আনসেন্সরড MiMo ভিশন API

সস্তা মাল্টিমোডাল এন্ডপয়েন্ট সস্তা হয় কারণ কিছু একটা কেটে ফেলা হয়েছে, আর যা কাটা হয় তা সাধারণত আপনার চোখে পড়ে না: ওয়েটগুলিকে তিন বা চার বিটে চেপে দেওয়া হয়, আর মডেলটি এমন একটি চার্ট নিয়ে তবু আত্মবিশ্বাসের সঙ্গে উত্তর দেয় যা সে আসলে আর পড়তেই পারে না। আমাদের তালিকায় MiMo-V2.5 তার বিপরীত উদাহরণ — একই সঙ্গে দামের মেঝেতে আর সর্বোচ্চ নির্ভুলতার স্তরে, কারণ যে ভিত্তি থেকে এটি এসেছে সেটি বিশাল ও স্পার্স নয়, বরং ছোট ও ডেন্স করে গড়া।

01MiMo কোথা থেকে এসেছে: আগে একটি রিজনিং মডেল, পরে একটি ভিশন মডেল

MiMo ধারা হলো Xiaomi-র ওপেন-ওয়েটস গবেষণা কর্মসূচি, আর তার প্রতিষ্ঠাতা যুক্তিটি চলতি ধারার বিরুদ্ধে: রিজনিং ক্ষমতা প্রিট্রেনিংয়ের সময়েই ঠিক হয়ে যায়, পরে RL দিয়ে জুড়ে দেওয়া যায় না। কাজটি মূলত ডেটা প্রকৌশল — Xiaomi টেক্সট নিষ্কাশন ও ফিল্টারিং নতুন করে গড়েছে যাতে কর্পাসে রিজনিং ছাঁদের ঘনত্ব বাড়ে, বড় মাপে সিনথেটিক রিজনিং ডেটা তৈরি করেছে, আর তিন-পর্বের একটি মিশ্রণে MiMo-7B-Base প্রিট্রেন করেছে মোটামুটি 25 ট্রিলিয়ন টোকেনে, সঙ্গে সহায়ক উদ্দেশ্য হিসেবে Multiple-Token Prediction, যা ইনফারেন্সের সময় একটি স্পেকুলেটিভ ডিকোডার হিসেবেও কাজ করে (Xiaomi অনুযায়ী গ্রহণের হার 90%-এর কাছাকাছি)।

পোস্ট-ট্রেনিং ইচ্ছাকৃতভাবেই কৃচ্ছ্রসাধী: 130,000 গণিত ও কোড সমস্যা, কেবল নিয়ম-ভিত্তিক নির্ভুলতা পুরস্কার সহ, কোনো শেখা রিওয়ার্ড মডেল নয় — এই যুক্তিতে যে একটি নিউরাল রিওয়ার্ড মডেল হ্যাক করার মতো একটি পৃষ্ঠ। যাচাইযোগ্য পুরস্কারকে মিষ্টি কথায় ভোলানো যায় না। MiMo-7B-RL তার আকারের তুলনায় অসামঞ্জস্যপূর্ণ সংখ্যা তোলে — Xiaomi জানায় pass@1-এ AIME 2024-এ 68.2%, MATH-500-এ 95.8%, LiveCodeBench v5-এ 57.8%, যা OpenAI-র o1-mini-র সমকক্ষ। আপনি যে মডেলটি কল করছেন তার আকৃতি এই: ছোট, ঘনভাবে প্রশিক্ষিত, উত্তর মনে করার বদলে একটি সমস্যার ভেতর দিয়ে কাজ করে যাওয়ার জন্য টিউন করা — আর সেই মেজাজটি মাল্টিমোডাল উত্তরসূরিদের মধ্যেও টিকে থাকে।

02MiMo কীভাবে দেখতে শিখল: MiMo-VL স্থাপত্য

MiMo-VL হলো ভিশন-ল্যাঙ্গুয়েজ শাখা, আর তার নির্মাণটি শিক্ষণীয়। Xiaomi তিনটি অংশ জোড়া দিয়েছে: একটি নেটিভ-রেজোলিউশন ViT এনকোডার, যা প্রতিটি ছবিকে একটি নির্দিষ্ট নিম্ন-রেজোলিউশন গ্রিডে জোর করে ঢোকানোর বদলে সূক্ষ্ম বিবরণ ধরে রাখে, ভাষা মডেলের লেটেন্ট স্পেসে একটি এলোমেলোভাবে শুরু করা MLP প্রজেক্টর, আর — সবচেয়ে গুরুত্বপূর্ণ — ভাষা মডেল হিসেবে MiMo রিজনিং ব্যাকবোন। ভিশন ব্যবস্থাটি এমন একটি ডিকোডার উত্তরাধিকার পায় যা কেবল ক্যাপশন লিখতে নয়, বহু-ধাপের চিন্তাতেই ইতিমধ্যেই ভালো।

প্রশিক্ষণ চলেছে চারটি প্রিট্রেনিং পর্বে — প্রজেক্টর ওয়ার্মআপ, ভিশন-ল্যাঙ্গুয়েজ সারিবদ্ধকরণ, সাধারণ মাল্টিমোডাল প্রিট্রেনিং, দীর্ঘ-কনটেক্সট SFT — মোটামুটি 2.4 ট্রিলিয়ন টোকেন জুড়ে, এরপর Mixed On-policy Reinforcement Learning (MORL), যা উপলব্ধির নির্ভুলতা, দৃশ্যগত গ্রাউন্ডিংয়ের সূক্ষ্মতা, রিজনিংয়ের শুদ্ধতা আর মানুষ/AI-র পছন্দকে একটিমাত্র অন-পলিসি লুপে ভাঁজ করে। প্রতিবেদনটি অকপটে বলে যে এসব একসঙ্গে অপ্টিমাইজ করা অস্থির — অধিকাংশ মাল্টিমোডাল পেপার যা দেয়, তার চেয়ে সৎ একটি উপস্থাপনা।

প্যারামিটার সংখ্যার তুলনায় প্রকাশিত ফলগুলি শক্তিশালী। Xiaomi জানায়, MiMo-VL-7B-RL 40টি টাস্কের 35টিতে Qwen2.5-VL-7B-কে হারিয়েছে, OlympiadBench-এ 59.4 (78B পর্যন্ত মডেলের উপরে), আর GUI গ্রাউন্ডিংয়ে OSWorld-G-তে 56.1, যা উদ্দেশ্য-নির্মিত ইন্টারফেস এজেন্টদেরও আগে। পরবর্তী 2508 হালনাগাদ সিরিজে প্রথমবার MMMU-কে 70-এর উপরে নিয়েছে (70.6), ChartQA-তে 94.4, ScreenSpot-v2-তে 92.5 আর VideoMME-তে 70.8-এ পৌঁছেছে, আর একটি থিংকিং-নিয়ন্ত্রণ সুইচ যোগ করেছে যাতে প্রতি রিকোয়েস্টে রিজনিং ট্রেস বন্ধ করা যায়।

03W8A16 মানে কী, আর টেক্সটের চেয়ে ভিশনের জন্য কেন এটি বেশি গুরুত্বপূর্ণ

গেটওয়ের প্রতিটি মডেল একটি কোয়ান্টাইজেশন প্রত্যয় বহন করে। এটি সাজসজ্জা নয় — মডেলটিকে পরিবেশনযোগ্য করতে কী বিনিময় করা হয়েছে, সেটিই এটি বলে দেয়।

প্রত্যয়	এটি কী	কেন ব্যবহার হয়
3BIT-REAP	3-বিট ওয়েট, সঙ্গে REAP — একটি এক্সপার্ট-প্রুনিং পদ্ধতি, যা কোয়ান্টাইজ করার আগে একটি MoE মডেল থেকে কদাচিৎ রাউট হওয়া এক্সপার্টদের বাদ দেয়	সবচেয়ে বড় ভিত্তিগুলিকে যুক্তিসঙ্গত গতিতে এঁটে ফেলা ও পরিবেশন করার একমাত্র উপায়
W4A16-AUTOROUND-REAP	4-বিট ওয়েট, 16-বিট অ্যাক্টিভেশন, AutoRound দিয়ে কোয়ান্টাইজ করা — শেখা রাউন্ডিং, যা সরল রাউন্ড-টু-নিয়ারেস্টের তুলনায় নির্ভুলতা ফিরিয়ে আনে — সঙ্গে REAP ছাঁটাই	বড় ভিত্তিগুলির মধ্যপথ, যাদের চরম সংকোচন দরকার নেই
W8A16	8-বিট ওয়েট, 16-বিট অ্যাক্টিভেশন — আমরা যা পরিবেশন করি তার মধ্যে সর্বোচ্চ-বিশ্বস্ততার স্তর	সেখানে ব্যবহৃত হয় যেখানে ভিত্তিটি এত ছোট যে আক্রমণাত্মক সংকোচনের দরকার নেই

MiMo-V2.5 তৃতীয় সারিটি অর্জন করে ছোট হয়ে: এই শ্রেণির একটি ডেন্স ভিত্তিকে এঁটে যাওয়ার জন্য তিন বিটে চাপতে হয় না, তাই আট রাখার খরচ বহন করা যায়, আর আপনি যে ওয়েট থেকে স্যাম্পল করেন সেগুলি প্রশিক্ষিত ওয়েটের কাছাকাছিই থাকে। ছবির কাজে এটি অসমানুপাতিকভাবে গুরুত্বপূর্ণ, আর কারণটি কাঠামোগত। কেবল-টেক্সট ডিকোডারে কোয়ান্টাইজেশনে বিচ্যুত হওয়া একটি এমবেডিং পরের কয়েক ডজন অ্যাটেনশন স্তরে আবার প্রেক্ষাপট পায় — সেরে ওঠার অনেক সুযোগ। ভিশন স্ট্যাকে তেমন ঢিল নেই: দৃশ্যগত তথ্য ডিকোডারে পৌঁছানোর আগে একটিমাত্র এনকোডার আর একটিমাত্র সরু প্রজেক্টরের মধ্য দিয়ে যায়, আর তার পরের সবকিছু ওই সংকীর্ণ পথটি যা বের করেছে তার উপরেই শর্তাধীন। সূক্ষ্ম সংকেত — কম-বৈসাদৃশ্যের একটি স্ক্যানে 3 বনাম 8, একটি চার্টের অক্ষে একটি বার ঠিক কোন পিক্সেলে শেষ হয়, আপনাকে যে UI উপাদানটি ক্লিক করতে বলা হয়েছে তার সীমানা — বাস করে সেই ছোট-মাত্রার ওয়েট বিবরণে, যা আক্রমণাত্মক কোয়ান্টাইজেশন সবার আগে ফেলে দেয়।

একটি 3-বিট ভিশন মডেল সশব্দে ব্যর্থ হয় না; নীরবে ব্যর্থ হয় — একটি নথির সাবলীল বর্ণনা দেয়, যেখানে মোট অঙ্কে দুটি সংখ্যা উলটে গেছে। ওই ব্যর্থতার বিরুদ্ধে সবচেয়ে সস্তা বিমা হলো বেশি ওয়েট নির্ভুলতা, আর এখানে সেটি বিনামূল্যের — আপনি যেভাবেই হোক মেঝে-দামই দেন।

04মেঝে-দাম, প্রেক্ষাপটে

আমাদের বারো-মডেলের তালিকার চারটি মডেল বসে আছে প্রতি মিলিয়ন টোকেনে $0.50 ইনপুট / $2.00 আউটপুট-এর দামের মেঝেতে। তাদের মধ্যে মাত্র একটিই ছবি নেয়। আউটপুট খরচে ভিশন-সক্ষম মডেলগুলি কোথায় দাঁড়ায় — অধিকাংশ বাস্তব বিলে যে সংখ্যাটিই প্রধান:

প্রতি 1M টোকেনে USD-তে আউটপুট দাম, Shannon AI Gateway তালিকাভুক্ত হার, সেপ্টেম্বর ২০২৬। বারের দৈর্ঘ্য তালিকার সবচেয়ে দামি ভিশন মডেলের সাপেক্ষে।

Kimi-K3-র বিপরীতে — সিলিং ভিশন মডেল, আর সত্যিই শক্তিশালী একটি — MiMo-V2.5 আউটপুটে মোটামুটি 9.6× সস্তা আর ইনপুটে 7.7× সস্তা। এটি সমতার দাবি নয়; এটি কাজের আকার নিয়ে একটি যুক্তি। মাসে এক লাখ ছবিতে সিলিং মডেলটির খরচ বহন করা যায় না আর মেঝে মডেলটির যায়, আর সৎ প্রশ্নটি হলো মেঝে মডেলটি আপনার নির্ভুলতার মান পেরোয় কি না — কোনো বেঞ্চমার্ক জেতে কি না, তা নয়।

05MiMo-V2.5 বনাম MiniMax-M3: দুটি সস্তা ভিশন মডেলের সৎ তুলনা

এই দুটি দাম, কনটেক্সট আর এন্ডপয়েন্টের পৃষ্ঠে হুবহু সমান। তবু এরা বিনিময়যোগ্য নয়: কোয়ান্টাইজেশন স্তরটি আসলে একটি ভিশন মডেলকে কী কাজে লাগায়, সে বিষয়ে দুটি ভিন্ন বাজির প্রতিনিধি।

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
প্রতি 1M ইনপুট / আউটপুট	$0.50 / $2.00	$0.50 / $2.00
ওয়েট নির্ভুলতা	8-বিট	3-বিট + এক্সপার্ট প্রুনিং
ভিত্তির আকার	ছোট, ডেন্স	বড়, স্পার্স MoE
ভিশন	হ্যাঁ	হ্যাঁ
কনটেক্সট উইন্ডো	262,144	262,144
স্কিমা · টুল · স্ট্রিমিং	হ্যাঁ	হ্যাঁ

MiMo-V2.5 বাছুন যখন ছবিটাই কঠিন অংশ: অসম্পূর্ণ স্ক্যানে ঘন OCR, চার্ট ও টেবিল থেকে সাংখ্যিক নিষ্কাশন, স্ক্রিনশট ও UI গ্রাউন্ডিং, ছোট হরফ পড়া, প্রায়-অভিন্ন পণ্যের ছবি আলাদা করা — এমন যেকোনো কিছু, যেখানে একটি উলটে যাওয়া সংখ্যা প্রসাধনগত ত্রুটি নয়, একটি ত্রুটিই। আপনি পিক্সেল থেকে টোকেন পর্যন্ত সর্বোচ্চ-বিশ্বস্ত পথটি চান, আর এই দামে সেটি পাওয়ার উপায়ই 8-বিট ওয়েট।

MiniMax-M3 বাছুন যখন ছবিটাই সহজ অংশ। 3 বিটে সংকুচিত একটি বড় স্পার্স ভিত্তি ছাঁটাইয়ের পরেও একটি ছোট ডেন্স মডেলের চেয়ে বেশি বিশ্বজ্ঞান ও রিজনিংয়ের ব্যাপ্তি ধরে রাখে। কাজটি যদি হয় “এই ছবিটি দেখে এটি কী ইঙ্গিত করে তা নিয়ে দীর্ঘ যুক্তি দাও,” কিংবা ছবিটি যদি মূলত-টেক্সটের একটি কথোপকথনের একটিমাত্র ইনপুট হয়, তবে বড় ভিত্তিটিই ভালো যন্ত্র — আপনি যে দৃশ্যগত তীক্ষ্ণতা বিনিময় করেছেন, সেটি বাধ্যকারী সীমাবদ্ধতা ছিল না।

06MiMo-V2.5 বনাম MiMo-V2.5-Pro: যে সহোদর চোখের বদলে গভীরতা নিয়েছে

এই তুলনাটিই সবচেয়ে বেশি সাপোর্ট টিকিট তৈরি করে, তাই স্পষ্ট করে বলা দরকার। MiMo-V2.5-Pro-W8A16 আর MiMo-V2.5-W8A16 একটি দাম, একটি কনটেক্সট উইন্ডো, একটি নির্ভুলতার স্তর আর একটি পারিবারিক নাম ভাগ করে নেয়। Pro ছবি গ্রহণ করে না। এটি কোনো সুপারসেট নয়। এটি একই বাজেটের একটি ভিন্ন বণ্টন।

একটি মাল্টিমোডাল মডেল পরিবেশন করা মানে ডিকোডারের পাশাপাশি একটি ভিশন টাওয়ার ও প্রজেক্টরেরও দাম দেওয়া — একটি নির্দিষ্ট খরচের লক্ষ্যে, যে ধারণক্ষমতা ভাষা মডেলটিতে খরচ হলো না। Pro পুরোটাই টেক্সটে খরচ করে: দীর্ঘ-রূপের লেখা, বর্ধিত রিজনিং আর কোডের জন্য বেশি ফাঁকা জায়গাসহ একটি বড় ভিত্তি। MiMo-V2.5 তার একটি অংশ খরচ করে দেখার পেছনে।

তাই সিদ্ধান্তের নিয়মটি আপনার ইনপুট নিয়ে, আপনার উচ্চাকাঙ্ক্ষা নিয়ে নয়। কোনো রিকোয়েস্টে যদি একটি স্ক্রিনশট, একটি স্ক্যান করা পাতা, একটি চার্ট, একটি ডায়াগ্রাম বা একটি আলোকচিত্র থাকতে পারে, তবে আপনার MiMo-V2.5 দরকার — Pro কনটেন্ট ব্লকটি প্রত্যাখ্যান করবে। আর প্রতিটি রিকোয়েস্ট যদি টেক্সট হয় আর আপনি অভ্যাসবশে ভিশন মডেলটির দিকেই হাত বাড়িয়ে থাকেন, তবে আপনি বিনা কারণে ভিত্তির গুণমান টেবিলে ফেলে যাচ্ছেন: ঠিক একই দামে MiMo-V2.5-Pro নিন।

চুরি করার মতো একটি ছাঁদ: কনটেন্টের ধরন দিয়ে রাউট করুন। ছবির অংশ আছে এমন সবকিছু যাক MiMo-V2.5-W8A16-এ, বাকি সব MiMo-V2.5-Pro-W8A16-এ। একই পরিবার, একই দাম, একই কনটেক্সট বাজেট — রাউটারটি তুচ্ছ, আর মেলানোর মতো কোনো খরচের মডেলও নেই।

07“আনসেন্সরড ছবি-বোধ” আসলে কী বোঝায়

এই মডেলের সামনে কোনো প্রত্যাখ্যানের স্তর নেই আর তার আউটপুটে কোনো কনটেন্ট ফিল্টার নেই। এটি একটি পণ্য-সিদ্ধান্ত, আর ভিশনের কাজে তার একটি নির্দিষ্ট পরিণতি আছে: মডেল বিষয়বস্তুর ভিত্তিতে অস্বীকার না করে ফ্রেমে যা আছে তাই বর্ণনা করে।

এটি গুরুত্বপূর্ণ, কারণ ফিল্টার করা ভিশন API কাঠামোগতভাবেই বৈধ কাজের একটি গোটা শ্রেণির অনুপযুক্ত। একটি মডারেশন পাইপলাইনকে সে যা মডারেট করছে সেই উপকরণটি দেখতেই হয় আর বলতে হয় সেটি কী; যে ক্লাসিফায়ার সে যা শ্রেণিবদ্ধ করছে তাই পরীক্ষা করতে অস্বীকার করে, সে ক্লাসিফায়ারই নয়। একই কথা খাটে বাস্তব কাজের একটি লম্বা তালিকা জুড়ে:

• ট্রাস্ট ও সেফটি টুলিং — ঠিক সেই ছবিগুলিতেই লেবেল দেওয়া, যেগুলি একটি মূলধারার API প্রক্রিয়াই করবে না, অথচ যেগুলিতেই লেবেল সবচেয়ে বেশি দরকার।
• চিকিৎসা, ফরেনসিক ও দুর্ঘটনার ছবি — ক্লিনিক্যাল, আঘাত ও ঘটনাস্থলের আলোকচিত্র, যা সাধারণ ফিল্টার কে জিজ্ঞাসা করছে তা না দেখেই ভয়াবহ বলে প্রত্যাখ্যান করে।
• নিরাপত্তা গবেষণা — ফিশিং পাতা, ক্ষতিকর ইন্টারফেস ও ধরা পড়া স্ক্রিন পড়া, মডেল প্রশ্নের ভিত্তি নিয়ে আপত্তি না তুলেই।
• প্রাপ্তবয়স্ক-কনটেন্ট শ্রেণিবিন্যাস ও আর্কাইভ ক্যাটালগিং — যে পাইপলাইনগুলি উপকরণ শনাক্ত করার জন্যই আছে আর দেখার কাজটি অন্যকে দিতে পারে না, সঙ্গে ঐতিহাসিক সংগ্রহ, যাকে ফিল্টাররা লেবেল-অযোগ্য গণ্য করে।

প্রত্যাখ্যানের স্তর সরানো একটি প্রকৌশলগত বাধা সরায়, আইনি বাধা নয়। Shannon AI পরিচালনা করে Shannon Lab LLC, নিউ মেক্সিকো, USA, আর API-র ব্যবহার আমাদের দায়িত্বশীল ব্যবহার নীতির অধীন। ফিল্টারহীন আউটপুট একটি সক্ষমতা, কোনো অনুমতিপত্র নয়।

08কল করা: এন্ডপয়েন্ট, ছবি ইনপুট, আর এটি কোথায় খাপ খায়

মডেলটি MiMo-V2.5-W8A16, একই ওয়েটের বিপরীতে তিনটি রিকোয়েস্ট উপভাষায় পাওয়া যায়, তাই আপনার ইতিমধ্যেই যেটি আছে সেই SDK-ই রাখতে পারেন:

• /v1/chat/completions — OpenAI-সামঞ্জস্যপূর্ণ। ছবি ঢোকে image_url কনটেন্ট পার্ট হিসেবে, হয় একটি https URL, নয়তো একটি base64 ডেটা URI হিসেবে।
• /v1/messages — Anthropic-সামঞ্জস্যপূর্ণ। ছবি ঢোকে image কনটেন্ট ব্লক হিসেবে।
• /v1/responses — Responses-ধাঁচের উপভাষা।

তিনটিতেই স্ট্রিমিং ও টুল কলিং কাজ করে, তাই মডেলটি একটি স্ক্রিনশট দেখে একই টার্নে সে যা দেখল তা নিয়ে একটি ফাংশন ডাকতে পারে। পূর্ণ রিকোয়েস্ট ও রেসপন্স স্কিমা আছে API ডকুমেন্টেশন-এ, যেখানে একটি প্লেগ্রাউন্ডও আছে — কোনো কোড লেখার আগেই সেখানে একটি ছবি পেস্ট করে দেখতে পারেন।

MiMo-V2.5 কড়া json_schema ও response_format সমর্থন করে — একটি ডেমো আর একটি পাইপলাইনের মধ্যে এটিই তফাত। এটিকে একটি রসিদ আর বিক্রেতা, তারিখ, লাইন আইটেম ও মোটের জন্য টাইপ করা ফিল্ডসহ একটি স্কিমা দিন, আর ফেরত পাবেন এমন একটি অবজেক্ট যা আপনার কোড যাচাই করতে পারে, regex দিয়ে ছেঁকে তোলার মতো কোনো অনুচ্ছেদ নয়। এই তালিকার বারোটির দুটি মডেলে পূর্ণ কাঠামোবদ্ধ-আউটপুট সমর্থন নেই; এটিতে আছে, আর সে কারণেই এটি একটি উচ্চ-আয়তনের নিষ্কাশন সেবা হিসেবে কাজ করে।

কনটেক্সট উইন্ডো 262,144 টোকেন; তৈরি হওয়া আউটপুট প্রতি রিকোয়েস্টে 16,384 টোকেনে সীমাবদ্ধ। ছবি রেজোলিউশনের ফাংশন হিসেবে ইনপুট টোকেন খায়, তাই উচ্চ-রেজোলিউশনের পাতার স্ক্যান সমপরিমাণ শব্দসংখ্যার টেক্সটের চেয়ে অনেক দ্রুত কনটেক্সট গিলে ফেলে। একটি 300-পাতার স্ক্যান এক রিকোয়েস্টে না তুলে দীর্ঘ নথিগুলি পাতায় ভাগ করুন, আর আউটপুট সীমাটিকে নিঃশেষ নিষ্কাশনের উপর একটি বাস্তব সীমাবদ্ধতা হিসেবেই ধরুন — কাটা পড়া উত্তর পাওয়ার বদলে ঘন টেবিলগুলিকে সারির পরিসর ধরে টুকরো করুন।

পরিবারটির বংশপরিচয় দেখলে এখানে reasoning_effort নবটির সত্যিকারের প্রভাব আছে। উচ্চ-আয়তনের শ্রেণিবিন্যাসে এটি নামিয়ে দিন, যেখানে উত্তরটি একটি লেবেল আর চিন্তার টোকেন নিছকই খরচ; চার্ট ব্যাখ্যা, দৃশ্যগত গণিত আর ডায়াগ্রাম রিজনিংয়ে বাড়িয়ে দিন, যেখানে উত্তর দেওয়ার আগে মডেলকে সে যা দেখছে তার কয়েকটি জিনিস জুড়তে হয়।

এটি কোথায় খাপ খায়, আর কোথায় নয়

ভালো খাপ। উচ্চ-আয়তনের নথি ও রসিদ নিষ্কাশন; অসম্পূর্ণ স্ক্যানে OCR-সংলগ্ন কাজ; চার্ট, ড্যাশবোর্ড ও টেবিল পড়া; স্ক্রিনশট বোঝা ও UI গ্রাউন্ডিং; ক্যাটালগ ট্যাগিং ও ভিজ্যুয়াল QA; মডারেশন পাইপলাইন — এমন যেকোনো মাল্টিমোডাল কাজ, যেখানে প্রতি-কলের খরচ বাধা আর সূক্ষ্ম-বিবরণের নির্ভুলতা আপনি ছাড়তে রাজি নন।

খারাপ খাপ। ফ্রন্টিয়ার-কাঠিন্যের মাল্টিমোডাল রিজনিং, যেখানে দাম যাই হোক সবচেয়ে শক্তিশালী মডেলটিই দরকার — সেটি Kimi-K3-র কাজ, আর তার দাম প্রায় দশ গুণ বেশি হওয়ার একটি কারণ আছে। কেবল-টেক্সট জেনারেশন, যেখানে একই দামে MiMo-V2.5-Pro ভালো ভিত্তি দেয়। বিশ্বকোষীয় বিশ্বজ্ঞানের উপর ঝুঁকে থাকা কাজ, যেখানে একটি বড় স্পার্স ভিত্তি একটি ছোট ডেন্সকে ছাড়িয়ে যায়। আর 262K-এর বেশি কনটেক্সট লাগে এমন যেকোনো কিছু, যা এখানকার কোনো মডেলই দেয় না।

09প্রায়শই জিজ্ঞাসিত প্রশ্ন

---

উৎস: MiMo কারিগরি প্রতিবেদন (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508। সব বেঞ্চমার্ক সংখ্যা উপরে নামধারী প্রকাশিত চেকপয়েন্টগুলির জন্য Xiaomi-কথিত আর পরিবারের বংশপরিচয় বর্ণনা করে, এই এন্ডপয়েন্টের হুবহু বিল্ডকে নয়। দাম, কনটেক্সট ও সক্ষমতার চিহ্নগুলি সেপ্টেম্বর ২০২৬ অনুযায়ী Shannon AI Gateway-র তালিকাভুক্ত মান।