Tsenseerimata MiMo nägemis-API

Odavad multimodaalsed otspunktid on odavad seepärast, et midagi on ära lõigatud, ja ära lõigatakse tavaliselt see osa, mida sa ei näe: kaalud on pigistatud kolme või nelja bitini ja mudel vastab endiselt enesekindlalt diagrammi kohta, mida ta tegelikult enam lugeda ei suuda. MiMo-V2.5 on meie kataloogi vastunäide — hinnapõrandal ja samal ajal kõrgeimal täpsustasemel, sest vundament, millest ta pärineb, ehitati väikeseks ja tihedaks, mitte tohutuks ja hõredaks.

01Kust MiMo tuleb: kõigepealt arutlusmudel, alles siis nägemismudel

MiMo liin on Xiaomi avatud kaaludega uurimisprogramm ja tema asutamisargument on ebamoodne: arutlusvõime määratakse eeltreeningul, mitte ei poldita hiljem RL-iga külge. Töö on peamiselt andmetehnika — Xiaomi ehitas teksti ekstraktimise ja filtreerimise ümber, et tõsta arutlusmustrite tihedust korpuses, genereeris sünteetilisi arutlusandmeid suures mahus ja eeltreenis MiMo-7B-Base'i umbes 25 triljonil tokenil kolmeetapilise seguga, kusjuures mitme tokeni ennustus oli abieesmärk, mis toimib järeldamise ajal ühtlasi spekulatiivse dekoodrina (vastuvõtumäär Xiaomi järgi ligi 90%).

Järeltreening on meelega askeetlik: 130,000 matemaatika- ja koodiülesannet ainult reeglipõhiste täpsuspreemiatega, ilma õpitud preemiamudelita, arutlusega, et neuraalne preemiamudel on pind, mida häkkida. Kontrollitavaid preemiaid ei saa ilusate sõnadega üle rääkida. MiMo-7B-RL näitab numbreid, mis on tema suurusega ebaproportsioonis — Xiaomi teatab 68.2% AIME 2024-l, 95.8% MATH-500-l, 57.8% LiveCodeBench v5-l pass@1 juures, olles võrdne OpenAI o1-miniga. Selline ongi mudeli kuju, keda sa kutsud: kompaktne, tihedalt treenitud, häälestatud ülesannet läbi töötama, mitte vastust meenutama — ja see temperament kandub edasi multimodaalsetesse järglastesse.

02Kuidas MiMo õppis nägema: MiMo-VL arhitektuur

MiMo-VL on nägemis-keele haru ja tema ehitus on õpetlik. Xiaomi pani kokku kolm osa: natiivse lahutusvõimega ViT-kooder, mis säilitab peene detaili, selle asemel et suruda iga pilt läbi fikseeritud madala lahutusvõimega võre, juhuslikult lähtestatud MLP-projektor keelemudeli latentsesse ruumi ja — otsustavalt — MiMo arutlusselgroog keelemudelina. Nägemissüsteem pärib dekoodri, kes on juba hea mitmesammulises mõtlemises, mitte sellise, kes on hea ainult pildiallkirjade tegemises.

Treening käis neljas eeltreeningu etapis — projektori soojendus, nägemise ja keele joondamine, üldine multimodaalne eeltreening, pika kontekstiga SFT — umbes 2.4 triljoni tokeni lõikes, seejärel Mixed On-policy Reinforcement Learning (MORL), mis voltis taju täpsuse, visuaalse maandamise täpsuse, arutluse korrektsuse ning inimeste/AI eelistused ühte on-policy tsüklisse. Aruanne on aus selles, et kõigi nende üheaegne optimeerimine on ebastabiilne — ausam raamistus, kui enamik multimodaalseid artikleid pakub.

Avaldatud tulemused on parameetrite arvu kohta tugevad. Xiaomi teatab, et MiMo-VL-7B-RL lööb Qwen2.5-VL-7B-d 40 ülesandest 35-l, saab 59.4 OlympiadBenchil (üle mudelite kuni 78B-ni) ja 56.1 OSWorld-G-l kasutajaliidese maandamises, edestades sihtotstarbelisi liidesagente. Hilisem 2508 värskendus viis MMMU esimest korda seerias üle 70 (70.6), jõudis 94.4-ni ChartQA-l, 92.5-ni ScreenSpot-v2-l ja 70.8-ni VideoMME-l ning lisas mõtlemise juhtimise lüliti, nii et arutlusjälgi saab päringu kaupa välja lülitada.

03Mida W8A16 tähendab ja miks see nägemise jaoks rohkem loeb kui teksti jaoks

Iga lüüsi mudel kannab kvantiseerimise järelliidet. See ei ole kaunistus — see ütleb sulle, mida vahetati, et mudel serveeritavaks teha.

Järelliide	Mis see on	Miks seda kasutatakse
3BIT-REAP	3-bitised kaalud pluss REAP, ekspertide kärpimise meetod, mis viskab MoE mudelist enne kvantiseerimist välja harva marsruuditud eksperdid	Ainus viis kõige suuremaid vundamente mõistliku kiirusega mahutada ja serveerida
W4A16-AUTOROUND-REAP	4-bitised kaalud, 16-bitised aktivatsioonid, kvantiseeritud AutoRoundiga — õpitud ümardamine, mis taastab täpsust naiivse lähima ümardamise ees — pluss REAP-kärpimine	Kesktee suurtele vundamentidele, mis ei vaja äärmuslikku kompressiooni
W8A16	8-bitised kaalud, 16-bitised aktivatsioonid — kõrgeima täpsusega tase, mida me serveerime	Kasutatakse seal, kus vundament on piisavalt väike, et agressiivne kompressioon ei ole vajalik

MiMo-V2.5 teenib kolmanda rea sellega, et on kompaktne: selle klassi tihe vundament ei vaja mahtumiseks kolme bitini pigistamist, nii et sa saad endale lubada kaheksat hoida ja kaalud, millest sa valimustad, jäävad lähedale nendele, mida treeniti. See loeb pilditöö jaoks ebaproportsionaalselt palju, ja seda struktuursel põhjusel. Ainult tekstilises dekoodris, kui vektor kvantiseerimise all triivib, kontekstualiseerivad kümned hilisemad tähelepanukihid ta uuesti — palju võimalusi taastuda. Nägemisvirnal sellist lõtku ei ole: visuaalne info käib läbi ühe kooderi ja ühe kitsa projektori, enne kui see dekoodrini jõuab, ning kõik allavoolu on tingitud sellest, mida see pudelikael tootis. Peeneteraline signaal — 3 versus 8 madala kontrastiga skaneeringus, täpne piksel, kus tulp diagrammi teljel lõpeb, kasutajaliidese elemendi piir, mille peale sul kästakse klõpsata — elab madala suurusjärguga kaaludetailis, mille agressiivne kvantiseerimine kõigepealt ära viskab.

3-bitine nägemismudel ei kuku läbi valjult; ta kukub läbi vaikselt, tootes ladusa dokumendikirjelduse, milles on kaks numbrikohta kogusummas ära vahetatud. Kõrgem kaalutäpsus on odavaim kindlustus selle tõrke vastu ja siin on see tasuta — sa maksad põrandahinda niikuinii.

04Põrandahind kontekstis

Neli mudelit meie kaheteistkümne mudeli kataloogis asuvad hinnapõrandal $0.50 sisend / $2.00 väljund miljoni tokeni kohta. Ainult üks neist võtab pilte. Siin on, kuhu nägemisvõimelised mudelid väljundikulu poolest maanduvad — number, mis enamikku päris arveid domineerib:

Väljundihind USD-des miljoni tokeni kohta, Shannon AI lüüsi hinnakirja määrad, september 2026. Riba pikkus on suhtes kataloogi kalleima nägemismudeliga.

Kimi-K3 vastu — laenägemismudel ja tõeliselt tugevam — on MiMo-V2.5 väljundil umbes 9.6× odavam ja sisendil 7.7× odavam. See ei ole väide võrdsuse kohta; see on argument koormuse kuju kohta. Saja tuhande pildi juures kuus ei ole laemudel taskukohane ja põrandamudel on, ning aus küsimus on, kas põrandamudel ületab sinu täpsuslati — mitte see, kas ta võidab võrdlustesti.

05MiMo-V2.5 vs MiniMax-M3: kaks odavat nägemismudelit ausalt võrreldud

Need kaks on hinna, konteksti ja otspunktipinna poolest täpselt viigis. Nad ei ole omavahel asendatavad: kvantiseerimistase on asendusmõõdik kahele eri panusele selle kohta, mis teeb nägemismudeli kasulikuks.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Sisend / väljund 1M kohta	$0.50 / $2.00	$0.50 / $2.00
Kaalude täpsus	8-bitine	3-bitine + ekspertide kärpimine
Vundamendi suurus	Kompaktne, tihe	Suur, hõre MoE
Nägemine	Jah	Jah
Kontekstiaken	262,144	262,144
Skeem · tööriistad · voogedastus	Jah	Jah

Vali MiMo-V2.5, kui pilt on raske osa: tihe OCR ebatäiuslikel skaneeringutel, numbriline ekstraktimine diagrammidest ja tabelitest, ekraanitõmmiste ja kasutajaliidese maandamine, väikese teksti lugemine, peaaegu identsete tootefotode eristamine — kõik, kus ümber vahetatud number on defekt, mitte kosmeetiline viga. Sa tahad kõige suurema täpsusega teed pikslitest tokeniteni ja 8-bitised kaalud on see, kuidas sa selle selle hinnaga saad.

Vali MiniMax-M3, kui pilt on lihtne osa. Suur hõre vundament, mis on surutud 3 bitini, hoiab endiselt rohkem maailmateadmisi ja arutluslaiust kui kompaktne tihe mudel suudab, isegi pärast kärpimist. Kui ülesanne on „vaata seda fotot ja arutle pikalt selle üle, mida see tähendab”, või kui pilt on üks sisend enamasti tekstilises vestluses, on suurem vundament parem instrument — visuaalne teravus, mille sa ära vahetasid, ei olnud siduv piirang.

06MiMo-V2.5 vs MiMo-V2.5-Pro: sugulane, kes vahetas silmad sügavuse vastu

See on võrdlus, mis tekitab kõige rohkem tugipileteid, nii et tasub olla otsekohene. MiMo-V2.5-Pro-W8A16 ja MiMo-V2.5-W8A16 jagavad hinda, kontekstiakent, täpsustaset ja perekonnanime. Pro ei võta pilte vastu. Ta ei ole ülemhulk. Ta on sama eelarve teistsugune jaotus.

Multimodaalse mudeli serveerimine tähendab dekoodri kõrval nägemistorni ja projektori eest maksmist — fikseeritud kulusihi juures on see võimsus, mida ei kulutata keelemudelile endale. Pro kulutab selle kõik tekstile: suurem vundament, millel on rohkem ruumi pika vormi kirjutamiseks, pikendatud arutluseks ja koodiks. MiMo-V2.5 kulutab osa sellest nägemisele.

Nii et otsustusreegel puudutab sinu sisendeid, mitte sinu ambitsioone. Kui mis tahes päring võib sisaldada ekraanitõmmist, skaneeritud lehekülge, diagrammi, skeemi või fotot, siis sa vajad MiMo-V2.5 — Pro lükkab sisuploki tagasi. Kui iga päring on tekst ja sa haarasid nägemismudeli järele harjumusest, siis jätad sa vundamendi kvaliteedi asjata lauale: võta MiMo-V2.5-Pro identse määraga.

Muster, mida tasub varastada: marsruudi sisutüübi järgi. Kõik, milles on pildiosa, läheb mudelile MiMo-V2.5-W8A16, kõik muu mudelile MiMo-V2.5-Pro-W8A16. Sama perekond, sama hind, sama kontekstieelarve — ruuter on triviaalne ja kulumudelit ei ole vaja kokku viia.

07Mida „tsenseerimata pildimõistmine” tegelikult tähendab

Selle mudeli ees ei ole keeldumiskihti ja tema väljundil ei ole sisufiltrit. See on tootearenduse otsus, millel on nägemistöö jaoks konkreetne tagajärg: mudel kirjeldab seda, mis kaadris on, selle asemel et teema alusel keelduda.

See loeb, sest filtreeritud nägemis-API-d on struktuurselt kõlbmatud terve kategooria õiguspärase töö jaoks. Modereerimistorustik peab vaatama materjali, mida ta modereerib, ja ütlema, mis see on; klassifikaator, kes keeldub uurimast asja, mida ta klassifitseerib, ei ole klassifikaator. Sama kehtib pika nimekirja päris tööde kohta:

• Usalduse ja turvalisuse tööriistad — täpselt selle pildimaterjali sildistamine, mida peavoolu API ei töötle, ja just see on pildimaterjal, mis kõige rohkem sildistamist vajab.
• Meditsiiniline, kohtuekspertiisi ja õnnetuste pildimaterjal — kliinilised, vigastuste ja sündmuskoha fotod, mille üldfiltrid jõhkrana tagasi lükkavad, sõltumata sellest, kes küsib.
• Turvauuringud — andmepüügilehtede, pahatahtlike liideste ja jäädvustatud ekraanide lugemine, ilma et mudel eelduse pärast tõrguks.
• Täiskasvanusisu klassifitseerimine ja arhiivinduslik kataloogimine — torustikud, mis on olemas materjali tuvastamiseks ja ei saa vaatamist kellelegi teisele delegeerida, pluss ajaloolised kogud, mida filtrid käsitlevad sildistamatuna.

Keeldumiskihi eemaldamine eemaldab insenerilise takistuse, mitte õigusliku. Shannon AI-d opereerib Shannon Lab LLC New Mexicos, USA-s, ja API kasutamist reguleerib meie vastutustundliku kasutuse poliitika. Filtreerimata väljund on võimekus, mitte luba.

08Kutsumine: otspunktid, pildisisend ja kuhu ta sobib

Mudel on MiMo-V2.5-W8A16, kelleni jõuab kolme päringudialekti kaudu samade kaalude juurde, nii et sa hoiad alles selle SDK, mis sul juba on:

• /v1/chat/completions — OpenAI-ga ühilduv. Pildid lähevad sisse image_url sisuosadena, kas https URL-i või base64 andme-URI-na.
• /v1/messages — Anthropicuga ühilduv. Pildid lähevad sisse image sisuplokkidena.
• /v1/responses — Responses-stiilis dialekt.

Voogedastus ja tööriistakutsed töötavad kõigil kolmel, nii et mudel saab ühes vooris ekraanitõmmist vaadata ja kutsuda funktsiooni selle kohta, mida ta nägi. Täielikud päringu- ja vastuseskeemid on API dokumentatsioonis, kus on ka mänguväljak, kuhu sa saad pildi kleepida enne, kui ridagi koodi kirjutad.

MiMo-V2.5 toetab ranget json_schema-t ja response_format-i — vahe demo ja torustiku vahel. Anna talle tšekk pluss skeem, milles on tüübitud väljad müüja, kuupäeva, ridade ja kogusumma jaoks, ja sa saad tagasi objekti, mida sinu kood saab valideerida, mitte lõigu, mida sa pead regexiga läbi käima. Kahel selle kataloogi kaheteistkümnest mudelist puudub täielik struktureeritud väljundi tugi; sellel mitte, ja just seepärast toimib ta suure mahuga ekstraktimisteenusena.

Kontekstiaken on 262,144 tokenit; genereeritud väljund on piiratud 16,384 tokeniga päringu kohta. Pildid tarbivad sisenditokeneid lahutusvõime funktsioonina, nii et kõrglahutusega leheküljeskaneeringud söövad konteksti palju kiiremini kui samaväärne sõnade arv teksti. Pikad dokumendid jaga lehekülgedeks, selle asemel et laadida 300-leheküljeline skaneering ühte päringusse, ja käsitle väljundilage päris piiranguna ammendava ekstraktimise juures — jaga tihedad tabelid ridade vahemike kaupa, selle asemel et saada kärbitud vastus.

reasoning_effort nupul on siin perekonna pedigree tõttu päris kang. Keera see alla suure mahuga klassifitseerimiseks, kus vastus on silt ja mõtlemistokenid on puhas kulu; keera üles diagrammide tõlgendamiseks, visuaalseks matemaatikaks ja skeemide üle arutlemiseks, kus mudel peab enne vastamist mitu nähtut kokku panema.

Kuhu ta sobib ja kuhu mitte

Head sobivused. Suure mahuga dokumentide ja tšekkide ekstraktimine; OCR-lähedane töö ebatäiuslikel skaneeringutel; diagrammide, töölaudade ja tabelite lugemine; ekraanitõmmiste mõistmine ja kasutajaliidese maandamine; kataloogi sildistamine ja visuaalne küsimustele vastamine; modereerimistorustikud — iga multimodaalne ülesanne, kus päringukohane kulu piirab ja peene detaili täpsus on see, millest sa keeldud loobumast.

Halvad sobivused. Tipuraskusega multimodaalne arutlus, mis vajab tugevaimat mudelit sõltumata hinnast — see on Kimi-K3 töö ja ta maksab põhjusega peaaegu kümme korda rohkem. Ainult tekstiline genereerimine, kus MiMo-V2.5-Pro annab sama määraga parema vundamendi. Töö, mis toetub entsüklopeedilistele maailmateadmistele, kus suur hõre vundament jookseb kompaktsest tihedast ette. Ja kõik, mis vajab rohkem kui 262K konteksti, mida siin ükski mudel ei paku.

09Korduma kippuvad küsimused

---

Allikad: MiMo tehniline aruanne (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Kõik võrdlustesti näitajad on Xiaomi teatatud ülalnimetatud väljalastud kontrollpunktide kohta ja kirjeldavad perekonna liini, mitte täpset ehitust selles otspunktis. Hinnad, kontekst ja võimekuselipud on Shannon AI lüüsi hinnakirja väärtused, september 2026.