API Gweledol MiMo Heb Sensoriaeth

Mae pwyntiau terfyn amlfoddol rhad yn rhad am fod rhywbeth wedi'i dorri, a'r hyn a dorrir fel arfer yw'r rhan na allwch ei gweld: gwesgir y pwysau i dri neu bedwar did, ac mae'r model yn dal i ateb yn hyderus am siart na all ei ddarllen mwyach mewn gwirionedd. MiMo-V2.5 yw'r gwrth-enghraifft yn ein catalog — ar y llawr pris ac ar yr haen fanwl gywirdeb uchaf ar yr un pryd, oherwydd adeiladwyd y sylfaen y mae'n disgyn ohoni'n fach ac yn ddwys yn hytrach nag yn enfawr ac yn denau.

01O ble daw MiMo: model rhesymu yn gyntaf, model gweledol yn ail

Rhaglen ymchwil pwysau agored Xiaomi yw'r llinell MiMo, ac mae ei dadl sylfaenol yn anffasiynol: gosodir y gallu i resymu yn ystod y rhaghyfforddi, nid ei folltio arno wedyn gydag RL. Peirianneg data yw'r gwaith gan mwyaf — ailadeiladodd Xiaomi echdynnu a hidlo testun i godi dwysedd patrymau rhesymu yn y corpws, cynhyrchodd ddata rhesymu synthetig ar raddfa, a rhaghyfforddodd MiMo-7B-Base ar tua 25 triliwn o docynnau o dan gymysgedd tri cham, gyda Rhagfynegi Aml-Docyn yn amcan ategol sydd hefyd yn gweithredu adeg casglu fel datgodiwr dyfaliadol (cyfradd derbyn yn agos at 90%, yn ôl Xiaomi).

Mae'r ôl-hyfforddi'n llym o fwriad: 130,000 o broblemau mathemateg a chod gyda gwobrau cywirdeb seiliedig ar reolau'n unig, dim model gwobr wedi'i ddysgu, ar y sail bod model gwobr niwral yn arwyneb i'w hacio. Ni ellir seboni gwobrau y gellir eu gwirio. Mae MiMo-7B-RL yn postio rhifau anghymesur â'i faint — mae Xiaomi'n adrodd 68.2% ar AIME 2024, 95.8% ar MATH-500, 57.8% ar LiveCodeBench v5 ar pass@1, yn cyfateb i o1-mini OpenAI. Dyna siâp y model yr ydych yn ei alw: cryno, wedi'i hyfforddi'n ddwys, wedi'i diwnio i weithio trwy broblem yn hytrach nag adalw ateb — ac mae'r anian honno'n goroesi i'r disgynyddion amlfoddol.

02Sut y dysgodd MiMo weld: pensaernïaeth MiMo-VL

MiMo-VL yw'r gangen gweledol-iaith, ac mae ei hadeiladwaith yn addysgiadol. Cydosododd Xiaomi dair rhan: amgodiwr ViT cydraniad brodorol sy'n cadw manylder mân yn lle gorfodi pob delwedd trwy grid cydraniad isel sefydlog, tafluniwr MLP a gychwynnwyd ar hap i mewn i ofod cudd y model iaith, ac — yn hollbwysig — asgwrn cefn rhesymu MiMo fel y model iaith. Mae'r system weledol yn etifeddu datgodiwr sydd eisoes yn dda am feddwl aml-gam yn hytrach nag un sydd ond yn dda am gapsiynu.

Rhedodd yr hyfforddi mewn pedwar cam rhaghyfforddi — cynhesu'r tafluniwr, alinio gweledol-iaith, rhaghyfforddi amlfoddol cyffredinol, SFT cyd-destun hir — ar draws tua 2.4 triliwn o docynnau, ac yna Dysgu Atgyfnerthu Ar-Bolisi Cymysg (MORL), gan blygu cywirdeb canfyddiad, manwl gywirdeb seilio gweledol, cywirdeb rhesymu, a dewisiadau dynol/AI i mewn i un ddolen ar-bolisi. Mae'r adroddiad yn onest bod optimeiddio'r cyfan ar unwaith yn ansefydlog — fframio mwy gonest nag y mae'r rhan fwyaf o bapurau amlfoddol yn ei gynnig.

Mae'r canlyniadau cyhoeddedig yn gryf am y cyfrif paramedrau. Mae Xiaomi'n adrodd bod MiMo-VL-7B-RL yn curo Qwen2.5-VL-7B ar 35 o 40 tasg, yn cael 59.4 ar OlympiadBench (uwchlaw modelau hyd at 78B), a 56.1 ar OSWorld-G ar gyfer seilio GUI, o flaen asiantau rhyngwyneb pwrpasol. Gwthiodd y diweddariad 2508 diweddarach MMMU heibio 70 am y tro cyntaf yn y gyfres (70.6), cyrraedd 94.4 ar ChartQA, 92.5 ar ScreenSpot-v2 a 70.8 ar VideoMME, ac ychwanegu switsh rheoli meddwl fel y gellir diffodd olion rhesymu fesul cais.

03Beth mae W8A16 yn ei olygu, a pham mae o fwy o bwys i weledol nag i destun

Mae pob model ar y porth yn cario ôl-ddodiad cwanteiddio. Nid addurn ydyw — mae'n dweud wrthych beth a fasnachwyd i wneud y model yn weiniadwy.

Ôl-ddodiad	Beth ydyw	Pam y'i defnyddir
3BIT-REAP	Pwysau 3-did ynghyd â REAP, dull tocio arbenigwyr sy'n gollwng arbenigwyr a lwybrir yn brin o fodel MoE cyn cwanteiddio	Yr unig ffordd o ffitio a gweini'r sylfeini mwyaf oll ar gyflymder call
W4A16-AUTOROUND-REAP	Pwysau 4-did, actifadau 16-did, wedi'u cwanteiddio ag AutoRound — talgrynnu wedi'i ddysgu sy'n adfer cywirdeb dros dalgrynnu naïf i'r agosaf — ynghyd â thocio REAP	Tir canol i sylfeini mawr nad oes angen cywasgu eithafol arnynt
W8A16	Pwysau 8-did, actifadau 16-did — yr haen ffyddlonaf a weinwn	Defnyddir lle mae'r sylfaen yn ddigon bach fel nad oes angen cywasgu ymosodol

Mae MiMo-V2.5 yn ennill y drydedd res trwy fod yn gryno: nid oes angen gwasgu sylfaen ddwys yn y dosbarth hwn i dri did er mwyn iddi ffitio, felly gallwch fforddio cadw wyth, ac mae'r pwysau y samplwch ohonynt yn aros yn agos at y rhai a hyfforddwyd. Mae hynny o bwys anghymesur i waith delwedd, am reswm strwythurol. Mewn datgodiwr testun-yn-unig, mae mewnosodiad sy'n drifftio o dan gwanteiddio'n cael ei ail-gyd-destunoli gan ddwsinau o haenau sylw diweddarach — llawer o gyfleoedd i adfer. Nid oes gan bentwr gweledol y fath le sbâr: mae gwybodaeth weledol yn mynd trwy un amgodiwr ac un tafluniwr cul cyn cyrraedd y datgodiwr, ac mae popeth i lawr yr afon yn amodol ar yr hyn a gynhyrchodd y tagfa honno. Mae signal mân — 3 yn erbyn 8 mewn sgan cyferbyniad isel, yr union bicsel lle mae bar yn gorffen ar echelin siart, ffin elfen rhyngwyneb y gofynnir i chi glicio arni — yn byw yn y manylder pwysau maintioli isel y mae cwanteiddio ymosodol yn ei daflu gyntaf.

Nid yw model gweledol 3-did yn methu'n uchel; mae'n methu'n dawel, gan gynhyrchu disgrifiad rhugl o ddogfen gyda dau ddigid wedi'u cyfnewid yn y cyfanswm. Yswiriant rhataf yn erbyn y methiant hwnnw yw manwl gywirdeb pwysau uwch, ac yma mae'n rhad ac am ddim — rydych yn talu'r pris llawr y naill ffordd neu'r llall.

04Y pris llawr, mewn cyd-destun

Mae pedwar model yn ein catalog o ddeuddeg yn eistedd ar y llawr pris o $0.50 mewnbwn / $2.00 allbwn fesul miliwn tocyn. Dim ond un ohonynt sy'n derbyn delweddau. Dyma ble mae'r modelau â gallu gweledol yn glanio ar gost allbwn, y rhif sy'n dominyddu'r rhan fwyaf o filiau go iawn:

Pris allbwn mewn USD fesul 1M tocyn, cyfraddau rhestr Porth Shannon AI, Medi 2026. Mae hyd y bar yn gymharol i'r model gweledol drutaf yn y catalog.

Yn erbyn Kimi-K3 — y model gweledol nenfwd, ac un gwirioneddol gryfach — mae MiMo-V2.5 tua 9.6× yn rhatach ar allbwn a 7.7× yn rhatach ar fewnbwn. Nid honiad o gyfwerthedd yw hynny; dadl am siâp llwyth gwaith ydyw. Ar gan mil o ddelweddau'r mis, nid yw'r model nenfwd yn fforddiadwy ac mae'r model llawr yn fforddiadwy, a'r cwestiwn gonest yw a yw'r model llawr yn clirio eich trothwy cywirdeb — nid a yw'n ennill meincnod.

05MiMo-V2.5 yn erbyn MiniMax-M3: y ddau fodel gweledol rhad, wedi'u cymharu'n onest

Mae'r ddau'n cydradd yn union ar bris, cyd-destun ac arwyneb pwynt terfyn. Nid ydynt yn gyfnewidiadwy: mae'r haen gwanteiddio'n ddirprwy am ddwy fet wahanol ynghylch beth sy'n gwneud model gweledol yn ddefnyddiol.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Mewnbwn / allbwn fesul 1M	$0.50 / $2.00	$0.50 / $2.00
Manwl gywirdeb pwysau	8-did	3-did + tocio arbenigwyr
Maint y sylfaen	Cryno, dwys	Mawr, MoE tenau
Gweledol	Ie	Ie
Ffenestr gyd-destun	262,144	262,144
Sgema · offer · ffrydio	Ie	Ie

Dewiswch MiMo-V2.5 pan mai'r ddelwedd yw'r rhan anodd: OCR trwchus ar sganiau amherffaith, echdynnu rhifol o siartiau a thablau, seilio sgrinluniau a rhyngwynebau, darllen testun bach, gwahaniaethu rhwng lluniau cynnyrch bron yn union yr un fath — unrhyw beth lle mae digid wedi'i gyfnewid yn ddiffyg yn hytrach nag yn nam cosmetig. Rydych am y llwybr mwyaf ffyddlon o bicseli i docynnau, a phwysau 8-did yw sut y cewch hynny am y pris hwn.

Dewiswch MiniMax-M3 pan mai'r ddelwedd yw'r rhan hawdd. Mae sylfaen denau fawr wedi'i chywasgu i 3 did yn dal i ddal mwy o wybodaeth am y byd a lled rhesymu nag y gall model dwys cryno, hyd yn oed ar ôl tocio. Os yw'r dasg yn "edrych ar y llun hwn a rhesymu'n hir am yr hyn y mae'n ei olygu", neu os yw'r ddelwedd yn un mewnbwn mewn sgwrs sy'n destun yn bennaf, y sylfaen fwy yw'r offeryn gwell — nid y craffter gweledol a fasnachwyd oedd y cyfyngiad rhwym.

06MiMo-V2.5 yn erbyn MiMo-V2.5-Pro: y brawd a fasnachodd lygaid am ddyfnder

Dyma'r gymhariaeth sy'n cynhyrchu'r nifer fwyaf o docynnau cymorth, felly mae'n werth bod yn blaen. Mae MiMo-V2.5-Pro-W8A16 a MiMo-V2.5-W8A16 yn rhannu pris, ffenestr gyd-destun, haen fanwl gywirdeb ac enw teulu. Nid yw Pro yn derbyn delweddau. Nid uwchset ydyw. Dyraniad gwahanol o'r un gyllideb ydyw.

Mae gweini model amlfoddol yn golygu talu am dŵr gweledol a thafluniwr ochr yn ochr â'r datgodiwr — ar darged cost sefydlog, gallu na wariwyd ar y model iaith ei hun. Mae Pro yn gwario'r cyfan ar destun: sylfaen fwy gyda mwy o le i ysgrifennu ffurf hir, rhesymu estynedig a chod. Mae MiMo-V2.5 yn gwario rhan ohono ar olwg.

Felly mae'r rheol benderfynu am eich mewnbynnau, nid am eich uchelgeisiau. Os gall unrhyw gais gynnwys sgrinlun, tudalen wedi'i sganio, siart, diagram neu lun, mae angen MiMo-V2.5 arnoch — bydd Pro yn gwrthod y bloc cynnwys. Os yw pob cais yn destun a'ch bod wedi estyn am y model gweledol o arfer, rydych yn gadael ansawdd sylfaen ar y bwrdd am ddim: cymerwch MiMo-V2.5-Pro am yr un gyfradd.

Patrwm sy'n werth ei ddwyn: llwybrwch yn ôl math y cynnwys. Mae unrhyw beth â rhan ddelwedd yn mynd i MiMo-V2.5-W8A16, popeth arall i MiMo-V2.5-Pro-W8A16. Yr un teulu, yr un pris, yr un gyllideb gyd-destun — mae'r llwybrydd yn ddibwys ac nid oes model cost i'w gysoni.

07Beth mae "deall delweddau heb sensoriaeth" yn ei olygu mewn gwirionedd

Nid oes haen wrthod o flaen y model hwn a dim hidlydd cynnwys ar ei allbwn. Penderfyniad cynnyrch yw hwnnw gyda chanlyniad penodol i waith gweledol: mae'r model yn disgrifio beth sydd yn y ffrâm yn lle gwrthod ar sail y pwnc.

Mae hyn o bwys oherwydd bod APIs gweledol wedi'u hidlo'n strwythurol anaddas i gategori cyfan o waith cyfreithlon. Rhaid i biblinell gymedroli edrych ar y deunydd y mae'n ei gymedroli a dweud beth ydyw; nid dosbarthwr yw dosbarthwr sy'n gwrthod archwilio'r peth y mae'n ei ddosbarthu. Mae'r un peth yn wir ar draws rhestr hir o swyddi go iawn:

• Offer ymddiriedaeth a diogelwch — labelu'n union y delweddau na fydd API prif ffrwd yn eu prosesu, sef y delweddau sydd fwyaf o angen eu labelu.
• Delweddau meddygol, fforensig a damweiniau — ffotograffiaeth glinigol, anafiadau a lleoliadau y mae hidlwyr cyffredinol yn eu gwrthod fel rhai graffig waeth pwy sy'n gofyn.
• Ymchwil diogelwch — darllen tudalennau gwe-rwydo, rhyngwynebau maleisus a sgriniau wedi'u dal heb i'r model gilio rhag y rhagosodiad.
• Dosbarthu cynnwys i oedolion a chatalogio archifol — piblinellau sy'n bodoli i adnabod deunydd ac na allant gontractio'r edrych allan, ynghyd â chasgliadau hanesyddol y mae hidlwyr yn eu trin fel rhai na ellir eu labelu.

Mae tynnu'r haen wrthod yn tynnu rhwystr peirianyddol, nid un cyfreithiol. Gweithredir Shannon AI gan Shannon Lab LLC yn New Mexico, UDA, a llywodraethir defnydd o'r API gan ein Polisi Defnydd Cyfrifol. Gallu yw allbwn heb ei hidlo, nid trwydded.

08Ei alw: pwyntiau terfyn, mewnbwn delwedd, a ble mae'n ffitio

Y model yw MiMo-V2.5-W8A16, sy'n gyraeddadwy ar dair tafodiaith cais yn erbyn yr un pwysau, felly rydych yn cadw pa bynnag SDK sydd gennych eisoes:

• /v1/chat/completions — cydnaws ag OpenAI. Mae delweddau'n mynd i mewn fel rhannau cynnwys image_url, naill ai fel URL https neu fel data URI base64.
• /v1/messages — cydnaws ag Anthropic. Mae delweddau'n mynd i mewn fel blociau cynnwys image.
• /v1/responses — y dafodiaith arddull Responses.

Mae ffrydio a galw offer yn gweithio ar y tair, felly gall y model edrych ar sgrinlun a galw ffwythiant am yr hyn a welodd mewn un tro. Mae'r sgemâu cais ac ymateb llawn yn dogfennaeth yr API, sydd hefyd yn cynnal maes chwarae y gallwch gludo delwedd iddo cyn ysgrifennu unrhyw god.

Mae MiMo-V2.5 yn cefnogi json_schema llym a response_format — y gwahaniaeth rhwng arddangosiad a phiblinell. Rhowch dderbynneb iddo ynghyd â sgema gyda meysydd wedi'u teipio ar gyfer gwerthwr, dyddiad, eitemau llinell a chyfanswm, a chewch wrthrych y gall eich cod ei ddilysu yn lle paragraff y mae'n rhaid i chi ei regexio. Nid oes gan ddau o'r deuddeg model yn y catalog hwn gefnogaeth allbwn strwythuredig lawn; mae gan hwn, a dyna pam mae'n gweithio fel gwasanaeth echdynnu cyfaint uchel.

Y ffenestr gyd-destun yw 262,144 o docynnau; cyfyngir yr allbwn a gynhyrchir i 16,384 o docynnau fesul cais. Mae delweddau'n bwyta tocynnau mewnbwn yn ôl cydraniad, felly mae sganiau tudalen cydraniad uchel yn bwyta cyd-destun yn llawer cyflymach na chyfrif geiriau cyfatebol o destun. Tudalennwch ddogfennau hir yn lle llwytho sgan 300 tudalen mewn un cais, a thriniwch y cap allbwn fel cyfyngiad go iawn ar echdynnu cyflawn — rhannwch dablau trwchus yn ôl ystodau rhesi yn lle cael ateb wedi'i dorri'n fyr.

Mae gan y deial reasoning_effort lifer go iawn yma o ystyried tras y teulu. Trowch ef i lawr ar gyfer dosbarthu cyfaint uchel, lle mae'r ateb yn label a'r tocynnau meddwl yn gost pur; trowch ef i fyny ar gyfer dehongli siartiau, mathemateg weledol a rhesymu am ddiagramau, lle mae'n rhaid i'r model gyfuno sawl peth y mae'n eu gweld cyn iddo allu ateb.

Ble mae'n ffitio, a ble nad yw

Ffitiau da. Echdynnu dogfennau a derbynebau cyfaint uchel; gwaith tebyg i OCR ar sganiau amherffaith; darllen siartiau, dangosfyrddau a thablau; deall sgrinluniau a seilio rhyngwynebau; tagio catalogau a chwestiynau gweledol; piblinellau cymedroli — unrhyw dasg amlfoddol lle mae'r gost fesul galwad yn rhwym a manwl gywirdeb mân yw'r hyn na fyddwch yn ei ildio.

Ffitiau gwael. Rhesymu amlfoddol ar anhawster y ffin sydd angen y model cryfaf waeth beth fo'r pris — gwaith Kimi-K3, ac mae'n costio bron ddeg gwaith yn fwy am reswm. Cynhyrchu testun-yn-unig, lle mae MiMo-V2.5-Pro yn rhoi sylfaen well am yr un gyfradd. Gwaith sy'n pwyso ar wybodaeth wyddoniadurol am y byd, lle mae sylfaen denau fawr yn rhagori ar un ddwys gryno. Ac unrhyw beth sydd angen mwy na 262K o gyd-destun, nad oes yr un model yma'n ei gynnig.

09Cwestiynau cyffredin

---

Ffynonellau: adroddiad technegol MiMo (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Adroddwyd pob ffigur meincnod gan Xiaomi ar gyfer y pwyntiau gwirio a ryddhawyd ac a enwir uchod, ac maent yn disgrifio llinach y teulu, nid yr union adeiladwaith ar y pwynt terfyn hwn. Gwerthoedd rhestr Porth Shannon AI, Medi 2026, yw'r prisiau, y cyd-destun a'r baneri gallu.