Sensuroimaton MiMo-näkö-API

Halvat multimodaaliset päätepisteet ovat halpoja koska jotain on leikattu, ja leikattu osa on yleensä se jota et näe: painot on puristettu kolmeen tai neljään bittiin, ja malli vastaa yhä itsevarmasti kaaviosta jota se ei enää oikeasti pysty lukemaan. MiMo-V2.5 on valikoimamme vastaesimerkki — hintalattialla ja ylimmällä tarkkuustasolla yhtä aikaa, koska perusta josta se polveutuu rakennettiin pieneksi ja tiheäksi eikä valtavaksi ja harvaksi.

01Mistä MiMo tulee: ensin päättelymalli, vasta sitten näkömalli

MiMo-linja on Xiaomin avoinpainoinen tutkimusohjelma, ja sen perustava väite on epämuodikas: päättelykyky asetetaan esikoulutuksessa, sitä ei pultata päälle jälkikäteen vahvistusoppimisella. Työ on enimmäkseen datan käsittelyä — Xiaomi rakensi tekstin poiminnan ja suodatuksen uusiksi nostaakseen päättelykuvioiden tiheyttä korpuksessa, tuotti synteettistä päättelydataa suuressa mittakaavassa ja esikoulutti MiMo-7B-Basen karkeasti 25 biljoonalla tokenilla kolmivaiheisella seoksella, aputavoitteenaan Multiple-Token Prediction, joka toimii päättelyhetkellä spekulatiivisena dekooderina (hyväksymisaste lähellä 90 %, Xiaomin mukaan).

Jälkikoulutus on tarkoituksellisen askeettista: 130 000 matematiikka- ja koodiongelmaa pelkillä sääntöpohjaisilla tarkkuuspalkkioilla, ilman opittua palkkiomallia, sillä perusteella että neuraalinen palkkiomalli on pinta jota vastaan voi hakkeroida. Todennettavissa olevia palkkioita ei voi puhua ympäri. MiMo-7B-RL saa lukuja jotka ovat epäsuhdassa sen kokoon — Xiaomi raportoi 68.2 % AIME 2024:ssä, 95.8 % MATH-500:ssa ja 57.8 % LiveCodeBench v5:ssä pass@1-mittarilla, mikä vastaa OpenAI:n o1-miniä. Sen muotoinen malli on se jota kutsut: tiivis, tiheästi koulutettu, viritetty työstämään ongelmaa läpi eikä palauttamaan vastausta muistista — ja tuo luonne säilyy multimodaalisiin jälkeläisiin.

02Miten MiMo oppi näkemään: MiMo-VL-arkkitehtuuri

MiMo-VL on näkö- ja kielihaara, ja sen rakenne on opettavainen. Xiaomi kokosi kolme osaa: natiivin resoluution ViT-enkooderin joka säilyttää hienon yksityiskohdan sen sijaan että pakottaisi jokaisen kuvan kiinteän matalan resoluution hilan läpi, satunnaisesti alustetun MLP-projektorin kielimallin latenttiin avaruuteen, ja — ratkaisevasti — MiMon päättelyrungon kielimalliksi. Näköjärjestelmä perii dekooderin joka on jo hyvä monivaiheisessa ajattelussa eikä sellaista joka on pelkästään hyvä kuvatekstityksessä.

Koulutus eteni neljässä esikoulutusvaiheessa — projektorin lämmitys, näön ja kielen kohdistus, yleinen multimodaalinen esikoulutus, pitkän kontekstin ohjattu hienosäätö — karkeasti 2,4 biljoonan tokenin yli, sitten Mixed On-policy Reinforcement Learning (MORL), joka taittaa havainnon tarkkuuden, visuaalisen paikannuksen tarkkuuden, päättelyn oikeellisuuden sekä ihmisten ja tekoälyn preferenssit yhteen on-policy-silmukkaan. Raportti myöntää suoraan että kaikkien näiden optimointi yhtä aikaa on epävakaata — rehellisempi muotoilu kuin useimmissa multimodaalisissa artikkeleissa.

Julkaistut tulokset ovat vahvoja parametrimäärään nähden. Xiaomi raportoi MiMo-VL-7B-RL:n päihittävän Qwen2.5-VL-7B:n 35 tehtävässä 40:stä, saavan 59.4 OlympiadBenchissä (yli 78 miljardin parametrin mallien) ja 56.1 OSWorld-G:ssä käyttöliittymän paikannuksessa, edellä tarkoitusta varten rakennettuja käyttöliittymäagentteja. Myöhempi 2508-päivitys vei MMMU:n yli 70:n ensimmäistä kertaa sarjassa (70.6), ylsi 94.4:ään ChartQA:ssa, 92.5:een ScreenSpot-v2:ssa ja 70.8:aan VideoMME:ssä, ja lisäsi ajattelun hallintakytkimen jolla päättelyjäljet voi kytkeä pois pyyntökohtaisesti.

03Mitä W8A16 tarkoittaa, ja miksi sillä on näössä enemmän väliä kuin tekstissä

Jokainen yhdyskäytävän malli kantaa kvantisointipäätettä. Se ei ole koristetta — se kertoo mistä luovuttiin jotta malli olisi tarjottavissa.

Pääte	Mikä se on	Miksi sitä käytetään
3BIT-REAP	3-bittiset painot plus REAP, asiantuntijoiden karsintamenetelmä joka pudottaa harvoin reititetyt asiantuntijat MoE-mallista ennen kvantisointia	Ainoa tapa saada kaikkein suurimmat perustat mahtumaan ja tarjolle järkevällä nopeudella
W4A16-AUTOROUND-REAP	4-bittiset painot, 16-bittiset aktivaatiot, kvantisoituna AutoRoundilla — opittu pyöristys joka palauttaa tarkkuutta naiiviin lähimpään pyöristykseen verrattuna — plus REAP-karsinta	Välimaasto suurille perustoille jotka eivät tarvitse äärimmäistä pakkausta
W8A16	8-bittiset painot, 16-bittiset aktivaatiot — korkeimman tarkkuuden taso jota tarjoamme	Käytetään siellä missä perusta on riittävän pieni ettei aggressiivista pakkausta tarvita

MiMo-V2.5 ansaitsee kolmannen rivin olemalla tiivis: tämän luokan tiheä perusta ei tarvitse murskaamista kolmeen bittiin mahtuakseen, joten kahdeksan bittiin on varaa, ja painot joista näytteistät pysyvät lähellä niitä joilla koulutettiin. Sillä on suhteettoman suuri merkitys kuvatyössä, rakenteellisesta syystä. Pelkän tekstin dekooderissa upotus joka ajautuu kvantisoinnissa saa uuden kontekstin kymmeniltä myöhemmiltä huomiokerroksilta — monta mahdollisuutta toipua. Näköpinossa ei ole tuollaista pelivaraa: visuaalinen informaatio kulkee yhden enkooderin ja yhden kapean projektorin läpi ennen kuin se saavuttaa dekooderin, ja kaikki sen jälkeinen on ehdollistettu sillä mitä tuo pullonkaula tuotti. Hienojakoinen signaali — 3 vastaan 8 vähäkontrastisessa skannauksessa, se tarkka pikseli jossa pylväs päättyy kaavion akselilla, klikattavaksi pyydetyn käyttöliittymäelementin reuna — asuu siinä pienen suuruusluokan painojen yksityiskohdassa jonka aggressiivinen kvantisointi hylkää ensimmäisenä.

3-bittinen näkömalli ei epäonnistu äänekkäästi; se epäonnistuu hiljaa, tuottaen sujuvan kuvauksen dokumentista jossa loppusumman kaksi numeroa ovat vaihtaneet paikkaa. Korkeampi painotarkkuus on halvin vakuutus tuota vikaa vastaan, ja tässä se on ilmainen — maksat hintalattian kummassakin tapauksessa.

04Hintalattia asiayhteydessään

Neljä mallia kahdentoista mallin valikoimastamme istuu hintalattialla $0.50 syöte / $2.00 tuloste miljoonalta tokenilta. Vain yksi niistä ottaa kuvia. Tässä missä näkökykyiset mallit asettuvat tulosteen hinnan suhteen — se on luku joka hallitsee useimpia todellisia laskuja:

Tulosteen hinta USD:na miljoonalta tokenilta, Shannon AI -yhdyskäytävän listahinnat, syyskuu 2026. Palkin pituus on suhteessa valikoiman kalleimpaan näkömalliin.

Kimi-K3:een verrattuna — kattonäkömalli, ja aidosti vahvempi — MiMo-V2.5 on karkeasti 9,6× halvempi tulosteessa ja 7,7× halvempi syötteessä. Se ei ole väite yhdenvertaisuudesta; se on väite kuorman muodosta. Sadalla tuhannella kuvalla kuukaudessa kattomalliin ei ole varaa ja lattiamalliin on, ja rehellinen kysymys on ylittääkö lattiamalli tarkkuusrimasi — ei voittaako se vertailutestin.

05MiMo-V2.5 vs. MiniMax-M3: kaksi halpaa näkömallia rehellisesti vertailtuna

Nämä kaksi ovat täsmälleen tasoissa hinnassa, kontekstissa ja päätepintassa. Ne eivät ole keskenään vaihdettavia: kvantisointitaso on välikappale kahdelle eri vedolle siitä mikä tekee näkömallista hyödyllisen.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Syöte / tuloste miljoonalta	$0.50 / $2.00	$0.50 / $2.00
Painotarkkuus	8-bittinen	3-bittinen + asiantuntijoiden karsinta
Perustan koko	Tiivis, tiheä	Suuri, harva MoE
Näkö	Kyllä	Kyllä
Konteksti-ikkuna	262 144	262 144
Skeema · työkalut · suoratoisto	Kyllä	Kyllä

Valitse MiMo-V2.5 kun kuva on vaikea osa: tiheä OCR epätäydellisistä skannauksista, numeeriset poiminnat kaavioista ja taulukoista, kuvakaappausten ja käyttöliittymien paikannus, pienen tekstin lukeminen, lähes identtisten tuotekuvien erottaminen toisistaan — mikä tahansa jossa vaihtunut numero on vika eikä kosmeettinen puute. Haluat tarkimman polun pikseleistä tokeneihin, ja 8-bittiset painot ovat se tapa jolla sen saa tähän hintaan.

Valitse MiniMax-M3 kun kuva on helppo osa. Suuri harva perusta pakattuna 3 bittiin pitää yhä sisällään enemmän maailmantietoa ja päättelyn laajuutta kuin tiivis tiheä malli pystyy, karsinnankin jälkeen. Jos tehtävä on ”katso tätä valokuvaa ja päättele pitkästi mitä se merkitsee”, tai kuva on yksi syöte enimmäkseen tekstipohjaisessa keskustelussa, suurempi perusta on parempi työkalu — se visuaalinen tarkkuus jonka vaihdoit pois ei ollut sitova rajoite.

06MiMo-V2.5 vs. MiMo-V2.5-Pro: sisarus joka vaihtoi silmät syvyyteen

Tämä vertailu tuottaa eniten tukipyyntöjä, joten kannattaa olla suora. MiMo-V2.5-Pro-W8A16 ja MiMo-V2.5-W8A16 jakavat hinnan, konteksti-ikkunan, tarkkuustason ja perhenimen. Pro ei hyväksy kuvia. Se ei ole ylijoukko. Se on saman budjetin eri jako.

Multimodaalisen mallin tarjoaminen tarkoittaa että maksat näkötornista ja projektorista dekooderin ohella — kiinteällä kustannustavoitteella se on kapasiteettia jota ei käytetä itse kielimalliin. Pro käyttää sen kaiken tekstiin: suurempi perusta jossa on enemmän liikkumavaraa pitkämuotoiseen kirjoittamiseen, laajaan päättelyyn ja koodiin. MiMo-V2.5 käyttää osan siitä näkemiseen.

Päätössääntö koskee siis syötteitäsi, ei tavoitteitasi. Jos mikä tahansa pyyntö voi sisältää kuvakaappauksen, skannatun sivun, kaavion, diagrammin tai valokuvan, tarvitset MiMo-V2.5:n — Pro hylkää sisältölohkon. Jos jokainen pyyntö on tekstiä ja tartuit näkömalliin tottumuksesta, jätät perustan laatua pöydälle turhaan: ota MiMo-V2.5-Pro samaan hintaan.

Varastamisen arvoinen kuvio: reititä sisältötyypin mukaan. Kaikki missä on kuvaosa menee mallille MiMo-V2.5-W8A16, kaikki muu mallille MiMo-V2.5-Pro-W8A16. Sama perhe, sama hinta, sama kontekstibudjetti — reititin on triviaali eikä mitään kustannusmallia tarvitse sovitella.

07Mitä ”sensuroimaton kuvan ymmärrys” oikeasti tarkoittaa

Tämän mallin edessä ei ole kieltäytymiskerrosta eikä sen tulosteessa sisältösuodatinta. Se on tuotepäätös jolla on tarkka seuraus näkötyölle: malli kuvailee mitä kuvassa on sen sijaan että kieltäytyisi aiheen perusteella.

Tällä on väliä koska suodatetut näkö-API:t ovat rakenteellisesti sopimattomia kokonaiseen luokkaan laillista työtä. Moderointiputken on katsottava sitä aineistoa jota se moderoi ja sanottava mitä se on; luokitin joka kieltäytyy tarkastelemasta luokittelemaansa asiaa ei ole luokitin. Sama pätee pitkään listaan todellisia työtehtäviä:

• Luottamus- ja turvallisuustyökalut — juuri sen kuvaston merkitseminen jota valtavirran API ei käsittele, ja joka on sitä kuvastoa joka merkitsemistä eniten tarvitsee.
• Lääketieteellinen, forensinen ja onnettomuuskuvasto — kliininen, vammoja koskeva ja tapahtumapaikan valokuvaus jonka yleissuodattimet hylkäävät raakana riippumatta siitä kuka kysyy.
• Tietoturvatutkimus — tietojenkalastelusivujen, haitallisten käyttöliittymien ja kaapattujen ruutujen lukeminen ilman että malli kavahtaa lähtökohtaa.
• Aikuissisällön luokittelu ja arkistojen luettelointi — putket jotka ovat olemassa aineiston tunnistamiseksi eivätkä voi ulkoistaa katsomista, plus historialliset kokoelmat joita suodattimet pitävät luokittelukelvottomina.

Kieltäytymiskerroksen poistaminen poistaa teknisen esteen, ei juridista. Shannon AI:ta operoi Shannon Lab LLC New Mexicossa, Yhdysvalloissa, ja API:n käyttöä sitoo vastuullisen käytön käytäntömme. Suodattamaton tuloste on kyvykkyys, ei lupalappu.

08Kutsuminen: päätepisteet, kuvasyöte ja mihin se sopii

Malli on MiMo-V2.5-W8A16, tavoitettavissa kolmella pyyntömurteella samoja painoja vasten, joten pidät sen SDK:n joka sinulla jo on:

• /v1/chat/completions — OpenAI-yhteensopiva. Kuvat menevät sisään image_url-sisältöosina, joko https-URLina tai base64-data-URIna.
• /v1/messages — Anthropic-yhteensopiva. Kuvat menevät sisään image-sisältölohkoina.
• /v1/responses — Responses-tyylinen murre.

Suoratoisto ja työkalukutsut toimivat kaikilla kolmella, joten malli voi katsoa kuvakaappausta ja kutsua funktiota näkemästään yhdellä vuorolla. Täydet pyyntö- ja vastausskeemat ovat API-dokumentaatiossa, joka isännöi myös leikkikenttää johon voit liittää kuvan ennen kuin kirjoitat riviäkään koodia.

MiMo-V2.5 tukee tiukkaa json_schema- ja response_format-määrittelyä — se on ero demon ja putken välillä. Anna sille kuitti ja skeema jossa on tyypitetyt kentät myyjälle, päivämäärälle, riveille ja loppusummalle, ja saat takaisin olion jonka koodisi voi validoida etkä kappaletta jota joudut regexillä pilkkomaan. Kahdelta tämän valikoiman kahdestatoista mallista puuttuu täysi rakenteisen tulosteen tuki; tältä ei puutu, ja siksi se toimii suuren volyymin poimintapalveluna.

Konteksti-ikkuna on 262 144 tokenia; generoitu tuloste on rajattu 16 384 tokeniin pyyntöä kohti. Kuvat kuluttavat syötetokeneita resoluution funktiona, joten korkearesoluutioiset sivuskannaukset syövät kontekstia paljon nopeammin kuin vastaava sanamäärä tekstiä. Sivuta pitkät dokumentit sen sijaan että lataisit 300-sivuisen skannauksen yhdessä pyynnössä, ja kohtele tulosteen kattoa todellisena rajoitteena tyhjentävälle poiminnalle — paloittele tiheät taulukot riviväleittäin sen sijaan että saisit katkaistun vastauksen.

reasoning_effort-säätimellä on tässä aitoa vipuvoimaa perheen taustan takia. Käännä se alas suuren volyymin luokitteluun, jossa vastaus on nimike ja ajattelutokenit ovat pelkkää kulua; käännä se ylös kaavioiden tulkintaan, visuaaliseen matematiikkaan ja diagrammien päättelyyn, joissa mallin on yhdistettävä useita näkemäänsä asiaa ennen kuin se voi vastata.

Mihin se sopii ja mihin ei

Hyvät sovitukset. Suuren volyymin dokumenttien ja kuittien poiminta; OCR:n lähityö epätäydellisistä skannauksista; kaavioiden, mittaristojen ja taulukoiden lukeminen; kuvakaappausten ymmärrys ja käyttöliittymien paikannus; tuoteluetteloiden merkitseminen ja visuaalinen kysymysvastaus; moderointiputket — mikä tahansa multimodaalinen tehtävä jossa kutsukohtainen hinta sitoo ja hienon yksityiskohdan tarkkuus on se mistä et suostu luopumaan.

Huonot sovitukset. Huipputason vaikea multimodaalinen päättely joka vaatii vahvinta mallia hinnasta riippumatta — se on Kimi-K3:n työ, ja se maksaa lähes kymmenkertaisesti syystä. Pelkän tekstin generointi, jossa MiMo-V2.5-Pro antaa paremman perustan samaan hintaan. Työ joka nojaa ensyklopediseen maailmantietoon, jossa suuri harva perusta jättää tiiviin tiheän taakseen. Ja mikä tahansa joka tarvitsee yli 262K kontekstia, jota mikään täkäläinen malli ei tarjoa.

09Usein kysytyt kysymykset

---

Lähteet: MiMo technical report (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Kaikki vertailuluvut ovat Xiaomin raportoimia yllä nimetyille julkaistuille tarkistuspisteille ja kuvaavat perheen sukulinjaa, eivät tämän päätepisteen tarkkaa buildia. Hinnat, konteksti ja ominaisuusliput ovat Shannon AI -yhdyskäytävän listahintoja, syyskuu 2026.