Zentsurarik gabeko MiMo ikusmen-APIa

Amaiera-puntu multimodal merkeak merkeak dira zerbait moztu delako, eta moztutakoa ikusi ezin duzun zatia izaten da: pisuak hiru edo lau bitera estutzen dira, eta ereduak konfiantzaz erantzuten jarraitzen du dagoeneko irakurri ezin duen grafiko bati buruz. MiMo-V2.5 gure katalogoko kontra-adibidea da — aldi berean prezio-zoruan eta zehaztasun-maila gorenean, jaisten den oinarria handi eta bakan barik txiki eta trinko eraiki zelako.

01Nondik datorren MiMo: lehenik arrazoiketa-eredua, gero ikusmen-eredua

MiMo lerroa Xiaomi-ren pisu irekiko ikerketa-programa da, eta bere oinarrizko argudioa ez dago modan: arrazoitzeko gaitasuna aurre-entrenamenduan finkatzen da, ez da gero RL-rekin itsasten. Lana batez ere datu-ingeniaritza da — Xiaomi-k testu-erauzketa eta iragazketa berreraiki zituen corpuseko arrazoiketa-ereduen dentsitatea igotzeko, arrazoiketa-datu sintetikoak sortu zituen eskalan, eta MiMo-7B-Base 25 bilioi token inguruz aurre-entrenatu zuen hiru faseko nahasketa batekin, Token Anitzeko Iragarpena helburu osagarri gisa erabiliz, inferentzian deskodetzaile espekulatibo gisa ere balio duena (onarpen-tasa %90etik hurbil, Xiaomi-ren arabera).

Entrenamendu ostekoa nahita da austeroa: 130,000 matematika- eta kode-problema arauetan oinarritutako zehaztasun-sariekin bakarrik, ikasitako sari-eredurik gabe, sari-eredu neuronal bat hackeatzeko azalera delako. Egiaztagarriak diren sariak ezin dira hitz gozoz limurtu. MiMo-7B-RL-k bere tamainari ez dagozkion zenbakiak lortzen ditu — Xiaomi-k %68.2 AIME 2024-n, %95.8 MATH-500-en eta %57.8 LiveCodeBench v5-en jakinarazten ditu pass@1-en, OpenAI-ren o1-mini-rekin parekaturik. Hori da deitzen ari zaren ereduaren forma: trinkoa, dentsitate handiz entrenatua, erantzun bat gogoratu beharrean problema bat lantzeko doitua — eta izaera hori ondorengo eredu multimodaletara pasatzen da.

02Nola ikasi zuen MiMo-k ikusten: MiMo-VL arkitektura

MiMo-VL ikusmen-hizkuntza adarra da, eta bere eraikuntza argigarria da. Xiaomi-k hiru zati muntatu zituen: bereizmen natiboko ViT kodetzaile bat, xehetasun fina gordetzen duena irudi bakoitza bereizmen baxuko sareta finko batetik pasatzera behartu beharrean, MLP proiektatzaile bat ausaz hasieratua hizkuntza-ereduaren espazio latentera, eta — funtsezkoena — MiMo arrazoiketa-bizkarrezurra hizkuntza-eredu gisa. Ikusmen-sistemak urrats anitzeko pentsamenduan dagoeneko ona den deskodetzaile bat heredatzen du, azpitituluak jartzen bakarrik ona den bat baino.

Entrenamendua lau aurre-entrenamendu fasetan egin zen — proiektatzailea berotzea, ikusmen-hizkuntza lerrokatzea, aurre-entrenamendu multimodal orokorra, testuinguru luzeko SFT — 2.4 bilioi token inguruan zehar, eta gero Politika Gaineko Ikaskuntza Sendotzaile Mistoa (MORL), pertzepzioaren zehaztasuna, oinarritze bisualaren doitasuna, arrazoiketaren zuzentasuna eta gizakien/AIaren hobespenak politika gaineko begizta bakar batean tolestuz. Txostenak zintzoki dio hori guztia batera optimizatzea ezegonkorra dela — artikulu multimodal gehienek eskaintzen duten baino markoa zintzoagoa.

Argitaratutako emaitzak indartsuak dira parametro-kopururako. Xiaomi-k jakinarazten du MiMo-VL-7B-RL-k Qwen2.5-VL-7B gainditzen duela 40 zereginetatik 35etan, 59.4 lortzen duela OlympiadBench-en (78B arteko ereduen gainetik) eta 56.1 OSWorld-G-n GUI oinarritzean, helburu horretarako egindako interfaze-agenteen aurretik. Geroko 2508 eguneratzeak MMMU 70etik gora eraman zuen serieko lehen aldiz (70.6), 94.4 lortu zuen ChartQA-n, 92.5 ScreenSpot-v2-n eta 70.8 VideoMME-n, eta pentsamendua kontrolatzeko etengailu bat gehitu zuen arrazoiketa-arrastoak eskaeraz eskaera itzali ahal izateko.

03Zer esan nahi duen W8A16-k, eta zergatik axola duen gehiago ikusmenerako testurako baino

Atebideko eredu bakoitzak kuantizazio-atzizki bat darama. Ez da apaingarria — eredua zerbitzagarri egiteko zeren truke egin den esaten dizu.

Atzizkia	Zer den	Zergatik erabiltzen den
3BIT-REAP	3 biteko pisuak gehi REAP, MoE eredu batetik gutxitan bideratutako adituak kuantizatu aurretik kentzen dituen adituen inausketa-metodoa	Oinarririk handienak abiadura zentzuzkoan kabitu eta zerbitzatzeko modu bakarra
W4A16-AUTOROUND-REAP	4 biteko pisuak, 16 biteko aktibazioak, AutoRound-ekin kuantizatuta — hurbilenera biribiltze inuxentearen aldean zehaztasuna berreskuratzen duen biribiltze ikasia — gehi REAP inausketa	Konpresio muturrekorik behar ez duten oinarri handientzako erdibidea
W8A16	8 biteko pisuak, 16 biteko aktibazioak — zerbitzatzen dugun maila fidelena	Oinarria konpresio oldarkorra behar ez izateko bezain txikia denean erabiltzen da

MiMo-V2.5-k hirugarren errenkada irabazten du trinkoa izateagatik: klase honetako oinarri trinko batek ez du hiru bitera zapaldu beharrik kabitzeko, beraz zortzi mantentzeko modua duzu, eta lagintzen dituzun pisuak entrenatutakoetatik hurbil geratzen dira. Horrek proportzioz kanpo axola du irudi-lanean, arrazoi estruktural batengatik. Testu hutsezko deskodetzaile batean, kuantizazioarekin noraezean doan txertaketa bat geroagoko dozenaka arreta-geruzak berriro testuinguruan jartzen dute — berreskuratzeko aukera asko. Ikusmen-pilak ez du halako tarterik: informazio bisuala kodetzaile bakar batetik eta proiektatzaile estu bakar batetik pasatzen da deskodetzailera iritsi aurretik, eta ondorengo guztia botila-lepo horrek sortutakoaren mende dago. Seinale fina — 3 eta 8 arteko aldea kontraste baxuko eskaneatu batean, barra bat grafikoaren ardatzean amaitzen den pixel zehatza, klikatzeko eskatzen zaizun interfaze-elementuaren muga — kuantizazio oldarkorrak lehenengo botatzen duen magnitude txikiko pisu-xehetasunean bizi da.

3 biteko ikusmen-eredu batek ez du ozenki huts egiten; isilean huts egiten du, dokumentu baten deskribapen jariakorra emanez baina guztizkoan bi digitu trukatuta. Pisu-zehaztasun handiagoa da hutsegite horren aurkako asegururik merkeena, eta hemen doakoa da — zoruko prezioa ordaintzen duzu edonola ere.

04Zoruko prezioa, testuinguruan

Gure hamabi ereduko katalogoan lau daude milioi bat tokeneko $0.50 sarreran / $2.00 irteerako prezio-zoruan. Horietako batek bakarrik onartzen ditu irudiak. Hona hemen non erortzen diren ikusmena duten ereduak irteera-kostuan, benetako fakturarik gehienak menderatzen dituen zenbakian:

Irteera-prezioa USD-tan 1M tokeneko, Shannon AI atebideko zerrenda-tarifak, 2026ko iraila. Barraren luzera katalogoko ikusmen-eredurik garestienarekiko erlatiboa da.

Kimi-K3-ren aurka — sabaiko ikusmen-eredua, eta benetan indartsuagoa — MiMo-V2.5 gutxi gorabehera 9.6 aldiz merkeagoa da irteeran eta 7.7 aldiz merkeagoa sarreran. Hori ez da baliokidetasun-aldarrikapena; lan-kargaren formari buruzko argudioa da. Hilean ehun mila irudirekin, sabaiko eredua ez da ordaingarria eta zorukoa bai, eta galdera zintzoa da zoruko ereduak zure zehaztasun-langa gainditzen duen — ez benchmark bat irabazten duen.

05MiMo-V2.5 eta MiniMax-M3: bi ikusmen-eredu merkeak, zintzoki alderatuta

Bi hauek zehatz-mehatz berdinduta daude prezioan, testuinguruan eta amaiera-puntuen azaleran. Ez dira trukagarriak: kuantizazio-maila bi apustu desberdinen adierazlea da, ikusmen-eredu bat baliagarri egiten duenari buruz.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Sarrera / irteera 1M-ko	$0.50 / $2.00	$0.50 / $2.00
Pisu-zehaztasuna	8 bit	3 bit + adituen inausketa
Oinarriaren tamaina	Txikia, dentsoa	Handia, MoE bakana
Ikusmena	Bai	Bai
Testuinguru-leihoa	262,144	262,144
Eskema · tresnak · streaming	Bai	Bai

Aukeratu MiMo-V2.5 irudia zatirik zailena denean: OCR trinkoa eskaneatu inperfektuetan, zenbakien erauzketa grafiko eta tauletatik, pantaila-argazkien eta interfazeen oinarritzea, testu txikia irakurtzea, ia berdinak diren produktu-argazkiak bereiztea — digitu bat trukatzea akats kosmetikoa barik hutsegitea den edozer. Pixeletatik tokenetara bide fidelena nahi duzu, eta 8 biteko pisuak dira prezio honetan hori lortzeko modua.

Aukeratu MiniMax-M3 irudia zatirik errazena denean. 3 bitera konprimitutako oinarri bakan handi batek munduari buruzko ezagutza eta arrazoiketa-zabaltasun gehiago gordetzen ditu eredu trinko txiki batek gorde dezakeena baino, inausi ondoren ere. Zeregina "begiratu argazki honi eta arrazoitu luze zer esan nahi duen" bada, edo irudia batez ere testuzkoa den elkarrizketa bateko sarrera bat bada, oinarri handiagoa da tresna hobea — utzitako zorroztasun bisuala ez zen muga lotesle.

06MiMo-V2.5 eta MiMo-V2.5-Pro: begiak sakontasunagatik trukatu zituen anaia

Hau da laguntza-eskaera gehien sortzen dituen konparazioa, beraz merezi du zuzen hitz egitea. MiMo-V2.5-Pro-W8A16-k eta MiMo-V2.5-W8A16-k prezioa, testuinguru-leihoa, zehaztasun-maila eta familia-izena partekatzen dituzte. Pro-k ez ditu irudiak onartzen. Ez da gain-multzo bat. Aurrekontu beraren banaketa desberdina da.

Eredu multimodal bat zerbitzatzeak ikusmen-dorre eta proiektatzaile batengatik ordaintzea esan nahi du deskodetzailearekin batera — kostu-helburu finko batean, hizkuntza-ereduan bertan gastatzen ez den ahalmena. Pro-k dena testuan gastatzen du: oinarri handiagoa formatu luzeko idazketarako, arrazoiketa luzerako eta koderako tarte gehiagorekin. MiMo-V2.5-k zati bat ikusmenean gastatzen du.

Beraz, erabaki-araua zure sarrerei buruzkoa da, ez zure asmoei buruzkoa. Edozein eskaerak pantaila-argazki bat, eskaneatutako orri bat, grafiko bat, diagrama bat edo argazki bat izan badezake, MiMo-V2.5 behar duzu — Pro-k eduki-blokea baztertuko du. Eskaera guztiak testua badira eta ikusmen-eredura ohituragatik jo baduzu, oinarriaren kalitatea ezertarako gabe uzten ari zara mahai gainean: hartu MiMo-V2.5-Pro tarifa berean.

Lapurtzea merezi duen eredu bat: bideratu eduki-motaren arabera. Irudi-zatia duen guztia MiMo-V2.5-W8A16-ra doa, gainerako guztia MiMo-V2.5-Pro-W8A16-ra. Familia bera, prezio bera, testuinguru-aurrekontu bera — bideratzailea hutsala da eta ez dago bateratu beharreko kostu-eredurik.

07Zer esan nahi duen benetan "zentsurarik gabeko irudi-ulermenak"

Ez dago uko egiteko geruzarik eredu honen aurrean eta ez dago eduki-iragazkirik bere irteeran. Produktu-erabaki bat da, ikusmen-lanerako ondorio zehatz batekin: ereduak fotograman dagoena deskribatzen du gaiaren arabera uko egin beharrean.

Honek axola du, iragazitako ikusmen-APIak estrukturalki desegokiak baitira lan zilegien kategoria oso baterako. Moderazio-kanalizazio batek moderatzen duen materialari begiratu behar dio eta zer den esan; sailkatzen duenari begiratzeari uko egiten dion sailkatzaile bat ez da sailkatzaile bat. Gauza bera gertatzen da benetako lanen zerrenda luze batean:

• Konfiantza eta segurtasun-tresneria — API nagusi batek prozesatuko ez dituen irudiak hain zuzen ere etiketatzea, hots, etiketatzea gehien behar duten irudiak.
• Irudi mediko, forentse eta istripuetakoak — iragazki generikoek nork galdetzen duen kontuan hartu gabe gordintzat baztertzen dituzten argazki kliniko, lesio eta gertaeraren lekukoak.
• Segurtasun-ikerketa — phishing orriak, interfaze maltzurrak eta kapturatutako pantailak irakurtzea, ereduak premisari uko egin gabe.
• Helduentzako edukiaren sailkapena eta artxibo-katalogazioa — materiala identifikatzeko existitzen diren eta begiratzea kanpora eman ezin duten kanalizazioak, gehi iragazkiek etiketaezintzat jotzen dituzten bilduma historikoak.

Uko egiteko geruza kentzeak ingeniaritza-oztopo bat kentzen du, ez lege-oztopo bat. Shannon AI Shannon Lab LLC-k kudeatzen du New Mexicon, AEBn, eta APIaren erabilera gure Erabilera Arduratsuaren Politikak arautzen du. Iragazi gabeko irteera gaitasun bat da, ez baimen-agiri bat.

08Deitzea: amaiera-puntuak, irudi-sarrera eta non kokatzen den

Eredua MiMo-V2.5-W8A16 da, pisu berberen aurka hiru eskaera-dialektotan atzigarria, beraz dagoeneko duzun SDK gordetzen duzu:

• /v1/chat/completions — OpenAIrekin bateragarria. Irudiak image_url eduki-zati gisa sartzen dira, https URL gisa edo base64 data URI gisa.
• /v1/messages — Anthropicekin bateragarria. Irudiak image eduki-bloke gisa sartzen dira.
• /v1/responses — Responses erako dialektoa.

Streamingak eta tresna-deiek hiruretan funtzionatzen dute, beraz ereduak pantaila-argazki bati begiratu eta ikusi duenari buruz funtzio bati dei diezaioke txanda bakarrean. Eskaeren eta erantzunen eskema osoak APIaren dokumentazioan daude, eta han bertan dago kodea idatzi aurretik irudi bat itsatsi dezakezun proba-eremua.

MiMo-V2.5-k json_schema zorrotza eta response_format onartzen ditu — demo baten eta kanalizazio baten arteko aldea. Eman iezaiozu erreziboa eta saltzaile, data, lerro-elementu eta guztizkorako eremu tipatuak dituen eskema bat, eta zure kodeak balioztatu dezakeen objektu bat jasoko duzu, regexa aplikatu behar diozun paragrafo bat baino. Katalogo honetako hamabi ereduetatik bik ez dute egituratutako irteeraren euskarri osoa; honek badu, eta horregatik funtzionatzen du bolumen handiko erauzketa-zerbitzu gisa.

Testuinguru-leihoa 262,144 token da; sortutako irteera eskaerako 16,384 tokenetara mugatzen da. Irudiek sarrera-tokenak jaten dituzte bereizmenaren arabera, beraz bereizmen handiko orri-eskaneatuek testuaren hitz-kopuru baliokideak baino askoz azkarrago jaten dute testuingurua. Orrikatu dokumentu luzeak 300 orriko eskaneatu bat eskaera bakarrean kargatu beharrean, eta hartu irteera-muga erauzketa oso baterako benetako murrizketa gisa — zatitu taula trinkoak errenkada-tarteka erantzun moztu bat jaso beharrean.

reasoning_effort kontrolak benetako palanka du hemen familiaren jatorria kontuan hartuta. Jaitsi bolumen handiko sailkapenerako, non erantzuna etiketa bat den eta pentsamendu-tokenak kostu hutsa diren; igo grafikoen interpretaziorako, matematika bisualerako eta diagramen arrazoiketarako, non ereduak ikusten dituen hainbat gauza konbinatu behar dituen erantzun aurretik.

Non kokatzen den, eta non ez

Egokitzapen onak. Bolumen handiko dokumentu- eta erreziboen erauzketa; OCRtik hurbileko lana eskaneatu inperfektuetan; grafikoak, aginte-panelak eta taulak irakurtzea; pantaila-argazkien ulermena eta interfazeen oinarritzea; katalogoak etiketatzea eta galdera-erantzun bisuala; moderazio-kanalizazioak — deiko kostua lotesle den eta xehetasun finaren zehaztasuna utzi nahi ez duzun edozein zeregin multimodal.

Egokitzapen txarrak. Muga-zailtasuneko arrazoiketa multimodala, prezioa gorabehera eredu indartsuena behar duena — Kimi-K3-ren lana da hori, eta ia hamar aldiz gehiago kostatzeko arrazoi bat dago. Testu hutsezko sorkuntza, non MiMo-V2.5-Pro-k oinarri hobea ematen duen tarifa berean. Munduari buruzko ezagutza entziklopedikoan oinarritzen den lana, non oinarri bakan handi batek trinko txiki bat gainditzen duen. Eta 262K baino testuinguru gehiago behar duen edozer, hemengo ereduetako batek ere eskaintzen ez duena.

09Maiz egiten diren galderak

---

Iturriak: MiMo txosten teknikoa (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Benchmark datu guztiak Xiaomi-k jakinarazitakoak dira goian izendatutako egiaztapen-puntuetarako eta familiaren leinua deskribatzen dute, ez amaiera-puntu honetako eraikuntza zehatza. Prezioak, testuingurua eta gaitasun-banderak Shannon AI atebideko zerrenda-balioak dira, 2026ko iraila.