Vision API MiMo bez cenzury

Levné multimodální endpointy jsou levné proto, že se něco uřízlo — a to, co se uřízne, obvykle nevidíte: váhy jsou zmáčknuté na tři nebo čtyři bity a model pořád sebejistě odpovídá na graf, který už reálně přečíst neumí. MiMo-V2.5 je v naší nabídce protipříklad — na cenové spodní hranici a zároveň na nejvyšším tieru přesnosti, protože základ, ze kterého pochází, byl postavený malý a hustý místo obrovský a řídký.

01Odkud MiMo pochází: nejdřív model pro uvažování, teprve pak vision model

Linie MiMo je výzkumný program Xiaomi s otevřenými váhami a její zakládající argument je nemoderní: schopnost uvažovat se určuje během předtrénování, ne se přišroubuje potom pomocí RL. Ta práce je hlavně datové inženýrství — Xiaomi přestavěla extrakci a filtrování textu tak, aby zvýšila hustotu vzorců uvažování v korpusu, ve velkém vygenerovala syntetická data k uvažování a předtrénovala MiMo-7B-Base zhruba na 25 bilionech tokenů ve třífázové směsi, s Multiple-Token Prediction jako pomocným cílem, který při inferenci zároveň slouží jako spekulativní dekodér (míra přijetí podle Xiaomi kolem 90 %).

Posttrénink je záměrně střídmý: 130 000 matematických a kódovacích úloh s odměnami za přesnost čistě podle pravidel, žádný naučený model odměny — s odůvodněním, že neuronový model odměny je plocha, kterou lze hacknout. Ověřitelné odměny se ukecat nedají. MiMo-7B-RL vykazuje čísla nepoměrná ke své velikosti — Xiaomi uvádí 68,2 % na AIME 2024, 95,8 % na MATH-500 a 57,8 % na LiveCodeBench v5 při pass@1, tedy vyrovnaně s o1-mini od OpenAI. To je povaha modelu, který voláte: kompaktní, hustě trénovaný, vyladěný na to, aby se úlohou propracoval, místo aby si odpověď vybavil — a ten temperament přežívá i do multimodálních potomků.

02Jak se MiMo naučil vidět: architektura MiMo-VL

MiMo-VL je vision-language větev a její konstrukce je poučná. Xiaomi poskládala tři díly: ViT enkodér v nativním rozlišení, který zachovává jemný detail místo toho, aby každý obrázek protlačil pevnou mřížkou v nízkém rozlišení, náhodně inicializovaný MLP projektor do latentního prostoru jazykového modelu a — což je klíčové — uvažovací backbone MiMo jako jazykový model. Vision systém tak dědí dekodér, který už je dobrý ve vícekrokovém přemýšlení, ne dekodér, který je pouze dobrý v popisování obrázků.

Trénink proběhl ve čtyřech předtrénovacích fázích — zahřátí projektoru, zarovnání vidění a jazyka, obecné multimodální předtrénování, SFT na dlouhém kontextu — napříč zhruba 2,4 bilionu tokenů, pak následovalo Mixed On-policy Reinforcement Learning (MORL), které do jedné on-policy smyčky skládá přesnost vnímání, přesnost vizuálního ukotvení, správnost uvažování a preference lidí i AI. Zpráva otevřeně přiznává, že optimalizovat všechno tohle najednou je nestabilní — poctivější rámování, než jaké nabízí většina multimodálních článků.

Zveřejněné výsledky jsou na daný počet parametrů silné. Xiaomi uvádí, že MiMo-VL-7B-RL porazil Qwen2.5-VL-7B na 35 ze 40 úloh, dosáhl 59,4 na OlympiadBench (nad modely až do 78B) a 56,1 na OSWorld-G za ukotvení v GUI, tedy před účelově stavěnými agenty pro rozhraní. Pozdější revize 2508 poprvé v sérii posunula MMMU přes 70 (70,6), dosáhla 94,4 na ChartQA, 92,5 na ScreenSpot-v2 a 70,8 na VideoMME a přidala přepínač řízení přemýšlení, takže stopy uvažování jde vypnout pro jednotlivý požadavek.

03Co znamená W8A16 a proč u vidění záleží víc než u textu

Každý model na bráně nese kvantizační příponu. Není to dekorace — říká vám, co se obětovalo, aby šel model servírovat.

Přípona	Co to je	Proč se používá
3BIT-REAP	3bitové váhy plus REAP, metoda prořezávání expertů, která z MoE modelu před kvantizací zahodí zřídka routované experty	Jediný způsob, jak ty úplně největší základy vměstnat a servírovat rozumnou rychlostí
W4A16-AUTOROUND-REAP	4bitové váhy, 16bitové aktivace, kvantizované AutoRoundem — naučeným zaokrouhlováním, které oproti naivnímu zaokrouhlení na nejbližší hodnotu vrací přesnost — plus prořezání REAPem	Střední cesta pro velké základy, které extrémní kompresi nepotřebují
W8A16	8bitové váhy, 16bitové aktivace — nejvěrnější tier, jaký servírujeme	Používá se tam, kde je základ dost malý na to, aby agresivní komprese nebyla nutná

MiMo-V2.5 si třetí řádek zaslouží tím, že je kompaktní: hustý základ v této třídě nepotřebuje rozdrtit na tři bity, aby se vešel, takže si můžete dovolit ponechat osm — a váhy, ze kterých vzorkujete, zůstanou blízko těm, které se natrénovaly. U práce s obrazem to má nepoměrně větší váhu, a to ze strukturálního důvodu. V čistě textovém dekodéru je embedding, který se pod kvantizací posune, znovu zasazen do kontextu desítkami pozdějších vrstev pozornosti — spousta šancí se srovnat. Vision zásobník takovou rezervu nemá: vizuální informace projde jediným enkodérem a jediným úzkým projektorem, než dorazí do dekodéru, a všechno dál po proudu je podmíněno tím, co to hrdlo vyprodukovalo. Jemnozrnný signál — 3 versus 8 na skenu s nízkým kontrastem, přesný pixel, kde na ose grafu končí sloupec, hranice prvku rozhraní, na který vás žádají kliknout — žije v detailu vah s malou magnitudou, který agresivní kvantizace zahazuje první.

Tříbitový vision model neselhává hlasitě; selhává tiše, tím, že vyprodukuje plynulý popis dokumentu se dvěma přehozenými číslicemi v součtu. Vyšší přesnost vah je nejlevnější pojistka proti tomuhle selhání a tady je zadarmo — spodní cenu platíte tak jako tak.

04Spodní cena v kontextu

Čtyři modely z naší dvanáctičlenné nabídky leží na cenové spodní hranici $0.50 vstup / $2.00 výstup za milion tokenů. Jen jeden z nich bere obrázky. Takhle vycházejí modely se schopností vidění na ceně výstupu, tedy na čísle, které dominuje většině reálných faktur:

Cena výstupu v USD za 1M tokenů, ceníkové sazby brány Shannon AI, září 2026. Délka pruhu je relativní vůči nejdražšímu vision modelu v nabídce.

Proti Kimi-K3 — stropovému vision modelu, a skutečně silnějšímu — je MiMo-V2.5 zhruba 9,6× levnější na výstupu a 7,7× levnější na vstupu. To není tvrzení o rovnocennosti; je to argument o tvaru zátěže. Při sto tisících obrázků měsíčně si stropový model dovolit nelze a ten spodní ano, a poctivá otázka zní, jestli spodní model překonává vaši laťku přesnosti — ne jestli vyhrává benchmark.

05MiMo-V2.5 vs MiniMax-M3: dva levné vision modely, poctivě srovnané

Tyhle dva jsou přesně nastejno v ceně, kontextu i ploše endpointů. Zaměnitelné nejsou: kvantizační tier je zástupným ukazatelem dvou různých sázek na to, co dělá vision model užitečným.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Vstup / výstup za 1M	$0.50 / $2.00	$0.50 / $2.00
Přesnost vah	8 bitů	3 bity + prořezání expertů
Velikost základu	Kompaktní, hustý	Velké, řídké MoE
Vidění	Ano	Ano
Kontextové okno	262 144	262 144
Schéma · nástroje · streamování	Ano	Ano

Vezměte MiMo-V2.5, když je tím těžkým obrázek: husté OCR na nedokonalých skenech, extrakce čísel z grafů a tabulek, ukotvení ve snímcích obrazovky a rozhraních, čtení drobného textu, rozlišování téměř identických produktových fotek — cokoli, kde je přehozená číslice vada, ne kosmetická drobnost. Chcete nejvěrnější cestu od pixelů k tokenům a 8bitové váhy jsou způsob, jak ji za tuhle cenu dostat.

Vezměte MiniMax-M3, když je obrázek ta snadná část. Velký řídký základ zmáčknutý na 3 bity pořád drží víc znalostí o světě a širší záběr uvažování, než dokáže kompaktní hustý model, i po prořezání. Pokud úkol zní „podívej se na tuhle fotku a dlouze uvažuj, co z ní plyne“, nebo je obrázek jedním vstupem v převážně textové konverzaci, je větší základ lepším nástrojem — vizuální ostrost, kterou jste obětovali, nebyla svazujícím omezením.

06MiMo-V2.5 vs MiMo-V2.5-Pro: sourozenec, který vyměnil oči za hloubku

Tohle je srovnání, které generuje nejvíc supportních ticketů, takže stojí za to být přímý. MiMo-V2.5-Pro-W8A16 a MiMo-V2.5-W8A16 sdílejí cenu, kontextové okno, tier přesnosti i rodinné jméno. Pro obrázky nepřijímá. Není to nadmnožina. Je to jiné rozdělení téhož rozpočtu.

Servírovat multimodální model znamená platit vedle dekodéru i za vision věž a projektor — tedy při pevném cenovém cíli za kapacitu, která nešla do samotného jazykového modelu. Pro utratí všechno za text: větší základ s větší rezervou na dlouhé psaní, rozsáhlé uvažování a kód. MiMo-V2.5 utratí část za zrak.

Rozhodovací pravidlo je tedy o vašich vstupech, ne o vašich ambicích. Pokud může kterýkoli požadavek obsahovat snímek obrazovky, naskenovanou stránku, graf, diagram nebo fotografii, potřebujete MiMo-V2.5 — Pro takový blok obsahu odmítne. Pokud je každý požadavek textový a po vision modelu jste sáhli ze zvyku, necháváte kvalitu základu ležet ladem za nic: vezměte MiMo-V2.5-Pro za shodnou sazbu.

Vzor, který stojí za ukradení: routujte podle typu obsahu. Cokoli s obrazovou částí jde na MiMo-V2.5-W8A16, všechno ostatní na MiMo-V2.5-Pro-W8A16. Stejná rodina, stejná cena, stejný kontextový rozpočet — router je triviální a není co srovnávat v nákladovém modelu.

07Co „porozumění obrázkům bez cenzury“ vlastně znamená

Před tímhle modelem není žádná vrstva odmítání a na jeho výstupu žádný obsahový filtr. To je produktové rozhodnutí s konkrétním důsledkem pro práci s obrazem: model popíše, co je v záběru, místo aby odmítal podle toho, čeho se to týká.

Záleží na tom proto, že filtrovaná vision API jsou strukturálně nevhodná pro celou kategorii legitimní práce. Moderátorská pipeline se musí podívat na materiál, který moderuje, a říct, co to je; klasifikátor, který odmítá zkoumat věc, kterou klasifikuje, není klasifikátor. Totéž platí napříč dlouhým seznamem reálných úkolů:

• Nástroje pro trust and safety — označování přesně těch obrázků, které běžné API nezpracuje, což jsou přesně ty obrázky, které označení nejvíc potřebují.
• Lékařské, forenzní a nehodové snímky — klinická fotografie, fotografie zranění a míst nehod, které generické filtry odmítají jako drastické bez ohledu na to, kdo se ptá.
• Bezpečnostní výzkum — čtení phishingových stránek, škodlivých rozhraní a zachycených obrazovek, aniž by se model vzpouzel nad samotným zadáním.
• Klasifikace obsahu pro dospělé a archivní katalogizace — pipeline, které existují proto, aby materiál identifikovaly, a nemohou to dívání zadat ven, plus historické sbírky, které filtry považují za neoznačitelné.

Odstranění vrstvy odmítání odstraňuje inženýrskou překážku, ne právní. Shannon AI provozuje Shannon Lab LLC v Novém Mexiku v USA a používání API se řídí našimi Zásadami odpovědného použití. Nefiltrovaný výstup je schopnost, ne propustka.

08Jak ho volat: endpointy, obrazový vstup a kam se hodí

Model je MiMo-V2.5-W8A16, dostupný ve třech dialektech požadavků proti týmž vahám, takže si ponecháte to SDK, které už máte:

• /v1/chat/completions — kompatibilní s OpenAI. Obrázky jdou dovnitř jako části obsahu image_url, buď jako https URL, nebo jako datové URI v base64.
• /v1/messages — kompatibilní s Anthropicem. Obrázky jdou dovnitř jako bloky obsahu image.
• /v1/responses — dialekt ve stylu Responses.

Streamování i volání nástrojů fungují ve všech třech, takže se model může podívat na snímek obrazovky a v jednom tahu zavolat funkci nad tím, co viděl. Kompletní schémata požadavků a odpovědí jsou v dokumentaci API, kde je i hřiště, do kterého můžete vložit obrázek dřív, než napíšete jediný řádek kódu.

MiMo-V2.5 podporuje striktní json_schema i response_format — což je rozdíl mezi demem a pipeline. Podejte mu účtenku plus schéma s typovanými poli pro dodavatele, datum, položky a součet a dostanete zpět objekt, který váš kód umí zvalidovat, místo odstavce, na který musíte pouštět regex. Dva z dvanácti modelů v téhle nabídce plnou podporu strukturovaného výstupu nemají; tenhle ano, a proto funguje jako extrakční služba s velkým objemem.

Kontextové okno má 262 144 tokenů; generovaný výstup je omezen na 16 384 tokenů na požadavek. Obrázky spotřebovávají vstupní tokeny podle rozlišení, takže skeny stránek ve vysokém rozlišení sežerou kontext mnohem rychleji než odpovídající počet slov textu. Dlouhé dokumenty stránkujte, místo abyste do jednoho požadavku nahráli 300stránkový sken, a berte strop výstupu jako reálné omezení vyčerpávající extrakce — husté tabulky rozdělte po rozsazích řádků, místo abyste dostali useknutou odpověď.

Ovladač reasoning_effort má tady vzhledem k původu rodiny reálnou páku. Stáhněte ho dolů u klasifikace ve velkém objemu, kde je odpovědí štítek a tokeny přemýšlení jsou čistý náklad; vytáhněte ho nahoru u interpretace grafů, vizuální matematiky a uvažování nad diagramy, kde model musí zkombinovat několik věcí, které vidí, než může odpovědět.

Kam se hodí a kam ne

Dobrý zásah. Extrakce dokumentů a účtenek ve velkém objemu; práce blízká OCR na nedokonalých skenech; čtení grafů, dashboardů a tabulek; porozumění snímkům obrazovky a ukotvení v rozhraní; tagování katalogů a vizuální QA; moderátorské pipeline — jakákoli multimodální úloha, kde svazuje cena za volání a přesnost v jemném detailu je to, čeho se odmítáte vzdát.

Špatný zásah. Multimodální uvažování na hranici možností, které potřebuje nejsilnější model bez ohledu na cenu — to je práce pro Kimi-K3 a téměř desetinásobná cena má svůj důvod. Čistě textové generování, kde MiMo-V2.5-Pro dá za stejnou sazbu lepší základ. Práce opřená o encyklopedickou znalost světa, kde velký řídký základ předběhne kompaktní hustý. A cokoli, co potřebuje víc než 262K kontextu, což tady nenabízí žádný model.

09Často kladené otázky

---

Zdroje: technická zpráva MiMo (arXiv 2505.07608) · technická zpráva MiMo-VL (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Všechna benchmarková čísla uvádí Xiaomi pro výše jmenované vydané checkpointy a popisují rodovou linii, ne přesný build na tomto endpointu. Ceny, kontext a příznaky schopností jsou ceníkové hodnoty brány Shannon AI, září 2026.