واجهة MiMo البصرية بلا رقابة

النقاط الطرفية متعددة الوسائط الرخيصة رخيصةٌ لأن شيئًا ما قد اقتُطع منها، وما يُقتطع عادةً هو الجزء الذي لا تراه: تُضغط الأوزان إلى ثلاث بتّات أو أربع، ويظلّ النموذج يجيب بثقة عن مخطّط لم يعد يقرأه فعلًا. وMiMo-V2.5 هو المثال المضادّ في فهرسنا — عند أرضية السعر وفي أعلى طبقة وفاء في الوقت نفسه، لأن الأساس الذي ينحدر منه بُني صغيرًا وكثيفًا لا ضخمًا ومتفرّقًا.

01من أين جاء MiMo: نموذج استدلال أوّلًا، ونموذج رؤية ثانيًا

سلالة MiMo هي برنامج Xiaomi البحثي مفتوح الأوزان، وحجّته التأسيسية غير رائجة: القدرة على الاستدلال تُرسَّخ أثناء التدريب المسبق، لا تُركَّب لاحقًا بالتعلّم المعزَّز. والعمل في معظمه هندسة بيانات — أعادت Xiaomi بناء استخراج النصّ وترشيحه لرفع كثافة أنماط الاستدلال في المتن، وولّدت بيانات استدلال تركيبية على نطاق واسع، ودرّبت مسبقًا MiMo-7B-Base على نحو 25 تريليون رمز ضمن مزيج ثلاثي المراحل، مع التنبّؤ بعدّة رموز (Multiple-Token Prediction) هدفًا مساعدًا يعمل وقت الاستدلال أيضًا فكّ ترميز تخميني (بمعدّل قبول قريب من 90% بحسب Xiaomi).

أما التدريب اللاحق فمتقشّف عن قصد: 130,000 مسألة رياضيات وبرمجة مع مكافآت دقّة قائمة على قواعد فقط، بلا نموذج مكافأة متعلَّم، انطلاقًا من أن نموذج المكافأة العصبي سطحٌ قابل للاختراق. فالمكافآت القابلة للتحقّق لا تُستمال بالكلام المعسول. ويسجّل MiMo-7B-RL أرقامًا لا تتناسب مع حجمه — تُبلغ Xiaomi عن 68.2% في AIME 2024، و95.8% في MATH-500، و57.8% في LiveCodeBench v5 عند pass@1، مضاهيًا o1-mini من OpenAI. هذه هي هيئة النموذج الذي تستدعيه: مدمج، ومدرَّب بكثافة، ومضبوط على معالجة المسألة خطوةً خطوة بدل استرجاع إجابة — وهذا المزاج يبقى في الأحفاد متعددي الوسائط.

02كيف تعلّم MiMo أن يرى: بنية MiMo-VL

‏MiMo-VL هو الفرع البصري اللغوي، وبناؤه مفيد. جمعت Xiaomi ثلاثة أجزاء: مُرمِّز ViT بدقّة أصلية يحفظ التفاصيل الدقيقة بدل إجبار كل صورة على شبكة ثابتة منخفضة الدقّة، ومِسقط MLP مُهيَّأ عشوائيًا نحو الفضاء الكامن للنموذج اللغوي، والأهمّ: عمود MiMo الاستدلالي بوصفه النموذج اللغوي. فالمنظومة البصرية ترث فاكّ ترميز بارعًا أصلًا في التفكير متعدد الخطوات، لا فاكّ ترميز بارعًا في وصف الصور فحسب.

جرى التدريب على أربع مراحل تدريب مسبق — تسخين المِسقط، ومحاذاة الرؤية واللغة، وتدريب مسبق عامّ متعدد الوسائط، وضبط مُشرَف طويل السياق — عبر نحو 2.4 تريليون رمز، ثم التعلّم المعزَّز المختلط على السياسة (MORL)، الذي يطوي دقّة الإدراك، وضبط التأريض البصري، وصحّة الاستدلال، وتفضيل البشر/الذكاء الاصطناعي في حلقة واحدة على السياسة. والتقرير صريح في أن تحسين كل ذلك دفعةً واحدة غير مستقرّ — وهو تأطير أصدق ممّا تقدّمه معظم أوراق الوسائط المتعددة.

والنتائج المنشورة قويّة قياسًا بعدد المعاملات. تُبلغ Xiaomi أن MiMo-VL-7B-RL يتفوّق على Qwen2.5-VL-7B في 35 مهمّة من 40، ويحقّق 59.4 في OlympiadBench (فوق نماذج تصل إلى 78 مليار معامل)، و56.1 في OSWorld-G للتأريض في واجهات المستخدم، متقدّمًا على وكلاء واجهات مبنيّين لهذا الغرض. أما تحديث 2508 اللاحق فدفع MMMU إلى ما فوق 70 لأول مرة في السلسلة (70.6)، وبلغ 94.4 في ChartQA، و92.5 في ScreenSpot-v2، و70.8 في VideoMME، وأضاف مفتاح تحكّم في التفكير يتيح إطفاء آثار الاستدلال لكل طلب.

03ما معنى W8A16، ولماذا يهمّ في الرؤية أكثر ممّا يهمّ في النصّ

كل نموذج على البوّابة يحمل لاحقة تكميم. وهي ليست زينة — بل تخبرك بما جرت مقايضته لجعل النموذج قابلًا للتشغيل.

اللاحقة	ما هي	لماذا تُستخدم
3BIT-REAP	أوزان بثلاث بتّات إضافةً إلى REAP، وهي طريقة تشذيب للخبراء تُسقط الخبراء نادري التوجيه من نموذج مزيج خبراء قبل التكميم	الطريقة الوحيدة لاحتواء أضخم الأسس وتشغيلها بسرعة معقولة
W4A16-AUTOROUND-REAP	أوزان بأربع بتّات، وتفعيلات بستّ عشرة بتّة، مكمَّمة بـAutoRound — تقريب متعلَّم يستردّ دقّةً تفوق التقريب الساذج إلى الأقرب — إضافةً إلى تشذيب REAP	حلّ وسط للأسس الكبيرة التي لا تحتاج ضغطًا متطرّفًا
W8A16	أوزان بثماني بتّات، وتفعيلات بستّ عشرة بتّة — أعلى طبقة وفاء نشغّلها	تُستخدم حيث يكون الأساس صغيرًا بما يكفي فلا يلزم ضغطه بعنف

يستحقّ MiMo-V2.5 الصفّ الثالث لكونه مدمجًا: فأساس كثيف في هذه الفئة لا يحتاج سحقًا إلى ثلاث بتّات ليتّسع، فتستطيع تحمّل الاحتفاظ بثماني، وتبقى الأوزان التي تعاين منها قريبة من تلك التي دُرِّبت. وهذا يهمّ بشكل غير متناسب في العمل على الصور، لسبب بنيوي. ففي فاكّ ترميز نصّي بحت، يعاد سياق التضمين الذي ينزاح تحت التكميم عبر عشرات طبقات الانتباه اللاحقة — أي فرص كثيرة للتعافي. أما المكدَّس البصري فلا فسحة لديه: تمرّ المعلومات البصرية عبر مُرمِّز واحد ومِسقط ضيّق واحد قبل أن تصل إلى فاكّ الترميز، وكل ما بعد ذلك مشروط بما أنتجه ذلك العنق. والإشارة الدقيقة — 3 في مقابل 8 في مسح ضوئي منخفض التباين، والبكسل الذي ينتهي عنده عمود على محور مخطّط، وحدّ عنصر واجهة يُطلب منك النقر عليه — تسكن في تفاصيل الأوزان منخفضة المقدار، وهي أوّل ما يرميه التكميم العنيف.

نموذج الرؤية بثلاث بتّات لا يفشل بصوت عالٍ؛ بل يفشل بهدوء، فيُنتج وصفًا سلسًا لمستند مع رقمين مقلوبين في المجموع. وأعلى وفاء في الأوزان هو أرخص تأمين ضدّ هذا الفشل، وهو هنا مجّاني — فأنت تدفع سعر الأرضية في الحالتين.

04سعر الأرضية في سياقه

أربعة نماذج من فهرسنا ذي النماذج الاثني عشر تقع عند أرضية السعر 0.50$ دخلًا / 2.00$ خرجًا لكل مليون رمز. وواحد منها فقط يقبل الصور. وإليك أين تقع النماذج القادرة على الرؤية من حيث كلفة الخرج، وهو الرقم الذي يهيمن على معظم الفواتير الحقيقية:

سعر الخرج بالدولار الأمريكي لكل مليون رمز، أسعار قائمة بوّابة Shannon AI، سبتمبر 2026. وطول الشريط نسبيّ إلى أغلى نموذج رؤية في الفهرس.

في مقابل Kimi-K3 — نموذج الرؤية عند السقف، وهو أقوى فعلًا — يكون MiMo-V2.5 أرخص بنحو 9.6 مرّة في الخرج وأرخص بـ7.7 مرّة في الدخل. وهذا ليس ادّعاء تكافؤ؛ بل حجّة عن هيئة عبء العمل. فعند مئة ألف صورة شهريًا، لا يكون نموذج السقف محتملًا ماليًا ويكون نموذج الأرضية كذلك، والسؤال الصادق هو هل يتخطّى نموذج الأرضية عتبة الدقّة لديك — لا هل يفوز في مقياس أداء.

05‏MiMo-V2.5 في مقابل MiniMax-M3: نموذجا الرؤية الرخيصان، مقارنةً بصدق

يتعادل هذان تمامًا في السعر والسياق وسطح النقاط الطرفية. لكنهما ليسا قابلين للتبادل: فطبقة التكميم وكيلٌ عن رهانين مختلفين حول ما يجعل نموذج الرؤية مفيدًا.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
الدخل / الخرج لكل مليون	$0.50 / $2.00	$0.50 / $2.00
وفاء الأوزان	ثماني بتّات	ثلاث بتّات + تشذيب الخبراء
حجم الأساس	مدمج وكثيف	كبير ومتفرّق، مزيج خبراء
الرؤية	نعم	نعم
نافذة السياق	262,144	262,144
المخطّط · الأدوات · البثّ	نعم	نعم

اختر MiMo-V2.5 حين تكون الصورة هي الجزء الصعب: التعرّف الضوئي الكثيف على الحروف في مسوحات غير مثالية، واستخراج الأرقام من المخططات والجداول، وتأريض لقطات الشاشة والواجهات، وقراءة النصّ الصغير، والتمييز بين صور منتجات شبه متطابقة — أي عمل يكون فيه رقم مقلوب عيبًا لا شائبة شكلية. أنت تريد أعلى مسار وفاءً من البكسل إلى الرمز، والأوزان ذات الثماني بتّات هي كيف تحصل عليه بهذا السعر.

اختر MiniMax-M3 حين تكون الصورة هي الجزء السهل. فأساس كبير متفرّق مضغوط إلى ثلاث بتّات يظلّ يحمل معرفةً بالعالم واتساعًا استدلاليًا أكثر ممّا يستطيع نموذج مدمج كثيف حمله، حتى بعد التشذيب. فإن كانت المهمّة «انظر إلى هذه الصورة واستدلّ مطوّلًا فيما تعنيه»، أو كانت الصورة مدخلًا واحدًا في محادثة نصّية في معظمها، فالأساس الأكبر هو الآلة الأفضل — لأن حدّة البصر التي قايضت عليها لم تكن القيد الملزم.

06‏MiMo-V2.5 في مقابل MiMo-V2.5-Pro: الشقيق الذي قايض العينين بالعمق

هذه هي المقارنة التي تولّد أكبر عدد من تذاكر الدعم، فيستحقّ الأمر صراحةً. يتشارك MiMo-V2.5-Pro-W8A16 وMiMo-V2.5-W8A16 السعر ونافذة السياق وطبقة الوفاء واسم العائلة. لكن Pro لا يقبل الصور. فهو ليس مجموعة شاملة للآخر. بل هو توزيع مختلف للميزانية نفسها.

تشغيل نموذج متعدد الوسائط يعني الدفع مقابل برج رؤية ومِسقط إلى جانب فاكّ الترميز — أي عند هدف كلفة ثابت، طاقةٌ لم تُنفَق على النموذج اللغوي نفسه. وPro ينفقها كلّها على النصّ: أساس أكبر بمتّسع أوسع للكتابة المطوّلة، والاستدلال الممتدّ، والبرمجة. أما MiMo-V2.5 فينفق جزءًا منها على البصر.

لذا فقاعدة القرار تخصّ مدخلاتك لا طموحاتك. فإن أمكن أن يحتوي أي طلب على لقطة شاشة أو صفحة ممسوحة أو مخطّط أو رسم بياني أو صورة فوتوغرافية، فأنت تحتاج MiMo-V2.5 — إذ سيرفض Pro كتلة المحتوى تلك. وإن كان كل طلب نصًّا وامتدّت يدك إلى نموذج الرؤية بحكم العادة، فأنت تترك جودة الأساس على الطاولة بلا مقابل: خذ MiMo-V2.5-Pro بالسعر ذاته.

ونمط يستحقّ السرقة: وجِّه حسب نوع المحتوى. فكل ما فيه جزء صورة يذهب إلى MiMo-V2.5-W8A16، وكل ما عداه إلى MiMo-V2.5-Pro-W8A16. العائلة نفسها، والسعر نفسه، وميزانية السياق نفسها — فالموجِّه تافه ولا يوجد نموذج كلفة تحتاج إلى التوفيق بينه وبين غيره.

07ما الذي يعنيه فعلًا «فهم الصور بلا رقابة»

لا توجد طبقة رفض أمام هذا النموذج ولا مرشِّح محتوى على مخرجاته. وهذا قرار منتج له نتيجة محدّدة في العمل البصري: يصف النموذج ما في الإطار بدل الاعتذار بناءً على الموضوع.

وهذا يهمّ لأن واجهات الرؤية المرشَّحة غير صالحة بنيويًا لفئة كاملة من الأعمال المشروعة. فخطّ إشراف على المحتوى يجب أن ينظر إلى المادة التي يُشرف عليها ويقول ما هي؛ والمصنِّف الذي يرفض فحص ما يصنِّفه ليس مصنِّفًا. وينطبق الأمر ذاته على قائمة طويلة من الأعمال الحقيقية:

• أدوات الثقة والأمان — وسم الصور نفسها التي ترفض واجهة سائدة معالجتها، وهي الصور الأشدّ حاجةً إلى الوسم.
• الصور الطبية والجنائية وصور الحوادث — التصوير السريري، وصور الإصابات، وتصوير مسرح الحادث، وهي ما ترفضه المرشِّحات العامّة بوصفه صادمًا أيًّا كان السائل.
• البحث الأمني — قراءة صفحات التصيّد، والواجهات الخبيثة، والشاشات الملتقطة دون أن يتردّد النموذج في المقدّمة.
• تصنيف محتوى البالغين والفهرسة الأرشيفية — خطوط عمل وُجدت لتحديد المادة ولا يمكنها الاستعانة بغيرها في النظر، إضافةً إلى مجموعات تاريخية تعاملها المرشِّحات على أنها غير قابلة للوسم.

إزالة طبقة الرفض تزيل عقبة هندسية لا عقبة قانونية. تُشغَّل Shannon AI بواسطة Shannon Lab LLC في نيومكسيكو بالولايات المتحدة، ويحكم استخدام الواجهة سياسة الاستخدام المسؤول لدينا. فالمخرجات غير المرشَّحة قدرةٌ لا تصريحُ إذن.

08استدعاؤه: النقاط الطرفية، ودخل الصور، وأين يقع

النموذج هو MiMo-V2.5-W8A16، ويمكن بلوغه بثلاث لهجات طلب على الأوزان نفسها، فتبقي على أي حزمة تطوير لديك سلفًا:

• /v1/chat/completions — متوافق مع OpenAI. تدخل الصور بوصفها أجزاء محتوى image_url، إمّا رابط https أو معرّف بيانات base64.
• /v1/messages — متوافق مع Anthropic. تدخل الصور بوصفها كتل محتوى image.
• /v1/responses — لهجة على طراز Responses.

ويعمل البثّ واستدعاء الأدوات على الثلاث جميعًا، فيستطيع النموذج أن ينظر إلى لقطة شاشة ويستدعي دالّة عمّا رآه في دورة واحدة. ومخطّطات الطلب والاستجابة كاملةً موجودة في وثائق الواجهة البرمجية، التي تستضيف أيضًا ساحة تجريب يمكنك لصق صورة فيها قبل كتابة أي شفرة.

يدعم MiMo-V2.5 json_schema الصارم وresponse_format — وهو الفرق بين عرض توضيحي وخطّ إنتاج. سلّمه إيصالًا مع مخطّط فيه حقول مصنّفة للمورّد والتاريخ وبنود السطور والمجموع، فتستعيد كائنًا تستطيع شفرتك التحقّق منه بدل فقرة عليك تحليلها بالتعابير النمطية. ونموذجان من النماذج الاثني عشر في هذا الفهرس يفتقران إلى دعم كامل للمخرجات المنظَّمة؛ وهذا ليس منهما، ولذلك يصلح خدمةَ استخراج عالية الحجم.

نافذة السياق 262,144 رمزًا؛ والخرج المولَّد محدود بـ16,384 رمزًا لكل طلب. وتستهلك الصور رموز دخل بدلالة الدقّة، فمسوحات الصفحات عالية الدقّة تلتهم السياق أسرع بكثير من عدد كلمات مكافئ من النصّ. قسّم المستندات الطويلة إلى صفحات بدل تحميل مسح من 300 صفحة في طلب واحد، وعامِل حدّ الخرج بوصفه قيدًا حقيقيًا على الاستخراج الشامل — جزّئ الجداول الكثيفة بنطاقات صفوف بدل أن تحصل على إجابة مبتورة.

ولقرص reasoning_effort رافعة حقيقية هنا بالنظر إلى نسب العائلة. أنزله في التصنيف عالي الحجم، حيث تكون الإجابة وسمًا وتكون رموز التفكير كلفةً خالصة؛ وارفعه في تفسير المخططات، والرياضيات البصرية، والاستدلال على الرسوم البيانية، حيث يجب على النموذج أن يجمع عدّة أشياء يراها قبل أن يجيب.

أين يقع، وأين لا يقع

ملاءمات جيدة. استخراج المستندات والإيصالات بحجم كبير؛ والأعمال المجاورة للتعرّف الضوئي على الحروف في مسوحات غير مثالية؛ وقراءة المخططات ولوحات المعلومات والجداول؛ وفهم لقطات الشاشة وتأريض الواجهات؛ ووسم الفهارس وأسئلة الصور البصرية؛ وخطوط الإشراف على المحتوى — أي مهمّة متعددة الوسائط تكون فيها كلفة الاستدعاء قيدًا ملزمًا وتكون دقّة التفاصيل ما ترفض التنازل عنه.

ملاءمات ضعيفة. الاستدلال متعدد الوسائط بصعوبة الحدود القصوى، الذي يحتاج أقوى نموذج بصرف النظر عن السعر — تلك مهمّة Kimi-K3، وهو يكلّف قرابة عشرة أضعاف لسبب. وتوليد النصّ الخالص، حيث يمنحك MiMo-V2.5-Pro أساسًا أفضل بالسعر نفسه. والأعمال المتّكئة على معرفة موسوعية بالعالم، حيث يسبق أساسٌ كبير متفرّق أساسًا مدمجًا كثيفًا. وأي شيء يحتاج أكثر من 262 ألف رمز من السياق، وهو ما لا يقدّمه أي نموذج هنا.

09أسئلة شائعة

---

المصادر: التقرير التقني لـMiMo (arXiv 2505.07608) · التقرير التقني لـMiMo-VL (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. كل أرقام مقاييس الأداء مُبلَّغة من Xiaomi لنقاط التحقّق الصادرة المسمّاة أعلاه وتصف سلالة العائلة، لا البناء المحدّد على هذه النقطة الطرفية. والأسعار والسياق وأعلام القدرات قيم قائمة بوّابة Shannon AI، سبتمبر 2026.