ሳንሱር-አልባው የMiMo የእይታ API

ርካሽ ብዙ-ዘዴ የመዳረሻ ነጥቦች ርካሽ የሆኑት የሆነ ነገር ስለተቆረጠ ነው፣ የሚቆረጠውም ብዙ ጊዜ ልታዩት የማትችሉት ክፍል ነው፦ ክብደቶቹ ወደ ሦስት ወይም አራት ቢት ይጨመቃሉ፣ ሞዴሉም ማንበብ ስለማይችለው ገበታ በእርግጠኝነት ይመልሳል። MiMo-V2.5 በካታሎጋችን ውስጥ ያለው ተቃራኒ ምሳሌ ነው — በዋጋ ወለሉ እና በከፍተኛ ትክክለኛነት ደረጃ በአንድ ጊዜ፣ የተወለደበት መሠረት ግዙፍና ሳሳ ሳይሆን ትንሽና ጥቅጥቅ ተደርጎ ስለተገነባ።

01MiMo ከየት እንደመጣ፦ መጀመሪያ የማመዛዘን ሞዴል፣ ከዚያ የእይታ ሞዴል

የMiMo መስመር የXiaomi ክፍት-ክብደት ምርምር ፕሮግራም ነው፣ የመሥራች ክርክሩም ያልተለመደ ነው፦ የማመዛዘን ችሎታ የሚወሰነው በቅድመ-ሥልጠና ጊዜ ነው፣ ከዚያ በኋላ በRL አይለጠፍም። ሥራው በአብዛኛው የውሂብ ምህንድስና ነው — Xiaomi በcorpus ውስጥ ያለውን የማመዛዘን ንድፎች ጥግግት ለማሳደግ የጽሑፍ ማውጣትና ማጣራትን መልሶ ገነባ፣ synthetic የማመዛዘን ውሂብን በመጠን አመነጨ፣ እና MiMo-7B-Baseን በሦስት-ደረጃ ቅልቅል ስር በግምት 25 ትሪሊዮን ቶክኖች ቅድመ-ሥልጠና ሰጠ፣ በደረሰኝ ጊዜ speculative decoder ሆኖ የሚያገለግል ረዳት ዓላማ የሆነ Multiple-Token Predictionንም (እንደXiaomi ገለጻ የመቀበል መጠኑ ወደ 90% ገደማ) ጨምሮ።

ድህረ-ሥልጠናው ሆን ተብሎ ጥብቅ ነው፦ 130,000 የሒሳብና የኮድ ችግሮች ከደንብ-ተኮር ትክክለኛነት ሽልማቶች ብቻ ጋር፣ የተማረ የሽልማት ሞዴል ሳይኖር፣ የነርቭ ሽልማት ሞዴል ሊጠለፍ የሚችል ገጽ ነው በሚል ምክንያት። ማረጋገጫ-ሊደረግላቸው የሚችሉ ሽልማቶች በጣፋጭ ንግግር ሊታለሉ አይችሉም። MiMo-7B-RL ከመጠኑ ጋር ያልተመጣጠኑ ቁጥሮች ያመጣል — Xiaomi 68.2% በAIME 2024፣ 95.8% በMATH-500፣ 57.8% በLiveCodeBench v5 በpass@1 ላይ ይዘግባል፣ ከOpenAI o1-miniም ጋር ይመሳሰላል። የምትጠሩት ሞዴል ቅርጽ ያ ነው፦ ወደ ኋላ የተጨመቀ፣ በጥግግት የሠለጠነ፣ መልስ ከማስታወስ ይልቅ ችግር ውስጥ ገብቶ የመሥራት ላይ የተስተካከለ — ያም ባህርይ ወደ ብዙ-ዘዴ ዘሮቹ ይተርፋል።

02MiMo ማየትን እንዴት እንደተማረ፦ የMiMo-VL ሥነ ሕንጻ

MiMo-VL የእይታ-ቋንቋ ቅርንጫፍ ነው፣ አገነባቡም ትምህርታዊ ነው። Xiaomi ሦስት ክፍሎችን አዋሃደ፦ እያንዳንዱን ምስል በተወሰነ ዝቅተኛ-ትክክለኛነት ፍርግርግ ውስጥ ከማስገባት ይልቅ ጥቃቅን ዝርዝርን የሚጠብቅ ተፈጥሮ-ትክክለኛነት ViT ኢንኮደር፣ በዘፈቀደ የተጀመረ ወደ ቋንቋ ሞዴሉ ድብቅ ቦታ የሚገባ MLP ፕሮጀክተር፣ እና — ወሳኙ — የMiMo የማመዛዘን ጀርባ አጥንት እንደ ቋንቋ ሞዴል። የእይታ ስርዓቱ በካፕሽን-ስራ ብቻ ጥሩ ከሆነ ሞዴል ይልቅ በብዙ-ደረጃ አስተሳሰብ ላይ ቀድሞውኑ ጥሩ የሆነ decoder ይወርሳል።

ሥልጠናው በአራት የቅድመ-ሥልጠና ደረጃዎች ውስጥ ሮጠ — የፕሮጀክተር warmup፣ የእይታ-ቋንቋ ማስተካከል፣ አጠቃላይ ብዙ-ዘዴ ቅድመ-ሥልጠና፣ ረጅም-ዐውድ SFT — በግምት 2.4 ትሪሊዮን ቶክኖች ላይ፣ ከዚያም Mixed On-policy Reinforcement Learning (MORL)፣ የግንዛቤ ትክክለኛነትን፣ የእይታ ግራውንዲንግ ትክክለኛነትን፣ የማመዛዘን ትክክለኛነትንና የሰው/AI ምርጫን ወደ አንድ on-policy ሉፕ እያጠፈ። ሪፖርቱ እነዚያን ሁሉ በአንድ ጊዜ ማመቻቸት ያለተረጋጋ እንደሆነ ግልጽ ነው — ከአብዛኞቹ ብዙ-ዘዴ ወረቀቶች የበለጠ ታማኝ አቀራረብ።

የታተሙት ውጤቶች ለመለኪያ ብዛቱ ጠንካራ ናቸው። Xiaomi MiMo-VL-7B-RL Qwen2.5-VL-7Bን ከ40 ተግባራት 35ቱ ላይ እንዳሸነፈ፣ 59.4 በOlympiadBench (እስከ 78B ካሉ ሞዴሎች በላይ)፣ እና ለGUI ግራውንዲንግ 56.1 በOSWorld-G ላይ ለተለየ-ዓላማ የተገነቡ interface ወኪሎችን ቀድሞ እንደደረሰ ይዘግባል። በኋላ የመጣው 2508 ማደሻ በተከታታይ ውስጥ ለመጀመሪያ ጊዜ MMMUን ከ70 በላይ ገፋ (70.6)፣ 94.4 በChartQA፣ 92.5 በScreenSpot-v2 እና 70.8 በVideoMME ደረሰ፣ የማመዛዘን ዱካዎች በጥያቄ እንዲጠፉ የሚያደርግ thinking-control switchም ጨመረ።

03W8A16 ማለት ምን ማለት እንደሆነ፣ ለምንስ ከጽሑፍ ይልቅ ለእይታ የበለጠ የሚጠቅም

በጌትዌዩ ላይ ያለ እያንዳንዱ ሞዴል የኳንታይዜሽን ቅጥያ ይይዛል። ማስዋቢያ አይደለም — ሞዴሉን ሊያገለግል የተደረገው ምን እንደተለወጠ ይነግራችኋል።

ቅጥያ	ምንድን ነው	ለምን ጥቅም ላይ ይውላል
3BIT-REAP	3-ቢት ክብደቶች ከREAP ጋር፣ ከኳንታይዝ በፊት እምብዛም-የሚመሩ ኤክስፐርቶችን ከMoE ሞዴል የሚጥል የኤክስፐርት-መከርከም ዘዴ	እጅግ ትልቁን መሠረት በምክንያታዊ ፍጥነት ለመግጠምና ለማገልገል ብቸኛው መንገድ
W4A16-AUTOROUND-REAP	4-ቢት ክብደቶች፣ 16-ቢት አክቲቬሽኖች፣ በAutoRound ኳንታይዝ የተደረጉ — ከዋህ ወደ-ቅርቡ ማጠጋጋት ይልቅ ትክክለኛነትን የሚመልስ የተማረ ማጠጋጋት — ከREAP መከርከም ጋር	ጽንፈኛ መጨመቅ ለማያስፈልጋቸው ትልልቅ መሠረቶች መካከለኛ ቦታ
W8A16	8-ቢት ክብደቶች፣ 16-ቢት አክቲቬሽኖች — የምናገለግለው እጅግ ከፍተኛ-ታማኝነት ደረጃ	መሠረቱ ኃይለኛ መጨመቅ የማያስፈልገው ያህል ትንሽ በሆነበት ጥቅም ላይ ይውላል

MiMo-V2.5 ሦስተኛውን ረድፍ የሚያገኘው ትንሽ በመሆኑ ነው፦ በዚህ ደረጃ ያለ ጥቅጥቅ ያለ መሠረት ለመግጠም ወደ ሦስት ቢት መደቆስ አያስፈልገውም፣ ስለዚህ ስምንት ይዞ መቆየት ትችላላችሁ፣ ናሙና የምታደርጓቸውም ክብደቶች ከሠለጠኑባቸው ጋር ቅርብ ይቀራሉ። ያ ለምስል ሥራ ባልተመጣጠነ መጠን ይጠቅማል፣ በመዋቅራዊ ምክንያት። በጽሑፍ-ብቻ decoder ውስጥ፣ በኳንታይዜሽን ስር የሚንሸራተት embedding በኋላ ባሉ ደርዘን የትኩረት ንብርብሮች እንደገና ይዐውድ ይሰጠዋል — ለማገገም ብዙ እድሎች። የእይታ ቁልል እንዲህ ያለ ገፋት የለውም፦ የእይታ መረጃ ወደ decoderው ከመድረሱ በፊት በአንድ ኢንኮደርና በአንድ ጠባብ ፕሮጀክተር ውስጥ ያልፋል፣ ከዚያም በኋላ ያለው ሁሉ ያ ማነቆ ባመረተው ላይ ይመሠረታል። ጥቃቅን ምልክት — በዝቅተኛ-ንፅፅር ስካን ውስጥ 3 ከ8 ጋር ያለው ልዩነት፣ በገበታ ዘንግ ላይ አንድ አሞሌ የሚጨርስበት ትክክለኛ ፒክሰል፣ እንድትነኩት የተጠየቃችሁበት የUI ንጥረ ነገር ድንበር — ኃይለኛ ኳንታይዜሽን መጀመሪያ በሚጥለው ዝቅተኛ-መጠን ያለው የክብደት ዝርዝር ውስጥ ይኖራል።

3-ቢት የእይታ ሞዴል በጩኸት አይወድቅም፤ በጸጥታ ይወድቃል፣ ድምር ውስጥ ሁለት አሃዞች የተገለበጡበትን የሰነድ ፍሰት መግለጫ ያመርታል። ከፍ ያለ የክብደት ትክክለኛነት ከዚያ ውድቀት ርካሹ መድህን ነው፣ እዚህም ነጻ ነው — ወለል ዋጋውን በሁለቱም መንገድ ትከፍላላችሁ።

04ወለል ዋጋው፣ በዐውድ ውስጥ

በአስራ ሁለት-ሞዴል ካታሎጋችን ውስጥ አራት ሞዴሎች በሚሊዮን ቶክን $0.50 ግብዓት / $2.00 ውጤት ዋጋ ወለል ላይ ናቸው። ከእነሱ ውስጥ ምስሎችን የሚቀበለው አንዱ ብቻ ነው። አብዛኞቹን እውነተኛ ደረሰኞች የሚቆጣጠረው ቁጥር በሆነው በውጤት ዋጋ ላይ የእይታ-ችሎታ ያላቸው ሞዴሎች የት እንደሚያርፉ እነሆ፦

የውጤት ዋጋ በUSD በ1M ቶክን፣ Shannon AI Gateway ዝርዝር ተመኖች፣ መስከረም 2026። የባር ርዝመት በካታሎጉ ውስጥ ካለው እጅግ ውድ የእይታ ሞዴል ጋር አንጻራዊ ነው።

ከKimi-K3 ጋር ሲነጻጸር — የጣሪያው የእይታ ሞዴል፣ በእውነትም የበረታ — MiMo-V2.5 በውጤት ላይ በግምት 9.6× ርካሽ እና በግብዓት ላይ 7.7× ርካሽ ነው። ያ የተመጣጣኝነት የይገባኛል ጥያቄ አይደለም፤ ስለ ሥራ ጫና ቅርጽ ያለ ክርክር ነው። በወር መቶ ሺህ ምስሎች ላይ፣ የጣሪያው ሞዴል ለመግዛት አይመችም፣ የወለሉ ሞዴል ግን ይመቻል፣ ታማኙ ጥያቄም የወለሉ ሞዴል የትክክለኛነት ደረጃችሁን ያሟላል ወይ ነው እንጂ መለኪያ ያሸንፋል ወይ አይደለም።

05MiMo-V2.5 ከMiniMax-M3 ጋር፦ ሁለቱ ርካሽ የእይታ ሞዴሎች፣ በታማኝነት ተነጻጽረው

እነዚህ ሁለቱ በዋጋ፣ በዐውድ እና በመዳረሻ-ነጥብ ገጽታ ላይ በትክክል እኩል ናቸው። ልውውጥ የሚደረግባቸው አይደሉም፦ የኳንታይዜሽን ደረጃው የእይታ ሞዴልን ስለሚያደርገው ጠቃሚ ነገር ስለ ሁለት የተለያዩ ውርርዶች ወኪል ነው።

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
ግብዓት / ውጤት በ1M	$0.50 / $2.00	$0.50 / $2.00
የክብደት ትክክለኛነት	8-ቢት	3-ቢት + ኤክስፐርት መከርከም
የመሠረት መጠን	ጥቅጥቅ ያለ፣ ትንሽ	ትልቅ፣ ሳሳ MoE
እይታ	አለ	አለ
የዐውድ መስኮት	262,144	262,144
Schema · መሣሪያዎች · ስትሪሚንግ	አለ	አለ

ምስሉ ከባዱ ክፍል ሲሆን MiMo-V2.5ን ምረጡ፦ ባልተሟሉ ስካኖች ላይ ጥቅጥቅ ያለ OCR፣ ከገበታዎችና ከሠንጠረዦች ቁጥራዊ ማውጣት፣ ስክሪንሾትና UI ግራውንዲንግ፣ ትንሽ-ጽሑፍ ንባብ፣ ማለት ይቻላል-ተመሳሳይ የምርት ፎቶዎችን መለየት — የተገለበጠ አሃዝ ውበታዊ ጉድለት ሳይሆን ጉድለት በሆነበት ቦታ ሁሉ። ከፒክሰሎች ወደ ቶክኖች እጅግ ከፍተኛ-ታማኝነት ያለውን መንገድ ትፈልጋላችሁ፣ 8-ቢት ክብደቶችም በዚህ ዋጋ የምታገኙበት መንገድ ናቸው።

ምስሉ ቀላሉ ክፍል ሲሆን MiniMax-M3ን ምረጡ። ወደ 3 ቢት የተጨመቀ ትልቅ ሳሳ መሠረት፣ ከመከርከም በኋላም እንኳ፣ ጥቅጥቅ ካለ ትንሽ ሞዴል የበለጠ የዓለም እውቀትንና የማመዛዘን ስፋትን ይይዛል። ተግባሩ "ይህን ፎቶ ተመልከቱና ስለሚያመለክተው ነገር ረዘም ብላችሁ አስቡ" ከሆነ፣ ወይም ምስሉ በአብዛኛው-ጽሑፍ ውይይት ውስጥ አንድ ግብዓት ከሆነ፣ ትልቁ መሠረት የተሻለ መሣሪያ ነው — የተውኃችሁት የእይታ ስለታምነት ገዳቢው ገደብ አልነበረም።

06MiMo-V2.5 ከMiMo-V2.5-Pro ጋር፦ ዓይኖችን ለጥልቀት የለወጠው ወንድም

ይህ በጣም ብዙ የድጋፍ ጥያቄዎችን የሚያመነጭ ንጽጽር ነው፣ ስለዚህ ግልጽ መሆን ተገቢ ነው። MiMo-V2.5-Pro-W8A16 እና MiMo-V2.5-W8A16 ዋጋ፣ የዐውድ መስኮት፣ የትክክለኛነት ደረጃና የቤተሰብ ስም ይጋራሉ። Pro ምስሎችን አይቀበልም። ስፋት ያለው ስሪት አይደለም። የተመሳሳዩ በጀት የተለየ ክፍፍል ነው።

ብዙ-ዘዴ ሞዴል ማገልገል ማለት ከdecoderው ጎን ለእይታ ግንብና ፕሮጀክተር መክፈል ማለት ነው — በተወሰነ የዋጋ ግብ ላይ፣ ለራሱ ቋንቋ ሞዴል ያልዋለ አቅም። Pro ሁሉንም በጽሑፍ ላይ ያውላል፦ ለረጅም-ቅርጽ ጽሑፍ፣ ለተራዘመ ማመዛዘንና ለኮድ ተጨማሪ ቦታ ያለው ትልቅ መሠረት። MiMo-V2.5 ከዚያ ክፍል በእይታ ላይ ያውላል።

ስለዚህ የውሳኔው ደንብ ስለ ግብዓቶቻችሁ ነው እንጂ ስለ ምኞቶቻችሁ አይደለም። ማንኛውም ጥያቄ ስክሪንሾት፣ የተቃኘ ገጽ፣ ገበታ፣ ሥዕላዊ መግለጫ ወይም ፎቶግራፍ ሊይዝ የሚችል ከሆነ፣ MiMo-V2.5ን ትፈልጋላችሁ — Pro የይዘት ክፍሉን ይክዳል። እያንዳንዱ ጥያቄ ጽሑፍ ከሆነና ወደ የእይታ ሞዴል የደረሳችሁት ከልማድ ከሆነ፣ ለምንም ነገር የመሠረት ጥራትን ጠረጴዛው ላይ እየተዋችሁ ናችሁ፦ በተመሳሳዩ ተመን MiMo-V2.5-Proን ውሰዱ።

ለመስረቅ የሚያስፈልግ ንድፍ፦ በይዘት ዓይነት ላይ ተመስርታችሁ አቅጡ። የምስል ክፍል ያለው ማንኛውም ነገር ወደ MiMo-V2.5-W8A16፣ ቀሪው ሁሉ ወደ MiMo-V2.5-Pro-W8A16። ተመሳሳይ ቤተሰብ፣ ተመሳሳይ ዋጋ፣ ተመሳሳይ የዐውድ በጀት — router ቀላል ነው፣ የሚታረቅ የዋጋ ሞዴልም የለም።

07"ሳንሱር-አልባ የምስል ግንዛቤ" በእውነት ማለት ምን ማለት እንደሆነ

ከዚህ ሞዴል ፊት የእምቢታ ንብርብር የለም፣ በውጤቱ ላይም የይዘት ማጣሪያ የለም። ያ ለእይታ ሥራ የተለየ ውጤት ያለው የምርት ውሳኔ ነው፦ ሞዴሉ በርዕሰ ጉዳይ ላይ ተመስርቶ ከመከልከል ይልቅ በክፈፉ ውስጥ ያለውን ይገልጻል።

ይህ የሚያስፈልገው የተጣሩ የእይታ APIዎች ለሙሉ የሕጋዊ ሥራ ምድብ በመዋቅር ስለማይስማሙ ነው። የmoderation ቧንቧ መስመር የሚቆጣጠረውን ነገር መመልከትና ምን እንደሆነ መናገር አለበት፤ የሚመድበውን ነገር ለመመርመር የሚከለክል ምድብ-ሰጪ ምድብ-ሰጪ አይደለም። ተመሳዩ ነገር በብዙ እውነተኛ ሥራዎች ላይ ይሠራል፦

• የtrust and safety መሣሪያዎች — ዋና-ተከታይ API የማያስኬደውን ትክክለኛ ምስል መሰየም፣ ያም ምልክት ማድረግ በጣም የሚያስፈልገው ምስል ነው።
• የሕክምና፣ የፎረንሲክና የአደጋ ምስሎች — አጠቃላይ ማጣሪያዎች ማን ቢጠይቅም ግራፊክ ብለው የሚከለክሏቸው ክሊኒካዊ፣ የቁስልና የትዕይንት ፎቶግራፍ።
• የደህንነት ምርምር — ሞዴሉ ግምቱ ላይ ሳይንገራገር phishing ገጾችን፣ ጎጂ interfaceዎችን እና የተያዙ ስክሪኖችን ማንበብ።
• የጎልማሶች-ይዘት ምድብ ማድረግና የማህደር ካታሎግ ማዘጋጀት — ይዘትን ለመለየት ያሉና መመልከትን outsource ማድረግ የማይችሉ ቧንቧ መስመሮች፣ እንዲሁም ማጣሪያዎች ሊሰየሙ አይችሉም ብለው የሚይዟቸው ታሪካዊ ስብስቦች።

የእምቢታ ንብርብርን ማውጣት የምህንድስና እንቅፋትን ያስወግዳል እንጂ ሕጋዊውን አያስወግድም። Shannon AI በShannon Lab LLC በኒው ሜክሲኮ፣ አሜሪካ ይሠራል፣ የAPIውም አጠቃቀም በResponsible Use Policyያችን ይተዳደራል። ያልተጣራ ውጤት ችሎታ ነው እንጂ የፈቃድ ወረቀት አይደለም።

08መጥራት፦ የመዳረሻ ነጥቦች፣ የምስል ግብዓት፣ እና የት እንደሚገባ

ሞዴሉ MiMo-V2.5-W8A16 ነው፣ በሦስት የጥያቄ ዘይቤዎች ወደ ተመሳዮቹ ክብደቶች ተደራሽ ነው፣ ስለዚህ ቀድሞውኑ ያላችሁትን SDK ትይዛላችሁ፦

• /v1/chat/completions — ከOpenAI ጋር ተኳሃኝ። ምስሎች እንደ image_url ይዘት ክፍሎች ይገባሉ፣ ወይ እንደ https URL ወይም base64 data URI።
• /v1/messages — ከAnthropic ጋር ተኳሃኝ። ምስሎች እንደ image ይዘት ብሎኮች ይገባሉ።
• /v1/responses — የResponses-ዘይቤ ውይይት።

ስትሪሚንግና መሣሪያ መጥራት በሦስቱም ላይ ይሠራሉ፣ ስለዚህ ሞዴሉ በአንድ ተራ ውስጥ ስክሪንሾት ተመልክቶ ስላየው ነገር ተግባርን መጥራት ይችላል። ሙሉ የጥያቄና የመልስ schemas በAPI ሰነዶች ውስጥ ናቸው፣ ይህም ኮድ ከመጻፋችሁ በፊት ምስል መለጠፍ የምትችሉበት playground ያስተናግዳል።

MiMo-V2.5 ጥብቅ json_schemaንና response_formatን ይደግፋል — በሙከራና በቧንቧ መስመር መካከል ያለው ልዩነት። ደረሰኝ ከአቅራቢ፣ ከቀን፣ ከመስመር ንጥሎችና ከድምር ጋር ለተይታ የመስክ ዓይነቶች ካለው schema ጋር ስጡት፣ ኮዳችሁ ሊያረጋግጠው ከሚችል object ይልቅ regex ማድረግ ካለባችሁ አንቀጽ ትወስዳላችሁ። ከዚህ ካታሎግ ውስጥ ካሉት አስራ ሁለት ሞዴሎች ሁለቱ ሙሉ የተዋቀረ-ውጤት ድጋፍ የላቸውም፤ ይህ አለው፣ ለከፍተኛ-መጠን የማውጣት አገልግሎት ጥቅም ላይ የሚውለውም ለዚህ ነው።

የዐውድ መስኮቱ 262,144 ቶክኖች ነው፤ የተመነጨው ውጤት በአንድ ጥያቄ 16,384 ቶክኖች ላይ ገደብ አለው። ምስሎች የግብዓት ቶክኖችን በጥራት መጠን ተግባር ይበላሉ፣ ስለዚህ ከፍተኛ-ጥራት ያላቸው የገጽ ስካኖች ከተመሳሳይ የቃላት ብዛት ካለው ጽሑፍ ይልቅ ዐውድን በጣም በፍጥነት ይበላሉ። 300-ገጽ ስካን በአንድ ጥያቄ ውስጥ ከመጫን ይልቅ ረጅም ሰነዶችን ገጽ በገጽ ክፈሉ፣ የውጤት ገደቡንም ለሙሉ ማውጣት እውነተኛ ገደብ አድርገው ያዙት — የተቆራረጠ መልስ ከማግኘት ይልቅ ጥቅጥቅ ያሉ ሠንጠረዦችን በረድፍ ክልል ክፈሉ።

የreasoning_effort ማስተካከያ በቤተሰቡ ዘር ሐረግ ምክንያት እዚህ እውነተኛ ጠቀሜታ አለው። ለከፍተኛ-መጠን ምድብ ማድረግ ዝቅ አድርጉት፣ መልሱ መለያ ብቻ በሆነበትና የማሰቢያ ቶክኖች ንጹህ ወጪ በሆኑበት ቦታ፤ ሞዴሉ ከመመለሱ በፊት ብዙ ያየውን ነገር ማዋሃድ ላለበት ለገበታ ትርጓሜ፣ ለእይታዊ ሒሳብና ለሥዕላዊ መግለጫ ማመዛዘን ከፍ አድርጉት።

የት እንደሚገባ፣ የትስ እንደማይገባ

ጥሩ ግጥሚያዎች። ከፍተኛ-መጠን ያለው የሰነድና የደረሰኝ ማውጣት፤ በተሟሉ ስካኖች ላይ OCR-ተካፋይ ሥራ፤ የገበታ፣ የdashboardና የሠንጠረዥ ንባብ፤ የስክሪንሾት ግንዛቤና UI ግራውንዲንግ፤ የካታሎግ መሰየምና የእይታ QA፤ የmoderation ቧንቧ መስመሮች — በአንድ-ጥሪ ወጪ የሚያስገድድና ጥቃቅን-ዝርዝር ትክክለኛነት እምቢ የምትሉት ማንኛውም ብዙ-ዘዴ ተግባር።

ደካማ ግጥሚያዎች። ከዋጋ ውጪ እጅግ የበረታውን ሞዴል የሚያስፈልገው frontier-ችግር ያለው ብዙ-ዘዴ ማመዛዘን — የKimi-K3 ሥራ ነው፣ ለምክንያት ማለት ይቻላል አስር እጥፍ ያስከፍላል። MiMo-V2.5-Pro በተመሳዩ ተመን የተሻለ መሠረት የሚሰጥበት ጽሑፍ-ብቻ ማመንጨት። በኢንሳይክሎፔዲያዊ የዓለም እውቀት ላይ የተደገፈ ሥራ፣ ትልቅ ሳሳ መሠረት ጥቅጥቅ ካለ ትንሽ የላቀበት። እና እዚህ ምንም ሞዴል የማይሰጠውን ከ262K በላይ ዐውድ የሚያስፈልገው ማንኛውም ነገር።

09በተደጋጋሚ የሚጠየቁ ጥያቄዎች

---

ምንጮች፦ MiMo technical report (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508። ሁሉም የመለኪያ ቁጥሮች ከላይ ለተሰየሙት የተለቀቁ checkpointዎች Xiaomi-ሪፖርት ናቸው፣ የቤተሰብ ዘር ሐረግን ይገልጻሉ እንጂ በዚህ የመዳረሻ ነጥብ ላይ ያለውን ትክክለኛ ግንባታ አይደለም። ዋጋዎች፣ ዐውድና የችሎታ ባንዲራዎች የShannon AI Gateway ዝርዝር እሴቶች ናቸው፣ መስከረም 2026።