API vision MiMo sans censure
Le seul modèle de notre catalogue qui associe une précision de poids 8 bits à la compréhension d'images — et il coûte exactement ce que coûtent les modèles plancher uniquement textuels : 0,50 $ en entrée / 2,00 $ en sortie par million de tokens.
En bref
MiMo-V2.5-W8A16 est le membre doté de vision de la paire MiMo sur la passerelle Shannon AI, descendant de la ligne MiMo de Xiaomi — un modèle de langage pensé d'abord pour le raisonnement, sur lequel une tour de vision a été greffée — servi en W8A16, notre palier de quantification le plus fidèle, sur notre propre cluster GPU. Contexte de 262,144 tokens, 16,384 tokens de sortie maximum, appel d'outils, JSON schema strict, streaming et une molette reasoning_effort. Aucune couche de refus, aucun filtre de sortie. Il est à égalité avec MiniMax-M3 pour la vision la moins chère du catalogue, et le devance sur la précision.
Les points de terminaison multimodaux bon marché le sont parce qu'on a coupé quelque chose, et ce qu'on coupe est en général la partie que vous ne voyez pas : les poids sont compressés à trois ou quatre bits, et le modèle répond toujours avec assurance à propos d'un graphique qu'il n'est plus vraiment capable de lire. MiMo-V2.5 est le contre-exemple de notre catalogue — au prix plancher et au palier de précision le plus élevé à la fois, parce que la fondation dont il descend a été bâtie petite et dense plutôt qu'énorme et creuse.
01D'où vient MiMo : un modèle de raisonnement d'abord, un modèle de vision ensuite
La ligne MiMo est le programme de recherche à poids ouverts de Xiaomi, et son argument fondateur est peu à la mode : la capacité de raisonnement se fixe pendant le pré-entraînement, elle n'est pas greffée après coup par apprentissage par renforcement. Le travail relève surtout de l'ingénierie des données — Xiaomi a reconstruit l'extraction et le filtrage de texte pour élever la densité de motifs de raisonnement dans le corpus, généré des données de raisonnement synthétiques à grande échelle, et pré-entraîné MiMo-7B-Base sur environ 25 mille milliards de tokens selon un mélange en trois étapes, avec la prédiction multi-tokens comme objectif auxiliaire qui, à l'inférence, sert aussi de décodeur spéculatif (taux d'acceptation proche de 90 %, selon Xiaomi).
Le post-entraînement est délibérément austère : 130,000 problèmes de mathématiques et de code avec uniquement des récompenses d'exactitude fondées sur des règles, sans modèle de récompense appris, au motif qu'un modèle de récompense neuronal est une surface à pirater. Les récompenses vérifiables, elles, ne se laissent pas amadouer. MiMo-7B-RL affiche des chiffres sans rapport avec sa taille — Xiaomi rapporte 68.2% sur AIME 2024, 95.8% sur MATH-500, 57.8% sur LiveCodeBench v5 en pass@1, à égalité avec o1-mini d'OpenAI. Voilà la nature du modèle que vous appelez : compact, densément entraîné, réglé pour dérouler un problème plutôt que pour se rappeler une réponse — et ce tempérament se transmet aux descendants multimodaux.
02Comment MiMo a appris à voir : l'architecture MiMo-VL
MiMo-VL est la branche vision-langage, et sa construction est instructive. Xiaomi a assemblé trois pièces : un encodeur ViT à résolution native qui préserve le détail fin au lieu de forcer chaque image dans une grille basse résolution fixe, un projecteur MLP initialisé aléatoirement vers l'espace latent du modèle de langage, et — point crucial — la dorsale de raisonnement MiMo comme modèle de langage. Le système de vision hérite d'un décodeur déjà bon en réflexion multi-étapes, et non simplement bon en légendage.
L'entraînement s'est déroulé en quatre étapes de pré-entraînement — chauffe du projecteur, alignement vision-langage, pré-entraînement multimodal général, SFT à contexte long — sur environ 2,4 mille milliards de tokens, puis un apprentissage par renforcement on-policy mixte (MORL), intégrant dans une seule boucle on-policy la précision de perception, la précision d'ancrage visuel, la justesse du raisonnement et la préférence humaine ou artificielle. Le rapport reconnaît franchement qu'optimiser tout cela à la fois est instable — un cadrage plus honnête que celui de la plupart des articles multimodaux.
Les résultats publiés sont solides pour ce nombre de paramètres. Xiaomi rapporte que MiMo-VL-7B-RL bat Qwen2.5-VL-7B sur 35 des 40 tâches, 59.4 sur OlympiadBench (au-dessus de modèles allant jusqu'à 78B), et 56.1 sur OSWorld-G pour l'ancrage d'interfaces graphiques, devant des agents d'interface conçus pour cela. La révision 2508 ultérieure a fait passer MMMU au-dessus de 70 pour la première fois de la série (70.6), atteint 94.4 sur ChartQA, 92.5 sur ScreenSpot-v2 et 70.8 sur VideoMME, et ajouté un interrupteur de contrôle du raisonnement permettant de désactiver les traces de réflexion requête par requête.
Une remarque sur les affirmations de version
Chaque chiffre ci-dessus est un chiffre publié par Xiaomi pour un checkpoint précis, référencé dans le bloc de sources plus bas. Notre entrée de catalogue est un point plus tardif de cette lignée. Nous décrivons d'où vient le modèle et ce que la famille est faite pour faire — nous n'affirmons pas que ces scores exacts se transposent à la version que vous appelez. Évaluez votre propre charge de travail ; c'est à cela que sert le prix plancher.
03Ce que signifie W8A16, et pourquoi cela compte plus pour la vision que pour le texte
Chaque modèle de la passerelle porte un suffixe de quantification. Ce n'est pas décoratif — il vous dit ce qui a été échangé pour rendre le modèle servable.
| Suffixe | Ce que c'est | Pourquoi on l'emploie |
|---|---|---|
| 3BIT-REAP | Poids 3 bits plus REAP, une méthode d'élagage d'experts qui supprime d'un modèle MoE les experts rarement routés avant la quantification | Le seul moyen de faire tenir et de servir les toutes plus grandes fondations à une vitesse raisonnable |
| W4A16-AUTOROUND-REAP | Poids 4 bits, activations 16 bits, quantifiés avec AutoRound — un arrondi appris qui récupère de la précision par rapport à l'arrondi naïf au plus proche — plus l'élagage REAP | Terrain intermédiaire pour les grandes fondations qui n'ont pas besoin d'une compression extrême |
| W8A16 | Poids 8 bits, activations 16 bits — le palier le plus fidèle que nous servions | Employé là où la fondation est assez compacte pour qu'une compression agressive soit inutile |
MiMo-V2.5 mérite la troisième ligne par sa compacité : une fondation dense de cette classe n'a pas besoin d'être écrasée à trois bits pour tenir, si bien qu'on peut se permettre d'en garder huit, et les poids dans lesquels vous échantillonnez restent proches de ceux qui ont été entraînés. Cela compte de façon disproportionnée pour le travail sur images, pour une raison structurelle. Dans un décodeur uniquement textuel, un plongement qui dérive sous l'effet de la quantification est recontextualisé par des dizaines de couches d'attention ultérieures — autant d'occasions de se rattraper. Une pile de vision n'a pas cette marge : l'information visuelle traverse un unique encodeur et un unique projecteur étroit avant d'atteindre le décodeur, et tout ce qui suit est conditionné par ce que ce goulot a produit. Le signal fin — un 3 contre un 8 dans un scan à faible contraste, le pixel exact où une barre s'arrête sur un axe de graphique, la limite d'un élément d'interface sur lequel on vous demande de cliquer — vit dans le détail de poids de faible magnitude que la quantification agressive supprime en premier.
Un modèle de vision 3 bits n'échoue pas bruyamment ; il échoue en silence, en produisant une description fluide d'un document avec deux chiffres intervertis dans le total. Une précision de poids supérieure est l'assurance la moins chère contre cette défaillance, et ici elle est gratuite — vous payez le prix plancher dans les deux cas.
04Le prix plancher, remis en contexte
Quatre modèles de notre catalogue de douze se situent au prix plancher de 0,50 $ en entrée / 2,00 $ en sortie par million de tokens. Un seul accepte les images. Voici où se placent les modèles dotés de vision sur le coût de sortie, le chiffre qui domine la plupart des factures réelles :
Prix de sortie en USD par 1M de tokens, tarifs catalogue de la passerelle Shannon AI, septembre 2026. La longueur des barres est relative au modèle de vision le plus cher du catalogue.
Face à Kimi-K3 — le modèle de vision plafond, et réellement plus fort — MiMo-V2.5 est environ 9,6× moins cher en sortie et 7,7× moins cher en entrée. Ce n'est pas une revendication d'équivalence ; c'est un argument sur la forme de la charge de travail. À cent mille images par mois, le modèle plafond n'est pas abordable et le modèle plancher l'est, et la vraie question est de savoir si le modèle plancher franchit votre barre d'exactitude — non pas s'il gagne un benchmark.
05MiMo-V2.5 contre MiniMax-M3 : les deux modèles de vision bon marché, comparés honnêtement
Ces deux-là sont exactement à égalité sur le prix, le contexte et la surface d'API. Ils ne sont pas interchangeables : le palier de quantification est le signe de deux paris différents sur ce qui rend un modèle de vision utile.
| MiMo-V2.5 · W8A16 | MiniMax-M3 · 3BIT-REAP | |
|---|---|---|
| Entrée / sortie par 1M | 0,50 $ / 2,00 $ | 0,50 $ / 2,00 $ |
| Précision des poids | 8 bits | 3 bits + élagage d'experts |
| Taille de la fondation | Compacte, dense | Grande, MoE creuse |
| Vision | Oui | Oui |
| Fenêtre de contexte | 262,144 | 262,144 |
| Schéma · outils · streaming | Oui | Oui |
Prenez MiMo-V2.5 quand l'image est la partie difficile : OCR dense sur des scans imparfaits, extraction de chiffres depuis des graphiques et des tableaux, ancrage de captures d'écran et d'interfaces, lecture de petits caractères, distinction entre photos de produits presque identiques — tout ce où un chiffre interverti est un défaut et non une imperfection cosmétique. Vous voulez le chemin le plus fidèle des pixels aux tokens, et les poids 8 bits sont la façon de l'obtenir à ce prix.
Prenez MiniMax-M3 quand l'image est la partie facile. Une grande fondation creuse compressée sur 3 bits retient encore plus de connaissance du monde et d'étendue de raisonnement qu'un modèle dense compact ne le peut, même après élagage. Si la tâche est « regarde cette photo et raisonne longuement sur ce qu'elle implique », ou si l'image n'est qu'une entrée dans une conversation majoritairement textuelle, la fondation plus grande est le meilleur instrument — l'acuité visuelle à laquelle vous avez renoncé n'était pas la contrainte déterminante.
06MiMo-V2.5 contre MiMo-V2.5-Pro : le voisin qui a échangé les yeux contre la profondeur
C'est la comparaison qui génère le plus de tickets de support, alors autant être direct. MiMo-V2.5-Pro-W8A16 et MiMo-V2.5-W8A16 partagent un prix, une fenêtre de contexte, un palier de précision et un nom de famille. Pro n'accepte pas les images. Ce n'est pas un sur-ensemble. C'est une répartition différente du même budget.
Servir un modèle multimodal, c'est payer une tour de vision et un projecteur en plus du décodeur — à cible de coût fixe, de la capacité non dépensée sur le modèle de langage lui-même. Pro dépense tout sur le texte : une fondation plus grande, avec plus de marge pour la rédaction au long cours, le raisonnement étendu et le code. MiMo-V2.5 en dépense une partie sur la vue.
La règle de décision porte donc sur vos entrées, pas sur vos ambitions. Si une requête peut contenir une capture d'écran, une page scannée, un graphique, un diagramme ou une photographie, il vous faut MiMo-V2.5 — Pro rejettera le bloc de contenu. Si chaque requête est du texte et que vous vous êtes tourné vers le modèle de vision par habitude, vous laissez de la qualité de fondation sur la table pour rien : prenez MiMo-V2.5-Pro au tarif identique.
Un schéma qui vaut la peine d'être repris : aiguillez par type de contenu. Tout ce qui comporte une partie image va vers MiMo-V2.5-W8A16, le reste vers MiMo-V2.5-Pro-W8A16. Même famille, même prix, même budget de contexte — l'aiguilleur est trivial et il n'y a aucun modèle de coût à réconcilier.
07Ce que « compréhension d'images sans censure » veut dire concrètement
Il n'y a aucune couche de refus devant ce modèle et aucun filtre de contenu sur sa sortie. C'est une décision produit avec une conséquence précise pour le travail de vision : le modèle décrit ce qui est dans le cadre au lieu de décliner en fonction du sujet.
Cela compte parce que les API de vision filtrées sont structurellement inadaptées à toute une catégorie de travail légitime. Un pipeline de modération doit regarder le matériel qu'il modère et dire ce que c'est ; un classifieur qui refuse d'examiner ce qu'il classe n'est pas un classifieur. Il en va de même pour une longue liste de métiers réels :
- Outillage de confiance et sécurité — étiqueter précisément les images qu'une API grand public refuse de traiter, c'est-à-dire celles qui ont le plus besoin d'être étiquetées.
- Imagerie médicale, médico-légale et d'accident — photographies cliniques, de blessures et de scène que les filtres génériques rejettent comme choquantes, quel que soit le demandeur.
- Recherche en sécurité — lire des pages d'hameçonnage, des interfaces malveillantes et des écrans capturés sans que le modèle rechigne sur la prémisse.
- Classification de contenu pour adultes et catalogage d'archives — des pipelines qui existent pour identifier du matériel et ne peuvent pas déléguer le fait de regarder, plus des collections historiques que les filtres traitent comme inétiquetables.
Retirer la couche de refus retire un obstacle d'ingénierie, pas un obstacle juridique. Shannon AI est exploité par Shannon Lab LLC au Nouveau-Mexique, États-Unis, et l'usage de l'API est régi par notre politique d'utilisation responsable. Une sortie non filtrée est une capacité, pas un blanc-seing.
08L'appeler : points de terminaison, entrée d'images et positionnement
Le modèle est MiMo-V2.5-W8A16, accessible via trois dialectes de requête sur les mêmes poids : vous gardez donc le SDK dont vous disposez déjà.
/v1/chat/completions— compatible OpenAI. Les images entrent comme parties de contenuimage_url, soit sous forme d'URL https, soit sous forme d'URI de données base64./v1/messages— compatible Anthropic. Les images entrent comme blocs de contenuimage./v1/responses— le dialecte de style Responses.
Le streaming et l'appel d'outils fonctionnent sur les trois, si bien que le modèle peut regarder une capture d'écran et appeler une fonction à propos de ce qu'il a vu dans le même tour. Les schémas complets de requête et de réponse sont dans la documentation de l'API, qui héberge aussi un bac à sable où coller une image avant d'écrire la moindre ligne de code.
MiMo-V2.5 prend en charge json_schema strict et response_format — la différence entre une démo et un pipeline. Donnez-lui un reçu et un schéma avec des champs typés pour le fournisseur, la date, les lignes d'articles et le total, et vous récupérez un objet que votre code peut valider plutôt qu'un paragraphe à passer à la moulinette d'une expression régulière. Deux des douze modèles de ce catalogue n'ont pas la prise en charge complète de la sortie structurée ; celui-ci l'a, et c'est pourquoi il fonctionne comme service d'extraction à fort volume.
La fenêtre de contexte est de 262,144 tokens ; la sortie générée est plafonnée à 16,384 tokens par requête. Les images consomment des tokens d'entrée en fonction de leur résolution : des scans de pages haute résolution dévorent donc le contexte bien plus vite qu'un texte au nombre de mots équivalent. Paginez les longs documents plutôt que de charger un scan de 300 pages en une seule requête, et traitez le plafond de sortie comme une contrainte réelle sur l'extraction exhaustive — découpez les tableaux denses par plages de lignes plutôt que d'obtenir une réponse tronquée.
La molette reasoning_effort a un vrai effet de levier ici, vu le pedigree de la famille. Baissez-la pour la classification à fort volume, où la réponse est une étiquette et où les tokens de réflexion sont un pur coût ; montez-la pour l'interprétation de graphiques, les mathématiques visuelles et le raisonnement sur diagrammes, où le modèle doit combiner plusieurs choses qu'il voit avant de pouvoir répondre.
Où il convient, et où il ne convient pas
Bons usages. Extraction de documents et de reçus à fort volume ; travail proche de l'OCR sur des scans imparfaits ; lecture de graphiques, de tableaux de bord et de tableaux ; compréhension de captures d'écran et ancrage d'interfaces ; étiquetage de catalogues et questions-réponses visuelles ; pipelines de modération — toute tâche multimodale où le coût par appel est contraignant et où la précision du détail fin est ce à quoi vous refusez de renoncer.
Mauvais usages. Le raisonnement multimodal de difficulté frontière qui exige le modèle le plus fort quel qu'en soit le prix — c'est le rôle de Kimi-K3, et il coûte près de dix fois plus cher pour une raison. La génération de texte seul, où MiMo-V2.5-Pro offre une meilleure fondation au même tarif. Le travail qui s'appuie sur une connaissance encyclopédique du monde, où une grande fondation creuse dépasse une fondation dense compacte. Et tout ce qui exige plus de 262K de contexte, ce qu'aucun modèle d'ici ne propose.
Chaque chiffre publié ci-dessus vient de Xiaomi, pour un checkpoint nommé des séries MiMo et MiMo-VL. Lisez le matériel primaire plutôt que notre résumé.
09Questions fréquentes
Qu'est-ce que l'API vision MiMo sans censure ?
C'est le modèle MiMo-V2.5 W8A16 sur la passerelle Shannon AI : un modèle doté de vision, issu de la lignée MiMo de Xiaomi, servi sur notre propre cluster GPU en précision de poids 8 bits, avec un contexte de 262,144 tokens et sans couche de refus ni filtre de sortie. Il accepte images et texte sur /v1/chat/completions, /v1/messages et /v1/responses, à 0,50 $ par million de tokens d'entrée et 2,00 $ par million de tokens de sortie.
Quel est le modèle sans censure le moins cher capable de vraiment voir les images ?
Deux modèles sont à égalité au prix plancher de 0,50 $ en entrée / 2,00 $ en sortie par million de tokens : MiMo-V2.5 W8A16 et MiniMax-M3 3BIT-REAP. MiMo-V2.5 est le plus précis des deux, avec des poids 8 bits, ce qui en fait le choix par défaut le plus sûr pour un travail d'images sensible au détail. MiniMax-M3 fait tourner une fondation bien plus grande compressée sur 3 bits, privilégiant l'étendue de la connaissance du monde à la fidélité au pixel près.
Que signifie W8A16 et pourquoi est-ce important pour la vision ?
W8A16 signifie des poids sur 8 bits avec des activations sur 16 bits, le palier le plus fidèle du catalogue Shannon, employé là où la fondation est assez compacte pour qu'une compression agressive soit inutile. C'est important pour la vision, car une tour de vision et son projecteur font passer le détail fin par un chemin étroit, et les erreurs qui s'y introduisent ne se rattrapent pas plus tard comme le fait souvent un plongement textuel un peu flou.
En quoi MiMo-V2.5 diffère-t-il de MiMo-V2.5-Pro ?
Même prix, même contexte de 262,144 tokens, même palier W8A16, mais pas le même modèle. MiMo-V2.5 accepte les images ; MiMo-V2.5-Pro non, et dépense plutôt ce budget de service sur une fondation textuelle plus grande. Utilisez MiMo-V2.5 quand vos entrées comportent des captures d'écran, des documents, des graphiques ou des photographies ; utilisez Pro pour un travail uniquement textuel, au tarif identique.
Le modèle de vision MiMo sans censure prend-il en charge le JSON schema et l'appel d'outils ?
Oui. MiMo-V2.5 W8A16 prend en charge la sortie structurée json_schema stricte, response_format, l'appel d'outils, le streaming et un contrôle reasoning_effort. C'est ce qui le rend utilisable comme moteur d'extraction : donnez-lui une image et récupérez un objet validé plutôt qu'une prose qu'il faut parser.
Envoyez-lui une image
Vision 8 bits, 262K de contexte, aucune couche de refus — au prix d'un modèle uniquement textuel.
Lire la documentation de l'API Parcourir les 12 modèlesIdentifiant de modèle : MiMo-V2.5-W8A16 · régi par notre politique d'utilisation responsable
Sources : rapport technique MiMo (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Tous les chiffres de benchmark sont rapportés par Xiaomi pour les checkpoints publiés nommés ci-dessus et décrivent la lignée de la famille, pas la version exacte servie sur ce point de terminaison. Les prix, le contexte et les indicateurs de capacité sont les valeurs catalogue de la passerelle Shannon AI, septembre 2026.