Necenzurirani MiMo API sa vidom

Jeftine multimodalne krajnje tačke jeftine su zato što je nešto odrezano, a odrezano je obično ono što ne vidite: težine su stisnute na tri ili četiri bita, a model i dalje samouvjereno odgovara o grafikonu koji zapravo više ne može pročitati. MiMo-V2.5 je protuprimjer u našem katalogu — istovremeno na donjoj granici cijene i na najvišem nivou preciznosti, jer je temelj iz kojeg potiče građen malen i gust, a ne ogroman i rijedak.

01Odakle MiMo dolazi: prvo model za rezonovanje, tek onda model za vid

Linija MiMo je Xiaomijev istraživački program otvorenih težina, a njena osnivačka teza nije pomodna: sposobnost rezonovanja postavlja se tokom predtreninga, a ne kroz RL prikačen naknadno. Posao je uglavnom inženjerstvo podataka — Xiaomi je iznova izgradio izvlačenje i filtriranje teksta da bi podigao gustinu obrazaca rezonovanja u korpusu, u velikoj mjeri generisao sintetičke podatke za rezonovanje i predtrenirao MiMo-7B-Base na otprilike 25 biliona tokena po trostepenoj mješavini, uz Multiple-Token Prediction kao pomoćni cilj koji pri zaključivanju ujedno služi kao spekulativni dekoder (stopa prihvatanja blizu 90%, prema Xiaomiju).

Post-trening je namjerno strog: 130.000 matematičkih i programskih zadataka sa nagradama za tačnost isključivo po pravilima, bez naučenog modela nagrade, uz obrazloženje da je neuronski model nagrade površina za hakovanje. Provjerljive nagrade ne mogu se nagovoriti. MiMo-7B-RL objavljuje brojke nesrazmjerne svojoj veličini — Xiaomi prijavljuje 68,2% na AIME 2024, 95,8% na MATH-500, 57,8% na LiveCodeBenchu v5 pri pass@1, izjednačeno sa OpenAI-jevim o1-minijem. Takav je oblik modela koji pozivate: kompaktan, gusto treniran, naštiman da problem prođe do kraja, a ne da odgovor prizove — i taj temperament preživljava u multimodalnim potomcima.

02Kako je MiMo naučio da vidi: arhitektura MiMo-VL

MiMo-VL je vizuelno-jezička grana i njena konstrukcija je poučna. Xiaomi je sklopio tri dijela: ViT enkoder izvorne rezolucije koji čuva fini detalj umjesto da svaku sliku gura kroz fiksnu mrežu niske rezolucije, nasumično inicijalizovan MLP projektor u latentni prostor jezičkog modela i — presudno — okosnicu za rezonovanje MiMo kao jezički model. Sistem za vid nasljeđuje dekoder koji je već dobar u višekoračnom razmišljanju, a ne onaj koji je tek dobar u opisivanju.

Treniranje je teklo kroz četiri faze predtreninga — zagrijavanje projektora, vizuelno-jezičko poravnanje, opšti multimodalni predtrening, nadgledano dotjerivanje na dugom kontekstu — kroz otprilike 2,4 biliona tokena, pa mješovito učenje potkrepljivanjem u toku same politike (MORL), koje u jednu petlju u toku politike uklapa tačnost percepcije, preciznost vizuelnog uzemljenja, ispravnost rezonovanja i preferencije ljudi i AI-ja. Izvještaj otvoreno kaže da je istovremeno optimizovanje svega toga nestabilno — poštenije uokvirenje nego što ga nudi većina multimodalnih radova.

Objavljeni rezultati snažni su za taj broj parametara. Xiaomi prijavljuje da MiMo-VL-7B-RL tuče Qwen2.5-VL-7B na 35 od 40 zadataka, 59,4 na OlympiadBenchu (iznad modela do 78B) i 56,1 na OSWorld-G za uzemljenje grafičkog sučelja, ispred namjenski građenih agenata za sučelja. Kasnije osvježenje 2508 po prvi put je u seriji MMMU pogurao preko 70 (70,6), doseglo 94,4 na ChartQA, 92,5 na ScreenSpot-v2 i 70,8 na VideoMME, te dodalo prekidač za kontrolu razmišljanja kako bi se tragovi rezonovanja mogli isključiti po zahtjevu.

03Šta znači W8A16 i zašto je bitniji za vid nego za tekst

Svaki model na gatewayu nosi kvantizacijski sufiks. To nije ukras — govori vam šta je zamijenjeno da bi model postao poslužljiv.

Sufiks	Šta je to	Zašto se koristi
3BIT-REAP	3-bitne težine plus REAP, metoda obrezivanja eksperata koja iz MoE modela prije kvantizacije izbacuje rijetko usmjeravane eksperte	Jedini način da se najveći temelji uklope i posluže pri razumnoj brzini
W4A16-AUTOROUND-REAP	4-bitne težine, 16-bitne aktivacije, kvantizovane AutoRoundom — naučenim zaokruživanjem koje vraća tačnost u odnosu na naivno zaokruživanje na najbliže — plus REAP obrezivanje	Sredina za velike temelje kojima ekstremna kompresija nije potrebna
W8A16	8-bitne težine, 16-bitne aktivacije — nivo najveće vjernosti koji poslužujemo	Koristi se tamo gdje je temelj dovoljno mali da agresivna kompresija nije potrebna

MiMo-V2.5 zaslužuje treći red time što je kompaktan: gust temelj ove klase ne treba drobiti na tri bita da bi stao, pa možete priuštiti da zadržite osam, a težine iz kojih uzorkujete ostaju blizu onih koje su trenirane. To nesrazmjerno mnogo znači za rad sa slikama, iz strukturnog razloga. U dekoderu samo za tekst, ugnježdenje koje pod kvantizacijom odluta ponovo kontekstualizuju deseci kasnijih slojeva pažnje — mnogo prilika za oporavak. Sklop za vid nema takvo popuštanje: vizuelna informacija prolazi kroz jedan enkoder i jedan uzak projektor prije nego stigne do dekodera, a sve nizvodno uslovljeno je onim što je to usko grlo proizvelo. Sitnozrni signal — 3 naspram 8 na skenu niskog kontrasta, tačan piksel na kojem se traka završava na osi grafikona, granica elementa sučelja na koji vas traže da kliknete — živi u detalju težina male veličine koji agresivna kvantizacija prvo odbaci.

3-bitni model sa vidom ne pada glasno; pada tiho, proizvodeći tečan opis dokumenta sa dvije zamijenjene cifre u ukupnom iznosu. Veća preciznost težina najjeftinije je osiguranje protiv tog kvara, a ovdje je besplatna — najnižu cijenu plaćate u svakom slučaju.

04Najniža cijena u kontekstu

Četiri modela u našem katalogu od dvanaest stoje na donjoj granici cijene od $0.50 ulaz / $2.00 izlaz na milion tokena. Samo jedan od njih prima slike. Evo gdje modeli sa vidom stoje po trošku izlaza, broju koji dominira većinom stvarnih računa:

Cijena izlaza u dolarima po 1M tokena, cjenovničke stope Shannon AI Gatewaya, septembar 2026. Dužina trake relativna je spram najskupljeg modela sa vidom u katalogu.

Naspram Kimija-K3 — modela sa vidom na plafonu, i istinski jačeg — MiMo-V2.5 je otprilike 9,6× jeftiniji na izlazu i 7,7× jeftiniji na ulazu. To nije tvrdnja o jednakosti; to je argument o obliku opterećenja. Pri sto hiljada slika mjesečno, model sa plafona nije priuštiv, a onaj sa donje granice jeste, i pošteno pitanje glasi prelazi li model sa donje granice vaš prag tačnosti — a ne pobjeđuje li na benchmarku.

05MiMo-V2.5 naspram MiniMax-M3: dva jeftina modela sa vidom, pošteno upoređena

Ova dva izjednačena su tačno po cijeni, kontekstu i površini krajnje tačke. Nisu zamjenjivi: nivo kvantizacije je zamjena za dvije različite oklade o tome šta model sa vidom čini korisnim.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Ulaz / izlaz po 1M	$0.50 / $2.00	$0.50 / $2.00
Preciznost težina	8 bita	3 bita + obrezivanje eksperata
Veličina temelja	Kompaktan, gust	Velik, rijedak MoE
Vid	Da	Da
Kontekstni prozor	262.144	262.144
Sheme · alati · striming	Da	Da

Birajte MiMo-V2.5 kada je slika teži dio: gust OCR na nesavršenim skenovima, izvlačenje brojeva iz grafikona i tabela, uzemljenje snimaka ekrana i sučelja, čitanje sitnog teksta, razlikovanje gotovo identičnih fotografija proizvoda — sve gdje je zamijenjena cifra kvar, a ne kozmetička mrlja. Želite putanju najveće vjernosti od piksela do tokena, a 8-bitne težine su način da je po ovoj cijeni dobijete.

Birajte MiniMax-M3 kada je slika lakši dio. Velik rijedak temelj komprimovan na 3 bita i dalje drži više znanja o svijetu i šire rezonovanje nego što kompaktan gust model može, čak i nakon obrezivanja. Ako je zadatak „pogledaj ovu fotografiju i naširoko rezonuj o tome šta ona implicira”, ili je slika jedan ulaz u razgovoru koji je uglavnom tekst, veći temelj je bolji instrument — vizuelna oštrina koju ste zamijenili nije bila obavezujuće ograničenje.

06MiMo-V2.5 naspram MiMo-V2.5-Proa: brat koji je oči zamijenio dubinom

Ovo je poređenje koje stvara najviše tiketa podrške, pa ga vrijedi izreći izravno. MiMo-V2.5-Pro-W8A16 i MiMo-V2.5-W8A16 dijele cijenu, kontekstni prozor, nivo preciznosti i porodično ime. Pro ne prima slike. Nije nadskup. To je drugačija raspodjela istog budžeta.

Posluživanje multimodalnog modela znači plaćati toranj za vid i projektor uz dekoder — pri fiksnom cilju troška, to je kapacitet koji nije potrošen na sam jezički model. Pro sve to troši na tekst: veći temelj sa više prostora za pisanje u dugoj formi, produženo rezonovanje i kod. MiMo-V2.5 dio toga troši na vid.

Pravilo odluke, dakle, tiče se vaših ulaza, a ne vaših ambicija. Ako bilo koji zahtjev može sadržavati snimak ekrana, skeniranu stranicu, grafikon, dijagram ili fotografiju, treba vam MiMo-V2.5 — Pro će odbiti taj blok sadržaja. Ako je svaki zahtjev tekst, a za model sa vidom ste posegli iz navike, ostavljate kvalitet temelja na stolu ni za šta: uzmite MiMo-V2.5-Pro po identičnoj stopi.

Obrazac koji vrijedi ukrasti: usmjeravajte po tipu sadržaja. Sve sa dijelom koji je slika ide na MiMo-V2.5-W8A16, sve ostalo na MiMo-V2.5-Pro-W8A16. Ista porodica, ista cijena, isti budžet konteksta — usmjerivač je trivijalan i nema modela troška koji treba usklađivati.

07Šta „necenzurirano razumijevanje slike” zapravo znači

Ispred ovog modela nema sloja odbijanja, a na njegovom izlazu nema filtera sadržaja. To je proizvodna odluka sa određenom posljedicom za rad sa vidom: model opisuje ono što je u kadru umjesto da odbija na osnovu teme.

To je bitno zato što su filtrirani API-ji sa vidom strukturno nepodesni za cijelu kategoriju legitimnog posla. Cjevovod za moderaciju mora pogledati materijal koji moderira i reći šta je to; klasifikator koji odbija da ispita ono što klasifikuje nije klasifikator. Isto važi za dug spisak stvarnih poslova:

• Alati za povjerenje i sigurnost — označavanje upravo onih slika koje mainstream API neće obraditi, a to su slike kojima označavanje najviše treba.
• Medicinske, forenzičke i slike nezgoda — klinička fotografija, snimci povreda i fotografije lica mjesta koje opšti filteri odbacuju kao grafične bez obzira na to ko pita.
• Sigurnosno istraživanje — čitanje phishing stranica, zlonamjernih sučelja i zabilježenih ekrana bez modela koji se buni oko pretpostavke.
• Klasifikacija sadržaja za odrasle i arhivsko katalogiziranje — cjevovodi koji postoje da bi materijal identifikovali i ne mogu gledanje prepustiti drugome, plus historijske zbirke koje filteri tretiraju kao neoznačive.

Uklanjanje sloja odbijanja uklanja inženjersku prepreku, a ne pravnu. Shannon AI-jem upravlja Shannon Lab LLC iz Novog Meksika, SAD, a korištenje API-ja uređuje naša Politika odgovornog korištenja. Nefiltrirani izlaz je sposobnost, a ne propusnica.

08Pozivanje: krajnje tačke, slika na ulazu i gdje se uklapa

Model je MiMo-V2.5-W8A16, dosežljiv na tri dijalekta zahtjeva prema istim težinama, pa zadržavate koji god SDK već imate:

• /v1/chat/completions — kompatibilno sa OpenAI-jem. Slike ulaze kao dijelovi sadržaja image_url, bilo kao https URL ili kao base64 data URI.
• /v1/messages — kompatibilno sa Anthropicom. Slike ulaze kao blokovi sadržaja image.
• /v1/responses — dijalekt u stilu Responsesa.

Striming i pozivanje alata rade na sva tri, pa model može pogledati snimak ekrana i u istom potezu pozvati funkciju o onome što je vidio. Potpune sheme zahtjeva i odgovora nalaze se u API dokumentaciji, koja ujedno ima igralište u koje sliku možete zalijepiti prije nego napišete ijedan red koda.

MiMo-V2.5 podržava strogi json_schema i response_format — razliku između demoa i cjevovoda. Predajte mu račun uz shemu sa tipiziranim poljima za dobavljača, datum, stavke i ukupno, i dobijate natrag objekt koji vaš kod može validirati umjesto pasusa koji morate regeksirati. Dva od dvanaest modela u ovom katalogu nemaju punu podršku za strukturirani izlaz; ovaj je ima, i zato radi kao usluga izvlačenja podataka velikog obima.

Kontekstni prozor iznosi 262.144 tokena; generisani izlaz ograničen je na 16.384 tokena po zahtjevu. Slike troše ulazne tokene u zavisnosti od rezolucije, pa skenovi stranica visoke rezolucije jedu kontekst daleko brže od ekvivalentnog broja riječi teksta. Duge dokumente dijelite na stranice umjesto da sken od 300 stranica učitavate u jednom zahtjevu, a plafon izlaza tretirajte kao stvarno ograničenje za iscrpno izvlačenje — guste tabele dijelite po rasponu redova umjesto da dobijete odsječen odgovor.

Regulator reasoning_effort ovdje ima stvarnu polugu, s obzirom na porijeklo porodice. Spustite ga za klasifikaciju velikog obima, gdje je odgovor oznaka, a tokeni razmišljanja čist trošak; podignite ga za tumačenje grafikona, vizuelnu matematiku i rezonovanje o dijagramima, gdje model mora spojiti nekoliko stvari koje vidi prije nego što može odgovoriti.

Gdje se uklapa, a gdje ne

Dobra uklapanja. Izvlačenje podataka iz dokumenata i računa u velikom obimu; posao blizak OCR-u na nesavršenim skenovima; čitanje grafikona, kontrolnih tabli i tabela; razumijevanje snimaka ekrana i uzemljenje sučelja; označavanje kataloga i vizuelno odgovaranje na pitanja; cjevovodi za moderaciju — svaki multimodalni zadatak gdje trošak po pozivu veže, a preciznost u finom detalju je ono čega se odbijate odreći.

Loša uklapanja. Multimodalno rezonovanje krajnje težine kojem treba najjači model bez obzira na cijenu — to je posao Kimija-K3, i s razlogom košta skoro deset puta više. Generisanje samo teksta, gdje MiMo-V2.5-Pro daje bolji temelj po istoj stopi. Posao koji se oslanja na enciklopedijsko znanje o svijetu, gdje velik rijedak temelj prestiže kompaktan gust. I sve što traži više od 262K konteksta, što ovdje ne nudi nijedan model.

09Često postavljana pitanja

---

Izvori: tehnički izvještaj o MiMo-u (arXiv 2505.07608) · Tehnički izvještaj o MiMo-VL-u (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Sve brojke sa benchmarkova prijavio je Xiaomi za gore imenovane objavljene kontrolne tačke i opisuju porodičnu lozu, a ne tačno izdanje na ovoj krajnjoj tački. Cijene, kontekst i zastavice mogućnosti cjenovničke su vrijednosti Shannon AI Gatewaya, septembar 2026.