Sencenzura vida MiMo API
La sola modelo en nia katalogo, kiu parigas 8-bitan pezan precizecon kun bildkompreno — kaj ĝi kostas ĝuste tion, kion kostas la nur-tekstaj plankaj modeloj: $0.50 enige / $2.00 elige por miliono da ĵetonoj.
Resume
MiMo-V2.5-W8A16 estas la membro kun vido de la paro MiMo sur la Enirejo de Shannon AI, devenanta de la linio MiMo de Xiaomi — rezonad-unua lingvomodelo kun vida turo grefita sur ĝin — kaj servata je W8A16, nia plej altfidela kvantiga nivelo, sur nia propra GPU-aro. Kunteksto de 262,144 ĵetonoj, maksimume 16,384 eligaj ĵetonoj, ilvokado, strikta JSON-skemo, flusendado, kaj agordilo reasoning_effort. Neniu rifuza tavolo, neniu eliga filtrilo. Ĝi egalas MiniMax-M3 pri la plej malmultekosta vido en la listo kaj venkas ĝin pri precizeco.
Malmultekostaj plurmodalaj finpunktoj estas malmultekostaj, ĉar io estis fortranĉita, kaj kio estas fortranĉita, kutime estas la parto, kiun vi ne povas vidi: la pezoj estas premitaj al tri aŭ kvar bitoj, kaj la modelo ankoraŭ respondas memfide pri diagramo, kiun ĝi ne plu povas efektive legi. MiMo-V2.5 estas la kontraŭekzemplo en nia katalogo — samtempe je la preza planko kaj je la plej alta preciziga nivelo, ĉar la fundamento, de kiu ĝi devenas, estis konstruita malgranda kaj densa anstataŭ grandega kaj maldensa.
01De kie MiMo venas: unue rezonada modelo, due vida modelo
La linio MiMo estas la malfermpeza esplorprogramo de Xiaomi, kaj ĝia fonda argumento estas nemoda: la rezonada kapablo estas fiksata dum la antaŭtrejnado, ne alŝraŭbata poste per RL. La laboro estas plejparte datuma inĝenierado — Xiaomi rekonstruis la tekstan ekstraktadon kaj filtradon por levi la densecon de rezonadaj ŝablonoj en la korpuso, generis sintezajn rezonadajn datumojn je skalo, kaj antaŭtrejnis MiMo-7B-Base sur proksimume 25 bilionoj da ĵetonoj sub tristadia miksaĵo, kun plurĵetona antaŭdiro kiel helpa celo, kiu funkcias ankaŭ je la inferenca tempo kiel spekulativa malkodilo (akcepta kvoto proksima al 90%, laŭ Xiaomi).
La posttrejnado estas intence severa: 130,000 matematikaj kaj kodaj problemoj kun nur regul-bazitaj precizecaj rekompencoj, neniu lernita rekompenca modelo, laŭ la rezonado, ke neŭrala rekompenca modelo estas surfaco por esti hakita. Kontroleblajn rekompencojn oni ne povas dolĉparole trompi. MiMo-7B-RL montras ciferojn neproporciajn al sia grando — Xiaomi raportas 68.2% ĉe AIME 2024, 95.8% ĉe MATH-500, 57.8% ĉe LiveCodeBench v5 je pass@1, egale al o1-mini de OpenAI. Jen la formo de la modelo, kiun vi vokas: kompakta, dense trejnita, agordita por tralabori problemon anstataŭ memori respondon — kaj tiu temperamento postvivas en la plurmodalaj posteuloj.
02Kiel MiMo lernis vidi: la arkitekturo MiMo-VL
MiMo-VL estas la vidlingva branĉo, kaj ĝia konstruo estas instrua. Xiaomi kunmetis tri partojn: ViT-kodilon je denaska distingivo, kiu konservas fajnan detalon anstataŭ devigi ĉiun bildon tra fiksita malaltdistingiva krado, hazarde inicialigitan MLP-projekciilon en la latentan spacon de la lingvomodelo, kaj — esence — la rezonadan trunkon de MiMo kiel la lingvomodelon. La vida sistemo heredas malkodilon jam bonan pri plurpaŝa pensado anstataŭ tian, kiu estas nur bona pri bildosubskriboj.
La trejnado ruliĝis en kvar antaŭtrejnaj stadioj — varmigo de la projekciilo, vidlingva alliniigo, ĝenerala plurmodala antaŭtrejnado, longkunteksta kontrolita fajnagordo — tra proksimume 2.4 bilionoj da ĵetonoj, poste miksita surpolitika plifortiga lernado (MORL), kiu enfaldas la percepta precizecon, la precizecon de vida surterigo, la ĝustecon de la rezonado, kaj homan/AI-preferon en unu surpolitikan buklon. La raporto estas sincera pri tio, ke optimumigi ĉiujn tiujn samtempe estas malstabile — pli honesta prezento ol tiu, kiun plej multaj plurmodalaj artikoloj ofertas.
La publikigitaj rezultoj estas fortaj por la nombro de parametroj. Xiaomi raportas, ke MiMo-VL-7B-RL venkas Qwen2.5-VL-7B ĉe 35 el 40 taskoj, 59.4 ĉe OlympiadBench (super modeloj ĝis 78B), kaj 56.1 ĉe OSWorld-G pri GUI-surterigo, antaŭ celkonstruitaj fasadaj agentoj. La posta refreŝigo 2508 puŝis MMMU preter 70 unuafoje en la serio (70.6), atingis 94.4 ĉe ChartQA, 92.5 ĉe ScreenSpot-v2 kaj 70.8 ĉe VideoMME, kaj aldonis pensregan ŝaltilon, per kiu rezonadaj spuroj povas esti malŝaltitaj po peto.
Noto pri asertoj de versio
Ĉiu cifero supre estas la propra publikigita nombro de Xiaomi pri specifa eldonita kontrolpunkto, ligita en la fontobloko sube. Nia katalogero estas pli posta punkto en tiu deveno. Ni priskribas, de kie la modelo venas kaj por kio la familio estas konstruita — ne asertas, ke tiuj ekzaktaj poentoj transiras al la konstruo, kiun vi vokas. Benchmark-u vian propran ŝarĝon; por tio la preza planko ekzistas.
03Kion W8A16 signifas, kaj kial ĝi gravas pli por vido ol por teksto
Ĉiu modelo sur la Enirejo portas kvantigan sufikson. Ĝi ne estas ornamo — ĝi diras al vi, kio estis interŝanĝita por igi la modelon servebla.
| Sufikso | Kio ĝi estas | Kial ĝi estas uzata |
|---|---|---|
| 3BIT-REAP | 3-bitaj pezoj plus REAP, metodo de pritondado de spertuloj, kiu forlasas malofte enkursigitajn spertulojn el MoE-modelo antaŭ la kvantigo | La sola maniero enteni kaj servi la plej grandajn fundamentojn je racia rapido |
| W4A16-AUTOROUND-REAP | 4-bitaj pezoj, 16-bitaj aktivigoj, kvantigitaj per AutoRound — lernita rondigo, kiu reakiras precizecon super naiva rondigo al la plej proksima — plus REAP-pritondado | Meza tereno por grandaj fundamentoj, kiuj ne bezonas ekstreman kunpremon |
| W8A16 | 8-bitaj pezoj, 16-bitaj aktivigoj — la plej altfidela nivelo, kiun ni servas | Uzata tie, kie la fundamento estas sufiĉe malgranda por ke agresa kunpremo estu nenecesa |
MiMo-V2.5 gajnas la trian vicon per sia kompakteco: densa fundamento en ĉi tiu klaso ne bezonas esti premita al tri bitoj por enteniĝi, do vi povas permesi al vi teni ok, kaj la pezoj, el kiuj vi specimenigas, restas proksimaj al tiuj, kiuj estis trejnitaj. Tio gravas malproporcie por bilda laboro, pro struktura kialo. En nur-teksta malkodilo, enkorpigo, kiu forderivas sub kvantigo, estas rekuntekstigita de dekoj da postaj atentaj tavoloj — multaj ŝancoj resaniĝi. Vida stako ne havas tian rezervon: la vida informo pasas tra unu sola kodilo kaj unu sola mallarĝa projekciilo antaŭ ol ĝi atingas la malkodilon, kaj ĉio postflue estas kondiĉita de tio, kion tiu botelkolo produktis. Fajngrajna signalo — 3 kontraŭ 8 en malaltkontrasta skanaĵo, la ekzakta rastrumero, kie stango finiĝas sur diagrama akso, la limo de fasada elemento, kiun oni petas vin klaki — loĝas en la malgrandgranda peza detalo, kiun agresa kvantigo forĵetas unue.
3-bita vida modelo ne fiaskas laŭte; ĝi fiaskas kviete, produktante flue verkitan priskribon de dokumento kun du ciferoj interŝanĝitaj en la sumo. Pli alta peza precizeco estas la plej malmultekosta asekuro kontraŭ tiu fiasko, kaj ĉi tie ĝi estas senpaga — vi pagas la plankan prezon ĉiukaze.
04La planka prezo, en kunteksto
Kvar modeloj en nia dekdu-modela katalogo sidas je la preza planko de $0.50 enige / $2.00 elige por miliono da ĵetonoj. Nur unu el ili akceptas bildojn. Jen kie la modeloj kun vido situas laŭ eliga kosto, la cifero, kiu regas plej multajn realajn fakturojn:
Eliga prezo en USD po 1M ĵetonoj, listaj tarifoj de la Enirejo de Shannon AI, septembro 2026. La longo de la stango estas relativa al la plej multekosta vida modelo en la katalogo.
Kontraŭ Kimi-K3 — la plafona vida modelo, kaj vere pli forta — MiMo-V2.5 estas proksimume 9.6-oble pli malmultekosta elige kaj 7.7-oble pli malmultekosta enige. Tio ne estas aserto pri ekvivalenteco; ĝi estas argumento pri la formo de la ŝarĝo. Ĉe centmil bildoj monate, la plafona modelo ne estas pagebla kaj la planka modelo estas, kaj la honesta demando estas, ĉu la planka modelo trapasas vian precizecan sojlon — ne ĉu ĝi venkas benchmark-on.
05MiMo-V2.5 kontraŭ MiniMax-M3: la du malmultekostaj vidaj modeloj, honeste komparitaj
Ĉi tiuj du egalas ekzakte laŭ prezo, kunteksto kaj finpunkta surfaco. Ili ne estas interŝanĝeblaj: la kvantiga nivelo estas anstataŭaĵo por du malsamaj vetoj pri tio, kio faras vidan modelon utila.
| MiMo-V2.5 · W8A16 | MiniMax-M3 · 3BIT-REAP | |
|---|---|---|
| Enige / elige po 1M | $0.50 / $2.00 | $0.50 / $2.00 |
| Peza precizeco | 8-bita | 3-bita + pritondado de spertuloj |
| Grando de la fundamento | Kompakta, densa | Granda, maldensa MoE |
| Vido | Jes | Jes |
| Kunteksta fenestro | 262,144 | 262,144 |
| Skemo · iloj · flusendado | Jes | Jes |
Elektu MiMo-V2.5, kiam la bildo estas la malfacila parto: densa OCR sur neperfektaj skanaĵoj, cifera ekstraktado el diagramoj kaj tabeloj, surterigo de ekrankopioj kaj fasadoj, legado de malgranda teksto, distingado inter preskaŭ identaj produktfotoj — ĉio, kie interŝanĝita cifero estas difekto anstataŭ kosmetika makulo. Vi volas la plej altfidelan vojon de rastrumeroj al ĵetonoj, kaj 8-bitaj pezoj estas la maniero ricevi ĝin je ĉi tiu prezo.
Elektu MiniMax-M3, kiam la bildo estas la facila parto. Granda maldensa fundamento kunpremita al 3 bitoj ankoraŭ tenas pli da monda scio kaj rezonada larĝo ol kompakta densa modelo povas, eĉ post pritondado. Se la tasko estas "rigardu ĉi tiun foton kaj rezonu longe pri tio, kion ĝi implicas", aŭ la bildo estas unu enigo en plejparte teksta konversacio, la pli granda fundamento estas la pli bona instrumento — la vida akrevido, kiun vi fordonis, ne estis la liganta limigo.
06MiMo-V2.5 kontraŭ MiMo-V2.5-Pro: la frato, kiu interŝanĝis okulojn kontraŭ profundo
Jen la komparo, kiu generas la plej multajn subtenajn biletojn, do indas esti senornama. MiMo-V2.5-Pro-W8A16 kaj MiMo-V2.5-W8A16 dividas prezon, kuntekstan fenestron, precizigan nivelon kaj familian nomon. Pro ne akceptas bildojn. Ĝi ne estas superaro. Ĝi estas alia dispono de la sama buĝeto.
Servi plurmodalan modelon signifas pagi por vida turo kaj projekciilo apud la malkodilo — je fiksita kosta celo, kapacito ne elspezita por la lingvomodelo mem. Pro elspezas ĉion por teksto: pli granda fundamento kun pli da spaco por longforma verkado, etendita rezonado kaj kodo. MiMo-V2.5 elspezas parton de ĝi por vido.
Do la decida regulo temas pri viaj enigoj, ne pri viaj ambicioj. Se iu ajn peto povas enhavi ekrankopion, skanitan paĝon, diagramon, skemon aŭ foton, vi bezonas MiMo-V2.5 — Pro rifuzos la enhavblokon. Se ĉiu peto estas teksto kaj vi prenis la vidan modelon pro kutimo, vi lasas fundamentan kvaliton sur la tablo por nenio: prenu MiMo-V2.5-Pro je la identa tarifo.
Ŝablono inda je ŝtelo: enkursigu laŭ enhavtipo. Ĉio kun bilda parto iras al MiMo-V2.5-W8A16, ĉio alia al MiMo-V2.5-Pro-W8A16. Sama familio, sama prezo, sama kunteksta buĝeto — la enkursigilo estas bagatela kaj ekzistas neniu kosta modelo por akordigi.
07Kion "sencenzura bildkompreno" efektive signifas
Ekzistas neniu rifuza tavolo antaŭ ĉi tiu modelo kaj neniu enhavfiltrilo sur ĝia eligo. Tio estas produkta decido kun specifa sekvo por vida laboro: la modelo priskribas tion, kio estas en la kadro, anstataŭ rifuzi surbaze de la temo.
Ĉi tio gravas, ĉar filtritaj vidaj API-oj estas strukture netaŭgaj por tuta kategorio da legitima laboro. Moderiga ĉenstablo devas rigardi la materialon, kiun ĝi moderigas, kaj diri, kio ĝi estas; klasifikilo, kiu rifuzas ekzameni tion, kion ĝi klasifikas, ne estas klasifikilo. La samo validas tra longa listo de veraj laboroj:
- Iloj por fido kaj sekureco — etikedado de ĝuste tiuj bildoj, kiujn ĉefflua API ne prilaboros, kaj kiuj estas ĝuste tiuj bildoj, kiuj plej bezonas etikedadon.
- Medicinaj, krimmedicinaj kaj akcidentaj bildoj — klinika, vunda kaj scena fotado, kiun ĝeneralaj filtriloj rifuzas kiel krude grafikan sendepende de tio, kiu demandas.
- Sekureca esplorado — legi phishing-paĝojn, malicajn fasadojn kaj kaptitajn ekranojn sen ke la modelo ŝanceliĝu pri la premiso.
- Klasifikado de plenkreska enhavo kaj arkiva katalogado — ĉenstabloj, kiuj ekzistas por identigi materialon kaj ne povas eksterigi la rigardadon, plus historiaj kolektoj, kiujn filtriloj traktas kiel neetikedeblajn.
Forigi la rifuzan tavolon forigas inĝenieran obstaklon, ne juran. Shannon AI estas funkciigata de Shannon Lab LLC en Nov-Meksiko, Usono, kaj la uzo de la API estas regata de nia politiko pri respondeca uzo. Nefiltrita eligo estas kapablo, ne permesilo.
08Voki ĝin: finpunktoj, bilda enigo, kaj kie ĝi taŭgas
La modelo estas MiMo-V2.5-W8A16, atingebla sur tri petodialektoj kontraŭ la samaj pezoj, do vi konservas tiun SDK-on, kiun vi jam havas:
/v1/chat/completions— kongrua kun OpenAI. Bildoj eniras kiel enhavpartojimage_url, aŭ kiel https-URL aŭ kiel base64-datuma URI./v1/messages— kongrua kun Anthropic. Bildoj eniras kiel enhavblokojimage./v1/responses— la dialekto laŭ la stilo de Responses.
Flusendado kaj ilvokado funkcias sur ĉiuj tri, do la modelo povas rigardi ekrankopion kaj voki funkcion pri tio, kion ĝi vidis, en unu vico. La plenaj peto- kaj responda-skemoj troviĝas en la API-dokumentado, kiu ankaŭ gastigas ludejon, en kiun vi povas alglui bildon antaŭ ol verki iun ajn kodon.
MiMo-V2.5 subtenas striktan json_schema kaj response_format — la diferenco inter demonstraĵo kaj ĉenstablo. Transdonu al ĝi kvitancon plus skemon kun tipizitaj kampoj por vendisto, dato, linieroj kaj sumo, kaj vi ricevas objekton, kiun via kodo povas validigi, anstataŭ alineon, kiun vi devas regeks-i. Du el la dek du modeloj en ĉi tiu katalogo malhavas plenan subtenon de strukturita eligo; ĉi tiu ne, kaj ĝuste tial ĝi funkcias kiel altvoluma ekstrakta servo.
La kunteksta fenestro estas 262,144 ĵetonoj; la generita eligo estas limigita al 16,384 ĵetonoj po peto. Bildoj konsumas enigajn ĵetonojn kiel funkcion de la distingivo, do altdistingivaj paĝskanaĵoj manĝas kuntekston multe pli rapide ol ekvivalenta vortnombro da teksto. Pecigu longajn dokumentojn anstataŭ ŝargi 300-paĝan skanaĵon en unu peton, kaj traktu la eligan plafonon kiel veran limigon sur elĉerpa ekstraktado — pecigu densajn tabelojn laŭ viclimoj anstataŭ ricevi tranĉitan respondon.
La agordilo reasoning_effort havas veran levilforton ĉi tie pro la deveno de la familio. Malaltigu ĝin por altvoluma klasifikado, kie la respondo estas etikedo kaj pensaj ĵetonoj estas pura kosto; altigu ĝin por interpretado de diagramoj, vida matematiko kaj rezonado pri skemoj, kie la modelo devas kombini plurajn aferojn, kiujn ĝi vidas, antaŭ ol ĝi povas respondi.
Kie ĝi taŭgas, kaj kie ne
Bonaj taŭgoj. Altvoluma ekstraktado el dokumentoj kaj kvitancoj; OCR-najbara laboro sur neperfektaj skanaĵoj; legado de diagramoj, mezurtabuloj kaj tabeloj; kompreno de ekrankopioj kaj surterigo de fasadoj; kataloga etikedado kaj vida demandrespondado; moderigaj ĉenstabloj — ĉiu plurmodala tasko, kie la po-voka kosto ligas kaj la fajndetala precizeco estas tio, pri kio vi rifuzas rezigni.
Malbonaj taŭgoj. Pintnivele malfacila plurmodala rezonado, kiu bezonas la plej fortan modelon sendepende de la prezo — la laboro de Kimi-K3, kaj ĝi kostas preskaŭ dekoble pli pro kialo. Nur-teksta generado, kie MiMo-V2.5-Pro donas pli bonan fundamenton je la sama tarifo. Laboro apoganta sin sur enciklopedia monda scio, kie granda maldensa fundamento superas kompaktan densan. Kaj ĉio, kio bezonas pli ol 262K da kunteksto, kion neniu modelo ĉi tie ofertas.
Ĉiu publikigita cifero supre estas la propra de Xiaomi, pri nomita kontrolpunkto en la serioj MiMo kaj MiMo-VL. Legu la primaran materialon anstataŭ nian resumon de ĝi.
09Oftaj demandoj
Kio estas la sencenzura vida MiMo API?
Ĝi estas la modelo MiMo-V2.5 W8A16 sur la Enirejo de Shannon AI: modelo kun vido en la deveno MiMo de Xiaomi, servata sur nia propra GPU-aro je 8-bita peza precizeco kun kunteksto de 262,144 ĵetonoj kaj neniu rifuza tavolo aŭ eliga filtrilo. Ĝi akceptas bildojn kaj tekston sur /v1/chat/completions, /v1/messages kaj /v1/responses je $0.50 por miliono da enigaj ĵetonoj kaj $2.00 por miliono da eligaj ĵetonoj.
Kiu estas la plej malmultekosta sencenzura modelo, kiu efektive povas vidi bildojn?
Du egalas je la planka prezo de $0.50 enige / $2.00 elige por miliono da ĵetonoj: MiMo-V2.5 W8A16 kaj MiniMax-M3 3BIT-REAP. MiMo-V2.5 estas la pli preciza el la du je 8-bitaj pezoj, la pli sekura defaŭlto por detal-sentema bilda laboro. MiniMax-M3 rulas multe pli grandan fundamenton kunpremitan al 3 bitoj, favorante larĝon de monda scio super po-rastrumera fideleco.
Kion signifas W8A16 kaj kial ĝi gravas por vido?
W8A16 signifas 8-bitajn pezojn kun 16-bitaj aktivigoj, la plej altfidela nivelo en la katalogo de Shannon, uzata tie, kie la fundamento estas sufiĉe malgranda por ke agresa kunpremo estu nenecesa. Ĝi gravas por vido, ĉar vida turo kaj ĝia projekciilo portas fajngrajnan detalon tra mallarĝa vojo, kaj eraroj enkondukitaj tie ne estas reakireblaj poste tiel, kiel iom malklara teksta enkorpigo ofte estas.
Kiel MiMo-V2.5 diferencas de MiMo-V2.5-Pro?
Sama prezo, sama kunteksto de 262,144 ĵetonoj, sama nivelo W8A16, sed ne la sama modelo. MiMo-V2.5 akceptas bildojn; MiMo-V2.5-Pro ne, elspezante tiun servan buĝeton anstataŭe por pli granda teksta fundamento. Uzu MiMo-V2.5, kiam la enigoj inkluzivas ekrankopiojn, dokumentojn, diagramojn aŭ fotojn; uzu Pro por nur-teksta laboro je la identa tarifo.
Ĉu la sencenzura vida modelo MiMo subtenas JSON-skemon kaj ilvokadon?
Jes. MiMo-V2.5 W8A16 subtenas striktan strukturitan eligon laŭ json_schema, response_format, ilvokadon, flusendadon kaj regilon reasoning_effort. Ĝuste tio faras ĝin uzebla kiel ekstrakta internaĵo: transdonu al ĝi bildon kaj ricevu validigitan objekton anstataŭ prozon, kiun vi devas analizi.
Sendu al ĝi bildon
8-bita vido, 262K kunteksto, neniu rifuza tavolo — je la prezo de nur-teksta modelo.
Legu la API-dokumentojn Trarigardu ĉiujn 12 modelojnModelidentigilo: MiMo-V2.5-W8A16 · regata de nia politiko pri respondeca uzo
Fontoj: teknika raporto pri MiMo (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Ĉiuj benchmark-ciferoj estas raportitaj de Xiaomi pri la eldonitaj kontrolpunktoj nomitaj supre kaj priskribas la familian devenon, ne la ekzaktan konstruon sur ĉi tiu finpunkto. La prezoj, la kunteksto kaj la kapablaj flagoj estas listaj valoroj de la Enirejo de Shannon AI, septembro 2026.