API de visión de MiMo sin censura
El único modelo de nuestro catálogo que combina precisión de pesos de 8 bits con comprensión de imágenes, y cuesta exactamente lo mismo que los modelos mínimos de solo texto: $0.50 de entrada / $2.00 de salida por millón de tokens.
Resumen
MiMo-V2.5-W8A16 es el miembro con visión de la pareja MiMo del Shannon AI Gateway, descendiente de la línea MiMo de Xiaomi —un modelo de lenguaje centrado en el razonamiento con una torre de visión injertada— y servido en W8A16, nuestro nivel de cuantización de mayor fidelidad, en nuestro propio clúster de GPU. Contexto de 262,144 tokens, 16,384 tokens máximos de salida, tool calling, JSON schema estricto, streaming y un mando reasoning_effort. Sin capa de rechazo, sin filtro de salida. Empata con MiniMax-M3 como la visión más barata del catálogo y le gana en precisión.
Los endpoints multimodales baratos son baratos porque se cortó algo, y lo que se corta suele ser la parte que no ves: los pesos se exprimen a tres o cuatro bits, y el modelo sigue respondiendo con seguridad sobre un gráfico que ya no puede leer de verdad. MiMo-V2.5 es el contraejemplo de nuestro catálogo: en el suelo de precio y en el nivel máximo de precisión al mismo tiempo, porque la base de la que desciende se construyó pequeña y densa en lugar de enorme y dispersa.
01De dónde viene MiMo: primero un modelo de razonamiento, después uno de visión
La línea MiMo es el programa de investigación de pesos abiertos de Xiaomi, y su argumento fundacional va contra la moda: la capacidad de razonamiento se fija durante el preentrenamiento, no se atornilla después con RL. El trabajo es sobre todo ingeniería de datos: Xiaomi reconstruyó la extracción y el filtrado de texto para elevar la densidad de patrones de razonamiento del corpus, generó datos sintéticos de razonamiento a gran escala y preentrenó MiMo-7B-Base con aproximadamente 25 billones de tokens bajo una mezcla en tres etapas, con la predicción de múltiples tokens como objetivo auxiliar que además funciona en inferencia como decodificador especulativo (tasa de aceptación cercana al 90%, según Xiaomi).
El post-entrenamiento es deliberadamente austero: 130,000 problemas de matemáticas y código con recompensas de exactitud basadas en reglas y nada más, sin modelo de recompensa aprendido, con el razonamiento de que un modelo de recompensa neuronal es una superficie que se puede hackear. Las recompensas verificables no se dejan engatusar. MiMo-7B-RL saca números desproporcionados para su tamaño: Xiaomi reporta 68.2% en AIME 2024, 95.8% en MATH-500 y 57.8% en LiveCodeBench v5 en pass@1, igualando a o1-mini de OpenAI. Esa es la forma del modelo al que llamas: compacto, densamente entrenado, ajustado para trabajarse un problema en lugar de recordar una respuesta, y ese temperamento sobrevive en los descendientes multimodales.
02Cómo aprendió MiMo a ver: la arquitectura MiMo-VL
MiMo-VL es la rama de visión y lenguaje, y su construcción es instructiva. Xiaomi ensambló tres piezas: un codificador ViT de resolución nativa que preserva el detalle fino en lugar de forzar cada imagen a través de una rejilla fija de baja resolución, un proyector MLP inicializado al azar hacia el espacio latente del modelo de lenguaje y —lo crucial— el backbone de razonamiento de MiMo como modelo de lenguaje. El sistema de visión hereda un decodificador que ya es bueno pensando en varios pasos, y no uno que solo es bueno describiendo imágenes.
El entrenamiento pasó por cuatro etapas de preentrenamiento —calentamiento del proyector, alineación visión-lenguaje, preentrenamiento multimodal general y SFT de contexto largo— a lo largo de aproximadamente 2.4 billones de tokens, y después Mixed On-policy Reinforcement Learning (MORL), que pliega en un solo bucle on-policy la exactitud perceptiva, la precisión del anclaje visual, la corrección del razonamiento y la preferencia humana/de IA. El informe es franco al decir que optimizar todo eso a la vez es inestable, un planteamiento más honesto que el de la mayoría de los artículos multimodales.
Los resultados publicados son sólidos para su número de parámetros. Xiaomi reporta que MiMo-VL-7B-RL supera a Qwen2.5-VL-7B en 35 de 40 tareas, con 59.4 en OlympiadBench (por encima de modelos de hasta 78B) y 56.1 en OSWorld-G de anclaje de GUI, por delante de agentes de interfaz construidos a medida. La actualización posterior 2508 llevó el MMMU por encima de 70 por primera vez en la serie (70.6), alcanzó 94.4 en ChartQA, 92.5 en ScreenSpot-v2 y 70.8 en VideoMME, y añadió un interruptor de control del razonamiento para poder desactivar las trazas por solicitud.
Una nota sobre las afirmaciones de versión
Todas las cifras de arriba son números publicados por Xiaomi para un checkpoint concreto ya lanzado, enlazado en el bloque de fuentes de abajo. Nuestra entrada de catálogo es un punto posterior de ese linaje. Estamos describiendo de dónde viene el modelo y para qué está construida la familia, no afirmando que esas puntuaciones exactas se trasladen a la compilación que llamas. Mide tu propia carga de trabajo; para eso está el suelo de precio.
03Qué significa W8A16 y por qué importa más en visión que en texto
Todos los modelos del gateway llevan un sufijo de cuantización. No es decoración: te dice qué se cambió para hacer servible el modelo.
| Sufijo | Qué es | Por qué se usa |
|---|---|---|
| 3BIT-REAP | Pesos de 3 bits más REAP, un método de poda de expertos que elimina de un modelo MoE los expertos rara vez enrutados antes de cuantizar | La única forma de encajar y servir las bases más grandes a una velocidad razonable |
| W4A16-AUTOROUND-REAP | Pesos de 4 bits, activaciones de 16 bits, cuantizado con AutoRound —redondeo aprendido que recupera precisión frente al redondeo ingenuo al más cercano— más poda REAP | Término medio para bases grandes que no necesitan compresión extrema |
| W8A16 | Pesos de 8 bits, activaciones de 16 bits: el nivel de mayor fidelidad que servimos | Se usa cuando la base es lo bastante pequeña como para que la compresión agresiva sea innecesaria |
MiMo-V2.5 se gana la tercera fila por ser compacto: una base densa de esta clase no necesita aplastarse a tres bits para caber, así que puedes permitirte mantener ocho, y los pesos de los que muestreas se quedan cerca de los que se entrenaron. Eso importa de forma desproporcionada en el trabajo con imágenes, por una razón estructural. En un decodificador de solo texto, un embedding que deriva con la cuantización vuelve a contextualizarse en decenas de capas de atención posteriores: muchas oportunidades de recuperarse. Una pila de visión no tiene ese margen: la información visual pasa por un único codificador y un único proyector estrecho antes de llegar al decodificador, y todo lo que viene después está condicionado por lo que produjo ese cuello de botella. La señal de grano fino —un 3 frente a un 8 en un escaneo de bajo contraste, el píxel exacto donde termina una barra en el eje de un gráfico, el borde de un elemento de interfaz en el que te piden hacer clic— vive en el detalle de pesos de baja magnitud que la cuantización agresiva descarta primero.
Un modelo de visión de 3 bits no falla a gritos; falla en silencio, produciendo una descripción fluida de un documento con dos dígitos transpuestos en el total. Una mayor precisión de pesos es el seguro más barato contra ese fallo, y aquí es gratis: pagas el precio mínimo de todos modos.
04El precio mínimo, en contexto
Cuatro modelos de nuestro catálogo de doce están en el suelo de precio de $0.50 de entrada / $2.00 de salida por millón de tokens. Solo uno de ellos acepta imágenes. Así quedan los modelos con visión en coste de salida, la cifra que domina la mayoría de las facturas reales:
Precio de salida en USD por 1M de tokens, tarifas de lista del Shannon AI Gateway, septiembre de 2026. La longitud de la barra es relativa al modelo de visión más caro del catálogo.
Frente a Kimi-K3 —el modelo de visión de techo, y genuinamente más fuerte—, MiMo-V2.5 es aproximadamente 9.6 veces más barato en salida y 7.7 veces más barato en entrada. Eso no es una afirmación de equivalencia; es un argumento sobre la forma de la carga de trabajo. Con cien mil imágenes al mes, el modelo de techo no es asumible y el mínimo sí, y la pregunta honesta es si el modelo mínimo supera tu listón de precisión, no si gana un benchmark.
05MiMo-V2.5 frente a MiniMax-M3: los dos modelos de visión baratos, comparados con honestidad
Estos dos empatan exactamente en precio, contexto y superficie de endpoints. No son intercambiables: el nivel de cuantización es un indicador de dos apuestas distintas sobre qué hace útil a un modelo de visión.
| MiMo-V2.5 · W8A16 | MiniMax-M3 · 3BIT-REAP | |
|---|---|---|
| Entrada / salida por 1M | $0.50 / $2.00 | $0.50 / $2.00 |
| Precisión de pesos | 8 bits | 3 bits + poda de expertos |
| Tamaño de la base | Compacta, densa | Grande, MoE dispersa |
| Visión | Sí | Sí |
| Ventana de contexto | 262,144 | 262,144 |
| Esquema · tools · streaming | Sí | Sí |
Elige MiMo-V2.5 cuando la imagen sea la parte difícil: OCR denso sobre escaneos imperfectos, extracción numérica de gráficos y tablas, anclaje de capturas de pantalla e interfaces, lectura de texto pequeño, distinguir fotos de producto casi idénticas; cualquier cosa donde un dígito transpuesto sea un defecto y no un fallo cosmético. Quieres el camino de mayor fidelidad de los píxeles a los tokens, y los pesos de 8 bits son cómo lo consigues a este precio.
Elige MiniMax-M3 cuando la imagen sea la parte fácil. Una base grande y dispersa comprimida a 3 bits sigue conteniendo más conocimiento del mundo y más amplitud de razonamiento de lo que puede un modelo compacto y denso, incluso después de la poda. Si la tarea es «mira esta foto y razona largamente sobre lo que implica», o la imagen es una entrada más en una conversación mayoritariamente de texto, la base más grande es el mejor instrumento: la agudeza visual que cediste no era la limitación determinante.
06MiMo-V2.5 frente a MiMo-V2.5-Pro: el hermano que cambió ojos por profundidad
Esta es la comparación que más tickets de soporte genera, así que conviene ser directo. MiMo-V2.5-Pro-W8A16 y MiMo-V2.5-W8A16 comparten precio, ventana de contexto, nivel de precisión y apellido. Pro no acepta imágenes. No es un superconjunto. Es un reparto distinto del mismo presupuesto.
Servir un modelo multimodal significa pagar una torre de visión y un proyector junto al decodificador: con un objetivo de coste fijo, capacidad que no se gasta en el propio modelo de lenguaje. Pro lo gasta todo en texto: una base mayor con más margen para escritura de formato largo, razonamiento extendido y código. MiMo-V2.5 gasta parte en ver.
Así que la regla de decisión va de tus entradas, no de tus ambiciones. Si alguna solicitud puede contener una captura de pantalla, una página escaneada, un gráfico, un diagrama o una fotografía, necesitas MiMo-V2.5: Pro rechazará el bloque de contenido. Si todas las solicitudes son texto y recurriste al modelo de visión por costumbre, estás dejando calidad de base sobre la mesa a cambio de nada: toma MiMo-V2.5-Pro a la misma tarifa.
Un patrón que merece la pena copiar: enruta por tipo de contenido. Todo lo que lleve una parte de imagen va a MiMo-V2.5-W8A16, el resto a MiMo-V2.5-Pro-W8A16. Misma familia, mismo precio, mismo presupuesto de contexto: el enrutador es trivial y no hay ningún modelo de costes que reconciliar.
07Qué significa realmente «comprensión de imágenes sin censura»
No hay capa de rechazo delante de este modelo ni filtro de contenido sobre su salida. Es una decisión de producto con una consecuencia concreta para el trabajo de visión: el modelo describe lo que hay en la imagen en lugar de negarse en función del tema.
Esto importa porque las API de visión filtradas son estructuralmente inadecuadas para toda una categoría de trabajo legítimo. Una tubería de moderación tiene que mirar el material que modera y decir qué es; un clasificador que se niega a examinar aquello que clasifica no es un clasificador. Lo mismo vale para una larga lista de trabajos reales:
- Herramientas de confianza y seguridad: etiquetar exactamente las imágenes que una API convencional no procesará, que son las que más necesitan etiquetarse.
- Imágenes médicas, forenses y de accidentes: fotografía clínica, de lesiones y de escenas que los filtros genéricos rechazan por explícita sin importar quién pregunte.
- Investigación de seguridad: leer páginas de phishing, interfaces maliciosas y pantallas capturadas sin que el modelo se resista ante la premisa.
- Clasificación de contenido adulto y catalogación de archivos: tuberías que existen para identificar material y no pueden externalizar el mirar, además de colecciones históricas que los filtros tratan como no etiquetables.
Quitar la capa de rechazo elimina un obstáculo de ingeniería, no uno legal. Shannon AI es operado por Shannon Lab LLC en Nuevo México, EE. UU., y el uso de la API se rige por nuestra Política de Uso Responsable. Una salida sin filtrar es una capacidad, no un permiso.
08Cómo llamarlo: endpoints, entrada de imagen y dónde encaja
El modelo es MiMo-V2.5-W8A16, accesible en tres dialectos de solicitud contra los mismos pesos, así que conservas el SDK que ya tengas:
/v1/chat/completions— compatible con OpenAI. Las imágenes entran como partes de contenidoimage_url, ya sea con una URL https o con un data URI en base64./v1/messages— compatible con Anthropic. Las imágenes entran como bloques de contenidoimage./v1/responses— el dialecto al estilo Responses.
El streaming y el tool calling funcionan en los tres, así que el modelo puede mirar una captura de pantalla y llamar a una función sobre lo que vio en un mismo turno. Los esquemas completos de solicitud y respuesta están en la documentación de la API, que además aloja un playground donde puedes pegar una imagen antes de escribir una línea de código.
MiMo-V2.5 admite json_schema estricto y response_format: la diferencia entre una demo y una tubería. Entrégale un recibo junto con un esquema con campos tipados para proveedor, fecha, líneas de detalle y total, y recibes de vuelta un objeto que tu código puede validar en lugar de un párrafo al que tienes que aplicar expresiones regulares. Dos de los doce modelos de este catálogo carecen de soporte completo de salida estructurada; este no, y por eso funciona como servicio de extracción de alto volumen.
La ventana de contexto es de 262,144 tokens; la salida generada está limitada a 16,384 tokens por solicitud. Las imágenes consumen tokens de entrada en función de la resolución, así que los escaneos de página en alta resolución devoran contexto mucho más rápido que un número equivalente de palabras de texto. Pagina los documentos largos en lugar de cargar un escaneo de 300 páginas en una sola solicitud, y trata el tope de salida como una limitación real para la extracción exhaustiva: trocea las tablas densas por rangos de filas en vez de recibir una respuesta truncada.
El mando reasoning_effort tiene aquí una palanca real dado el pedigrí de la familia. Bájalo para la clasificación de alto volumen, donde la respuesta es una etiqueta y los tokens de razonamiento son coste puro; súbelo para la interpretación de gráficos, las matemáticas visuales y el razonamiento sobre diagramas, donde el modelo debe combinar varias cosas que ve antes de poder responder.
Dónde encaja y dónde no
Buenos encajes. Extracción de documentos y recibos de alto volumen; trabajo cercano al OCR sobre escaneos imperfectos; lectura de gráficos, paneles y tablas; comprensión de capturas de pantalla y anclaje de interfaces; etiquetado de catálogos y preguntas visuales; tuberías de moderación; cualquier tarea multimodal donde el coste por llamada sea determinante y la precisión en el detalle fino sea lo que te niegas a ceder.
Malos encajes. Razonamiento multimodal de dificultad frontera que necesite el modelo más fuerte cueste lo que cueste: ese es el trabajo de Kimi-K3, y cuesta casi diez veces más por algo. Generación de solo texto, donde MiMo-V2.5-Pro da una base mejor a la misma tarifa. Trabajo que se apoye en conocimiento enciclopédico del mundo, donde una base grande y dispersa supera a una compacta y densa. Y cualquier cosa que necesite más de 262K de contexto, que ningún modelo de aquí ofrece.
Todas las cifras publicadas de arriba son de Xiaomi, para un checkpoint concreto de las series MiMo y MiMo-VL. Lee el material primario en lugar de nuestro resumen de él.
09Preguntas frecuentes
¿Qué es la API de visión de MiMo sin censura?
Es el modelo MiMo-V2.5 W8A16 en el Shannon AI Gateway: un modelo con visión del linaje MiMo de Xiaomi, servido en nuestro propio clúster de GPU con precisión de pesos de 8 bits, un contexto de 262,144 tokens y sin capa de rechazo ni filtro de salida. Acepta imágenes y texto en /v1/chat/completions, /v1/messages y /v1/responses a $0.50 por millón de tokens de entrada y $2.00 por millón de tokens de salida.
¿Cuál es el modelo sin censura más barato que realmente ve imágenes?
Hay dos empatados en el precio mínimo de $0.50 de entrada / $2.00 de salida por millón de tokens: MiMo-V2.5 W8A16 y MiniMax-M3 3BIT-REAP. MiMo-V2.5 es el de mayor precisión de los dos, con pesos de 8 bits, la opción por defecto más segura para el trabajo con imágenes sensible al detalle. MiniMax-M3 ejecuta una base mucho mayor comprimida a 3 bits, favoreciendo la amplitud de conocimiento del mundo por encima de la fidelidad píxel a píxel.
¿Qué significa W8A16 y por qué importa en visión?
W8A16 significa pesos de 8 bits con activaciones de 16 bits, el nivel de mayor fidelidad del catálogo de Shannon, usado cuando la base es lo bastante pequeña como para que la compresión agresiva sea innecesaria. Importa en visión porque una torre de visión y su proyector llevan el detalle fino por un camino estrecho, y los errores introducidos ahí no se recuperan después como sí ocurre a menudo con un embedding de texto algo borroso.
¿En qué se diferencia MiMo-V2.5 de MiMo-V2.5-Pro?
Mismo precio, mismo contexto de 262,144 tokens, mismo nivel W8A16, pero no el mismo modelo. MiMo-V2.5 acepta imágenes; MiMo-V2.5-Pro no, y gasta ese presupuesto de servicio en una base de texto mayor. Usa MiMo-V2.5 cuando las entradas incluyan capturas de pantalla, documentos, gráficos o fotografías; usa Pro para trabajo de solo texto a la misma tarifa.
¿El modelo de visión de MiMo sin censura admite JSON schema y tool calling?
Sí. MiMo-V2.5 W8A16 admite salida estructurada estricta con json_schema, response_format, tool calling, streaming y un control reasoning_effort. Eso es lo que lo hace utilizable como backend de extracción: le entregas una imagen y recibes un objeto validado en lugar de prosa que tienes que parsear.
Mándale una imagen
Visión de 8 bits, 262K de contexto, sin capa de rechazo, al precio de un modelo de solo texto.
Leer la documentación de la API Ver los 12 modelosId del modelo: MiMo-V2.5-W8A16 · regido por nuestra Política de Uso Responsable
Fuentes: informe técnico de MiMo (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Todas las cifras de benchmark son las reportadas por Xiaomi para los checkpoints publicados que se nombran arriba y describen el linaje de la familia, no la compilación exacta de este endpoint. Los precios, el contexto y los indicadores de capacidad son valores de lista del Shannon AI Gateway, septiembre de 2026.