Unzensierte MiMo-Vision-API

Günstige multimodale Endpunkte sind günstig, weil etwas gestrichen wurde, und gestrichen wird meist der Teil, den Sie nicht sehen: Die Gewichte werden auf drei oder vier Bit gequetscht, und das Modell antwortet weiterhin selbstbewusst über ein Diagramm, das es eigentlich nicht mehr lesen kann. MiMo-V2.5 ist das Gegenbeispiel in unserem Katalog — gleichzeitig am Preisboden und auf der höchsten Präzisionsstufe, weil das Fundament, von dem es abstammt, klein und dicht gebaut wurde statt riesig und sparsam.

01Woher MiMo kommt: erst ein Reasoning-Modell, dann ein Vision-Modell

Die MiMo-Linie ist Xiaomis Open-Weights-Forschungsprogramm, und ihr Gründungsargument ist unmodern: Reasoning-Fähigkeit wird im Pretraining festgelegt, nicht nachträglich per RL angeschraubt. Die Arbeit besteht überwiegend aus Datentechnik — Xiaomi baute Textextraktion und Filterung neu, um die Dichte an Reasoning-Mustern im Korpus zu erhöhen, erzeugte synthetische Reasoning-Daten in großem Maßstab und trainierte MiMo-7B-Base auf rund 25 Billionen Token unter einer dreistufigen Mischung vor, mit Multiple-Token Prediction als Hilfsziel, das zur Inferenzzeit zugleich als spekulativer Decoder dient (Akzeptanzrate nahe 90% laut Xiaomi).

Das Posttraining ist bewusst karg: 130.000 Mathematik- und Code-Aufgaben mit ausschließlich regelbasierten Genauigkeitsbelohnungen, kein gelerntes Belohnungsmodell — mit der Begründung, ein neuronales Belohnungsmodell sei eine Angriffsfläche. Verifizierbare Belohnungen lassen sich nicht beschwatzen. MiMo-7B-RL erzielt Werte, die in keinem Verhältnis zu seiner Größe stehen — Xiaomi berichtet 68,2% auf AIME 2024, 95,8% auf MATH-500, 57,8% auf LiveCodeBench v5 bei pass@1, gleichauf mit OpenAIs o1-mini. Das ist die Form des Modells, das Sie aufrufen: kompakt, dicht trainiert, darauf abgestimmt, ein Problem durchzuarbeiten statt eine Antwort abzurufen — und dieses Temperament überlebt in den multimodalen Nachfahren.

02Wie MiMo sehen lernte: die MiMo-VL-Architektur

MiMo-VL ist der Vision-Language-Zweig, und seine Konstruktion ist lehrreich. Xiaomi setzte drei Teile zusammen: einen ViT-Encoder in nativer Auflösung, der feine Details bewahrt, statt jedes Bild durch ein festes, niedrig aufgelöstes Raster zu zwingen, einen zufällig initialisierten MLP-Projektor in den latenten Raum des Sprachmodells und — entscheidend — das MiMo-Reasoning-Rückgrat als Sprachmodell. Das Vision-System erbt einen Decoder, der bereits gut im mehrstufigen Denken ist, statt eines, der nur gut im Bildunterschriften-Schreiben ist.

Das Training lief in vier Pretraining-Stufen — Projektor-Warmup, Vision-Language-Alignment, allgemeines multimodales Pretraining, Long-Context-SFT — über rund 2,4 Billionen Token, dann Mixed On-policy Reinforcement Learning (MORL), das Wahrnehmungsgenauigkeit, Präzision beim visuellen Grounding, Korrektheit des Reasonings sowie Mensch-/KI-Präferenz in eine On-Policy-Schleife faltet. Der Bericht sagt offen, dass die gleichzeitige Optimierung all dessen instabil ist — eine ehrlichere Darstellung, als sie die meisten multimodalen Arbeiten bieten.

Die veröffentlichten Ergebnisse sind für die Parameterzahl stark. Xiaomi berichtet, dass MiMo-VL-7B-RL Qwen2.5-VL-7B in 35 von 40 Aufgaben schlägt, 59.4 auf OlympiadBench erreicht (über Modellen bis 78B) und 56.1 auf OSWorld-G beim GUI-Grounding, vor eigens dafür gebauten Interface-Agenten. Die spätere Auffrischung 2508 hob MMMU erstmals in der Serie über 70 (70,6), erreichte 94.4 auf ChartQA, 92.5 auf ScreenSpot-v2 und 70.8 auf VideoMME und ergänzte einen Denk-Schalter, mit dem sich Reasoning-Spuren pro Anfrage abschalten lassen.

03Was W8A16 bedeutet und warum es für Vision mehr zählt als für Text

Jedes Modell auf dem Gateway trägt ein Quantisierungssuffix. Es ist keine Dekoration — es sagt Ihnen, was eingetauscht wurde, um das Modell auslieferbar zu machen.

Suffix	Was es ist	Warum es eingesetzt wird
3BIT-REAP	3-Bit-Gewichte plus REAP, ein Experten-Pruning-Verfahren, das selten geroutete Experten aus einem MoE-Modell vor der Quantisierung entfernt	Der einzige Weg, die allergrößten Fundamente in vernünftiger Geschwindigkeit unterzubringen und zu betreiben
W4A16-AUTOROUND-REAP	4-Bit-Gewichte, 16-Bit-Aktivierungen, quantisiert mit AutoRound — gelerntes Runden, das gegenüber naivem Runden auf den nächsten Wert Genauigkeit zurückholt — plus REAP-Pruning	Mittelweg für große Fundamente, die keine extreme Kompression brauchen
W8A16	8-Bit-Gewichte, 16-Bit-Aktivierungen — die genaueste Stufe, die wir ausliefern	Eingesetzt dort, wo das Fundament klein genug ist, dass aggressive Kompression unnötig ist

MiMo-V2.5 verdient sich die dritte Zeile durch Kompaktheit: Ein dichtes Fundament dieser Klasse muss nicht auf drei Bit gepresst werden, um zu passen, also kann man sich acht leisten, und die Gewichte, aus denen Sie ziehen, bleiben nah an denen, die trainiert wurden. Für Bildarbeit zählt das überproportional, aus einem strukturellen Grund. In einem reinen Text-Decoder wird ein unter Quantisierung driftendes Embedding von Dutzenden späterer Attention-Schichten neu kontextualisiert — viele Gelegenheiten zur Erholung. Ein Vision-Stack hat diesen Spielraum nicht: Visuelle Information passiert einen einzigen Encoder und einen einzigen schmalen Projektor, bevor sie den Decoder erreicht, und alles danach ist auf das konditioniert, was dieser Engpass hervorgebracht hat. Feinkörniges Signal — 3 gegen 8 in einem kontrastarmen Scan, das exakte Pixel, an dem ein Balken an der Diagrammachse endet, die Kante eines UI-Elements, das Sie anklicken sollen — steckt in den betragskleinen Gewichtsdetails, die aggressive Quantisierung zuerst verwirft.

Ein 3-Bit-Vision-Modell scheitert nicht laut; es scheitert leise und produziert eine flüssige Beschreibung eines Dokuments, in dem in der Endsumme zwei Ziffern vertauscht sind. Höhere Gewichtspräzision ist die günstigste Versicherung dagegen, und hier ist sie umsonst — den Basispreis zahlen Sie ohnehin.

04Der Basispreis im Kontext

Vier Modelle in unserem Katalog aus zwölf liegen am Preisboden von $0.50 Eingabe / $2.00 Ausgabe pro Million Token. Nur eines davon nimmt Bilder an. So liegen die vision-fähigen Modelle bei den Ausgabekosten — der Zahl, die die meisten realen Rechnungen dominiert:

Ausgabepreis in USD pro 1M Token, Listenpreise des Shannon-AI-Gateways, September 2026. Die Balkenlänge ist relativ zum teuersten Vision-Modell im Katalog.

Gegenüber Kimi-K3 — dem Spitzen-Vision-Modell und tatsächlich dem stärkeren — ist MiMo-V2.5 rund 9,6× günstiger bei der Ausgabe und 7,7× günstiger bei der Eingabe. Das ist keine Gleichwertigkeitsbehauptung, sondern ein Argument über die Form der Last. Bei hunderttausend Bildern im Monat ist das Spitzenmodell nicht bezahlbar und das Bodenmodell schon, und die ehrliche Frage lautet, ob das Bodenmodell Ihre Genauigkeitsschwelle nimmt — nicht, ob es einen Benchmark gewinnt.

05MiMo-V2.5 vs. MiniMax-M3: die beiden günstigen Vision-Modelle, ehrlich verglichen

Diese beiden liegen bei Preis, Kontext und Endpunkt-Oberfläche exakt gleichauf. Austauschbar sind sie nicht: Die Quantisierungsstufe steht stellvertretend für zwei verschiedene Wetten darauf, was ein Vision-Modell nützlich macht.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Eingabe / Ausgabe pro 1M	$0.50 / $2.00	$0.50 / $2.00
Gewichtspräzision	8 Bit	3 Bit + Experten-Pruning
Größe des Fundaments	Kompakt, dicht	Groß, sparsames MoE
Vision	Ja	Ja
Kontextfenster	262.144	262.144
Schema · Tools · Streaming	Ja	Ja

Nehmen Sie MiMo-V2.5, wenn das Bild der schwierige Teil ist: dichte OCR auf unsauberen Scans, Zahlenextraktion aus Diagrammen und Tabellen, Screenshot- und UI-Grounding, Lesen von Kleinschrift, das Auseinanderhalten fast identischer Produktfotos — alles, wo eine vertauschte Ziffer ein Defekt und kein Schönheitsfehler ist. Sie wollen den präzisesten Pfad von Pixeln zu Token, und 8-Bit-Gewichte sind, wie Sie ihn zu diesem Preis bekommen.

Nehmen Sie MiniMax-M3, wenn das Bild der einfache Teil ist. Ein großes sparsames Fundament, auf 3 Bit komprimiert, trägt selbst nach dem Pruning mehr Weltwissen und Denk-Breite, als ein kompaktes dichtes Modell kann. Lautet die Aufgabe „sieh dir dieses Foto an und überlege ausführlich, was daraus folgt“, oder ist das Bild eine Eingabe in einem überwiegend textlichen Gespräch, ist das größere Fundament das bessere Instrument — die visuelle Schärfe, die Sie eingetauscht haben, war nicht die bindende Beschränkung.

06MiMo-V2.5 vs. MiMo-V2.5-Pro: das Geschwistermodell, das Augen gegen Tiefe tauschte

Dieser Vergleich erzeugt die meisten Support-Tickets, deshalb lohnt Deutlichkeit. MiMo-V2.5-Pro-W8A16 und MiMo-V2.5-W8A16 teilen Preis, Kontextfenster, Präzisionsstufe und Familiennamen. Pro nimmt keine Bilder an. Es ist keine Obermenge. Es ist eine andere Verteilung desselben Budgets.

Ein multimodales Modell auszuliefern heißt, neben dem Decoder auch einen Vision-Tower und einen Projektor zu bezahlen — bei fester Kostenvorgabe also Kapazität, die nicht ins Sprachmodell selbst fließt. Pro steckt alles in Text: ein größeres Fundament mit mehr Luft für lange Texte, ausgedehntes Reasoning und Code. MiMo-V2.5 steckt einen Teil ins Sehen.

Die Entscheidungsregel betrifft also Ihre Eingaben, nicht Ihre Ambitionen. Kann eine Anfrage einen Screenshot, eine gescannte Seite, ein Diagramm, eine Zeichnung oder ein Foto enthalten, brauchen Sie MiMo-V2.5 — Pro weist den Inhaltsblock zurück. Ist jede Anfrage Text und Sie haben aus Gewohnheit zum Vision-Modell gegriffen, verschenken Sie Fundamentqualität für nichts: Nehmen Sie MiMo-V2.5-Pro zum identischen Tarif.

Ein Muster, das sich zu übernehmen lohnt: Routen Sie nach Inhaltstyp. Alles mit einem Bildteil geht an MiMo-V2.5-W8A16, alles andere an MiMo-V2.5-Pro-W8A16. Gleiche Familie, gleicher Preis, gleiches Kontextbudget — der Router ist trivial, und es gibt kein Kostenmodell abzugleichen.

07Was „unzensiertes Bildverständnis“ tatsächlich heißt

Vor diesem Modell steht keine Ablehnungsschicht, und auf seiner Ausgabe liegt kein Inhaltsfilter. Das ist eine Produktentscheidung mit einer konkreten Folge für Vision-Arbeit: Das Modell beschreibt, was im Bild ist, statt aufgrund des Themas abzulehnen.

Das zählt, weil gefilterte Vision-APIs für eine ganze Kategorie legitimer Arbeit strukturell ungeeignet sind. Eine Moderationspipeline muss das Material ansehen, das sie moderiert, und sagen, was es ist; ein Klassifikator, der sich weigert, das zu betrachten, was er klassifiziert, ist kein Klassifikator. Dasselbe gilt für eine lange Liste realer Aufgaben:

• Trust-and-Safety-Werkzeuge — das Labeln genau jener Bilder, die eine Mainstream-API nicht verarbeitet, und das sind die Bilder, die Labeln am nötigsten haben.
• Medizinische, forensische und Unfallbilder — klinische Aufnahmen, Verletzungs- und Tatortfotografie, die generische Filter als drastisch zurückweisen, gleich wer fragt.
• Sicherheitsforschung — das Lesen von Phishing-Seiten, bösartigen Oberflächen und aufgezeichneten Bildschirmen, ohne dass das Modell an der Prämisse scheut.
• Klassifikation von Erwachseneninhalten und Archivkatalogisierung — Pipelines, die existieren, um Material zu identifizieren, und das Hinsehen nicht auslagern können, dazu historische Sammlungen, die Filter für nicht labelbar halten.

Das Entfernen der Ablehnungsschicht beseitigt eine technische Hürde, keine rechtliche. Shannon AI wird von der Shannon Lab LLC in New Mexico, USA, betrieben, und die Nutzung der API unterliegt unserer Richtlinie zur verantwortungsvollen Nutzung. Ungefilterte Ausgabe ist eine Fähigkeit, kein Freibrief.

08Der Aufruf: Endpunkte, Bildeingabe und wo es hineinpasst

Das Modell heißt MiMo-V2.5-W8A16 und ist über drei Anfrage-Dialekte gegen dieselben Gewichte erreichbar, sodass Sie das SDK behalten, das Sie schon haben:

• /v1/chat/completions — OpenAI-kompatibel. Bilder gehen als image_url-Inhaltsteile hinein, entweder als https-URL oder als Base64-Data-URI.
• /v1/messages — Anthropic-kompatibel. Bilder gehen als image-Inhaltsblöcke hinein.
• /v1/responses — der Dialekt im Responses-Stil.

Streaming und Tool-Calling funktionieren auf allen dreien, sodass das Modell in einem Zug einen Screenshot ansehen und eine Funktion zum Gesehenen aufrufen kann. Vollständige Anfrage- und Antwortschemata stehen in der API-Dokumentation, die auch einen Playground bereitstellt, in den Sie ein Bild einfügen können, bevor Sie Code schreiben.

MiMo-V2.5 unterstützt striktes json_schema und response_format — der Unterschied zwischen einer Demo und einer Pipeline. Geben Sie ihm einen Beleg plus ein Schema mit typisierten Feldern für Anbieter, Datum, Positionen und Summe, und Sie bekommen ein Objekt zurück, das Ihr Code validieren kann, statt eines Absatzes, den Sie mit Regex zerlegen müssen. Zwei der zwölf Modelle in diesem Katalog haben keine vollständige Unterstützung für strukturierte Ausgabe; dieses schon, und genau deshalb funktioniert es als Extraktionsdienst mit hohem Volumen.

Das Kontextfenster beträgt 262.144 Token; die erzeugte Ausgabe ist auf 16.384 Token pro Anfrage gedeckelt. Bilder verbrauchen Eingabe-Token in Abhängigkeit von der Auflösung, sodass hochaufgelöste Seitenscans den Kontext weit schneller auffressen als eine entsprechende Wortmenge Text. Paginieren Sie lange Dokumente, statt einen 300-seitigen Scan in einer Anfrage zu laden, und behandeln Sie den Ausgabedeckel als reale Schranke für erschöpfende Extraktion — zerlegen Sie dichte Tabellen nach Zeilenbereichen, statt eine abgeschnittene Antwort zu bekommen.

Der reasoning_effort-Regler hat hier angesichts der Herkunft der Familie echte Hebelwirkung. Drehen Sie ihn herunter für Klassifikation in hoher Stückzahl, wo die Antwort ein Label ist und Denk-Token reine Kosten sind; drehen Sie ihn hoch für Diagramminterpretation, visuelle Mathematik und Schaubild-Reasoning, wo das Modell mehrere gesehene Dinge kombinieren muss, bevor es antworten kann.

Wo es passt und wo nicht

Gute Passungen. Dokument- und Belegextraktion in hoher Stückzahl; OCR-nahe Arbeit auf unsauberen Scans; Lesen von Diagrammen, Dashboards und Tabellen; Screenshot-Verständnis und UI-Grounding; Katalog-Tagging und visuelle Fragen; Moderationspipelines — jede multimodale Aufgabe, bei der die Kosten pro Aufruf binden und Detailgenauigkeit das ist, worauf Sie nicht verzichten wollen.

Schlechte Passungen. Multimodales Reasoning auf Frontier-Niveau, das unabhängig vom Preis das stärkste Modell braucht — Kimi-K3s Aufgabe, und es kostet nicht ohne Grund fast das Zehnfache. Reine Textgenerierung, wo MiMo-V2.5-Pro zum gleichen Tarif ein besseres Fundament liefert. Arbeit, die auf enzyklopädischem Weltwissen fußt, wo ein großes sparsames Fundament ein kompaktes dichtes überholt. Und alles, was mehr als 262K Kontext braucht, was hier kein Modell bietet.

09Häufig gestellte Fragen

---

Quellen: Technischer MiMo-Bericht (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Alle Benchmark-Zahlen sind von Xiaomi für die oben genannten freigegebenen Checkpoints berichtet und beschreiben die Familienlinie, nicht den exakten Build auf diesem Endpunkt. Preise, Kontext und Fähigkeitsmerkmale sind Listenwerte des Shannon-AI-Gateways, September 2026.