API بینایی بدون سانسور MiMo
تنها مدل کاتالوگ ما که دقت وزنی ۸ بیتی را با فهم تصویر جفت می‌کند — و دقیقاً همان‌قدر هزینه دارد که مدل‌های کف فقط‌متنی: ۰٫۵۰ دلار ورودی / ۲٫۰۰ دلار خروجی به ازای هر میلیون توکن.
خلاصه
MiMo-V2.5-W8A16 عضو دارای بینایی از جفت MiMo روی گیت‌وی Shannon AI است، از نسل خط MiMo شیائومی — یک مدل زبانی استدلال‌محور با برجی بینایی که رویش پیوند خورده — که با W8A16، بالاترین رده وفاداری کوانتیزاسیون ما، روی خوشه GPU خودمان سرو می‌شود. کانتکست ۲۶۲٬۱۴۴ توکنی، بیشینه ۱۶٬۳۸۴ توکن خروجی، فراخوانی ابزار، اسکیمای JSON سخت‌گیرانه، استریمینگ، و یک دسته تنظیم reasoning_effort. بدون لایه رد درخواست، بدون فیلتر خروجی. در ارزان‌ترین بینایی صف با MiniMax-M3 مساوی است و از نظر دقت از آن جلو می‌زند.
اندپوینت‌های چندوجهی ارزان به این دلیل ارزان‌اند که چیزی از آنها زده شده، و آنچه زده می‌شود معمولاً همان بخشی است که نمی‌بینید: وزن‌ها تا سه یا چهار بیت فشرده می‌شوند و مدل همچنان با اطمینان درباره نموداری پاسخ می‌دهد که دیگر واقعاً نمی‌تواند بخواندش. مدل MiMo-V2.5 مثال نقض کاتالوگ ماست — همزمان روی کف قیمت و روی بالاترین رده دقت، چون بنیانی که از آن آمده کوچک و چگال ساخته شده نه غول‌آسا و تُنُک.
01MiMo از کجا می‌آید: نخست یک مدل استدلالی، بعد یک مدل بینایی
خط MiMo برنامه پژوهشی وزن‌باز شیائومی است، و استدلال بنیادینش خلاف مُد روز است: توانایی استدلال در پیش‌آموزش تعیین می‌شود، نه اینکه بعداً با یادگیری تقویتی رویش پیچ شود. کار عمدتاً مهندسی داده است — شیائومی استخراج و پالایش متن را از نو ساخت تا چگالی الگوهای استدلالی در پیکره بالا برود، داده استدلالی مصنوعی در مقیاس بزرگ تولید کرد، و MiMo-7B-Base را روی تقریباً ۲۵ تریلیون توکن با ترکیبی سه‌مرحله‌ای پیش‌آموزش داد، به‌علاوه پیش‌بینی چندتوکنی به‌عنوان هدفی کمکی که هنگام استنتاج نقش یک رمزگشای گمانه‌زنانه را هم بازی می‌کند (به گفته شیائومی، نرخ پذیرش نزدیک ۹۰٪).
پس‌آموزش عامدانه ریاضتی است: ۱۳۰٬۰۰۰ مسئله ریاضی و کدنویسی با فقط پاداش‌های دقت قاعده‌محور، بدون هیچ مدل پاداش آموخته‌شده، با این استدلال که یک مدل پاداش عصبی سطحی است که هک می‌شود. پاداش‌های قابل‌راستی‌آزمایی را نمی‌شود با چرب‌زبانی فریفت. مدل MiMo-7B-RL اعدادی نامتناسب با اندازه‌اش ثبت می‌کند — شیائومی ۶۸٫۲٪ در AIME 2024، ۹۵٫۸٪ در MATH-500 و ۵۷٫۸٪ در LiveCodeBench v5 با pass@1 گزارش می‌کند که با o1-mini شرکت OpenAI برابری می‌کند. شکل مدلی که فرا می‌خوانید همین است: جمع‌وجور، چگال‌آموزش‌دیده، و کوک‌شده برای کار کردن روی یک مسئله نه به‌یاد آوردن یک پاسخ — و همین خُلق‌وخو به نسل‌های چندوجهی هم منتقل می‌شود.
02MiMo چگونه دیدن آموخت: معماری MiMo-VL
MiMo-VL شاخه زبانی-بینایی است، و ساختش آموزنده است. شیائومی سه بخش را کنار هم گذاشت: یک انکودر ViT با وضوح بومی که به‌جای عبور دادن هر تصویر از یک شبکه کم‌وضوح ثابت جزئیات ریز را حفظ می‌کند، یک تصویرگر MLP با مقداردهی تصادفی به فضای نهان مدل زبانی، و — که تعیین‌کننده است — تنه استدلالی MiMo به‌عنوان مدل زبانی. سامانه بینایی رمزگشایی را به ارث می‌برد که از پیش در تفکر چندمرحله‌ای خوب است، نه رمزگشایی که صرفاً در کپشن‌نویسی خوب باشد.
آموزش در چهار مرحله پیش‌آموزش اجرا شد — گرم کردن تصویرگر، هم‌ترازی زبان و بینایی، پیش‌آموزش چندوجهی عمومی، و تنظیم دقیق نظارت‌شده با کانتکست بلند — در تقریباً ۲٫۴ تریلیون توکن، و سپس یادگیری تقویتی روی-سیاست مخلوط (MORL)، که دقت ادراک، دقت مکان‌یابی بصری، درستی استدلال و ترجیح انسان/هوش مصنوعی را در یک حلقه روی-سیاست جمع می‌کند. گزارش صادقانه می‌گوید بهینه کردن همه اینها به‌طور همزمان ناپایدار است — چارچوبی صادقانه‌تر از آنچه بیشتر مقالات چندوجهی ارائه می‌کنند.
نتایج منتشرشده برای این شمار پارامتر قوی‌اند. شیائومی گزارش می‌کند MiMo-VL-7B-RL در ۳۵ از ۴۰ وظیفه از Qwen2.5-VL-7B جلو می‌زند، ۵۹٫۴ در OlympiadBench می‌گیرد (بالاتر از مدل‌هایی تا ۷۸ میلیارد پارامتر)، و برای مکان‌یابی رابط گرافیکی به ۵۶٫۱ در OSWorld-G می‌رسد، جلوتر از عامل‌های رابط که برای همین کار ساخته شده‌اند. بازنگری بعدی 2508 برای نخستین بار در این سری MMMU را از ۷۰ عبور داد (۷۰٫۶)، به ۹۴٫۴ در ChartQA، ۹۲٫۵ در ScreenSpot-v2 و ۷۰٫۸ در VideoMME رسید، و کلیدی برای کنترل تفکر افزود تا بتوان ردهای استدلالی را به ازای هر درخواست خاموش کرد.
نکته‌ای درباره ادعاهای نسخه
هر عدد بالا رقم منتشرشده خودِ شیائومی برای یک ایست‌بازرسی منتشرشده مشخص است، که در بلوک منابع پایین به آن پیوند داده شده. مدخل کاتالوگ ما نقطه‌ای دیرتر در همان تبار است. ما داریم می‌گوییم مدل از کجا می‌آید و این خانواده برای چه ساخته شده — نه اینکه ادعا کنیم دقیقاً همان امتیازها به بیلدی که فرا می‌خوانید منتقل می‌شود. بار کاری خودتان را بنچمارک کنید؛ قیمت کف برای همین است.
03W8A16 یعنی چه، و چرا برای بینایی بیشتر از متن اهمیت دارد
هر مدل روی گیت‌وی یک پسوند کوانتیزاسیون دارد. این تزئین نیست — به شما می‌گوید چه چیزی معاوضه شده تا مدل قابل‌سرویس‌دهی شود.
| پسوند | چیست | چرا به کار می‌رود |
|---|---|---|
| 3BIT-REAP | وزن‌های ۳ بیتی به‌علاوه REAP، روشی برای هرس متخصص که متخصص‌های به‌ندرت‌مسیریابی‌شده را پیش از کوانتیزه کردن از یک مدل MoE حذف می‌کند | تنها راه جا دادن و سرو کردن بزرگ‌ترین بنیان‌ها با سرعتی معقول |
| W4A16-AUTOROUND-REAP | وزن‌های ۴ بیتی، فعال‌سازی‌های ۱۶ بیتی، کوانتیزه‌شده با AutoRound — گِردکردن آموخته‌شده که نسبت به گِردکردن ساده به نزدیک‌ترین مقدار دقت را بازمی‌گرداند — به‌علاوه هرس REAP | حد میانی برای بنیان‌های بزرگی که به فشرده‌سازی حدی نیاز ندارند |
| W8A16 | وزن‌های ۸ بیتی، فعال‌سازی‌های ۱۶ بیتی — بالاترین رده وفاداری که سرو می‌کنیم | آنجا به کار می‌رود که بنیان به‌قدر کافی کوچک است و فشرده‌سازی تهاجمی لازم نیست |
مدل MiMo-V2.5 سطر سوم را با جمع‌وجور بودن به دست می‌آورد: یک بنیان چگال در این رده برای جا شدن نیاز ندارد تا سه بیت له شود، پس می‌توانید هشت بیت را نگه دارید و وزن‌هایی که از آنها نمونه می‌گیرید نزدیک به همان‌هایی می‌مانند که آموزش دیده‌اند. این برای کار تصویری به‌طور نامتناسبی اهمیت دارد، به دلیلی ساختاری. در یک رمزگشای فقط‌متنی، تعبیه‌ای که زیر کوانتیزاسیون منحرف می‌شود به‌دست ده‌ها لایه توجه بعدی دوباره در بافت قرار می‌گیرد — فرصت‌های زیادی برای جبران. یک پشته بینایی چنین فراخی‌ای ندارد: اطلاعات بصری پیش از رسیدن به رمزگشا از یک انکودر و یک تصویرگر باریکِ تکی می‌گذرد، و هرچه پایین‌دست است بر آنچه آن گلوگاه تولید کرده مشروط است. سیگنال ریزدانه — 3 در برابر 8 در یک اسکن کم‌کنتراست، همان پیکسل دقیقی که یک میله روی محور نمودار تمام می‌شود، مرز یک عنصر رابط که از شما خواسته‌اند رویش کلیک کنید — در جزئیات کم‌دامنه وزن‌ها زندگی می‌کند که کوانتیزاسیون تهاجمی اول از همه دورشان می‌ریزد.
یک مدل بینایی ۳ بیتی پرصدا شکست نمی‌خورد؛ بی‌صدا شکست می‌خورد و توصیفی روان از یک سند تولید می‌کند که دو رقم در جمع کلش جابه‌جا شده. دقت وزنی بالاتر ارزان‌ترین بیمه در برابر این شکست است، و اینجا رایگان است — به هر حال قیمت کف را می‌پردازید.
04قیمت کف، در بافت خودش
چهار مدل از کاتالوگ دوازده‌مدلی ما روی کف قیمت ۰٫۵۰ دلار ورودی / ۲٫۰۰ دلار خروجی به ازای هر میلیون توکن می‌نشینند. فقط یکی از آنها تصویر می‌گیرد. این هم جایگاه مدل‌های دارای بینایی بر حسب هزینه خروجی، عددی که بر بیشتر صورت‌حساب‌های واقعی غلبه دارد:
قیمت خروجی به دلار به ازای هر ۱M توکن، نرخ‌های فهرست گیت‌وی Shannon AI، سپتامبر ۲۰۲۶. طول میله نسبت به گران‌ترین مدل بینایی کاتالوگ است.
در برابر Kimi-K3 — مدل بینایی سقف، و واقعاً قوی‌تر — مدل MiMo-V2.5 روی خروجی تقریباً ۹٫۶ برابر ارزان‌تر و روی ورودی ۷٫۷ برابر ارزان‌تر است. این ادعای هم‌ارزی نیست؛ استدلالی درباره شکل بار کاری است. با صدهزار تصویر در ماه، مدل سقف مقرون‌به‌صرفه نیست و مدل کف هست، و پرسش صادقانه این است که آیا مدل کف از سد دقت شما می‌گذرد یا نه — نه اینکه آیا در یک بنچمارک برنده می‌شود.
05MiMo-V2.5 در برابر MiniMax-M3: مقایسه صادقانه دو مدل بینایی ارزان
این دو دقیقاً روی قیمت، کانتکست و سطح اندپوینت مساوی‌اند. اما قابل‌تعویض نیستند: رده کوانتیزاسیون نماینده دو شرط‌بندی متفاوت درباره این است که چه چیزی یک مدل بینایی را سودمند می‌کند.
| MiMo-V2.5 · W8A16 | MiniMax-M3 · 3BIT-REAP | |
|---|---|---|
| ورودی / خروجی به ازای هر 1M | $0.50 / $2.00 | $0.50 / $2.00 |
| دقت وزن | ۸ بیتی | ۳ بیتی + هرس متخصص |
| اندازه بنیان | جمع‌وجور، چگال | MoE بزرگ و تُنُک |
| بینایی | بله | بله |
| پنجره کانتکست | ۲۶۲٬۱۴۴ | ۲۶۲٬۱۴۴ |
| اسکیما · ابزار · استریمینگ | بله | بله |
وقتی تصویر بخش سخت کار است MiMo-V2.5 را بردارید: تشخیص متن متراکم روی اسکن‌های ناقص، استخراج عددی از نمودارها و جدول‌ها، مکان‌یابی اسکرین‌شات و رابط کاربری، خواندن متن ریز، تشخیص عکس‌های محصولِ تقریباً یکسان از هم — هر چیزی که در آن یک رقم جابه‌جا نقص است نه یک ایراد ظاهری. شما کوتاه‌ترین مسیر با بالاترین وفاداری از پیکسل به توکن را می‌خواهید، و وزن‌های ۸ بیتی راه رسیدن به آن با این قیمت‌اند.
وقتی تصویر بخش آسان کار است MiniMax-M3 را بردارید. یک بنیان بزرگ و تُنُک که تا ۳ بیت فشرده شده، حتی پس از هرس، همچنان دانش جهانی و گستره استدلالی بیشتری از یک مدل چگال جمع‌وجور نگه می‌دارد. اگر کار «به این عکس نگاه کن و مفصل درباره دلالت‌هایش استدلال کن» است، یا تصویر یکی از ورودی‌های گفت‌وگویی عمدتاً متنی است، بنیان بزرگ‌تر ابزار بهتری است — تیزبینی بصری‌ای که معاوضه کرده‌اید قید تعیین‌کننده نبوده.
06MiMo-V2.5 در برابر MiMo-V2.5-Pro: هم‌خانواده‌ای که چشم را با عمق معاوضه کرد
این مقایسه‌ای است که بیشترین تیکت پشتیبانی را می‌سازد، پس ارزش دارد رک باشیم. مدل‌های MiMo-V2.5-Pro-W8A16 و MiMo-V2.5-W8A16 در قیمت، پنجره کانتکست، رده دقت و نام خانوادگی مشترک‌اند. Pro تصویر نمی‌پذیرد. یک اَبَرمجموعه نیست. تخصیص متفاوتی از همان بودجه است.
سرو کردن یک مدل چندوجهی یعنی پرداختن بابت یک برج بینایی و یک تصویرگر در کنار رمزگشا — با یک هدف هزینه‌ای ثابت، ظرفیتی که صرف خود مدل زبانی نمی‌شود. Pro همه‌اش را صرف متن می‌کند: بنیانی بزرگ‌تر با فضای بیشتر برای نوشتار بلند، استدلال ممتد و کد. مدل MiMo-V2.5 بخشی از آن را صرف دیدن می‌کند.
پس قاعده تصمیم درباره ورودی‌های شماست نه جاه‌طلبی‌هایتان. اگر هر درخواستی ممکن است یک اسکرین‌شات، یک صفحه اسکن‌شده، یک نمودار، یک شماتیک یا یک عکس داشته باشد، به MiMo-V2.5 نیاز دارید — Pro آن بلوک محتوایی را رد می‌کند. اگر هر درخواست متنی است و از سر عادت سراغ مدل بینایی رفته‌اید، دارید کیفیت بنیان را مفت روی میز جا می‌گذارید: MiMo-V2.5-Pro را با همان نرخ بردارید.
الگویی که ارزش کش رفتن دارد: بر پایه نوع محتوا مسیردهی کنید. هرچه بخش تصویری دارد به MiMo-V2.5-W8A16 برود و بقیه به MiMo-V2.5-Pro-W8A16. همان خانواده، همان قیمت، همان بودجه کانتکست — روتر بدیهی است و هیچ مدل هزینه‌ای برای آشتی دادن وجود ندارد.
07«فهم تصویر بدون سانسور» واقعاً یعنی چه
هیچ لایه رد درخواستی جلوی این مدل نیست و هیچ فیلتر محتوایی روی خروجی‌اش. این یک تصمیم محصولی با پیامدی مشخص برای کار بینایی است: مدل به‌جای رد کردن بر پایه موضوع، آنچه را در قاب هست توصیف می‌کند.
این اهمیت دارد چون APIهای بینایی فیلترشده به‌شکل ساختاری برای کل یک دسته از کار مشروع نامناسب‌اند. یک خط لوله نظارت محتوا ناچار است به همان موادی نگاه کند که نظارتش می‌کند و بگوید چیست؛ دسته‌بندی که از بررسی چیزی که دسته‌بندی‌اش می‌کند سر باز می‌زند دسته‌بند نیست. همین درباره فهرست بلندی از کارهای واقعی هم صادق است:
- ابزارهای اعتماد و ایمنی — برچسب‌گذاری دقیقاً همان تصاویری که یک API متعارف پردازششان نمی‌کند، که همان تصاویری‌اند که بیشترین نیاز را به برچسب‌گذاری دارند.
- تصاویر پزشکی، جرم‌شناسی و سوانح — عکاسی بالینی، از جراحت و از صحنه، که فیلترهای عمومی بی‌توجه به اینکه چه کسی می‌پرسد آن را دلخراش می‌شمارند و رد می‌کنند.
- پژوهش امنیتی — خواندن صفحات فیشینگ، رابط‌های مخرب و صفحه‌های ضبط‌شده بدون اینکه مدل از پیش‌فرضِ کار جا بزند.
- دسته‌بندی محتوای بزرگ‌سال و فهرست‌نویسی بایگانی — خط‌های لوله‌ای که وجودشان برای شناسایی مواد است و نمی‌توانند خودِ نگاه کردن را برون‌سپاری کنند، به‌علاوه مجموعه‌های تاریخی‌ای که فیلترها برچسب‌ناپذیر می‌شمارندشان.
برداشتن لایه رد درخواست یک مانع مهندسی را برمی‌دارد نه یک مانع حقوقی را. Shannon AI را Shannon Lab LLC در نیومکزیکوی ایالات متحده اداره می‌کند و استفاده از API تابع سیاست استفاده مسئولانه ماست. خروجی بی‌فیلتر یک توانمندی است، نه برگه اجازه.
08فراخوانی‌اش: اندپوینت‌ها، ورودی تصویر، و جایی که می‌نشیند
مدل MiMo-V2.5-W8A16 است، که روی سه گویش درخواست و روی همان وزن‌ها در دسترس است، پس هر SDKای را که از پیش دارید نگه می‌دارید:
/v1/chat/completions— سازگار با OpenAI. تصاویر به‌شکل بخش‌های محتواییimage_urlوارد می‌شوند، یا با یک نشانی https یا با یک data URI به شکل base64./v1/messages— سازگار با Anthropic. تصاویر به‌شکل بلوک‌های محتواییimageوارد می‌شوند./v1/responses— گویش به سبک Responses.
استریمینگ و فراخوانی ابزار روی هر سه کار می‌کنند، پس مدل می‌تواند در یک نوبت به یک اسکرین‌شات نگاه کند و درباره آنچه دیده یک تابع را فرا بخواند. اسکیماهای کامل درخواست و پاسخ در مستندات API هستند، که یک پلی‌گراند هم دارد و می‌توانید پیش از نوشتن هر کدی تصویری را در آن بچسبانید.
مدل MiMo-V2.5 از json_schema سخت‌گیرانه و response_format پشتیبانی می‌کند — همان تفاوت میان یک دمو و یک خط لوله. یک رسید به‌علاوه اسکیمایی با فیلدهای نوع‌دار برای فروشنده، تاریخ، اقلام و جمع کل به آن بدهید و شیئی می‌گیرید که کدتان می‌تواند اعتبارسنجی‌اش کند، نه پاراگرافی که باید با regex بخوانیدش. دو مدل از دوازده مدل این کاتالوگ پشتیبانی کامل از خروجی ساختاریافته ندارند؛ این یکی دارد، و به همین دلیل به‌عنوان یک سرویس استخراج پرحجم کار می‌کند.
پنجره کانتکست ۲۶۲٬۱۴۴ توکن است؛ خروجی تولیدشده به ازای هر درخواست به ۱۶٬۳۸۴ توکن محدود است. تصاویر به‌تناسب وضوح توکن ورودی مصرف می‌کنند، پس اسکن‌های صفحه با وضوح بالا کانتکست را بسیار سریع‌تر از شمار واژه معادلشان در متن می‌خورند. اسناد بلند را صفحه‌بندی کنید به‌جای بارگذاری یک اسکن ۳۰۰ صفحه‌ای در یک درخواست، و سقف خروجی را قیدی واقعی بر استخراج جامع بدانید — جدول‌های متراکم را بر حسب بازه سطر تکه‌تکه کنید به‌جای گرفتن پاسخی بریده.
دسته تنظیم reasoning_effort با توجه به شجره‌نامه این خانواده اینجا اهرم واقعی دارد. برای دسته‌بندی پرحجم پایینش بیاورید، جایی که پاسخ یک برچسب است و توکن‌های تفکر هزینه خالص‌اند؛ برای تفسیر نمودار، ریاضیات بصری و استدلال روی شماتیک بالایش ببرید، جایی که مدل باید پیش از پاسخ دادن چند چیزی را که می‌بیند ترکیب کند.
کجا جا می‌افتد و کجا نه
تناسب‌های خوب. استخراج پرحجم سند و رسید؛ کار نزدیک به تشخیص متن روی اسکن‌های ناقص؛ خواندن نمودار، داشبورد و جدول؛ فهم اسکرین‌شات و مکان‌یابی رابط کاربری؛ برچسب‌گذاری کاتالوگ و پرسش‌وپاسخ بصری؛ خط‌های لوله نظارت محتوا — هر کار چندوجهی که در آن هزینه به ازای هر فراخوان قید تعیین‌کننده است و دقت در جزئیات ریز همان چیزی است که حاضر نیستید از دستش بدهید.
تناسب‌های بد. استدلال چندوجهی در دشواری مرزی که بی‌توجه به قیمت به قوی‌ترین مدل نیاز دارد — این کار Kimi-K3 است، و بی‌دلیل نیست که نزدیک به ده برابر هزینه دارد. تولید فقط‌متنی، که در آن MiMo-V2.5-Pro با همان نرخ بنیان بهتری می‌دهد. کاری که به دانش دایرة‌المعارفی جهان تکیه دارد، که در آن یک بنیان بزرگ و تُنُک از یک بنیان چگال جمع‌وجور جلو می‌زند. و هر چیزی که به بیش از ۲۶۲ هزار توکن کانتکست نیاز دارد، که هیچ مدلی اینجا عرضه‌اش نمی‌کند.
هر رقم منتشرشده بالا از آنِ خود شیائومی و برای یک ایست‌بازرسی نام‌برده در سری‌های MiMo و MiMo-VL است. به‌جای خلاصه ما، مواد اولیه را بخوانید.
09پرسش‌های پرتکرار
API بینایی بدون سانسور MiMo چیست؟
همان مدل MiMo-V2.5 W8A16 روی گیت‌وی Shannon AI است: مدلی دارای بینایی در تبار MiMo شیائومی، که روی خوشه GPU خودمان با دقت وزنی ۸ بیتی و کانتکست ۲۶۲٬۱۴۴ توکنی و بدون لایه رد درخواست یا فیلتر خروجی سرو می‌شود. تصویر و متن را روی /v1/chat/completions و /v1/messages و /v1/responses می‌پذیرد، با ۰٫۵۰ دلار به ازای هر میلیون توکن ورودی و ۲٫۰۰ دلار به ازای هر میلیون توکن خروجی.
ارزان‌ترین مدل بدون سانسوری که واقعاً تصویر می‌بیند کدام است؟
دو مدل دقیقاً روی قیمت کف ۰٫۵۰ دلار ورودی / ۲٫۰۰ دلار خروجی به ازای هر میلیون توکن مساوی‌اند: MiMo-V2.5 W8A16 و MiniMax-M3 3BIT-REAP. مدل MiMo-V2.5 با وزن‌های ۸ بیتی دقیق‌تر از آن دو است و پیش‌فرض امن‌تری برای کار تصویری حساس به جزئیات. مدل MiniMax-M3 بنیانی بسیار بزرگ‌تر را با فشرده‌سازی تا ۳ بیت اجرا می‌کند و گستره دانش جهانی را بر وفاداری پیکسل‌به‌پیکسل ترجیح می‌دهد.
W8A16 یعنی چه و چرا برای بینایی اهمیت دارد؟
W8A16 یعنی وزن‌های ۸ بیتی با فعال‌سازی‌های ۱۶ بیتی، بالاترین رده وفاداری در کاتالوگ Shannon، که آنجا به کار می‌رود که بنیان به‌قدر کافی کوچک است و فشرده‌سازی تهاجمی لازم نیست. برای بینایی اهمیت دارد چون برج بینایی و تصویرگرش جزئیات ریزدانه را از مسیری باریک عبور می‌دهند، و خطاهایی که آنجا وارد شوند بعداً قابل‌جبران نیستند، برخلاف یک تعبیه متنی که کمی محو شده باشد.
مدل MiMo-V2.5 با MiMo-V2.5-Pro چه فرقی دارد؟
همان قیمت، همان کانتکست ۲۶۲٬۱۴۴ توکنی، همان رده W8A16، اما مدل یکسانی نیستند. مدل MiMo-V2.5 تصویر می‌پذیرد؛ MiMo-V2.5-Pro نمی‌پذیرد و به‌جایش آن بودجه سرویس‌دهی را صرف بنیان متنی بزرگ‌تری می‌کند. وقتی ورودی‌ها شامل اسکرین‌شات، سند، نمودار یا عکس‌اند از MiMo-V2.5 استفاده کنید؛ برای کار فقط‌متنی با همان نرخ از Pro.
آیا مدل بینایی بدون سانسور MiMo از اسکیمای JSON و فراخوانی ابزار پشتیبانی می‌کند؟
بله. مدل MiMo-V2.5 W8A16 از خروجی ساختاریافته سخت‌گیرانه json_schema، از response_format، از فراخوانی ابزار، از استریمینگ و از کنترل reasoning_effort پشتیبانی می‌کند. همین است که آن را به‌عنوان یک بک‌اند استخراج قابل‌استفاده می‌کند: یک تصویر به آن می‌دهید و به‌جای نثری که باید تجزیه‌اش کنید یک شیء اعتبارسنجی‌شده می‌گیرید.
یک تصویر برایش بفرستید
بینایی ۸ بیتی، کانتکست ۲۶۲ هزار توکنی، بدون لایه رد درخواست — به قیمت یک مدل فقط‌متنی.
مطالعه مستندات API مرور هر ۱۲ مدلشناسه مدل: MiMo-V2.5-W8A16 · تابع سیاست استفاده مسئولانه ما
منابع: گزارش فنی MiMo (arXiv 2505.07608) · گزارش فنی MiMo-VL (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. همه ارقام بنچمارک از سوی شیائومی و برای ایست‌بازرسی‌های منتشرشده نام‌برده بالا گزارش شده‌اند و تبار این خانواده را توصیف می‌کنند، نه دقیقاً بیلد روی این اندپوینت را. قیمت‌ها، کانتکست و پرچم‌های قابلیت مقادیر فهرست گیت‌وی Shannon AI در سپتامبر ۲۰۲۶ هستند.