Нецензуриран MiMo API за зрение

Евтините мултимодални крайни точки са евтини, защото нещо е отрязано, а отрязаното обикновено е частта, която не виждате: теглата са свити до три или четири бита, а моделът пак отговаря самоуверено за графика, която вече реално не може да прочете. MiMo-V2.5 е контрапримерът в нашия каталог — едновременно на ценовия минимум и на най-високото ниво на точност, защото основата, от която произлиза, е строена малка и плътна, а не огромна и разредена.

01Откъде идва MiMo: първо модел за разсъждение, после модел със зрение

Линията MiMo е изследователската програма с отворени тегла на Xiaomi, а основополагащият ѝ довод е немоден: способността за разсъждение се залага по време на предобучението, а не се закача след това с RL. Работата е предимно инженерство на данни — Xiaomi преизгради извличането и филтрирането на текст, за да повиши плътността на моделите на разсъждение в корпуса, генерира синтетични данни за разсъждение в мащаб и предобучи MiMo-7B-Base върху около 25 трилиона токена по тристепенна смес, с Multiple-Token Prediction като спомагателна цел, която при извод служи и като спекулативен декодер (степен на приемане близо 90% според Xiaomi).

Следобучението е нарочно аскетично: 130 000 задачи по математика и код само с награди за точност, базирани на правила, без научен модел на наградата, с довода, че невронният модел на наградата е повърхност, която ще бъде хакната. Проверимите награди не могат да бъдат придумани. MiMo-7B-RL показва числа, непропорционални на размера си — Xiaomi докладва 68.2% на AIME 2024, 95.8% на MATH-500, 57.8% на LiveCodeBench v5 при pass@1, изравнявайки o1-mini на OpenAI. Такава е формата на модела, който извиквате: компактен, плътно обучен, настроен да работи през задачата, а не да си припомня отговор — и този темперамент оцелява в мултимодалните наследници.

02Как MiMo се научи да вижда: архитектурата MiMo-VL

MiMo-VL е визуално-езиковото разклонение и конструкцията му е поучителна. Xiaomi сглоби три части: ViT енкодер с изначална резолюция, който запазва финия детайл, вместо да прекарва всяко изображение през фиксирана решетка с ниска резолюция, случайно инициализиран MLP проектор към латентното пространство на езиковия модел и — най-важното — гръбнакът за разсъждение MiMo като езиков модел. Визуалната система наследява декодер, който вече е добър в многостъпковото мислене, а не такъв, който просто е добър в надписите.

Обучението мина през четири етапа на предобучение — загряване на проектора, визуално-езиково изравняване, общо мултимодално предобучение, SFT с дълъг контекст — върху около 2.4 трилиона токена, след което Mixed On-policy Reinforcement Learning (MORL), вплитащ точността на възприятието, прецизността на визуалното закотвяне, коректността на разсъждението и предпочитанията на хора/AI в един цикъл по текущата политика. Докладът е откровен, че оптимизирането на всичко това наведнъж е нестабилно — по-честна рамка от тази в повечето мултимодални статии.

Публикуваните резултати са силни за броя параметри. Xiaomi докладва, че MiMo-VL-7B-RL бие Qwen2.5-VL-7B на 35 от 40 задачи, 59.4 на OlympiadBench (над модели до 78B) и 56.1 на OSWorld-G за закотвяне в графичен интерфейс, пред специално създадени агенти за интерфейси. По-късното обновление 2508 изкачи MMMU над 70 за първи път в серията (70.6), достигна 94.4 на ChartQA, 92.5 на ScreenSpot-v2 и 70.8 на VideoMME, и добави превключвател за контрол на мисленето, така че следите от разсъждение да могат да се изключват за отделна заявка.

03Какво означава W8A16 и защо има по-голямо значение за зрението, отколкото за текста

Всеки модел в шлюза носи наставка за квантуване. Тя не е украса — казва ви какво е разменено, за да стане моделът обслужваем.

Наставка	Какво представлява	Защо се използва
3BIT-REAP	3-битови тегла плюс REAP — метод за отрязване на експерти, който изхвърля рядко маршрутизираните експерти от MoE модел преди квантуването	Единственият начин най-големите основи да се поберат и обслужват с разумна скорост
W4A16-AUTOROUND-REAP	4-битови тегла, 16-битови активации, квантувани с AutoRound — научено закръгляне, което възстановява точност спрямо наивното закръгляне към най-близкото — плюс отрязване с REAP	Средно положение за големи основи, които не се нуждаят от крайна компресия
W8A16	8-битови тегла, 16-битови активации — нивото с най-висока вярност, което обслужваме	Използва се там, където основата е достатъчно малка, че агресивната компресия да е ненужна

MiMo-V2.5 заслужава третия ред с това, че е компактен: плътна основа в този клас няма нужда да бъде смачквана до три бита, за да се побере, така че можете да си позволите да задържите осем, а теглата, от които семплирате, остават близо до тези, с които е обучаван. Това има непропорционално значение за работата с изображения по структурна причина. В само текстов декодер вграждане, което се отклонява при квантуване, бива преконтекстуализирано от десетки по-късни слоя на вниманието — много шансове за възстановяване. Визуалният стек няма такъв запас: визуалната информация минава през един-единствен енкодер и един тесен проектор, преди да стигне до декодера, а всичко надолу по веригата е обусловено от онова, което това тясно гърло е произвело. Финият сигнал — 3 срещу 8 в сканирано изображение с нисък контраст, точният пиксел, в който стълбче свършва по оста на графика, границата на елемент от интерфейса, върху който ви молят да щракнете — живее в детайла на теглата с малка амплитуда, който агресивното квантуване изхвърля първи.

3-битов модел със зрение не се проваля шумно; проваля се тихо, като произвежда гладко описание на документ с две разменени цифри в общата сума. По-високата точност на теглата е най-евтината застраховка срещу този провал, а тук тя е безплатна — плащате минималната цена и в двата случая.

04Минималната цена, в контекст

Четири модела от каталога ни от дванадесет стоят на ценовия минимум от $0.50 вход / $2.00 изход на милион токена. Само един от тях приема изображения. Ето къде се разполагат моделите със зрение по цена на изхода — числото, което доминира в повечето реални сметки:

Цена на изхода в USD на 1M токена, по ценоразписа на шлюза Shannon AI, септември 2026 г. Дължината на лентата е относителна спрямо най-скъпия модел със зрение в каталога.

Спрямо Kimi-K3 — моделът със зрение на тавана и наистина по-силният — MiMo-V2.5 е приблизително 9.6 пъти по-евтин на изход и 7.7 пъти по-евтин на вход. Това не е твърдение за равностойност; това е довод за формата на натоварването. При сто хиляди изображения месечно моделът на тавана не е по джоба ви, а моделът на минимума е, и честният въпрос е дали моделът на минимума покрива вашата летва за точност — а не дали печели бенчмарк.

05MiMo-V2.5 срещу MiniMax-M3: двата евтини модела със зрение, сравнени честно

Тези два са точно наравно по цена, контекст и повърхност на крайните точки. Не са взаимозаменяеми: нивото на квантуване е заместител на два различни залога за това какво прави един модел със зрение полезен.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Вход / изход на 1M	$0.50 / $2.00	$0.50 / $2.00
Точност на теглата	8 бита	3 бита + отрязване на експерти
Размер на основата	Компактна, плътна	Голяма, разредена MoE
Зрение	Да	Да
Контекстен прозорец	262 144	262 144
Схема · инструменти · поточно предаване	Да	Да

Изберете MiMo-V2.5, когато изображението е трудната част: плътен OCR върху несъвършени сканирания, извличане на числа от графики и таблици, закотвяне в екранни снимки и интерфейси, четене на дребен текст, различаване на почти еднакви продуктови снимки — всичко, където разменена цифра е дефект, а не козметичен недостатък. Искате пътя с най-висока вярност от пиксели към токени, а 8-битовите тегла са начинът да го получите на тази цена.

Изберете MiniMax-M3, когато изображението е лесната част. Голяма разредена основа, компресирана до 3 бита, все пак пази повече знания за света и широчина на разсъждението, отколкото може компактен плътен модел, дори след отрязване. Ако задачата е „погледни тази снимка и разсъждавай надълго какво следва от нея“ или изображението е един вход в предимно текстов разговор, по-голямата основа е по-добрият инструмент — визуалната острота, която сте разменили, не е била обвързващото ограничение.

06MiMo-V2.5 срещу MiMo-V2.5-Pro: сродникът, разменил очи за дълбочина

Това е сравнението, което поражда най-много запитвания към поддръжката, така че си струва да бъдем преки. MiMo-V2.5-Pro-W8A16 и MiMo-V2.5-W8A16 споделят цена, контекстен прозорец, ниво на точност и фамилно име. Pro не приема изображения. Той не е надмножество. Той е друго разпределение на същия бюджет.

Обслужването на мултимодален модел означава да плащате за визуална кула и проектор редом с декодера — при фиксирана цел за разходи това е капацитет, който не отива в самия езиков модел. Pro харчи всичко за текст: по-голяма основа с повече запас за дълги текстове, разширено разсъждение и код. MiMo-V2.5 харчи част от него за зрение.

Затова правилото за решение е за вашите входове, а не за амбициите ви. Ако която и да е заявка може да съдържа екранна снимка, сканирана страница, графика, диаграма или снимка, ви трябва MiMo-V2.5 — Pro ще отхвърли блока със съдържание. Ако всяка заявка е текст, а сте посегнали към модела със зрение по навик, оставяте качество на основата на масата за нищо: вземете MiMo-V2.5-Pro на същата тарифа.

Модел на работа, който си струва да откраднете: маршрутизирайте по тип съдържание. Всичко с част изображение отива към MiMo-V2.5-W8A16, всичко останало — към MiMo-V2.5-Pro-W8A16. Същото семейство, същата цена, същият бюджет за контекст — маршрутизаторът е тривиален и няма ценови модел за помиряване.

07Какво реално означава „нецензурирано разбиране на изображения“

Пред този модел няма слой за откази и няма филтър на съдържанието върху изхода му. Това е продуктово решение с конкретна последица за работата със зрение: моделът описва какво има в кадъра, вместо да отказва въз основа на темата.

Това има значение, защото филтрираните API-та със зрение са структурно негодни за цяла категория законна работа. Потокът за модерация трябва да погледне материала, който модерира, и да каже какво е той; класификатор, който отказва да разгледа нещото, което класифицира, не е класификатор. Същото важи за дълъг списък реални задачи:

• Инструменти за доверие и безопасност — етикетиране точно на онези изображения, които масовият API няма да обработи, а те са изображенията, които най-много се нуждаят от етикетиране.
• Медицински, криминалистични и аварийни изображения — клинична фотография, снимки на наранявания и на местопроизшествия, които общите филтри отхвърлят като графични, независимо кой пита.
• Изследване на сигурността — четене на фишинг страници, злонамерени интерфейси и заснети екрани, без моделът да се дърпа от предпоставката.
• Класификация на съдържание за възрастни и архивно каталогизиране — потоци, които съществуват, за да идентифицират материал и не могат да възложат гледането навън, плюс исторически колекции, които филтрите третират като неетикетируеми.

Премахването на слоя за откази премахва инженерна пречка, а не правна. Shannon AI се управлява от Shannon Lab LLC в Ню Мексико, САЩ, а употребата на API се урежда от нашата Политика за отговорна употреба. Нефилтрираният изход е възможност, а не разрешително.

08Как да го извикате: крайни точки, вход с изображения и къде пасва

Моделът е MiMo-V2.5-W8A16, достъпен през три диалекта на заявката срещу едни и същи тегла, така че запазвате какъвто SDK вече имате:

• /v1/chat/completions — съвместим с OpenAI. Изображенията влизат като части от съдържанието image_url, било като https адрес, било като base64 data URI.
• /v1/messages — съвместим с Anthropic. Изображенията влизат като блокове съдържание image.
• /v1/responses — диалектът в стил Responses.

Поточното предаване и извикването на инструменти работят и в трите, така че моделът може да погледне екранна снимка и да извика функция за видяното в един ход. Пълните схеми на заявките и отговорите са в документацията на API, която съдържа и площадка за игра, в която можете да поставите изображение, преди да напишете какъвто и да е код.

MiMo-V2.5 поддържа строг json_schema и response_format — разликата между демо и производствен поток. Подайте му касова бележка плюс схема с типизирани полета за доставчик, дата, редове и обща сума, и получавате обратно обект, който кодът ви може да валидира, вместо абзац, който трябва да разчепквате с регулярни изрази. Два от дванадесетте модела в този каталог нямат пълна поддръжка на структуриран изход; този я има, и точно затова работи като услуга за извличане с голям обем.

Контекстният прозорец е 262 144 токена; генерираният изход е ограничен до 16 384 токена на заявка. Изображенията изяждат входни токени като функция на резолюцията, така че сканирани страници с висока резолюция изяждат контекста много по-бързо от равностоен брой думи текст. Разлиствайте дългите документи, вместо да зареждате сканиране от 300 страници в една заявка, и третирайте ограничението на изхода като реално ограничение при изчерпателно извличане — разделяйте плътните таблици по диапазон от редове, вместо да получавате отрязан отговор.

Регулаторът reasoning_effort има реален лост тук предвид родословието на семейството. Свалете го за класификация с голям обем, където отговорът е етикет, а токените за мислене са чиста цена; вдигнете го за тълкуване на графики, визуална математика и разсъждение върху диаграми, където моделът трябва да съчетае няколко видени неща, преди да отговори.

Къде пасва и къде не

Добри съответствия. Извличане на данни от документи и касови бележки с голям обем; работа около OCR върху несъвършени сканирания; четене на графики, табла и таблици; разбиране на екранни снимки и закотвяне в интерфейси; етикетиране на каталози и визуални въпроси и отговори; потоци за модерация — всяка мултимодална задача, при която цената на извикване е обвързваща, а точността по фин детайл е това, от което отказвате да се откажете.

Лоши съответствия. Мултимодално разсъждение с гранична трудност, изискващо най-силния модел независимо от цената — това е работата на Kimi-K3 и не без причина струва почти десет пъти повече. Генериране само на текст, където MiMo-V2.5-Pro дава по-добра основа на същата тарифа. Работа, опираща се на енциклопедични знания за света, където голяма разредена основа изпреварва компактна плътна. И всичко, което изисква повече от 262K контекст, каквото никой модел тук не предлага.

09Често задавани въпроси

---

Източници: технически доклад за MiMo (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Всички числа от бенчмаркове са докладвани от Xiaomi за именуваните по-горе издадени контролни точки и описват родословието на семейството, а не точната версия в тази крайна точка. Цените, контекстът и флаговете за възможности са стойности по ценоразписа на шлюза Shannon AI, септември 2026 г.