L'API de visió de MiMo sense censura
L'únic model del nostre catàleg que combina precisió de pesos de 8 bits amb comprensió d'imatges — i costa exactament el mateix que els models de terra només de text: $0.50 d'entrada / $2.00 de sortida per milió de tokens.
TL;DR
MiMo-V2.5-W8A16 és el membre amb capacitat de visió de la parella MiMo a la passarel·la de Shannon AI, descendent de la línia MiMo de Xiaomi — un model de llenguatge pensat primer per al raonament amb una torre de visió empeltada a sobre — i servit a W8A16, el nostre nivell de quantització de màxima fidelitat, al nostre propi clúster de GPU. Context de 262.144 tokens, un màxim de 16.384 tokens de sortida, crides a eines, esquema JSON estricte, streaming i un control reasoning_effort. Cap capa de refús, cap filtre de sortida. Empata amb MiniMax-M3 com la visió més barata de la llista i el supera en precisió.
Els endpoints multimodals barats són barats perquè s'hi ha retallat alguna cosa, i el que es retalla acostuma a ser la part que no veus: els pesos s'esprem fins a tres o quatre bits, i el model continua responent amb seguretat sobre un gràfic que ja no pot llegir de debò. MiMo-V2.5 és el contraexemple del nostre catàleg — al preu de terra i al nivell de precisió més alt alhora, perquè la base de la qual descendeix es va construir petita i densa en comptes d'enorme i dispersa.
01D'on ve MiMo: primer un model de raonament, després un model de visió
La línia MiMo és el programa de recerca de pesos oberts de Xiaomi, i el seu argument fundacional no és gens de moda: la capacitat de raonament es fixa durant el preentrenament, no s'enganxa després amb aprenentatge per reforç. La feina és sobretot enginyeria de dades — Xiaomi va reconstruir l'extracció i el filtratge de text per apujar la densitat de patrons de raonament al corpus, va generar dades sintètiques de raonament a gran escala i va preentrenar MiMo-7B-Base amb aproximadament 25 bilions de tokens sota una barreja de tres etapes, amb predicció multitoken com a objectiu auxiliar que a l'hora d'inferir fa també de descodificador especulatiu (taxa d'acceptació propera al 90%, segons Xiaomi).
El postentrenament és deliberadament auster: 130.000 problemes de matemàtiques i codi amb recompenses de precisió basades només en regles, sense cap model de recompensa après, amb el raonament que un model de recompensa neuronal és una superfície que es pot piratejar. A les recompenses verificables no se les pot ensarronar. MiMo-7B-RL treu xifres desproporcionades per a la seva mida — Xiaomi reporta un 68.2% a l'AIME 2024, un 95.8% a MATH-500 i un 57.8% a LiveCodeBench v5 amb pass@1, igualant l'o1-mini d'OpenAI. Aquesta és la forma del model que estàs cridant: compacte, entrenat densament, ajustat per treballar-se un problema en comptes de recordar-ne la resposta — i aquest temperament sobreviu als descendents multimodals.
02Com va aprendre a veure MiMo: l'arquitectura MiMo-VL
MiMo-VL és la branca de visió i llenguatge, i la seva construcció és instructiva. Xiaomi va assemblar tres peces: un codificador ViT de resolució nativa que conserva el detall fi en comptes de forçar cada imatge a través d'una graella fixa de baixa resolució, un projector MLP inicialitzat aleatòriament cap a l'espai latent del model de llenguatge i — això és clau — la columna vertebral de raonament de MiMo com a model de llenguatge. El sistema de visió hereta un descodificador que ja és bo pensant en diverses passes, i no un que només és bo posant peus de foto.
L'entrenament va anar en quatre etapes de preentrenament — escalfament del projector, alineació visió-llenguatge, preentrenament multimodal general i ajust fi supervisat de context llarg — amb aproximadament 2,4 bilions de tokens, i després aprenentatge per reforç mixt on-policy (MORL), que plega en un sol bucle on-policy la precisió de percepció, la precisió d'ancoratge visual, la correcció del raonament i la preferència humana o d'IA. L'informe és sincer i diu que optimitzar tot allò alhora és inestable — un enfocament més honest del que ofereixen la majoria d'articles multimodals.
Els resultats publicats són forts per al nombre de paràmetres. Xiaomi reporta que MiMo-VL-7B-RL supera Qwen2.5-VL-7B en 35 de 40 tasques, treu 59.4 a OlympiadBench (per damunt de models de fins a 78B) i 56.1 a OSWorld-G en ancoratge d'interfícies gràfiques, per davant d'agents d'interfície fets expressament. L'actualització posterior 2508 va portar MMMU per damunt de 70 per primera vegada a la sèrie (70.6), va arribar a 94.4 a ChartQA, 92.5 a ScreenSpot-v2 i 70.8 a VideoMME, i va afegir un interruptor de control del pensament perquè les traces de raonament es puguin desactivar per petició.
Una nota sobre les afirmacions de versió
Cada xifra de més amunt és una dada publicada per Xiaomi per a un punt de control concret ja alliberat, enllaçat al bloc de fonts de sota. La nostra entrada de catàleg és un punt posterior d'aquest llinatge. Descrivim d'on ve el model i per a què està construïda la família — no afirmem que aquestes puntuacions exactes es transfereixin a la compilació que crides. Fes proves amb la teva pròpia càrrega de treball; per això hi ha el preu de terra.
03Què vol dir W8A16, i per què importa més per a la visió que per al text
Cada model de la passarel·la porta un sufix de quantització. No és decoració — et diu què s'ha canviat per fer el model servible.
| Sufix | Què és | Per què es fa servir |
|---|---|---|
| 3BIT-REAP | Pesos de 3 bits més REAP, un mètode de poda d'experts que elimina els experts rarament encaminats d'un model MoE abans de quantitzar | L'única manera d'encabir i servir les bases més grans a una velocitat raonable |
| W4A16-AUTOROUND-REAP | Pesos de 4 bits, activacions de 16 bits, quantitzats amb AutoRound — arrodoniment après que recupera precisió respecte de l'arrodoniment ingenu al més proper — més poda REAP | Terme mitjà per a bases grans que no necessiten compressió extrema |
| W8A16 | Pesos de 8 bits, activacions de 16 bits — el nivell de màxima fidelitat que servim | S'usa quan la base és prou petita perquè la compressió agressiva sigui innecessària |
MiMo-V2.5 es guanya la tercera fila per ser compacte: una base densa d'aquesta categoria no necessita ser esclafada a tres bits per encabir-s'hi, així que et pots permetre de conservar-ne vuit, i els pesos dels quals mostreges es mantenen a prop dels que es van entrenar. Això importa desproporcionadament per a la feina amb imatges, per una raó estructural. En un descodificador només de text, una incrustació que deriva sota la quantització la recontextualitzen desenes de capes d'atenció posteriors — moltes oportunitats de recuperar-se. Una pila de visió no té aquest marge: la informació visual passa per un sol codificador i un sol projector estret abans d'arribar al descodificador, i tot el que ve després queda condicionat pel que ha produït aquell coll d'ampolla. El senyal de gra fi — un 3 contra un 8 en un escaneig de poc contrast, el píxel exacte on acaba una barra a l'eix d'un gràfic, la vora d'un element d'interfície que t'han demanat de clicar — viu en el detall de pes de baixa magnitud que la quantització agressiva descarta primer.
Un model de visió de 3 bits no falla sorollosament; falla en silenci, produint una descripció fluida d'un document amb dos dígits intercanviats al total. Més precisió de pesos és l'assegurança més barata contra aquesta fallada, i aquí és gratis — pagues el preu de terra tant si com no.
04El preu de terra, en context
Quatre models del nostre catàleg de dotze seuen al preu de terra de 0,50 $ d'entrada / 2,00 $ de sortida per milió de tokens. Només un accepta imatges. Aquí és on queden els models amb capacitat de visió pel que fa al cost de sortida, la xifra que domina la majoria de factures reals:
Preu de sortida en USD per 1M de tokens, tarifes de llista de la passarel·la de Shannon AI, setembre de 2026. La llargada de la barra és relativa al model de visió més car del catàleg.
Contra Kimi-K3 — el model de visió de sostre, i genuïnament més fort — MiMo-V2.5 és aproximadament 9,6× més barat en sortida i 7,7× més barat en entrada. Això no és una afirmació d'equivalència; és un argument sobre la forma de la càrrega de treball. Amb cent mil imatges al mes, el model de sostre no és assumible i el de terra sí, i la pregunta honesta és si el model de terra supera el teu llindar de precisió — no si guanya un banc de proves.
05MiMo-V2.5 contra MiniMax-M3: els dos models de visió barats, comparats honestament
Aquests dos empaten exactament en preu, context i superfície d'endpoints. No són intercanviables: el nivell de quantització és un indicador de dues apostes diferents sobre què fa útil un model de visió.
| MiMo-V2.5 · W8A16 | MiniMax-M3 · 3BIT-REAP | |
|---|---|---|
| Entrada / sortida per 1M | $0.50 / $2.00 | $0.50 / $2.00 |
| Precisió de pesos | 8 bits | 3 bits + poda d'experts |
| Mida de la base | Compacta, densa | Gran, MoE dispersa |
| Visió | Sí | Sí |
| Finestra de context | 262,144 | 262,144 |
| Esquema · eines · streaming | Sí | Sí |
Tria MiMo-V2.5 quan la imatge sigui la part difícil: OCR dens sobre escanejos imperfectes, extracció numèrica de gràfics i taules, ancoratge de captures de pantalla i interfícies, lectura de lletra petita, distingir fotos de producte gairebé idèntiques — qualsevol cosa on un dígit intercanviat sigui un defecte i no una imperfecció estètica. Vols el camí de màxima fidelitat dels píxels als tokens, i els pesos de 8 bits són com l'aconsegueixes a aquest preu.
Tria MiniMax-M3 quan la imatge sigui la part fàcil. Una base gran i dispersa comprimida a 3 bits encara conté més coneixement del món i més amplitud de raonament de la que pot tenir un model compacte i dens, fins i tot després de la poda. Si la tasca és «mira aquesta foto i raona llargament sobre què implica», o la imatge és una entrada dins d'una conversa majoritàriament textual, la base més gran és el millor instrument — l'agudesa visual que has cedit no era la restricció determinant.
06MiMo-V2.5 contra MiMo-V2.5-Pro: el germà que va canviar els ulls per profunditat
Aquesta és la comparació que genera més tiquets de suport, així que val la pena ser directe. MiMo-V2.5-Pro-W8A16 i MiMo-V2.5-W8A16 comparteixen preu, finestra de context, nivell de precisió i cognom. El Pro no accepta imatges. No és un superconjunt. És una assignació diferent del mateix pressupost.
Servir un model multimodal vol dir pagar una torre de visió i un projector al costat del descodificador — amb un objectiu de cost fix, capacitat que no es gasta en el model de llenguatge mateix. El Pro s'ho gasta tot en text: una base més gran amb més marge per a escriptura llarga, raonament estès i codi. MiMo-V2.5 en gasta una part en la vista.
Així doncs, la regla de decisió va de les teves entrades, no de les teves ambicions. Si qualsevol petició pot contenir una captura de pantalla, una pàgina escanejada, un gràfic, un diagrama o una fotografia, necessites MiMo-V2.5 — el Pro rebutjarà el bloc de contingut. Si totes les peticions són text i has anat al model de visió per costum, estàs deixant qualitat de base sobre la taula a canvi de res: agafa MiMo-V2.5-Pro a la mateixa tarifa.
Un patró que val la pena copiar: encamina per tipus de contingut. Tot el que porti una part d'imatge va a MiMo-V2.5-W8A16, i la resta a MiMo-V2.5-Pro-W8A16. Mateixa família, mateix preu, mateix pressupost de context — l'encaminador és trivial i no hi ha cap model de costos a reconciliar.
07Què vol dir realment «comprensió d'imatges sense censura»
No hi ha cap capa de refús davant d'aquest model ni cap filtre de contingut a la seva sortida. És una decisió de producte amb una conseqüència concreta per a la feina amb imatges: el model descriu què hi ha al quadre en comptes de negar-s'hi segons el tema.
Això importa perquè les API de visió filtrades són estructuralment inadequades per a tota una categoria de feina legítima. Una canonada de moderació ha de mirar el material que modera i dir què és; un classificador que es nega a examinar allò que classifica no és un classificador. El mateix passa en una llista llarga de feines reals:
- Eines de confiança i seguretat — etiquetar exactament les imatges que una API generalista no processarà, que són les imatges que més necessiten etiquetatge.
- Imatgeria mèdica, forense i d'accidents — fotografia clínica, de lesions i d'escena que els filtres genèrics rebutgen per gràfica, sigui qui sigui qui ho demana.
- Recerca en seguretat — llegir pàgines de pesca de credencials, interfícies malicioses i pantalles capturades sense que el model s'esveri per la premissa.
- Classificació de contingut adult i catalogació d'arxius — canonades que existeixen per identificar material i que no poden externalitzar l'acte de mirar, més col·leccions històriques que els filtres tracten com a no etiquetables.
Treure la capa de refús treu un obstacle d'enginyeria, no un de legal. Shannon AI l'opera Shannon Lab LLC a Nou Mèxic, EUA, i l'ús de l'API es regeix per la nostra Política d'ús responsable. La sortida sense filtre és una capacitat, no un permís.
08Com cridar-lo: endpoints, entrada d'imatge i on encaixa
El model és MiMo-V2.5-W8A16, accessible en tres dialectes de petició contra els mateixos pesos, així que conserves l'SDK que ja tinguis:
/v1/chat/completions— compatible amb OpenAI. Les imatges entren com a parts de contingutimage_url, com a URL https o com a URI de dades base64./v1/messages— compatible amb Anthropic. Les imatges entren com a blocs de contingutimage./v1/responses— el dialecte a l'estil Responses.
El streaming i les crides a eines funcionen als tres, així que el model pot mirar una captura de pantalla i cridar una funció sobre el que ha vist en un sol torn. Els esquemes complets de petició i resposta són a la documentació de l'API, que també allotja un espai de proves on pots enganxar una imatge abans d'escriure gens de codi.
MiMo-V2.5 admet json_schema estricte i response_format — la diferència entre una demostració i una canonada. Dona-li un rebut més un esquema amb camps tipats per a proveïdor, data, línies de detall i total, i et retorna un objecte que el teu codi pot validar en comptes d'un paràgraf que has de passar per una expressió regular. Dos dels dotze models d'aquest catàleg no tenen suport complet de sortida estructurada; aquest sí, i per això funciona com a servei d'extracció d'alt volum.
La finestra de context és de 262.144 tokens; la sortida generada està limitada a 16.384 tokens per petició. Les imatges consumeixen tokens d'entrada en funció de la resolució, així que els escanejos de pàgina d'alta resolució es mengen el context molt més de pressa que un recompte equivalent de paraules de text. Pagina els documents llargs en comptes de carregar un escaneig de 300 pàgines en una sola petició, i tracta el límit de sortida com una restricció real sobre l'extracció exhaustiva — trosseja les taules denses per rangs de files en comptes d'obtenir una resposta truncada.
El control reasoning_effort té molta palanca aquí, atès el pedigrí de la família. Abaixa'l per a classificació d'alt volum, on la resposta és una etiqueta i els tokens de pensament són cost pur; apuja'l per a interpretació de gràfics, matemàtiques visuals i raonament sobre diagrames, on el model ha de combinar diverses coses que veu abans de poder respondre.
On encaixa i on no
Bons encaixos. Extracció de documents i rebuts d'alt volum; feina propera a l'OCR sobre escanejos imperfectes; lectura de gràfics, taulers i taules; comprensió de captures de pantalla i ancoratge d'interfícies; etiquetatge de catàlegs i preguntes i respostes visuals; canonades de moderació — qualsevol tasca multimodal on el cost per crida sigui limitant i la precisió en el detall fi sigui allò a què et negues a renunciar.
Mals encaixos. Raonament multimodal de dificultat de frontera que necessita el model més fort sigui quin sigui el preu — aquesta és la feina de Kimi-K3, i costa gairebé deu vegades més per alguna cosa. Generació només de text, on MiMo-V2.5-Pro dona una base millor a la mateixa tarifa. Feina que s'aguanta sobre coneixement del món enciclopèdic, on una base gran i dispersa supera una de compacta i densa. I qualsevol cosa que necessiti més de 262K de context, que aquí no ofereix cap model.
Cada xifra publicada de més amunt és de Xiaomi, per a un punt de control amb nom de les sèries MiMo i MiMo-VL. Llegeix el material primari en comptes del nostre resum.
09Preguntes freqüents
Què és l'API de visió de MiMo sense censura?
És el model MiMo-V2.5 W8A16 a la passarel·la de Shannon AI: un model amb capacitat de visió del llinatge MiMo de Xiaomi, servit al nostre propi clúster de GPU amb precisió de pesos de 8 bits, un context de 262.144 tokens i cap capa de refús ni filtre de sortida. Accepta imatges i text a /v1/chat/completions, /v1/messages i /v1/responses per 0,50 $ per milió de tokens d'entrada i 2,00 $ per milió de tokens de sortida.
Quin és el model sense censura més barat que realment pot veure imatges?
N'hi ha dos que empaten al preu de terra de 0,50 $ d'entrada / 2,00 $ de sortida per milió de tokens: MiMo-V2.5 W8A16 i MiniMax-M3 3BIT-REAP. MiMo-V2.5 és el més precís dels dos, amb pesos de 8 bits, i l'opció per defecte més segura per a feina amb imatges sensible al detall. MiniMax-M3 executa una base molt més gran comprimida a 3 bits, i afavoreix l'amplitud de coneixement del món per damunt de la fidelitat píxel a píxel.
Què vol dir W8A16 i per què importa per a la visió?
W8A16 vol dir pesos de 8 bits amb activacions de 16 bits, el nivell de màxima fidelitat del catàleg de Shannon, que fem servir quan la base és prou petita perquè la compressió agressiva sigui innecessària. Importa per a la visió perquè una torre de visió i el seu projector porten el detall de gra fi per un camí estret, i els errors que s'hi introdueixen no es poden recuperar després com sí que passa sovint amb una incrustació de text una mica borrosa.
En què es diferencia MiMo-V2.5 de MiMo-V2.5-Pro?
Mateix preu, mateix context de 262.144 tokens, mateix nivell W8A16, però no el mateix model. MiMo-V2.5 accepta imatges; MiMo-V2.5-Pro no, i gasta aquell pressupost de servei en una base de text més gran. Fes servir MiMo-V2.5 quan les entrades incloguin captures de pantalla, documents, gràfics o fotografies; fes servir el Pro per a feina només de text a la tarifa idèntica.
El model de visió de MiMo sense censura admet esquema JSON i crides a eines?
Sí. MiMo-V2.5 W8A16 admet sortida estructurada amb json_schema estricte, response_format, crides a eines, streaming i un control reasoning_effort. Això és el que el fa utilitzable com a rerefons d'extracció: li dones una imatge i et retorna un objecte validat en comptes d'una prosa que has d'analitzar.
Envia-li una imatge
Visió de 8 bits, 262K de context, cap capa de refús — al preu d'un model només de text.
Llegeix la documentació de l'API Consulta els 12 modelsIdentificador del model: MiMo-V2.5-W8A16 · regit per la nostra Política d'ús responsable
Fonts: informe tècnic de MiMo (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Totes les xifres de bancs de proves les reporta Xiaomi per als punts de control alliberats anomenats més amunt i descriuen el llinatge de la família, no la compilació exacta d'aquest endpoint. Els preus, el context i els indicadors de capacitat són valors de llista de la passarel·la de Shannon AI, setembre de 2026.