan, selfs ná snoei. As die taak "kyk na hierdie foto en redeneer breedvoerig oor wat dit impliseer" is, of die beeld een inset in 'n hoofsaaklik teksgesprek is, is die groter grondslag die beter instrument — die visuele skerpte wat jy verruil het, was nie die bindende beperking nie.

06MiMo-V2.5 teenoor MiMo-V2.5-Pro: die susmodel wat oë vir diepte verruil het

Dit is die vergelyking wat die meeste ondersteuningskaartjies genereer, so dit is die moeite werd om reguit te wees. MiMo-V2.5-Pro-W8A16 en MiMo-V2.5-W8A16 deel 'n prys, 'n konteksvenster, 'n presisievlak en 'n familienaam. Pro aanvaar nie beelde nie. Dit is nie 'n superstel nie. Dit is 'n ander toewysing van dieselfde begroting.

Om 'n multimodale model te bedien, beteken om vir 'n visietoring en projektor naas die dekodeerder te betaal — teen 'n vaste kostemikpunt, kapasiteit wat nie aan die taalmodel self bestee word nie. Pro spandeer alles daarvan aan teks: 'n groter grondslag met meer kopruimte vir langvormskryfwerk, uitgebreide redenering en kode. MiMo-V2.5 spandeer 'n deel daarvan aan sig.

Die besluitreël gaan dus oor jou insette, nie jou ambisies nie. As enige versoek 'n skermkiekie, 'n geskandeerde bladsy, 'n grafiek, 'n diagram of 'n foto kan bevat, het jy MiMo-V2.5 nodig — Pro sal die inhoudsblok verwerp. As elke versoek teks is en jy uit gewoonte na die visiemodel gegryp het, laat jy grondslagkwaliteit vir niks op die tafel: neem MiMo-V2.5-Pro teen dieselfde tarief.

'n Patroon wat die moeite werd is om te steel: routeer volgens inhoudstipe. Enigiets met 'n beelddeel gaan na MiMo-V2.5-W8A16, alles anders na MiMo-V2.5-Pro-W8A16. Dieselfde familie, dieselfde prys, dieselfde konteksbegroting — die router is triviaal en daar is geen kostemodel om te versoen nie.

07Wat "ongesensureerde beeldbegrip" werklik beteken

Daar is geen weieringslaag voor hierdie model nie en geen inhoudsfilter op sy uitvoer nie. Dit is 'n produkbesluit met 'n spesifieke gevolg vir visiewerk: die model beskryf wat in die raam is in plaas daarvan om op grond van die onderwerp te weier.

Dit maak saak omdat gefiltreerde visie-API's struktureel ongeskik is vir 'n hele kategorie wettige werk. 'n Moderasiepyplyn moet na die materiaal kyk wat dit modereer en sê wat dit is; 'n klassifiseerder wat weier om die ding wat dit klassifiseer te ondersoek, is nie 'n klassifiseerder nie. Dieselfde geld oor 'n lang lys werklike take:

• Vertroue-en-veiligheid-gereedskap — om presies daardie beelde te etiketteer wat 'n hoofstroom-API nie sal verwerk nie, wat die beelde is wat etikettering die nodigste het.
• Mediese, forensiese en ongeluksbeelde — kliniese, beserings- en toneelfotografie wat generiese filters as grafies verwerp ongeag wie vra.
• Sekuriteitsnavorsing — om phishing-bladsye, kwaadwillige koppelvlakke en vasgelegde skerms te lees sonder dat die model by die premisse skrik.
• Volwasse-inhoud-klassifikasie en argiefkatalogisering — pyplyne wat bestaan om materiaal te identifiseer en die kyk nie kan uitkontrakteer nie, plus historiese versamelings wat filters as onetiketteerbaar behandel.

Om die weieringslaag te verwyder, verwyder 'n ingenieurshindernis, nie 'n regsone nie. Shannon AI word deur Shannon Lab LLC in New Mexico, VSA, bedryf, en gebruik van die API word deur ons Beleid vir Verantwoordelike Gebruik beheer. Ongefiltreerde uitvoer is 'n vermoë, nie 'n toestemmingsbriefie nie.

08Om dit aan te roep: eindpunte, beeldinset, en waar dit inpas

Die model is MiMo-V2.5-W8A16, bereikbaar op drie versoekdialekte teen dieselfde gewigte, sodat jy behou watter SDK jy ook al reeds het:

• /v1/chat/completions — OpenAI-versoenbaar. Beelde gaan in as image_url-inhoudsdele, hetsy as 'n https-URL of 'n base64-data-URI.
• /v1/messages — Anthropic-versoenbaar. Beelde gaan in as image-inhoudsblokke.
• /v1/responses — die Responses-styl dialek.

Stroming en gereedskaproeping werk op al drie, so die model kan na 'n skermkiekie kyk en in een beurt 'n funksie oor wat dit gesien het, aanroep. Volledige versoek- en antwoordskemas is in die API-dokumentasie, wat ook 'n speelplek huisves waarin jy 'n beeld kan plak voordat jy enige kode skryf.

MiMo-V2.5 ondersteun streng json_schema en response_format — die verskil tussen 'n demo en 'n pyplyn. Gee dit 'n kwitansie plus 'n skema met getikte velde vir verskaffer, datum, reëlitems en totaal, en jy kry 'n objek terug wat jou kode kan valideer eerder as 'n paragraaf wat jy met regex moet aanval. Twee van die twaalf modelle in hierdie katalogus kort volle ondersteuning vir gestruktureerde uitvoer; hierdie een nie, en dit is waarom dit as 'n hoëvolume-onttrekkingsdiens werk.

Die konteksvenster is 262,144 tekens; gegenereerde uitvoer word teen 16,384 tekens per versoek beperk. Beelde verbruik insettekens as 'n funksie van resolusie, so hoëresolusie-bladsyskanderings eet konteks baie vinniger as 'n gelykwaardige woordetelling teks. Blaai lang dokumente in stukke eerder as om 'n skandering van 300 bladsye in een versoek te laai, en behandel die uitvoerlimiet as 'n werklike beperking op uitputtende onttrekking — verdeel digte tabelle volgens ryreeks in plaas daarvan om 'n afgekapte antwoord te kry.

Die reasoning_effort-knoppie het hier werklike hefboom gegee die familie se stamboom. Draai dit af vir hoëvolume-klassifikasie, waar die antwoord 'n etiket is en denktekens suiwer koste is; draai dit op vir grafiekinterpretasie, visuele wiskunde en diagramredenering, waar die model verskeie dinge wat dit sien moet kombineer voordat dit kan antwoord.

Waar dit inpas, en waar nie

Goeie passings. Hoëvolume-dokument- en kwitansie-onttrekking; OCR-aangrensende werk op onvolmaakte skanderings; grafiek-, paneelbord- en tabellees; skermkiekiebegrip en UI-gronding; katalogusmerking en visuele vraag-en-antwoord; moderasiepyplyne — enige multimodale taak waar koste per oproep bind en fyndetail-presisie is wat jy weier om prys te gee.

Swak passings. Multimodale redenering van grensmoeilikheid wat die sterkste model ongeag prys vereis — Kimi-K3 se werk, en dit kos vir 'n rede byna tien keer soveel. Slegs-teks-generering, waar MiMo-V2.5-Pro 'n beter grondslag teen dieselfde tarief gee. Werk wat op ensiklopediese wêreldkennis leun, waar 'n groot yl grondslag 'n kompakte digte een verbysteek. En enigiets wat meer as 262K konteks nodig het, wat geen model hier bied nie.

09Gereelde vrae

---

Bronne: MiMo tegniese verslag (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Alle maatstafsyfers is deur Xiaomi berig vir die vrygestelde kontrolepunte hierbo genoem en beskryf die familie-afstamming, nie die presiese bou op hierdie eindpunt nie. Pryse, konteks en vermoënsvlaggies is Shannon AI-poort se lyswaardes, September 2026.