Senzurasız MiMo Görmə API

Ucuz multimodal uc nöqtələr ona görə ucuzdur ki, nəsə kəsilib və kəsilən adətən görə bilmədiyiniz hissədir: çəkilər üç və ya dörd bitə sıxılıb, model isə artıq oxuya bilmədiyi qrafik haqqında hələ də inamla cavab verir. MiMo-V2.5 kataloqumuzdakı əks nümunədir — eyni anda həm qiymət döşəməsində, həm də ən yüksək dəqiqlik pilləsində, çünki onun törədiyi təməl nəhəng və seyrək deyil, kiçik və sıx qurulub.

01MiMo haradan gəlir: əvvəlcə düşünmə modeli, sonra görmə modeli

MiMo xətti Xiaomi-nin açıq çəkili tədqiqat proqramıdır və onun təməl iddiası dəbdə deyil: düşünmə qabiliyyəti sonradan RL ilə bərkidilmir, ilkin öyrətmə zamanı qoyulur. İş əsasən veri mühəndisliyidir — Xiaomi mətn çıxarma və süzgəcləməni yenidən qurub korpusda düşünmə naxışlarının sıxlığını artırdı, geniş miqyasda sintetik düşünmə verisi yaratdı və MiMo-7B-Base modelini təxminən 25 trilyon token üzərində üç mərhələli qarışıqla ilkin öyrətdi; köməkçi məqsəd kimi Çoxtokenli Proqnoz istifadə olundu və o, nəticə çıxarma zamanı spekulyativ dekoder rolunu da oynayır (Xiaomi-yə görə qəbul dərəcəsi 90%-ə yaxın).

Öyrətmədən sonrakı mərhələ qəsdən sadədir: 130,000 riyaziyyat və kod məsələsi, yalnız qayda əsaslı dəqiqlik mükafatları, öyrənilmiş mükafat modeli yoxdur — çünki neyron mükafat modeli sındırılası bir səthdir. Yoxlanıla bilən mükafatları isə şirin dillə aldatmaq olmur. MiMo-7B-RL ölçüsünə uyğun gəlməyən rəqəmlər göstərir — Xiaomi pass@1 üzrə AIME 2024-də 68.2%, MATH-500-də 95.8%, LiveCodeBench v5-də 57.8% bildirir, yəni OpenAI-nin o1-mini ilə eyni səviyyə. Çağırdığınız modelin forması budur: yığcam, sıx öyrədilmiş, cavabı xatırlamaq yerinə məsələni işləyib keçməyə tuşlanmış — və bu xasiyyət multimodal törəmələrə də keçir.

02MiMo görməyi necə öyrəndi: MiMo-VL arxitekturası

MiMo-VL görmə-dil qoludur və onun quruluşu öyrədicidir. Xiaomi üç hissəni yığdı: hər şəkli sabit aşağı həlledicilikli tora sıxmaq yerinə incə təfərrüatı saxlayan doğma həlledicilikli ViT enkoderi, dil modelinin gizli fəzasına aparan təsadüfi başlanğıclı MLP proyektoru və — ən vacibi — dil modeli kimi MiMo düşünmə onurğası. Görmə sistemi sadəcə başlıq yazmağı bacaran deyil, onsuz da çoxaddımlı düşünmədə yaxşı olan dekoderi miras alır.

Öyrətmə dörd ilkin mərhələdə keçdi — proyektorun qızdırılması, görmə-dil uzlaşdırması, ümumi multimodal ilkin öyrətmə, uzun kontekstli SFT — təxminən 2.4 trilyon token üzərində, sonra Qarışıq Siyasətüstü Möhkəmləndirici Öyrənmə (MORL) gəldi və qavrama dəqiqliyini, vizual bağlama dəqiqliyini, düşünmə düzgünlüyünü, insan/AI üstünlüklərini bir siyasətüstü dövrədə birləşdirdi. Hesabat açıqca deyir ki, bunların hamısını eyni anda optimallaşdırmaq qeyri-sabitdir — multimodal məqalələrin çoxundan daha dürüst bir çərçivə.

Dərc olunmuş nəticələr parametr sayına görə güclüdür. Xiaomi bildirir ki, MiMo-VL-7B-RL 40 tapşırığın 35-də Qwen2.5-VL-7B-ni üstələyib, OlympiadBench-də 59.4 toplayıb (78B-yə qədər modellərdən yuxarı) və GUI bağlaması üzrə OSWorld-G-də 56.1 göstərib, yəni məqsədli interfeys agentlərini qabaqlayıb. Sonrakı 2508 yeniləməsi seriyada ilk dəfə MMMU-nu 70-dən yuxarı qaldırdı (70.6), ChartQA-da 94.4, ScreenSpot-v2-də 92.5 və VideoMME-də 70.8 nəticələrinə çatdı, üstəlik düşünmə izlərini sorğu üzrə söndürmək üçün düşünmə idarəsi açarı əlavə etdi.

03W8A16 nə deməkdir və görmə üçün niyə mətndən daha önəmlidir

Gateway-dəki hər model kvantlama sonluğu daşıyır. Bu, bəzək deyil — modeli verilə bilən etmək üçün nədən güzəştə gedildiyini bildirir.

Sonluq	Nədir	Niyə işlədilir
3BIT-REAP	3-bitlik çəkilər üstəgəl REAP — kvantlamadan əvvəl MoE modelindən nadir marşrutlanan ekspertləri atan ekspert budama metodu	Ən böyük təməlləri ağlabatan sürətlə sığdırıb vermənin yeganə yolu
W4A16-AUTOROUND-REAP	4-bitlik çəkilər, 16-bitlik aktivasiyalar, AutoRound ilə kvantlanıb — sadəlövh ən yaxına yuvarlaqlaşdırmaya nisbətdə dəqiqliyi bərpa edən öyrənilmiş yuvarlaqlaşdırma — üstəgəl REAP budaması	Həddindən artıq sıxılmaya ehtiyacı olmayan böyük təməllər üçün orta yol
W8A16	8-bitlik çəkilər, 16-bitlik aktivasiyalar — verdiyimiz ən yüksək dəqiqlik pilləsi	Təməlin aqressiv sıxılmaya ehtiyac qalmayacaq qədər kiçik olduğu yerlərdə işlədilir

MiMo-V2.5 üçüncü sətri yığcamlığı ilə qazanır: bu sinifdəki sıx təməli sığdırmaq üçün üç bitə əzmək lazım deyil, deməli səkkiz biti saxlamağa gücünüz çatır və seçim apardığınız çəkilər öyrədilmiş çəkilərə yaxın qalır. Bu, şəkil işi üçün qeyri-mütənasib dərəcədə önəmlidir və səbəbi strukturaldır. Yalnız mətnlə işləyən dekoderdə kvantlama altında sürüşən yerləşdirmə onlarla sonrakı diqqət qatı tərəfindən yenidən kontekstləşdirilir — bərpa üçün çoxlu şans var. Görmə yığınında belə ehtiyat yoxdur: vizual məlumat dekoderə çatana qədər tək bir enkoderdən və tək bir dar proyektordan keçir və ondan sonrakı hər şey həmin darboğazın verdiyinə bağlıdır. İncə siqnal — aşağı kontrastlı skanda 3 ilə 8 arasındakı fərq, qrafik oxunda zolağın bitdiyi dəqiq piksel, basmağınız istənilən interfeys elementinin sərhədi — aqressiv kvantlamanın ilk atdığı kiçik böyüklüklü çəki təfərrüatında yaşayır.

3-bitlik görmə modeli səs-küylə uğursuz olmur; o, səssizcə uğursuz olur və sənədi axıcı təsvir edərkən yekun məbləğdə iki rəqəmi yerini dəyişmiş halda verir. Yüksək çəki dəqiqliyi həmin nasazlığa qarşı ən ucuz sığortadır və burada o, pulsuzdur — hər halda döşəmə qiymətini ödəyirsiniz.

04Döşəmə qiyməti, kontekstdə

On iki modellik kataloqumuzda dörd model milyon token üçün $0.50 giriş / $2.00 çıxış qiymət döşəməsindədir. Onlardan yalnız biri şəkil qəbul edir. Real hesabların çoxuna hakim olan rəqəm — çıxış xərci — üzrə görmə qabiliyyətli modellərin yeri belədir:

Çıxış qiyməti, 1M token üçün ABŞ dolları, Shannon AI Gateway siyahı tarifləri, sentyabr 2026. Zolağın uzunluğu kataloqdakı ən bahalı görmə modelinə nisbətəndir.

Görmə tavanı modeli — və həqiqətən daha güclü model — olan Kimi-K3 ilə müqayisədə MiMo-V2.5 çıxışda təxminən 9.6 dəfə, girişdə isə 7.7 dəfə ucuzdur. Bu, bərabərlik iddiası deyil; iş yükünün forması haqqında arqumentdir. Ayda yüz min şəkildə tavan modelinə gücünüz çatmır, döşəmə modelinə çatır və dürüst sual onun benchmark udub-udmaması deyil, sizin dəqiqlik həddinizi keçib-keçməməsidir.

05MiMo-V2.5 və MiniMax-M3: iki ucuz görmə modeli, dürüst müqayisə

Bu ikisi qiymət, kontekst və uc nöqtə səthi üzrə tam bərabərdir. Onlar bir-birini əvəz etmir: kvantlama pilləsi görmə modelini faydalı edən şey haqqında iki fərqli mərcin göstəricisidir.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
1M üçün giriş / çıxış	$0.50 / $2.00	$0.50 / $2.00
Çəki dəqiqliyi	8-bit	3-bit + ekspert budaması
Təməlin ölçüsü	Yığcam, sıx	Böyük, seyrək MoE
Görmə	Bəli	Bəli
Kontekst pəncərəsi	262,144	262,144
Sxem · alətlər · axın	Bəli	Bəli

Şəkil məsələnin çətin hissəsi olanda MiMo-V2.5-i seçin: qüsurlu skanlarda sıx OCR, qrafik və cədvəllərdən ədəd çıxarma, ekran görüntüsü və interfeys bağlaması, xırda mətn oxuma, demək olar ki, eyni məhsul fotoşəkillərini bir-birindən ayırma — yerini dəyişmiş rəqəmin kosmetik qüsur deyil, nasazlıq sayıldığı hər şey. Sizə piksellərdən tokenlərə ən yüksək dəqiqlikli yol lazımdır və bu qiymətə onu 8-bitlik çəkilərlə alırsınız.

Şəkil məsələnin asan hissəsi olanda MiniMax-M3-ü seçin. Üç bitə sıxılmış böyük seyrək təməl budandıqdan sonra belə yığcam sıx modeldən daha çox dünya bilikləri və düşünmə genişliyi saxlayır. Tapşırıq "bu fotoşəklə bax və nə nəzərdə tutduğunu ətraflı mühakimə et" formasındadırsa, yaxud şəkil əsasən mətnlə gedən söhbətdəki bir girişdirsə, daha böyük təməl daha yaxşı alətdir — güzəştə getdiyiniz vizual itilik məhdudlaşdırıcı şərt deyildi.

06MiMo-V2.5 və MiMo-V2.5-Pro: gözlərini dərinliyə dəyişən qardaş

Ən çox dəstək müraciəti yaradan müqayisə budur, ona görə açıq danışmağa dəyər. MiMo-V2.5-Pro-W8A16 ilə MiMo-V2.5-W8A16 qiyməti, kontekst pəncərəsini, dəqiqlik pilləsini və ailə adını paylaşır. Pro şəkil qəbul etmir. O, üstmüçoxluq deyil. O, eyni büdcənin fərqli bölgüsüdür.

Multimodal model vermək dekoderlə yanaşı görmə qülləsinə və proyektora da pul ödəmək deməkdir — sabit xərc hədəfində bu, dil modelinin özünə sərf edilməyən tutumdur. Pro hamısını mətnə sərf edir: uzun formatlı yazı, uzadılmış düşünmə və kod üçün daha çox ehtiyatı olan daha böyük təməl. MiMo-V2.5 isə bir hissəsini görməyə sərf edir.

Deməli, qərar qaydası sizin iddialarınız haqqında deyil, girişləriniz haqqındadır. İstənilən sorğuda ekran görüntüsü, skan edilmiş səhifə, qrafik, diaqram və ya fotoşəkil ola bilirsə, sizə MiMo-V2.5 lazımdır — Pro həmin məzmun blokunu rədd edəcək. Hər sorğu mətndirsə və görmə modelinə vərdişdən yapışmısınızsa, təməl keyfiyyətini boş yerə masada qoyursunuz: eyni tarifə MiMo-V2.5-Pro götürün.

Oğurlamağa dəyən bir naxış: məzmun tipinə görə marşrutlaşdırın. Şəkil hissəsi olan hər şey MiMo-V2.5-W8A16-ya, qalan hər şey MiMo-V2.5-Pro-W8A16-ya getsin. Eyni ailə, eyni qiymət, eyni kontekst büdcəsi — marşrutlayıcı çox sadədir və uzlaşdırılası xərc modeli yoxdur.

07"Senzurasız şəkil anlama" əslində nə deməkdir

Bu modelin qarşısında imtina qatı, çıxışında isə məzmun filtri yoxdur. Bu, görmə işi üçün konkret nəticəsi olan məhsul qərarıdır: model mövzuya görə imtina etmək yerinə kadrda nə olduğunu təsvir edir.

Bu ona görə önəmlidir ki, filtrli görmə API-ləri qanuni işin bütöv bir kateqoriyası üçün struktur olaraq yararsızdır. Moderasiya boru kəməri moderasiya etdiyi materiala baxıb onun nə olduğunu deməlidir; təsnif etdiyi şeyə baxmaqdan imtina edən təsnifatçı təsnifatçı deyil. Eyni şey real işlərin uzun siyahısında da keçərlidir:

• Etibar və təhlükəsizlik alətləri — məhz əsas API-lərin emal etmədiyi təsvirləri etiketləmək, yəni etiketlənməyə ən çox ehtiyacı olan təsvirləri.
• Tibbi, məhkəmə-tibbi və qəza şəkilləri — ümumi filtrlərin kimin soruşduğundan asılı olmayaraq kəskin sayıb rədd etdiyi klinik, xəsarət və hadisə yeri fotoşəkilləri.
• Təhlükəsizlik tədqiqatı — fişinq səhifələrini, zərərli interfeysləri və tutulmuş ekranları modelin sualın özündən çəkinmədən oxumaq.
• Yetkin məzmun təsnifatı və arxiv kataloqlaşdırması — materialı müəyyən etmək üçün mövcud olan və baxmağı kənara ötürə bilməyən boru kəmərləri, üstəgəl filtrlərin etiketlənə bilməz saydığı tarixi kolleksiyalar.

İmtina qatını çıxarmaq mühəndislik maneəsini götürür, hüquqi maneəni yox. Shannon AI-ni ABŞ-ın Nyu-Meksiko ştatında Shannon Lab LLC idarə edir və API-dən istifadə Məsuliyyətli İstifadə Siyasətimizlə tənzimlənir. Filtrsiz çıxış qabiliyyətdir, icazə vərəqəsi deyil.

08Çağırmaq: uc nöqtələr, şəkil girişi və yeri

Model MiMo-V2.5-W8A16-dır və eyni çəkilərə qarşı üç sorğu dialektində əlçatandır, deməli onsuz da işlətdiyiniz SDK-nı saxlayırsınız:

• /v1/chat/completions — OpenAI uyğun. Şəkillər image_url məzmun hissəsi kimi gedir, ya https URL, ya da base64 data URI şəklində.
• /v1/messages — Anthropic uyğun. Şəkillər image məzmun blokları kimi gedir.
• /v1/responses — Responses üslubunda dialekt.

Axın və alət çağırışı hər üçündə işləyir, deməli model bir növbədə ekran görüntüsünə baxıb gördüyü barədə funksiya çağıra bilər. Tam sorğu və cavab sxemləri API sənədlərindədir; orada həmçinin kod yazmazdan əvvəl şəkil yapışdıra biləcəyiniz sınaq meydançası var.

MiMo-V2.5 ciddi json_schema və response_format dəstəkləyir — demo ilə boru kəməri arasındakı fərq budur. Ona qəbz və satıcı, tarix, sətir maddələri, yekun üçün tipli sahələri olan sxem verin, cavabda regex çəkməli olduğunuz abzas deyil, kodunuzun doğrulaya biləcəyi obyekt alın. Bu kataloqdakı on iki modeldən ikisində tam strukturlaşdırılmış çıxış dəstəyi yoxdur; bu modeldə var və onu yüksək həcmli çıxarma xidməti kimi işlək edən də budur.

Kontekst pəncərəsi 262,144 tokendir; yaradılan çıxış isə sorğu başına 16,384 tokenlə məhdudlanır. Şəkillər həlledicilikdən asılı olaraq giriş tokeni yeyir, ona görə yüksək həlledicilikli səhifə skanları eyni söz sayında mətndən qat-qat tez kontekst udur. 300 səhifəlik skanı bir sorğuya yükləmək yerinə uzun sənədləri səhifələyin və çıxış həddinə tam çıxarma üçün real məhdudiyyət kimi baxın — kəsilmiş cavab almaq yerinə sıx cədvəlləri sətir diapazonları üzrə hissələrə bölün.

Ailənin kökünü nəzərə alsaq, reasoning_effort düyməsinin burada real təsiri var. Cavabın etiket olduğu və düşünmə tokenlərinin təmiz xərc sayıldığı yüksək həcmli təsnifat üçün onu azaldın; modelin cavab verməzdən əvvəl gördüyü bir neçə şeyi birləşdirməli olduğu qrafik şərhi, vizual riyaziyyat və diaqram üzərində düşünmə üçün artırın.

Harada uyğun gəlir, harada yox

Yaxşı uyğunluqlar. Yüksək həcmli sənəd və qəbz çıxarma; qüsurlu skanlarda OCR-ə yaxın iş; qrafik, idarə paneli və cədvəl oxuma; ekran görüntüsü anlama və interfeys bağlaması; kataloq etiketləmə və vizual sual-cavab; moderasiya boru kəmərləri — çağırış başına xərcin məhdudlaşdırıcı olduğu və incə təfərrüat dəqiqliyindən imtina etmədiyiniz istənilən multimodal tapşırıq.

Zəif uyğunluqlar. Qiymətdən asılı olmayaraq ən güclü modeli tələb edən cəbhə çətinliyində multimodal düşünmə — bu, Kimi-K3-ün işidir və təxminən on dəfə baha olmasının səbəbi var. Yalnız mətnlə yaratma — orada MiMo-V2.5-Pro eyni tarifə daha yaxşı təməl verir. Ensiklopedik dünya biliklərinə söykənən iş — orada böyük seyrək təməl yığcam sıx təməli qabaqlayır. Və 262K-dan çox kontekst tələb edən hər şey — buradakı heç bir model onu təklif etmir.

09Tez-tez verilən suallar

---

Mənbələr: MiMo texniki hesabatı (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Bütün benchmark rəqəmləri yuxarıda adı çəkilən buraxılmış yoxlama nöqtələri üçün Xiaomi tərəfindən bildirilib və bu uc nöqtədəki dəqiq quruluşu deyil, ailə nəslini təsvir edir. Qiymətlər, kontekst və qabiliyyət bayraqları sentyabr 2026 tarixinə Shannon AI Gateway siyahı dəyərləridir.