Sencenzura MiMo API je 8-bita fideleco
La rezonad-unua fundamento MiMo de Xiaomi, servata kun neniu rifuza tavolo je W8A16 — la plej altfidela kvantiga nivelo, kiun ni rulas — je la planka prezo de la katalogo.
Resume
MiMo-V2.5-Pro · W8A16 estas la malfermpeza MiMo-V2.5-Pro de Xiaomi servata sur la propra GPU-aro de Shannon je 8-bitaj pezoj / 16-bitaj aktivigoj — la malplej kunpremita nivelo en nia dekdu-modela katalogo. Kunteksto de 262,144 ĵetonoj, 16,384 eligaj ĵetonoj po peto, ilvokado, rezonado, strukturita eligo laŭ JSON-skemo, flusendado sur tri API-dialektoj, kaj neniu rifuza tavolo aŭ filtrado de la eligo, je $0.50 enige / $2.00 elige por miliono da ĵetonoj — la planko de la katalogo. Nur-teksta; uzu MiMo-V2.5 · W8A16 por bildoj.
Plej multaj katalogoj vendas al vi nombron da parametroj. Tio estas la malĝusta cifero por aĉeti laŭ ĝi, ĉar ĉiu granda malfermpeza modelo, kiun vi efektive povas pagi, estis kunpremita por enteniĝi ien. La honesta demando ne estas "kiom granda ĉi tio estis antaŭ ol ĝi estis premita?", sed "kiom multe de ĝi ankoraŭ ĉeestas?" Ĉi tiu artikolo temas pri tiu demando, kaj pri la modelo en nia listo, kie la respondo estas preskaŭ ĉio.
01Kion la sencenzura MiMo API efektive donas al vi
La sencenzura MiMo API estas unu modelidentigilo, MiMo-V2.5-Pro-W8A16, atingebla tra tri dialektoj, kiuj adresas la samajn pezojn sur nia propra GPU-aro: /v1/chat/completions, /v1/messages kaj /v1/responses. Ĉiuj tri flusendas kaj subtenas ilvokadon kaj rezonadon.
Sencenzura havas mallarĝan signifon ĉi tie: neniu rifuza tavolo antaŭ la modelo, neniu filtrilo sur ĝia eligo. Ni ne kaptas, klasifikas aŭ reverkas. Vi ricevas la propran konduton de la fundamento — kio ĉe esplornivela malfermpeza modelo signifas, ke ĝi okupiĝas pri sekureca esplorado, plenkreska aŭ perforta fikcio, medicina kaj jura rezonado, kaj la petoj, kiujn gastigitaj komercaj finpunktoj rifuzas reflekse. Ĝi estas profesia ilo sub nia politiko pri respondeca uzo, ne foresto de reguloj.
02La deveno de MiMo: la veto de Xiaomi pri rezonad-unua antaŭtrejnado
MiMo ne estas derivaĵo de Llama kun nova nomo; ĝi estas aparta deveno de la MiMo-teamo de Xiaomi, kaj ĝia fonda ideo gravas antaŭ ol vi taksas la modelon. Ĝi komenciĝas per MiMo-7B (la 30-an de aprilo 2025, sub MIT-permesilo), kies teknika raporto argumentas, ke plej multaj laboratorioj traktas rezonadon kiel posttrejnan problemon alŝraŭbendan per RL, kaj ke tio estas inversa. Xiaomi anstataŭe restrukturis la antaŭtrejnadon ĉirkaŭ ĝi: tristadia miksaĵo tra 25 bilionoj da ĵetonoj, kun la dua stadio rulanta proksimume 70% matematikon kaj kodon, kaj la tria enfaldanta sintezajn rezonadajn spurojn dum ĝi etendas la kuntekston de 8K al 32K — plus celo de plurĵetona antaŭdiro, kiu funkcias ankaŭ kiel spekulativa malkoda kapo.
La rezulto estis 7B-baza modelo, kiu kondutis kiel io multe pli granda. MiMo-7B-Base atingis 32.9 ĉe AIME 2024, kie Qwen2.5-7B atingis 10.1, Gemma-2-9B 0.0 kaj Llama-3.1-8B 0.3. La posttrejnado poste rulis RL super 130,000 kontroleblaj matematikaj kaj kodaj problemoj kun koda rekompenco movata de testa malfacileco, evitante la maldensa-rekompencan kaptilon, kiu malstabiligas kodan RL. La rezulto surteriĝis antaŭ o1-mini:
AIME 2025, ciferoj raportitaj de Xiaomi el la teknika raporto pri MiMo (arXiv:2505.07608). MiMo-7B-RL ankaŭ raportis 95.8 ĉe MATH-500 kaj 57.8 ĉe LiveCodeBench v5.
La familio larĝiĝis anstataŭ forderivi: MiMo-VL-7B (junio 2025) metis kodilon Qwen2.5-ViT sur la saman trunkon, kaj decembro 2025 alportis MiMo-Audio-7B plus la unuan MoE-eron, MiMo-V2-Flash (309B entute / 15B aktivaj, 27T ĵetonoj, FP8 miksita precizeco). MiMo-V2-Pro sekvis en marto 2026 je proksimume 1T / 42B aktivaj kun kunteksto de 1M, post semajnoj sur OpenRouter kiel "Hunter Alpha". MiMo-V2.5 kaj MiMo-V2.5-Pro aperis kune la 22-an de aprilo 2026, ambaŭ sub MIT.
03Ene de MiMo-V2.5-Pro: kiel la fundamento aspektas
Laŭ la publikigita modelkarto de Xiaomi, MiMo-V2.5-Pro estas maldensa modelo laŭ Miksaĵo de Spertuloj kun 1.02 bilionoj da parametroj entute kaj 42 miliardoj aktivaj po ĵetono tra 70 tavoloj — unu densa, 69 MoE — kaj 384 enkursigitaj spertuloj, 8 po ĵetono. La kaŝita grando estas 6144, kun mallarĝa MoE-meza grando de 2048.
Du elektoj formas tion, kiel ĝi sentiĝas dum uzo. La atenta stako estas hibrida: 10 tavoloj kun plena atento kaj 60 tavoloj kun glitanta fenestro je fenestro de 128, plus lernebla kliniĝo de atento-lavujo. Xiaomi raportas, ke tio tranĉas la konservadon de la KV-kaŝmemoro proksime al 7-oble kompare kun tute-tutmonda atento dum ĝi tenas la longkuntekstan kvaliton — la diferenco inter fenestro, kiu estas nominale longa, kaj tia, kiun vi povas permesi al vi plenigi. Ĝi ankaŭ venas kun tri tavoloj de plurĵetona antaŭdiro, donante al la malkodilo spekulativan kapon.
La trejnado estis 27 bilionoj da ĵetonoj je denaska sekvenclongo de 32K en FP8 (E4M3) miksita precizeco, poste kontrolita fajnagordo, grandskala agenta RL kaj plurinstruista surpolitika distilado. Tenu tiun FP8-detalon; ĝi estas la plej forta unuopa argumento por servi ĉi tiun fundamenton je 8 bitoj.
Xiaomi raportas la modelon je 57.2% ĉe SWE-bench Pro, 72.9 ĉe τ3-Bench pri ilouzo kaj 48.0% ĉe Humanity's Last Exam — la propraj ciferoj de la vendisto pri la nekunpremita modelo, cititaj kiel tiaj.
Ni servas fenestron de 262,144 ĵetonoj, ne la plenan 1M de la fundamento — kuntekston, kiun ni povas garantii je rapido, anstataŭ fraptitolan ciferon, kiu degradiĝas sub ŝarĝo.
04Kion W8A16 signifas, precize
Ĉiu modelo en ĉi tiu katalogo portas kvantigan sufikson priskribantan realan, mezureblan transformon anstataŭ reklaman nivelon. La niaj estas 3BIT-REAP, W4A16-AUTOROUND-REAP kaj W8A16. MiMo-V2.5-Pro estas la tria.
La notacio dividiĝas en du. W8 estas la peza precizeco: ĉiu parametro estas konservata kiel 8-bita entjero anstataŭ 16-bita glitkoma nombro, kun komuna skala faktoro po malgranda grupo, por ke la loka dinamika gamo de ĉiu grupo postvivu. A16 estas la aktiviga precizeco: la valoroj fluantaj inter tavoloj je la inferenco restas je 16 bitoj. La pezoj estas kunpremataj; la aritmetiko ne.
Tiu dua duono faras kvietan, gravan laboron. La aktivigoj estas multe pli malfacile kvantigeblaj ol la pezoj: ili enhavas ekstremajn forkurajn kanalojn — kelkaj dimensioj, kies grandoj superas ĉion alian kaj kiuj portas malproporcian parton de la konduto de la modelo. Puŝu tiujn al malalta precizeco kaj vi tondas ĝuste la signalon, kiun vi bezonis. Nur-pezaj skemoj evitas la problemon lasante la aktivigan vojon netuŝita, kaj ĝuste tial serioza kvantiga laboro konverĝis al ili.
Do la praktika demando mallarĝiĝas al unu afero: kiom malmultajn bitojn pezo povas toleri?
05W8A16 kontraŭ W4A16 kontraŭ 3-bita: kien la perdo efektive iras
La plej granda publikigita studo pri tio estas "Give Me BF16 or Give Me Death"? Accuracy-Performance Trade-Offs in LLM Quantization de Neural Magic kaj Red Hat — pli ol 500,000 taksadoj tra la familio Llama-3.1 je 8B, 70B kaj 405B. Ilia ĉefa rezulto, en iliaj ciferoj:
| Formato | Kio estas kunpremita | Raportita reakiro kontraŭ BF16 |
|---|---|---|
| W8A8-FP (8-bita) | Pezoj + aktivigoj, glitkoma | ~99.75% meze — "esence senperda" |
| W8A8-INT (8-bita) | Pezoj + aktivigoj, entjera | 99–100% ĉe 8B/70B; 98.2–99.3% ĉe 405B |
| W4A16-INT (4-bita) | Nur pezoj | 98–99.4% (8B); 98.6–99.8% (70B) |
Ciferoj raportitaj de Neural Magic / Red Hat (arXiv:2411.02355) pri modeloj Llama-3.1 — la formo de la kompromiso, ne la poento de ĉi tiu modelo.
Honeste legite, tio aspektas kiel argumento kontraŭ zorgi: 4-bita reakiras 98–99%, do kial atenti? Ĉar tiuj estas akademiaj plurelektaj benchmark-oj, proksime al la plej malbona havebla instrumento por detekti kvantigan damaĝon. Benchmark-demando havas unu ĝustan respondon atingeblan per unu aŭ du ĵetonoj, kaj kvantiga eraro estas malgranda, proksimume nul-meza bruo sur ĉiu logito; ĉe mallonga demando kun larĝa marĝeno, tiu bruo estas absorbita.
Nun verku 4,000 ĵetonojn de teknika dokumento, tenu voĉon tra rakonto de 40,000 ĵetonoj, aŭ eligu JSON-on, kiu devas validiĝi je la unua provo. La sama bruo estas specimenigita milojn da fojoj sinsekve, kaj ĉiu specimeno kondiĉas la sekvan. La fiaska reĝimo ne estas malĝusta respondo — ĝi estas forderivo: malstreĉiĝanta teno de la instrukcio de la unua vico, rolulo, kiu ĉesas soni kiel si mem ĉirkaŭ ĵetono 3,000, ferma krampo, kiu neniam alvenas.
Kien la bitoj efektive iras
Kvantiga eraro ne estas disvastigita egale tra la kapabloj de modelo; ĝi koncentriĝas en la vosto. Altmasaj kondutoj — gramatika lingvaĵo, la formo de Python-funkcio, la plej ĉefaj mil faktoj pri la mondo — estas kodataj redunde tra multaj pezoj kaj postvivas preskaŭ ĉion. La precize agorditaj, malgrandgrandaj anguloj de la peza distribuo tenas la maloftaĵojn: la ekzakta subskribo de obskura API, la kadenco de specifa aŭtoro, la diferenco inter du najbaraj CVE-oj. Tiuj estas la valoroj, kiujn kruda krado rondigas unu en la alian.
La paŝo de 4 bitoj al 3 estas tie, kie ĉi tio ĉesas esti imposto kaj fariĝas klifo. La skalaj leĝoj pri k-bita inferenco de Dettmers kaj Zettlemoyer trovis, ke 4 bitoj estas la punkto, kiu maksimumigas la nulpafan precizecon po bito da modela memoro, kun degrado reganta sub ĝi. Kvar bitoj donas 16 nivelojn po grupo; tri donas 8. Vi duonigas la distingivon de jam kruda krado, kaj la rondiga eraro po pezo proksimume duobliĝas.
La aritmetiko, kiu decidas
La komparo inda je farado estas aritmetika, ne benchmark. Kio postvivas la kunpremon, estas proksimume parametroj × bitoj po parametro — la informportanta volumeno de la peza dosiero. Prenu du hipotezajn fundamentojn de egala kvalito po parametro:
- Fundamento A: 400 miliardoj da parametroj je 3 bitoj → proksimume 150 GB da konservita pezo.
- Fundamento B: 160 miliardoj da parametroj je 8 bitoj → proksimume 160 GB da konservita pezo.
Laŭ kruda nombro de parametroj A venkas du kaj duonoble kontraŭ unu — la cifero, per kiu la modelkarto komenciĝas. Laŭ konservita informo ili estas ekvivalentaj, kaj B krome havas strukturan avantaĝon: ĝiaj pezoj sidas sur krado sufiĉe fajna por ke ĝia vosta konduto restu netuŝita, dum la vosto de A estis kvantigita en la mason. A scias pli da aferoj; B scias tion, kion ĝi scias, pli akre. Por longa generado, ekzakta formatado, stila regado kaj fidela longkunteksta obeo, prenu B.
Ilustra aritmetiko, ne benchmark: ĝi montras, kial "pli granda fundamento" kaj "pli bone servata modelo" estas malsamaj asertoj.
06Kial 27 bilionoj da trejnaj ĵetonoj malbonigas agresan kvantigon
Dua, malpli intuicia rezulto rekte koncernas ĉi tiun fundamenton. La artikolo Scaling Laws for Precision de Kumar kaj aliaj ĉe ICLR 2025 trovas, ke ju pli da datumoj modelo estis trejnita, des pli da damaĝo posttrejna kvantigo faras al ĝi. Malalta precizeco reduktas la efektivan nombron de parametroj de modelo, kaj tiu degrado kreskas kun la absorbitaj antaŭtrejnaj datumoj — sufiĉe malproksimen por ke kromaj antaŭtrejnaj datumoj povu esti nete damaĝaj, se vi intencas kvantigi agrese, ĉar vi metas fajnan strukturon, kiun la krado forviŝos.
Modelo trejnita sur 5 bilionoj da ĵetonoj havas krudan, redundan pezan strukturon kaj rezervon je disponsero. Modelo trejnita sur 27 bilionoj da ĵetonoj — la buĝeto de MiMo-V2.5-Pro — elspezis tiujn kromajn datumojn skribante pli fajnajn distingojn en pli precizajn pezajn valorojn, kaj ĝuste tion 3-bita krado ne povas reprezenti.
Poste estas la FP8-fakto el sekcio 03, la plej pura argumento en ĉi tiu artikolo. MiMo-V2.5-Pro estis antaŭtrejnita en FP8 miksita precizeco. Ĝiaj pezoj estis formitaj de la komenco de optimumigilo laboranta je proksimume ok bitoj da precizeco. Servi ĝin je 8-bitaj pezoj do ne estas perdiga postpenso trudita al 16-bita modelo — ĝi estas proksime al redoni la pezojn al la nombra reĝimo, en kiu ili estis lernitaj. Malmulte da fajna strukturo ekzistas sub la oka bito por perdi. La samon oni ne povas diri pri tiuj pezoj devigitaj malsupren al tri.
07REAP: kial pritondado de spertuloj estas alispeca perdo ol rondigo
Du el la tri niveloj portas sufikson REAP — kategorie malsama operacio ol kvantigo. REAP (Router-weighted Expert Activation Pruning, Cerebras Research, arXiv:2510.13999, ICLR 2026) estas unupafa kunpremo por maldensaj MoE-modeloj: ĝi taksas ĉiun spertulon laŭ la kluzaj valoroj de la enkursigilo kaj la normo de la aktivigo de la spertulo, poste forviŝas la plej malaltpoentajn. Cerebras raportas preskaŭ senperdajn rezultojn ĉe kodgenerado kaj ilvokado eĉ je 50% de la spertuloj pritonditaj.
Ni uzas REAP pro la kialo, pro kiu ĝi ekzistas: sur la plej grandaj fundamentoj ĝi estas tio, kio faras ilin serveblaj. Sed rimarku la specan diferencon. Kvantigo malklarigas ĉiun pezon iomete; pritondado forigas spertulojn tute. Se via ŝarĝo enkursigas peze al kapablo, kiu loĝis en malofte elektata spertulo — malgranda programlingvo, specialigita vortprovizo — ĝi ne estas degradita. Ĝi estas for, kaj neniu petado reakiras ĝin. La mezumoj restas bonegaj; via vosta kazo eble ne.
MiMo-V2.5-Pro · W8A16 portas neniun sufikson REAP. Ĉiuj 384 spertuloj ĉeestas, kaj la enkursigilo elektas el la plena aro, kun kiu la fundamento estis trejnita.
| Nivelo | Pezaj bitoj | Spertuloj | Kion vi interŝanĝas |
|---|---|---|---|
| W8A16 | 8 | Ĉiuj ĉeestas | Nenion strukturan. La fidelec-nivelo. |
| W4A16-AUTOROUND-REAP | 4 | Pritonditaj | Fajnan pezan detalon plus malalttrafikajn spertulojn, kontraŭ multe pli granda fundamento en la sama preza bendo. |
| 3BIT-REAP | 3 | Pritonditaj | Konsiderindan pezan distingivon plus malalttrafikajn spertulojn — la prezo de ruli la plej grandajn fundamentojn je rapido. |
La meza nivelo meritas justan aŭdon. AutoRound ne estas naiva rondigo: la metodo de Intel (arXiv:2309.05516) uzas signuman gradientan descendon tra proksimume 200 paŝoj por agordi la rondigajn decidojn kaj la tondan gamon po peza grupo, kaj estas raportita preskaŭ senperda je 4 bitoj en plej multaj kondiĉoj, venkante GPTQ, AWQ, HQQ kaj OmniQuant tra plej multaj testitaj agordoj. Modelo W4A16-AUTOROUND estas vere bona 4-bita modelo. Ĝi tamen restas 4-bita modelo.
08Kiu elektu la 8-bitan nivelon — kaj kiu ne
MiMo-V2.5-Pro · W8A16 sidas je la planka prezo de la tuta katalogo — $0.50 enige / $2.00 elige por miliono da ĵetonoj, la sama bendo kiel la enirnivelaj 4-bitaj modeloj kaj proksimume kvarono de la eniga prezo de la plej multekosta modelo, kiun ni servas. Vi ne pagas kroman prezon por fideleco; vi elektas alian akson de la sama buĝeto.
Elektu ĝin kiam
- La longo de la eligo estas la tasko. Longforma teknika verkado, ĉapitro-longa fikcio, plenaj dokumentadaj pasoj — ĉiu generita ĵetono estas tia, kie kunprema bruo akumuliĝas.
- Voĉo kaj konsekvenco gravas. Rolverkado, marka tono, registro tenata tra longa seanco. La stilo loĝas en la vosto, kaj la vosto estas tio, kion kruda kvantigo manĝas unue.
- Strukturita eligo devas validiĝi je la unua provo. La modelo subtenas
json_schemakajresponse_format; la obeo al skemo estas preciziga eco, kaj ĉiu evitita reprovo estas ŝparita mono kaj latenteco. - Vi plenigas la kuntekston. Obeo al instrukcio ĉe ĵetono 200,000 estas pli malfacila ol ĉe ĵetono 2,000, kaj ĝi degradiĝas kun la peza precizeco — same kiel longa rezonada spuro, kie la eraroj akumuliĝas sammaniere.
- La laboro estas sencenzura laŭ sia naturo. Sekureca esplorado, ruĝa teamado, nefiltrita fikcio, sentema medicina aŭ jura analizo — kie evitema respondo estas pli malbona ol neniu.
Elektu ion alian kiam
- Vi bezonas vidon. Ĉi tiu modelo estas nur-teksta; ĝia frato MiMo-V2.5 · W8A16 kapablas pri vido je la sama prezo kaj nivelo.
- Vi bezonas la plej larĝan mondan scion ĉe mallongaj demandoj. Jen la reĝimo, kie la kromaj parametroj de multe pli granda 3-bita fundamento venkas kaj ĝia kvantiga damaĝo apenaŭ montriĝas.
- Via ŝarĝo estas altvoluma mallonga klasifikado. Kvantiga damaĝo estas preskaŭ nevidebla tie — aĉetu tion, kio estas plej rapida.
09Voki la sencenzuran MiMo API
Se via kodo celas la SDK-on de OpenAI, ŝanĝi la bazan URL-on kaj la modelidentigilon estas la tuta migrado:
curl https://api.shannon-ai.com/v1/chat/completions \
-H "Authorization: Bearer $SHANNON_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "MiMo-V2.5-Pro-W8A16",
"messages": [
{"role": "user", "content": "Draft the threat model section."}
],
"reasoning_effort": "high",
"max_tokens": 16384,
"stream": true
}'/v1/messages kaj /v1/responses akceptas la saman identigilon kaj la samajn kapablojn. La referenco pri parametroj, la skemoj de ilvokado, ekzemploj de strukturita eligo kaj viva ludejo troviĝas en la API-dokumentado de Shannon AI.
| Kapablo | MiMo-V2.5-Pro · W8A16 |
|---|---|
| Kunteksta fenestro | 262,144 ĵetonoj |
| Maksimuma eligo po peto | 16,384 ĵetonoj |
| Flusendado | Jes — ĉiuj tri dialektoj |
| Ilvokado | Jes |
Rezonado / reasoning_effort | Jes |
Strukturita eligo laŭ json_schema | Jes |
response_format | Jes |
| Vido / bilda enigo | Ne — uzu MiMo-V2.5 |
| Rifuza tavolo / eliga filtrilo | Neniu |
| Prezo po 1M ĵetonoj | $0.50 enige / $2.00 elige |
Ĉiu ekstera cifero ĉi tie estas publikigita de iu alia ol ni kaj atribuita en la teksto. La rezultoj pri kvantiga reakiro venas de studoj pri la familio Llama: ili priskribas la formon de la kompromiso, ne la poentojn de ĉi tiu modelo.
10Oftaj demandoj
Kio estas la sencenzura MiMo API?
La finpunkto de Shannon AI por MiMo-V2.5-Pro, la malfermpeza modelo laŭ Miksaĵo de Spertuloj de Xiaomi, servata sur nia propra GPU-aro kun neniu rifuza tavolo kaj neniu filtrado de la eligo. Ĝi estas atingebla tra /v1/chat/completions, /v1/messages kaj /v1/responses, kun kunteksto de 262,144 ĵetonoj kaj 16,384 eligaj ĵetonoj po peto.
Kion signifas W8A16, kaj kial ĝi gravas?
W8A16 signifas, ke la pezoj estas konservataj je 8 bitoj ĉiu, dum la aktivigoj estas kalkulataj je 16 bitoj. Ĝi estas la plej altfidela kvantiga nivelo en nia katalogo. Publikigitaj studoj trovas, ke 8-bitaj nur-pezaj formatoj reakiras esence la tutan precizecon de la originala modelo, dum 4-bita interŝanĝas malgrandan kvanton da fideleco kontraŭ memoro kaj 3-bita interŝanĝas konsiderindan kvanton.
Ĉu pli malgranda modelo je 8 bitoj povas venki pli grandan modelon je 3 bitoj?
Ofte, jes. Kio postvivas la kunpremon, estas proksimume la nombro de parametroj multiplikita per la bitoj po parametro, kaj kvantiga eraro koncentriĝas en malofta, vosta konduto. Modelo tenata je 8 bitoj konservas sian longforman koherecon, sian ekzaktan formatadon kaj sian vostan scion; pli granda modelo premita al 3 bitoj konservas siajn larĝajn benchmark-poentojn sed perdas tiujn ecojn.
Ĉu MiMo-V2.5-Pro subtenas vidon aŭ bildan enigon?
Ne. MiMo-V2.5-Pro ĉe Shannon AI estas nur-teksta. Ĝi ja subtenas ilvokadon, rezonadon kun reasoning_effort, strukturitan eligon laŭ JSON-skemo kaj response_format. Se vi bezonas bildan enigon, uzu la fratan modelon MiMo-V2.5 W8A16, kiu kapablas pri vido je la sama prezo.
Kiom kostas la sencenzura MiMo API?
$0.50 por miliono da enigaj ĵetonoj kaj $2.00 por miliono da eligaj ĵetonoj. Tio estas la planka prezo en la katalogo de Shannon AI, kio faras MiMo-V2.5-Pro la plej malmultekosta maniero aĉeti 8-bitan fidelecon sur ĉi tiu enirejo.
Provu la sencenzuran MiMo API
Ok-bita fideleco, 262K kunteksto, neniu rifuza tavolo — je la planka prezo de la katalogo.
Legu la API-dokumentojn Trarigardu ĉiujn modelojnFunkciigata sub la politiko pri respondeca uzo de Shannon AI
Fontoj: teknika raporto pri MiMo, arXiv:2505.07608 · modelkarto de MiMo-V2.5-Pro (Xiaomi) · "Give Me BF16 or Give Me Death"?, arXiv:2411.02355 · REAP the Experts, arXiv:2510.13999 · AutoRound, arXiv:2309.05516 · skalaj leĝoj pri k-bita inferenco, arXiv:2212.09720 · Scaling Laws for Precision, Kumar kaj aliaj, ICLR 2025. Ĉiuj benchmark-ciferoj estas kiel raportitaj de siaj aŭtoroj. Shannon AI estas produkto de Shannon Lab LLC, Nov-Meksiko, Usono.