Ucensureret MiMo vision-API

Billige multimodale endepunkter er billige, fordi noget er skåret væk, og det, der skæres væk, er som regel den del, du ikke kan se: vægtene presses ned til tre eller fire bit, og modellen svarer stadig med fuld overbevisning om et diagram, den reelt ikke længere kan læse. MiMo-V2.5 er modeksemplet i vores katalog — på prisbunden og på det øverste præcisionsniveau samtidig, fordi den grundmodel, den nedstammer fra, blev bygget lille og tæt frem for enorm og sparsom.

01Hvor MiMo kommer fra: først en ræsonnementsmodel, dernæst en vision-model

MiMo-linjen er Xiaomis forskningsprogram med åbne vægte, og dens grundargument er umoderne: ræsonnementsevne fastlægges under fortræningen, ikke ved at blive skruet på bagefter med RL. Arbejdet er mest datateknik — Xiaomi byggede tekstudtræk og filtrering om for at hæve tætheden af ræsonnementsmønstre i korpusset, genererede syntetiske ræsonnementsdata i stor skala og fortrænede MiMo-7B-Base på cirka 25 billioner tokens under en blanding i tre trin, med Multiple-Token Prediction som et sekundært mål, der ved inferens samtidig fungerer som spekulativ dekoder (acceptrate tæt på 90 %, ifølge Xiaomi).

Eftertræningen er bevidst asketisk: 130.000 matematik- og kodeopgaver med udelukkende regelbaserede nøjagtighedsbelønninger, ingen indlært belønningsmodel, ud fra den betragtning, at en neural belønningsmodel er en flade, der kan hackes. Verificerbare belønninger kan man ikke snakke sig til rette med. MiMo-7B-RL leverer tal, der står i misforhold til dens størrelse — Xiaomi rapporterer 68,2 % på AIME 2024, 95,8 % på MATH-500 og 57,8 % på LiveCodeBench v5 ved pass@1, på niveau med OpenAI's o1-mini. Sådan ser den model ud, du kalder: kompakt, tæt trænet, indstillet til at arbejde sig igennem et problem frem for at genkalde et svar — og det temperament overlever ind i de multimodale efterkommere.

02Hvordan MiMo lærte at se: MiMo-VL-arkitekturen

MiMo-VL er vision-sprog-grenen, og dens opbygning er lærerig. Xiaomi samlede tre dele: en ViT-encoder i den oprindelige opløsning, der bevarer fine detaljer i stedet for at presse hvert billede gennem et fast gitter i lav opløsning, en tilfældigt initialiseret MLP-projektor ind i sprogmodellens latente rum, og — afgørende — MiMo-ræsonnementsrygraden som sprogmodel. Vision-systemet arver en dekoder, der allerede er god til tænkning i flere trin, frem for en, der blot er god til billedtekster.

Træningen kørte i fire fortræningstrin — opvarmning af projektoren, vision-sprog-justering, generel multimodal fortræning, SFT i lang kontekst — hen over cirka 2,4 billioner tokens, derefter Mixed On-policy Reinforcement Learning (MORL), der folder perceptionsnøjagtighed, præcision i visuel forankring, korrekt ræsonnement og menneskelige/AI-præferencer ind i én on-policy-løkke. Rapporten er ærlig om, at det er ustabilt at optimere alt det på én gang — en mere redelig fremstilling, end de fleste multimodale artikler byder på.

De offentliggjorte resultater er stærke for parametertallet. Xiaomi rapporterer, at MiMo-VL-7B-RL slår Qwen2.5-VL-7B på 35 ud af 40 opgaver, opnår 59,4 på OlympiadBench (over modeller op til 78B) og 56,1 på OSWorld-G for GUI-forankring, foran formålsbyggede grænsefladeagenter. Den senere 2508-opdatering skubbede MMMU forbi 70 for første gang i serien (70,6), nåede 94,4 på ChartQA, 92,5 på ScreenSpot-v2 og 70,8 på VideoMME, og tilføjede en kontakt til at styre tænkningen, så ræsonnementsspor kan slås fra pr. forespørgsel.

03Hvad W8A16 betyder, og hvorfor det betyder mere for vision end for tekst

Hver model på gatewayen bærer et kvantiseringssuffiks. Det er ingen udsmykning — det fortæller dig, hvad der blev byttet væk for at gøre modellen servérbar.

Suffiks	Hvad det er	Hvorfor det bruges
3BIT-REAP	3-bit vægte plus REAP, en metode til ekspertbeskæring, der fjerner sjældent rutede eksperter fra en MoE-model før kvantiseringen	Den eneste måde at få plads til og servere de allerstørste grundmodeller ved en fornuftig hastighed
W4A16-AUTOROUND-REAP	4-bit vægte, 16-bit aktiveringer, kvantiseret med AutoRound — indlært afrunding, der genvinder nøjagtighed i forhold til naiv afrunding til nærmeste — plus REAP-beskæring	Mellemvejen for store grundmodeller, der ikke har brug for ekstrem komprimering
W8A16	8-bit vægte, 16-bit aktiveringer — det niveau med højest trofasthed, vi serverer	Bruges, hvor grundmodellen er lille nok til, at aggressiv komprimering er unødvendig

MiMo-V2.5 fortjener den tredje række ved at være kompakt: en tæt grundmodel i denne klasse behøver ikke presses ned til tre bit for at få plads, så du har råd til at beholde otte, og de vægte, du sampler fra, ligger tæt på dem, der blev trænet. Det betyder uforholdsmæssigt meget for billedarbejde, af en strukturel grund. I en dekoder med kun tekst bliver en indlejring, der driver af under kvantisering, sat i ny kontekst af snesevis af senere attention-lag — mange chancer for at komme sig. En vision-stak har ikke det slæk: visuel information passerer gennem én encoder og én smal projektor, før den når dekoderen, og alt nedstrøms er betinget af det, den flaskehals producerede. Fintkornet signal — 3 mod 8 i en scanning med lav kontrast, den nøjagtige pixel, hvor en søjle ender på en diagramakse, kanten af det UI-element, du bliver bedt om at klikke på — bor i vægtdetaljen med lav størrelsesorden, som aggressiv kvantisering kasserer først.

En 3-bit vision-model fejler ikke højlydt; den fejler stille og roligt og producerer en flydende beskrivelse af et dokument med to cifre byttet om i totalen. Højere vægtpræcision er den billigste forsikring mod den fejl, og her er den gratis — du betaler bundprisen under alle omstændigheder.

04Bundprisen, sat i sammenhæng

Fire modeller i vores katalog med tolv modeller ligger på prisbunden $0,50 input / $2,00 output pr. million tokens. Kun én af dem tager imod billeder. Her ligger de modeller, der kan se, på outputpris — det tal, der dominerer de fleste virkelige regninger:

Outputpris i USD pr. 1M tokens, listepriser på Shannon AI Gateway, september 2026. Søjlelængden er relativ til den dyreste vision-model i kataloget.

Mod Kimi-K3 — loftets vision-model, og en oprigtigt stærkere en af slagsen — er MiMo-V2.5 cirka 9,6× billigere på output og 7,7× billigere på input. Det er ikke en påstand om ligeværdighed; det er et argument om arbejdsopgavens form. Ved hundrede tusind billeder om måneden er loftets model ikke til at betale, og bundens er, og det ærlige spørgsmål er, om bundens model klarer din nøjagtighedstærskel — ikke om den vinder et benchmark.

05MiMo-V2.5 mod MiniMax-M3: de to billige vision-modeller, sammenlignet ærligt

De to ligger præcis lige på pris, kontekst og endepunktsflade. De er ikke udskiftelige: kvantiseringsniveauet er en indikator for to forskellige væddemål om, hvad der gør en vision-model brugbar.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Input / output pr. 1M	$0,50 / $2,00	$0,50 / $2,00
Vægtpræcision	8-bit	3-bit + ekspertbeskæring
Grundmodellens størrelse	Kompakt, tæt	Stor, sparsom MoE
Vision	Ja	Ja
Kontekstvindue	262.144	262.144
Skema · værktøjer · streaming	Ja	Ja

Vælg MiMo-V2.5, når billedet er den svære del: tæt OCR på ufuldkomne scanninger, taludtræk fra diagrammer og tabeller, forankring i skærmbilleder og brugerflader, læsning af små skrifttyper, at kende næsten identiske produktfotos fra hinanden — alt, hvor et ombyttet ciffer er en defekt frem for en kosmetisk skønhedsfejl. Du vil have den vej fra pixels til tokens, der har højest trofasthed, og 8-bit vægte er måden, du får den på til denne pris.

Vælg MiniMax-M3, når billedet er den lette del. En stor sparsom grundmodel komprimeret til 3 bit rummer stadig mere verdensviden og bredere ræsonnement, end en kompakt tæt model kan, selv efter beskæring. Hvis opgaven er »se på dette foto og ræsonner i længden om, hvad det indebærer«, eller billedet er ét input i en samtale, der mest er tekst, er den større grundmodel det bedre instrument — den visuelle skarphed, du byttede væk, var ikke den bindende begrænsning.

06MiMo-V2.5 mod MiMo-V2.5-Pro: søskendemodellen, der byttede øjne for dybde

Det er den sammenligning, der giver flest supportsager, så det er værd at være direkte. MiMo-V2.5-Pro-W8A16 og MiMo-V2.5-W8A16 deler pris, kontekstvindue, præcisionsniveau og familienavn. Pro tager ikke imod billeder. Den er ikke en overmængde. Den er en anden fordeling af det samme budget.

At servere en multimodal model betyder at betale for et vision-tårn og en projektor ved siden af dekoderen — ved et fast omkostningsmål er det kapacitet, der ikke bruges på selve sprogmodellen. Pro bruger det hele på tekst: en større grundmodel med mere luft til lang skrivning, udvidet ræsonnement og kode. MiMo-V2.5 bruger en del af det på at se.

Så beslutningsreglen handler om dine input, ikke om dine ambitioner. Hvis en forespørgsel kan indeholde et skærmbillede, en scannet side, et diagram, en tegning eller et fotografi, har du brug for MiMo-V2.5 — Pro vil afvise indholdsblokken. Hvis hver eneste forespørgsel er tekst, og du greb ud efter vision-modellen af vane, efterlader du grundmodelkvalitet på bordet uden at få noget for det: tag MiMo-V2.5-Pro til den identiske takst.

Et mønster, der er værd at stjæle: rut efter indholdstype. Alt med en billeddel går til MiMo-V2.5-W8A16, alt andet til MiMo-V2.5-Pro-W8A16. Samme familie, samme pris, samme kontekstbudget — routeren er triviel, og der er ingen omkostningsmodel at afstemme.

07Hvad »ucensureret billedforståelse« faktisk betyder

Der er intet afvisningslag foran denne model og intet indholdsfilter på dens output. Det er en produktbeslutning med en bestemt konsekvens for vision-arbejde: modellen beskriver, hvad der er i billedet, i stedet for at afvise ud fra emnet.

Det betyder noget, fordi filtrerede vision-API'er strukturelt er uegnede til en hel kategori af legitimt arbejde. En modereringspipeline er nødt til at se på det materiale, den modererer, og sige, hvad det er; en klassifikator, der nægter at undersøge det, den klassificerer, er ikke en klassifikator. Det samme gælder på tværs af en lang liste af virkelige opgaver:

• Værktøjer til trust and safety — at mærke netop de billeder op, som et mainstream-API ikke vil behandle, altså de billeder, der mest af alt har brug for at blive mærket op.
• Medicinske, retstekniske og ulykkesrelaterede billeder — klinisk fotografi, skadesfotografi og gerningsstedsfotografi, som generiske filtre afviser som grafiske, uanset hvem der spørger.
• Sikkerhedsforskning — at læse phishing-sider, ondsindede grænseflader og opfangede skærmbilleder, uden at modellen stejler over præmissen.
• Klassifikation af voksenindhold og arkivkatalogisering — pipelines, der findes for at identificere materiale og ikke kan udlicitere det at kigge, plus historiske samlinger, som filtre behandler som umulige at mærke op.

At fjerne afvisningslaget fjerner en teknisk forhindring, ikke en juridisk. Shannon AI drives af Shannon Lab LLC i New Mexico, USA, og brugen af API'et er underlagt vores politik for ansvarlig brug. Ufiltreret output er en evne, ikke en tilladelsesseddel.

08Sådan kalder du den: endepunkter, billedinput og hvor den passer ind

Modellen hedder MiMo-V2.5-W8A16 og kan nås på tre forespørgselsdialekter mod de samme vægte, så du beholder det SDK, du allerede har:

• /v1/chat/completions — OpenAI-kompatibel. Billeder sendes ind som image_url-indholdsdele, enten som en https-URL eller som en base64-data-URI.
• /v1/messages — Anthropic-kompatibel. Billeder sendes ind som image-indholdsblokke.
• /v1/responses — dialekten i Responses-stil.

Streaming og tool calling virker på alle tre, så modellen kan se på et skærmbillede og kalde en funktion om det, den så, i én tur. Fulde skemaer for forespørgsel og svar findes i API-dokumentationen, som også rummer en legeplads, du kan indsætte et billede i, før du skriver en eneste linje kode.

MiMo-V2.5 understøtter strikt json_schema og response_format — forskellen mellem en demo og en pipeline. Giv den en kvittering plus et skema med typede felter for leverandør, dato, varelinjer og total, og du får et objekt tilbage, som din kode kan validere, frem for et afsnit, du skal køre regulære udtryk på. To af de tolv modeller i dette katalog mangler fuld understøttelse af struktureret output; det gør denne ikke, og det er derfor, den fungerer som en udtrækstjeneste i stor mængde.

Kontekstvinduet er 262.144 tokens; genereret output er begrænset til 16.384 tokens pr. forespørgsel. Billeder bruger input-tokens som en funktion af opløsningen, så sidescanninger i høj opløsning æder kontekst langt hurtigere end et tilsvarende antal ord tekst. Del lange dokumenter op i sider frem for at indlæse en scanning på 300 sider i én forespørgsel, og behandl outputloftet som en reel begrænsning på udtømmende udtræk — opdel tætte tabeller efter rækkeinterval i stedet for at få et afkortet svar.

reasoning_effort-drejeknappen har reel virkning her i lyset af familiens stamtavle. Skru ned for klassifikation i stor mængde, hvor svaret er et mærkat, og tænketokens er ren omkostning; skru op til fortolkning af diagrammer, visuel matematik og ræsonnement over tegninger, hvor modellen skal kombinere flere ting, den ser, før den kan svare.

Hvor den passer ind, og hvor den ikke gør

Gode match. Udtræk fra dokumenter og kvitteringer i stor mængde; OCR-nært arbejde på ufuldkomne scanninger; læsning af diagrammer, dashboards og tabeller; forståelse af skærmbilleder og forankring i brugerflader; katalogmærkning og visuel QA; modereringspipelines — enhver multimodal opgave, hvor omkostningen pr. kald er bindende, og hvor præcision i de fine detaljer er det, du nægter at give afkald på.

Dårlige match. Multimodalt ræsonnement på frontniveau, der kræver den stærkeste model uanset prisen — det er Kimi-K3's opgave, og den koster næsten ti gange så meget af en grund. Generering af ren tekst, hvor MiMo-V2.5-Pro giver en bedre grundmodel til samme takst. Arbejde, der læner sig op ad encyklopædisk verdensviden, hvor en stor sparsom grundmodel løber fra en kompakt tæt en. Og alt, der kræver mere end 262K kontekst, hvilket ingen model her tilbyder.

09Ofte stillede spørgsmål

---

Kilder: Teknisk MiMo-rapport (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Alle benchmarktal er rapporteret af Xiaomi for de udgivne checkpoints, der er nævnt ovenfor, og beskriver familiens slægt, ikke det nøjagtige build på dette endepunkt. Priser, kontekst og evneflag er listeværdier på Shannon AI Gateway, september 2026.