API de visión MiMo sen censura

Os endpoints multimodais baratos son baratos porque se cortou algo, e o que se corta adoita ser a parte que non ves: os pesos espremidos a tres ou catro bits, e o modelo segue respondendo con seguridade sobre unha gráfica que xa non pode ler de verdade. MiMo-V2.5 é o contraexemplo do noso catálogo — está no chan de prezo e no nivel de precisión máis alto ao mesmo tempo, porque a base da que descende foi construída pequena e densa en vez de enorme e dispersa.

01De onde vén MiMo: primeiro un modelo de razoamento, despois un de visión

A liña MiMo é o programa de investigación de pesos abertos de Xiaomi, e o seu argumento fundacional non está de moda: a capacidade de razoamento fíxase durante o preadestramento, non se atornilla despois con aprendizaxe por reforzo. O traballo é sobre todo enxeñaría de datos — Xiaomi reconstruíu a extracción e o filtrado de texto para elevar a densidade de patróns de razoamento no corpus, xerou datos de razoamento sintéticos a escala e preadestrou MiMo-7B-Base con arredor de 25 billóns de tokens baixo unha mestura de tres etapas, coa predición de múltiples tokens como obxectivo auxiliar que serve tamén na inferencia como decodificador especulativo (taxa de aceptación preto do 90%, segundo Xiaomi).

O post-adestramento é deliberadamente austero: 130,000 problemas de matemáticas e código con recompensas de precisión baseadas só en regras, sen modelo de recompensa aprendido, co razoamento de que un modelo de recompensa neuronal é unha superficie que se pode piratear. As recompensas verificables non se deixan engaiolar. MiMo-7B-RL dá cifras desproporcionadas para o seu tamaño — Xiaomi informa dun 68.2% en AIME 2024, un 95.8% en MATH-500 e un 57.8% en LiveCodeBench v5 con pass@1, igualando a o1-mini de OpenAI. Esa é a forma do modelo ao que chamas: compacto, densamente adestrado, axustado para traballar un problema en vez de recordar unha resposta — e ese carácter sobrevive nos descendentes multimodais.

02Como aprendeu a ver MiMo: a arquitectura MiMo-VL

MiMo-VL é a rama de linguaxe e visión, e a súa construción é instrutiva. Xiaomi xuntou tres pezas: un codificador ViT de resolución nativa que conserva o detalle fino en vez de forzar cada imaxe por unha grella de baixa resolución fixa, un proxector MLP inicializado ao azar cara ao espazo latente do modelo de linguaxe e — o crucial — a columna vertebral de razoamento de MiMo como modelo de linguaxe. O sistema de visión herda un decodificador xa bo pensando en varios pasos, e non un simplemente bo poñendo lendas.

O adestramento correu en catro etapas de preadestramento — quecemento do proxector, aliñamento de linguaxe e visión, preadestramento multimodal xeral e axuste fino supervisado de contexto longo — ao longo de arredor de 2.4 billóns de tokens, e despois aprendizaxe por reforzo mixta en política (MORL), que mete nun só bucle en política a precisión perceptiva, a precisión da fundamentación visual, a corrección do razoamento e a preferencia humana ou de IA. O informe recoñece con franqueza que optimizar todo iso á vez é inestable — un enfoque máis honesto do que ofrecen a maioría dos artigos multimodais.

Os resultados publicados son fortes para o reconto de parámetros. Xiaomi informa de que MiMo-VL-7B-RL lle gaña a Qwen2.5-VL-7B en 35 de 40 tarefas, cun 59.4 en OlympiadBench (por riba de modelos de ata 78B) e un 56.1 en OSWorld-G para fundamentación en interfaces gráficas, por diante de axentes de interface feitos a propósito. A actualización posterior 2508 levou MMMU por riba de 70 por primeira vez na serie (70.6), acadou 94.4 en ChartQA, 92.5 en ScreenSpot-v2 e 70.8 en VideoMME, e engadiu un interruptor de control do pensamento para poder apagar as trazas de razoamento por petición.

03Que significa W8A16, e por que importa máis na visión ca no texto

Todos os modelos da pasarela levan un sufixo de cuantización. Non é decoración — dicheche a que se renunciou para facer servible o modelo.

Sufixo	Que é	Por que se usa
3BIT-REAP	Pesos de 3 bits máis REAP, un método de poda de expertos que quita dun modelo MoE os expertos pouco enrutados antes de cuantizar	A única forma de facer caber e servir as bases máis grandes a unha velocidade razoable
W4A16-AUTOROUND-REAP	Pesos de 4 bits, activacións de 16 bits, cuantizados con AutoRound — redondeo aprendido que recupera precisión fronte ao redondeo inxenuo ao máis próximo — máis a poda REAP	Termo medio para bases grandes que non precisan compresión extrema
W8A16	Pesos de 8 bits, activacións de 16 bits — o nivel de maior fidelidade que servimos	Úsase onde a base é o bastante pequena como para que a compresión agresiva sexa innecesaria

MiMo-V2.5 gaña a terceira fila por ser compacto: unha base densa desta clase non precisa esmagarse a tres bits para caber, así que podes permitirte manter oito, e os pesos dos que mostras quedan preto dos que se adestraron. Iso importa de forma desproporcionada no traballo con imaxes, por unha razón estrutural. Nun decodificador só de texto, unha incrustación que deriva pola cuantización recontextualízase con ducias de capas de atención posteriores — moitas oportunidades de recuperarse. Unha pila de visión non ten esa folgura: a información visual pasa por un só codificador e un só proxector estreito antes de chegar ao decodificador, e todo o de augas abaixo está condicionado polo que produciu ese pescozo de botella. O sinal de gran fino — o 3 fronte ao 8 nun escaneado de pouco contraste, o píxel exacto onde remata unha barra no eixe dunha gráfica, o límite dun elemento de interface no que che piden premer — vive no detalle de peso de baixa magnitude que a cuantización agresiva descarta primeiro.

Un modelo de visión de 3 bits non falla en alto; falla en silencio, producindo unha descrición fluída dun documento con dous díxitos trocados no total. Unha maior precisión dos pesos é o seguro máis barato contra ese fallo, e aquí é de balde — pagas o prezo chan de todos os xeitos.

04O prezo chan, en contexto

Catro modelos do noso catálogo de doce están no chan de prezo de $0.50 de entrada / $2.00 de saída por millón de tokens. Só un deles acepta imaxes. Velaquí onde caen os modelos con visión no custo de saída, a cifra que domina a maioría das facturas reais:

Prezo de saída en dólares por 1M de tokens, tarifas de lista da pasarela de Shannon AI, setembro de 2026. A lonxitude da barra é relativa ao modelo de visión máis caro do catálogo.

Fronte a Kimi-K3 — o modelo de visión do teito, e xenuinamente máis forte — MiMo-V2.5 é arredor de 9.6× máis barato na saída e 7.7× máis barato na entrada. Iso non é unha afirmación de equivalencia; é un argumento sobre a forma da carga de traballo. Con cen mil imaxes ao mes, o modelo do teito non é asumible e o do chan si, e a pregunta honesta é se o modelo do chan supera o teu listón de precisión — non se gaña un benchmark.

05MiMo-V2.5 fronte a MiniMax-M3: os dous modelos de visión baratos, comparados con honestidade

Estes dous empatan exactamente en prezo, contexto e superficie de endpoints. Non son intercambiables: o nivel de cuantización é un indicador de dúas apostas distintas sobre o que fai útil a un modelo de visión.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Entrada / saída por 1M	$0.50 / $2.00	$0.50 / $2.00
Precisión dos pesos	8 bits	3 bits + poda de expertos
Tamaño da base	Compacta, densa	Grande, MoE dispersa
Visión	Si	Si
Xanela de contexto	262,144	262,144
Esquema · ferramentas · streaming	Si	Si

Escolle MiMo-V2.5 cando a imaxe sexa a parte difícil: OCR denso en escaneados imperfectos, extracción numérica de gráficas e táboas, fundamentación en capturas de pantalla e interfaces, lectura de texto pequeno, distinguir fotos de produto case idénticas — calquera cousa onde un díxito trocado sexa un defecto e non unha eiva cosmética. Queres o camiño de maior fidelidade dos píxeles aos tokens, e os pesos de 8 bits son como o consegues a este prezo.

Escolle MiniMax-M3 cando a imaxe sexa a parte fácil. Unha base grande e dispersa comprimida a 3 bits segue tendo máis coñecemento do mundo e máis amplitude de razoamento ca un modelo compacto e denso, mesmo tras a poda. Se a tarefa é "mira esta foto e razoa longamente sobre o que implica", ou se a imaxe é unha entrada máis nunha conversa maiormente de texto, a base máis grande é o mellor instrumento — a agudeza visual á que renunciaches non era a restrición determinante.

06MiMo-V2.5 fronte a MiMo-V2.5-Pro: o irmán que trocou os ollos por profundidade

Esta é a comparación que xera máis tickets de soporte, así que paga a pena ser rotundo. MiMo-V2.5-Pro-W8A16 e MiMo-V2.5-W8A16 comparten prezo, xanela de contexto, nivel de precisión e apelido. Pro non acepta imaxes. Non é un superconxunto. É unha asignación distinta do mesmo orzamento.

Servir un modelo multimodal significa pagar por unha torre de visión e un proxector xunto ao decodificador — cun obxectivo de custo fixo, é capacidade que non se gasta no propio modelo de linguaxe. Pro gástao todo en texto: unha base maior con máis marxe para a escrita longa, o razoamento estendido e o código. MiMo-V2.5 gasta parte del en ver.

Así que a regra de decisión vai das túas entradas, non das túas ambicións. Se calquera petición pode conter unha captura de pantalla, unha páxina escaneada, unha gráfica, un diagrama ou unha fotografía, precisas MiMo-V2.5 — Pro rexeitará o bloque de contido. Se todas as peticións son texto e colliches o modelo de visión por costume, estás a deixar calidade de base sobre a mesa a cambio de nada: colle MiMo-V2.5-Pro á mesma tarifa.

Un patrón que paga a pena roubar: enruta por tipo de contido. Todo o que teña unha parte de imaxe vai a MiMo-V2.5-W8A16, e todo o demais a MiMo-V2.5-Pro-W8A16. Mesma familia, mesmo prezo, mesmo orzamento de contexto — o enrutador é trivial e non hai ningún modelo de custos que conciliar.

07Que significa realmente "comprensión de imaxes sen censura"

Non hai capa de negativas diante deste modelo nin filtro de contido na súa saída. Esa é unha decisión de produto cunha consecuencia concreta para o traballo de visión: o modelo describe o que hai no cadro en vez de rexeitalo pola materia.

Isto importa porque as API de visión filtradas son estruturalmente inadecuadas para toda unha categoría de traballo lexítimo. Unha canalización de moderación ten que mirar o material que modera e dicir o que é; un clasificador que se nega a examinar aquilo que clasifica non é un clasificador. O mesmo vale nunha longa lista de traballos reais:

• Ferramentas de confianza e seguridade — etiquetar precisamente a imaxe que unha API xeneralista non procesa, que é a imaxe que máis precisa ser etiquetada.
• Imaxe médica, forense e de accidentes — fotografía clínica, de lesións e de escena que os filtros xenéricos rexeitan por gráfica, sexa quen sexa quen o pide.
• Investigación en seguridade — ler páxinas de phishing, interfaces maliciosas e pantallas capturadas sen que o modelo se bote atrás pola premisa.
• Clasificación de contido adulto e catalogación de arquivos — canalizacións que existen para identificar material e que non poden externalizar o acto de mirar, máis coleccións históricas que os filtros tratan como non etiquetables.

Quitar a capa de negativas quita un obstáculo de enxeñaría, non un obstáculo legal. Shannon AI está operado por Shannon Lab LLC en Novo México, EUA, e o uso da API réxese pola nosa Política de Uso Responsable. A saída sen filtrar é unha capacidade, non un permiso.

08Como chamalo: endpoints, entrada de imaxe e onde encaixa

O modelo é MiMo-V2.5-W8A16, accesible en tres dialectos de petición contra os mesmos pesos, así que conservas o SDK que xa teñas:

• /v1/chat/completions — compatible con OpenAI. As imaxes entran como partes de contido image_url, xa sexa como URL https ou como URI de datos en base64.
• /v1/messages — compatible con Anthropic. As imaxes entran como bloques de contido image.
• /v1/responses — o dialecto ao estilo Responses.

O streaming e a chamada de ferramentas funcionan nos tres, así que o modelo pode mirar unha captura de pantalla e chamar unha función sobre o que viu nunha soa quenda. Os esquemas completos de petición e resposta están na documentación da API, que tamén aloxa un playground no que podes pegar unha imaxe antes de escribir código ningún.

MiMo-V2.5 admite json_schema estrito e response_format — a diferenza entre unha demo e unha canalización. Dálle un recibo máis un esquema con campos tipados para provedor, data, liñas e total, e recuperas un obxecto que o teu código pode validar en vez dun parágrafo ao que lle tes que aplicar expresións regulares. Dous dos doce modelos deste catálogo non teñen compatibilidade completa con saída estruturada; este si, e por iso funciona como servizo de extracción de alto volume.

A xanela de contexto é de 262,144 tokens; a saída xerada está limitada a 16,384 tokens por petición. As imaxes consomen tokens de entrada en función da resolución, así que os escaneados de páxina de alta resolución comen contexto moito máis rápido ca unha cantidade equivalente de palabras de texto. Pagina os documentos longos en vez de cargar un escaneado de 300 páxinas nunha soa petición, e trata o teito de saída como unha restrición real na extracción exhaustiva — trocea as táboas densas por rangos de filas en vez de obter unha resposta truncada.

O mando reasoning_effort ten aquí unha panca real dada a estirpe da familia. Báixao para a clasificación de alto volume, onde a resposta é unha etiqueta e os tokens de pensamento son puro custo; súbeo para a interpretación de gráficas, as matemáticas visuais e o razoamento sobre diagramas, onde o modelo ten que combinar varias cousas que ve antes de poder responder.

Onde encaixa e onde non

Bos encaixes. Extracción de documentos e recibos a alto volume; traballo próximo ao OCR en escaneados imperfectos; lectura de gráficas, paneis e táboas; comprensión de capturas de pantalla e fundamentación en interfaces; etiquetado de catálogos e preguntas visuais; canalizacións de moderación — calquera tarefa multimodal onde o custo por chamada sexa a restrición e a precisión no detalle fino sexa aquilo ao que te negas a renunciar.

Malos encaixes. Razoamento multimodal de dificultade de fronteira que precisa o modelo máis forte custe o que custe — ese é o traballo de Kimi-K3, e custa case dez veces máis por algo. Xeración só de texto, onde MiMo-V2.5-Pro dá unha base mellor á mesma tarifa. Traballo que se apoia en coñecemento enciclopédico do mundo, onde unha base grande e dispersa lle gaña a unha compacta e densa. E calquera cousa que precise máis de 262K de contexto, que aquí non o ofrece ningún modelo.

09Preguntas frecuentes

---

Fontes: informe técnico de MiMo (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Todas as cifras de benchmark están informadas por Xiaomi para os puntos de control nomeados arriba e describen a liñaxe da familia, non a compilación exacta deste endpoint. Os prezos, o contexto e as marcas de capacidade son valores de lista da pasarela de Shannon AI, setembro de 2026.