API όρασης MiMo χωρίς λογοκρισία

Τα φθηνά πολυτροπικά endpoints είναι φθηνά επειδή κάτι κόπηκε, και αυτό που κόβεται είναι συνήθως το κομμάτι που δεν βλέπεις: τα βάρη στριμώχνονται στα τρία ή τέσσερα bit, και το μοντέλο εξακολουθεί να απαντά με σιγουριά για ένα διάγραμμα που πια δεν μπορεί πραγματικά να διαβάσει. Το MiMo-V2.5 είναι το αντιπαράδειγμα του καταλόγου μας — στην τιμή βάσης και στην κορυφαία βαθμίδα ακρίβειας ταυτόχρονα, επειδή το θεμέλιο από το οποίο κατάγεται χτίστηκε μικρό και πυκνό αντί για τεράστιο και αραιό.

01Από πού έρχεται το MiMo: πρώτα μοντέλο συλλογιστικής, μετά μοντέλο όρασης

Η σειρά MiMo είναι το ερευνητικό πρόγραμμα ανοιχτών βαρών της Xiaomi, και το ιδρυτικό της επιχείρημα είναι εκτός μόδας: η ικανότητα συλλογιστικής καθορίζεται κατά την προεκπαίδευση, δεν βιδώνεται μετά με ενισχυτική μάθηση. Η δουλειά είναι κυρίως μηχανική δεδομένων — η Xiaomi ξαναέχτισε την εξαγωγή και το φιλτράρισμα κειμένου για να ανεβάσει την πυκνότητα μοτίβων συλλογιστικής στο σώμα κειμένων, παρήγαγε συνθετικά δεδομένα συλλογιστικής σε κλίμακα, και προεκπαίδευσε το MiMo-7B-Base σε περίπου 25 τρισεκατομμύρια tokens με μείγμα τριών σταδίων, με τη Multiple-Token Prediction ως βοηθητικό στόχο που λειτουργεί κατά την εξαγωγή συμπερασμάτων και ως κερδοσκοπικός αποκωδικοποιητής (ποσοστό αποδοχής κοντά στο 90%, κατά τη Xiaomi).

Η μετεκπαίδευση είναι σκόπιμα λιτή: 130.000 προβλήματα μαθηματικών και κώδικα με ανταμοιβές ακρίβειας βασισμένες μόνο σε κανόνες, χωρίς μαθημένο μοντέλο ανταμοιβής, με το σκεπτικό ότι ένα νευρωνικό μοντέλο ανταμοιβής είναι μια επιφάνεια που θα χακαριστεί. Τις επαληθεύσιμες ανταμοιβές δεν τις καταφέρνεις με γλυκόλογα. Το MiMo-7B-RL βγάζει νούμερα δυσανάλογα του μεγέθους του — η Xiaomi αναφέρει 68.2% στο AIME 2024, 95.8% στο MATH-500, 57.8% στο LiveCodeBench v5 σε pass@1, ισοφαρίζοντας το o1-mini της OpenAI. Αυτό είναι το σχήμα του μοντέλου που καλείς: συμπαγές, πυκνά εκπαιδευμένο, ρυθμισμένο να δουλεύει ένα πρόβλημα αντί να ανακαλεί μια απάντηση — και αυτή η ιδιοσυγκρασία επιβιώνει στους πολυτροπικούς απογόνους.

02Πώς έμαθε το MiMo να βλέπει: η αρχιτεκτονική MiMo-VL

Το MiMo-VL είναι ο κλάδος όρασης-γλώσσας, και η κατασκευή του είναι διδακτική. Η Xiaomi συναρμολόγησε τρία μέρη: έναν κωδικοποιητή ViT εγγενούς ανάλυσης που διατηρεί τη λεπτή λεπτομέρεια αντί να περνά κάθε εικόνα από ένα σταθερό πλέγμα χαμηλής ανάλυσης, έναν τυχαία αρχικοποιημένο προβολέα MLP προς τον λανθάνοντα χώρο του γλωσσικού μοντέλου, και — κρίσιμα — τη ραχοκοκαλιά συλλογιστικής MiMo ως γλωσσικό μοντέλο. Το σύστημα όρασης κληρονομεί έναν αποκωδικοποιητή που είναι ήδη καλός στη σκέψη πολλών βημάτων, αντί για έναν απλώς καλό στις λεζάντες.

Η εκπαίδευση έτρεξε σε τέσσερα στάδια προεκπαίδευσης — προθέρμανση του προβολέα, ευθυγράμμιση όρασης-γλώσσας, γενική πολυτροπική προεκπαίδευση, εποπτευόμενη λεπτορρύθμιση μακρού context — σε περίπου 2,4 τρισεκατομμύρια tokens, και μετά Mixed On-policy Reinforcement Learning (MORL), διπλώνοντας την ακρίβεια αντίληψης, την ακρίβεια οπτικής θεμελίωσης, την ορθότητα συλλογιστικής και την ανθρώπινη/AI προτίμηση σε έναν ενιαίο on-policy βρόχο. Η αναφορά παραδέχεται ανοιχτά ότι η ταυτόχρονη βελτιστοποίηση όλων αυτών είναι ασταθής — μια πιο ειλικρινής διατύπωση απ' ό,τι προσφέρουν οι περισσότερες πολυτροπικές εργασίες.

Τα δημοσιευμένα αποτελέσματα είναι ισχυρά για το πλήθος παραμέτρων. Η Xiaomi αναφέρει ότι το MiMo-VL-7B-RL νικά το Qwen2.5-VL-7B σε 35 από 40 εργασίες, 59.4 στο OlympiadBench (πάνω από μοντέλα έως 78B) και 56.1 στο OSWorld-G για θεμελίωση σε GUI, μπροστά από πράκτορες φτιαγμένους ειδικά για διεπαφές. Η μεταγενέστερη ανανέωση 2508 έσπρωξε το MMMU πάνω από το 70 για πρώτη φορά στη σειρά (70.6), έφτασε 94.4 στο ChartQA, 92.5 στο ScreenSpot-v2 και 70.8 στο VideoMME, και πρόσθεσε διακόπτη ελέγχου σκέψης ώστε τα ίχνη συλλογιστικής να μπορούν να απενεργοποιούνται ανά αίτημα.

03Τι σημαίνει W8A16 και γιατί μετράει περισσότερο για την όραση παρά για το κείμενο

Κάθε μοντέλο στο gateway κουβαλά μια κατάληξη κβαντισμού. Δεν είναι διακόσμηση — σου λέει τι ανταλλάχθηκε για να γίνει το μοντέλο σερβιριζόμενο.

Κατάληξη	Τι είναι	Γιατί χρησιμοποιείται
3BIT-REAP	Βάρη 3 bit συν REAP, μια μέθοδο κλαδέματος ειδικών που ρίχνει τους σπάνια δρομολογημένους ειδικούς από ένα μοντέλο MoE πριν τον κβαντισμό	Ο μόνος τρόπος να χωρέσουν και να σερβιριστούν τα πολύ μεγαλύτερα θεμέλια με λογική ταχύτητα
W4A16-AUTOROUND-REAP	Βάρη 4 bit, ενεργοποιήσεις 16 bit, κβαντισμένα με AutoRound — μαθημένη στρογγυλοποίηση που ανακτά ακρίβεια έναντι της αφελούς στρογγυλοποίησης στο πλησιέστερο — συν κλάδεμα REAP	Μέση λύση για μεγάλα θεμέλια που δεν χρειάζονται ακραία συμπίεση
W8A16	Βάρη 8 bit, ενεργοποιήσεις 16 bit — η βαθμίδα υψηλότερης πιστότητας που σερβίρουμε	Χρησιμοποιείται όπου το θεμέλιο είναι αρκετά μικρό ώστε η επιθετική συμπίεση να είναι περιττή

Το MiMo-V2.5 κερδίζει την τρίτη γραμμή επειδή είναι συμπαγές: ένα πυκνό θεμέλιο αυτής της κατηγορίας δεν χρειάζεται σύνθλιψη στα τρία bit για να χωρέσει, οπότε μπορείς να αντέξεις να κρατήσεις οκτώ, και τα βάρη από τα οποία δειγματοληπτείς μένουν κοντά σε αυτά που εκπαιδεύτηκαν. Αυτό μετράει δυσανάλογα για τη δουλειά με εικόνα, για δομικό λόγο. Σε έναν αποκωδικοποιητή μόνο κειμένου, μια ενσωμάτωση που παρεκκλίνει υπό τον κβαντισμό ξαναμπαίνει σε πλαίσιο από δεκάδες μεταγενέστερα στρώματα προσοχής — πολλές ευκαιρίες ανάκαμψης. Μια στοίβα όρασης δεν έχει τέτοιο περιθώριο: η οπτική πληροφορία περνά από έναν μόνο κωδικοποιητή και έναν μόνο στενό προβολέα πριν φτάσει στον αποκωδικοποιητή, και όλα τα επόμενα εξαρτώνται από ό,τι παρήγαγε αυτό το στενό πέρασμα. Το λεπτόκοκκο σήμα — το 3 έναντι του 8 σε μια σάρωση χαμηλής αντίθεσης, το ακριβές pixel όπου τελειώνει μια μπάρα σε έναν άξονα διαγράμματος, το όριο ενός στοιχείου UI που σου ζητούν να πατήσεις — ζει στη λεπτομέρεια βαρών μικρού μεγέθους που ο επιθετικός κβαντισμός πετάει πρώτη.

Ένα μοντέλο όρασης 3 bit δεν αποτυγχάνει θορυβωδώς· αποτυγχάνει αθόρυβα, παράγοντας μια ρέουσα περιγραφή ενός εγγράφου με δύο ψηφία αντεστραμμένα στο σύνολο. Η υψηλότερη ακρίβεια βαρών είναι η φθηνότερη ασφάλεια απέναντι σε αυτή την αποτυχία, και εδώ είναι δωρεάν — πληρώνεις την τιμή βάσης έτσι κι αλλιώς.

04Η τιμή βάσης, σε πλαίσιο

Τέσσερα μοντέλα στον δωδεκαμελή κατάλογό μας κάθονται στην τιμή βάσης των $0.50 εισόδου / $2.00 εξόδου ανά εκατομμύριο tokens. Μόνο ένα από αυτά δέχεται εικόνες. Να πού προσγειώνονται τα μοντέλα με δυνατότητα όρασης στο κόστος εξόδου, το νούμερο που κυριαρχεί στους περισσότερους πραγματικούς λογαριασμούς:

Τιμή εξόδου σε USD ανά 1M tokens, τιμοκατάλογος Shannon AI Gateway, Σεπτέμβριος 2026. Το μήκος της μπάρας είναι σχετικό ως προς το ακριβότερο μοντέλο όρασης του καταλόγου.

Απέναντι στο Kimi-K3 — το κορυφαίο μοντέλο όρασης, και γνήσια ισχυρότερο — το MiMo-V2.5 είναι περίπου 9,6× φθηνότερο στην έξοδο και 7,7× φθηνότερο στην είσοδο. Αυτό δεν είναι ισχυρισμός ισοδυναμίας· είναι επιχείρημα για το σχήμα του φόρτου. Στις εκατό χιλιάδες εικόνες τον μήνα, το κορυφαίο μοντέλο δεν είναι προσιτό και το μοντέλο βάσης είναι, και η ειλικρινής ερώτηση είναι αν το μοντέλο βάσης περνά τον δικό σου πήχη ακρίβειας — όχι αν κερδίζει ένα benchmark.

05MiMo-V2.5 έναντι MiniMax-M3: τα δύο φθηνά μοντέλα όρασης, με ειλικρίνεια

Αυτά τα δύο ισοβαθμούν ακριβώς σε τιμή, context και επιφάνεια endpoint. Δεν είναι εναλλάξιμα: η βαθμίδα κβαντισμού είναι δείκτης για δύο διαφορετικά στοιχήματα σχετικά με το τι κάνει χρήσιμο ένα μοντέλο όρασης.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Είσοδος / έξοδος ανά 1M	$0.50 / $2.00	$0.50 / $2.00
Ακρίβεια βαρών	8 bit	3 bit + κλάδεμα ειδικών
Μέγεθος θεμελίου	Συμπαγές, πυκνό	Μεγάλο, αραιό MoE
Όραση	Ναι	Ναι
Παράθυρο context	262,144	262,144
Σχήμα · εργαλεία · streaming	Ναι	Ναι

Διάλεξε MiMo-V2.5 όταν η εικόνα είναι το δύσκολο κομμάτι: πυκνό OCR σε ατελείς σαρώσεις, εξαγωγή αριθμών από διαγράμματα και πίνακες, θεμελίωση σε screenshot και UI, ανάγνωση μικρών γραμμάτων, ξεχώρισμα σχεδόν πανομοιότυπων φωτογραφιών προϊόντων — οτιδήποτε όπου ένα αντεστραμμένο ψηφίο είναι ελάττωμα και όχι καλλωπιστική ατέλεια. Θέλεις το μονοπάτι υψηλότερης πιστότητας από τα pixel στα tokens, και τα βάρη 8 bit είναι ο τρόπος να το πάρεις σε αυτή την τιμή.

Διάλεξε MiniMax-M3 όταν η εικόνα είναι το εύκολο κομμάτι. Ένα μεγάλο αραιό θεμέλιο συμπιεσμένο στα 3 bit εξακολουθεί να κρατά περισσότερη γνώση του κόσμου και εύρος συλλογιστικής απ' ό,τι μπορεί ένα συμπαγές πυκνό μοντέλο, ακόμα και μετά το κλάδεμα. Αν η εργασία είναι «κοίτα αυτή τη φωτογραφία και συλλογίσου εκτενώς τι υπονοεί», ή αν η εικόνα είναι μία είσοδος σε μια κυρίως κειμενική συνομιλία, το μεγαλύτερο θεμέλιο είναι το καλύτερο όργανο — η οπτική οξύτητα που αντάλλαξες δεν ήταν ο δεσμευτικός περιορισμός.

06MiMo-V2.5 έναντι MiMo-V2.5-Pro: το αδελφό μοντέλο που αντάλλαξε τα μάτια με βάθος

Αυτή είναι η σύγκριση που γεννά τα περισσότερα αιτήματα υποστήριξης, οπότε αξίζει να είμαστε ωμοί. Τα MiMo-V2.5-Pro-W8A16 και MiMo-V2.5-W8A16 μοιράζονται τιμή, παράθυρο context, βαθμίδα ακρίβειας και οικογενειακό όνομα. Το Pro δεν δέχεται εικόνες. Δεν είναι υπερσύνολο. Είναι διαφορετική κατανομή του ίδιου προϋπολογισμού.

Το να σερβίρεις ένα πολυτροπικό μοντέλο σημαίνει να πληρώνεις για έναν πύργο όρασης και έναν προβολέα δίπλα στον αποκωδικοποιητή — με σταθερό στόχο κόστους, χωρητικότητα που δεν ξοδεύεται στο ίδιο το γλωσσικό μοντέλο. Το Pro την ξοδεύει όλη σε κείμενο: ένα μεγαλύτερο θεμέλιο με περισσότερο περιθώριο για μακρά συγγραφή, εκτεταμένη συλλογιστική και κώδικα. Το MiMo-V2.5 ξοδεύει ένα μέρος της στην όραση.

Άρα ο κανόνας απόφασης αφορά τις εισόδους σου, όχι τις φιλοδοξίες σου. Αν οποιοδήποτε αίτημα μπορεί να περιέχει screenshot, σαρωμένη σελίδα, διάγραμμα, σχήμα ή φωτογραφία, χρειάζεσαι το MiMo-V2.5 — το Pro θα απορρίψει το block περιεχομένου. Αν κάθε αίτημα είναι κείμενο και έπιασες το μοντέλο όρασης από συνήθεια, αφήνεις ποιότητα θεμελίου στο τραπέζι χωρίς λόγο: πάρε το MiMo-V2.5-Pro στην ίδια ακριβώς τιμή.

Ένα μοτίβο που αξίζει να κλέψεις: δρομολόγησε ανά τύπο περιεχομένου. Οτιδήποτε έχει μέρος εικόνας πάει στο MiMo-V2.5-W8A16, όλα τα υπόλοιπα στο MiMo-V2.5-Pro-W8A16. Ίδια οικογένεια, ίδια τιμή, ίδιος προϋπολογισμός context — ο δρομολογητής είναι τετριμμένος και δεν υπάρχει μοντέλο κόστους να συμφιλιώσεις.

07Τι σημαίνει πραγματικά «κατανόηση εικόνας χωρίς λογοκρισία»

Δεν υπάρχει επίπεδο άρνησης μπροστά από αυτό το μοντέλο ούτε φίλτρο περιεχομένου στην έξοδό του. Αυτή είναι απόφαση προϊόντος με συγκεκριμένη συνέπεια για τη δουλειά με όραση: το μοντέλο περιγράφει τι υπάρχει στο κάδρο αντί να αρνείται με βάση το θέμα.

Αυτό μετράει επειδή τα φιλτραρισμένα API όρασης είναι δομικά ακατάλληλα για μια ολόκληρη κατηγορία νόμιμης δουλειάς. Μια ροή εποπτείας πρέπει να κοιτάξει το υλικό που εποπτεύει και να πει τι είναι· ένας ταξινομητής που αρνείται να εξετάσει αυτό που ταξινομεί δεν είναι ταξινομητής. Το ίδιο ισχύει σε μια μακριά λίστα πραγματικών δουλειών:

• Εργαλεία εμπιστοσύνης και ασφάλειας — ετικετοποίηση ακριβώς εκείνων των εικόνων που ένα mainstream API δεν θα επεξεργαστεί, δηλαδή των εικόνων που χρειάζονται περισσότερο ετικέτα.
• Ιατρικές, εγκληματολογικές και εικόνες ατυχημάτων — κλινική φωτογράφιση, φωτογραφίες τραυματισμών και σκηνών που τα γενικά φίλτρα απορρίπτουν ως ωμές ανεξάρτητα από το ποιος ρωτά.
• Έρευνα ασφάλειας — ανάγνωση σελίδων phishing, κακόβουλων διεπαφών και καταγεγραμμένων οθονών χωρίς το μοντέλο να κωλώνει στην προκείμενη.
• Ταξινόμηση ενήλικου περιεχομένου και αρχειακή καταλογογράφηση — ροές που υπάρχουν για να αναγνωρίζουν υλικό και δεν μπορούν να αναθέσουν αλλού το κοίταγμα, συν ιστορικές συλλογές που τα φίλτρα θεωρούν μη ετικετοποιήσιμες.

Η αφαίρεση του επιπέδου άρνησης αφαιρεί ένα μηχανικό εμπόδιο, όχι ένα νομικό. Το Shannon AI λειτουργεί από τη Shannon Lab LLC στο Νέο Μεξικό των ΗΠΑ, και η χρήση του API διέπεται από την Πολιτική Υπεύθυνης Χρήσης μας. Η αφιλτράριστη έξοδος είναι δυνατότητα, όχι άδεια.

08Πώς το καλείς: endpoints, είσοδος εικόνας και πού ταιριάζει

Το μοντέλο είναι το MiMo-V2.5-W8A16, προσβάσιμο σε τρεις διαλέκτους αιτημάτων πάνω στα ίδια βάρη, οπότε κρατάς όποιο SDK έχεις ήδη:

• /v1/chat/completions — συμβατό με OpenAI. Οι εικόνες μπαίνουν ως μέρη περιεχομένου image_url, είτε ως https URL είτε ως data URI base64.
• /v1/messages — συμβατό με Anthropic. Οι εικόνες μπαίνουν ως blocks περιεχομένου image.
• /v1/responses — η διάλεκτος τύπου Responses.

Το streaming και η κλήση εργαλείων δουλεύουν και στις τρεις, οπότε το μοντέλο μπορεί να κοιτάξει ένα screenshot και να καλέσει μια συνάρτηση για ό,τι είδε μέσα σε έναν γύρο. Πλήρη σχήματα αιτήματος και απόκρισης υπάρχουν στην τεκμηρίωση του API, που φιλοξενεί επίσης ένα playground όπου μπορείς να επικολλήσεις μια εικόνα πριν γράψεις κώδικα.

Το MiMo-V2.5 υποστηρίζει αυστηρό json_schema και response_format — τη διαφορά ανάμεσα σε ένα demo και σε μια ροή παραγωγής. Δώσ' του μια απόδειξη μαζί με ένα σχήμα με τυποποιημένα πεδία για προμηθευτή, ημερομηνία, γραμμές και σύνολο, και παίρνεις πίσω ένα αντικείμενο που ο κώδικάς σου μπορεί να επικυρώσει αντί για μια παράγραφο που πρέπει να περάσεις από regex. Δύο από τα δώδεκα μοντέλα αυτού του καταλόγου δεν έχουν πλήρη υποστήριξη δομημένης εξόδου· αυτό εδώ έχει, και γι' αυτό δουλεύει ως υπηρεσία εξαγωγής μεγάλου όγκου.

Το παράθυρο context είναι 262.144 tokens· η παραγόμενη έξοδος έχει οροφή 16.384 tokens ανά αίτημα. Οι εικόνες καταναλώνουν tokens εισόδου ως συνάρτηση της ανάλυσης, οπότε οι σαρώσεις σελίδων υψηλής ανάλυσης τρώνε context πολύ γρηγορότερα από αντίστοιχο πλήθος λέξεων κειμένου. Σελιδοποίησε τα μακριά έγγραφα αντί να φορτώνεις μια σάρωση 300 σελίδων σε ένα αίτημα, και αντιμετώπισε την οροφή εξόδου ως πραγματικό περιορισμό στην εξαντλητική εξαγωγή — κόψε τους πυκνούς πίνακες σε εύρη γραμμών αντί να πάρεις μια κομμένη απάντηση.

Το κουμπί reasoning_effort έχει πραγματική μόχλευση εδώ, δεδομένης της καταγωγής της οικογένειας. Κατέβασέ το για ταξινόμηση μεγάλου όγκου, όπου η απάντηση είναι μια ετικέτα και τα tokens σκέψης είναι καθαρό κόστος· ανέβασέ το για ερμηνεία διαγραμμάτων, οπτικά μαθηματικά και συλλογιστική πάνω σε σχήματα, όπου το μοντέλο πρέπει να συνδυάσει αρκετά πράγματα που βλέπει πριν μπορέσει να απαντήσει.

Πού ταιριάζει και πού όχι

Καλά ταιριάσματα. Εξαγωγή εγγράφων και αποδείξεων μεγάλου όγκου· δουλειά κοντά στο OCR πάνω σε ατελείς σαρώσεις· ανάγνωση διαγραμμάτων, dashboard και πινάκων· κατανόηση screenshot και θεμελίωση σε UI· ετικετοποίηση καταλόγων και οπτικό QA· ροές εποπτείας — κάθε πολυτροπική εργασία όπου το κόστος ανά κλήση δεσμεύει και η ακρίβεια στη λεπτομέρεια είναι αυτό που αρνείσαι να θυσιάσεις.

Κακά ταιριάσματα. Πολυτροπική συλλογιστική δυσκολίας αιχμής που χρειάζεται το ισχυρότερο μοντέλο ανεξαρτήτως τιμής — δουλειά του Kimi-K3, και κοστίζει σχεδόν δέκα φορές περισσότερο για κάποιο λόγο. Παραγωγή μόνο κειμένου, όπου το MiMo-V2.5-Pro δίνει καλύτερο θεμέλιο στην ίδια τιμή. Δουλειά που στηρίζεται σε εγκυκλοπαιδική γνώση του κόσμου, όπου ένα μεγάλο αραιό θεμέλιο ξεπερνά ένα συμπαγές πυκνό. Και οτιδήποτε χρειάζεται πάνω από 262K context, που κανένα μοντέλο εδώ δεν προσφέρει.

09Συχνές ερωτήσεις

---

Πηγές: Τεχνική αναφορά MiMo (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Όλα τα νούμερα benchmark είναι δηλωμένα από τη Xiaomi για τα checkpoints που κατονομάζονται παραπάνω και περιγράφουν την καταγωγή της οικογένειας, όχι το ακριβές build αυτού του endpoint. Οι τιμές, το context και οι σημαίες δυνατοτήτων είναι τιμές τιμοκαταλόγου του Shannon AI Gateway, Σεπτέμβριος 2026.