અનસેન્સર્ડ MiMo વિઝન API

સસ્તા મલ્ટિમોડલ એન્ડપોઇન્ટ સસ્તા છે કારણ કે કંઈક કાપવામાં આવ્યું, અને જે કપાય છે એ સામાન્ય રીતે એ ભાગ છે જે તમે જોઈ શકતા નથી: વેઇટ્સ ત્રણ કે ચાર બિટ સુધી સંકોચાય છે, અને મોડેલ હજુ પણ ચાર્ટ વિશે વિશ્વાસપૂર્વક જવાબ આપે છે જેને તે હવે ખરેખર વાંચી શકતું નથી. MiMo-V2.5 અમારા કેટલોગમાં counter-example છે — કિંમત તળિયે અને ટોચના ચોકસાઈ ટાયર પર એકસાથે, કારણ કે તે જે ફાઉન્ડેશનમાંથી ઊતરી આવ્યું છે એ વિશાળ અને sparse ને બદલે નાનું અને dense બનાવવામાં આવ્યું હતું.

01MiMo ક્યાંથી આવે છે: પહેલાં રિઝનિંગ મોડેલ, પછી વિઝન મોડેલ

MiMo લાઇન Xiaomi નો ઓપન-વેઇટ્સ રિસર્ચ પ્રોગ્રામ છે, અને તેની સ્થાપક દલીલ unfashionable છે: રિઝનિંગ ક્ષમતા પ્રી-ટ્રેઇનિંગ દરમિયાન સેટ થાય છે, પછીથી RL વડે બોલ્ટ કરાતી નથી. કામ મોટાભાગે ડેટા એન્જિનિયરિંગ છે — Xiaomi એ કોર્પસમાં રિઝનિંગ પેટર્નની ઘનતા વધારવા ટેક્સ્ટ નિષ્કર્ષણ અને ફિલ્ટરિંગ ફરીથી બનાવ્યું, મોટા સ્કેલે સિન્થેટિક રિઝનિંગ ડેટા જનરેટ કર્યો, અને ત્રણ-તબક્કાના મિશ્રણ હેઠળ MiMo-7B-Base ને લગભગ 25 ટ્રિલિયન ટોકન પર પ્રી-ટ્રેઇન કર્યું, Multiple-Token Prediction ને auxiliary ઉદ્દેશ તરીકે જે ઇન્ફરન્સ સમયે speculative decoder તરીકે પણ કામ કરે છે (Xiaomi પ્રમાણે લગભગ 90% acceptance rate).

Posttraining ઇરાદાપૂર્વક austere છે: ફક્ત rule-based ચોકસાઈ રિવોર્ડ સાથે 130,000 ગણિત અને કોડ સમસ્યાઓ, કોઈ શીખેલું reward model નહીં, એ તર્ક પર કે neural reward model hack કરી શકાય એવી સપાટી છે. ચકાસી શકાય એવા રિવોર્ડને sweet-talk કરી શકાતા નથી. MiMo-7B-RL તેના કદના પ્રમાણમાં અસમાન આંકડા પોસ્ટ કરે છે — Xiaomi pass@1 પર AIME 2024 પર 68.2%, MATH-500 પર 95.8%, LiveCodeBench v5 પર 57.8% જણાવે છે, OpenAI ના o1-mini ને મેચ કરીને. એ છે તમે કૉલ કરી રહ્યા છો એ મોડેલનો આકાર: કોમ્પેક્ટ, ઘનતાથી તાલીમ પામેલું, જવાબ યાદ કરવાને બદલે સમસ્યા દ્વારા કામ કરવા ટ્યુન કરેલું — અને એ સ્વભાવ મલ્ટિમોડલ વંશજોમાં ટકે છે.

02MiMo એ કેવી રીતે જોવાનું શીખ્યું: MiMo-VL આર્કિટેક્ચર

MiMo-VL એ વિઝન-લેંગ્વેજ શાખા છે, અને તેનું બાંધકામ શિક્ષણપ્રદ છે. Xiaomi એ ત્રણ ભાગ ભેગા કર્યા: native-resolution ViT એન્કોડર જે દરેક ઇમેજને fixed low-resolution ગ્રિડ દ્વારા ધકેલવાને બદલે ઝીણી વિગત જાળવે છે, ભાષા મોડેલની latent space માં randomly initialized MLP projector, અને — મહત્વનું — ભાષા મોડેલ તરીકે MiMo રિઝનિંગ બેકબોન. વિઝન સિસ્ટમ ફક્ત captioning માં સારા હોય એવા ડિકોડરને બદલે મલ્ટિ-સ્ટેપ thinking માં પહેલેથી સારા ડિકોડરને વારસામાં લે છે.

તાલીમ ચાર પ્રી-ટ્રેઇનિંગ તબક્કામાં ચાલી — projector warmup, વિઝન-લેંગ્વેજ alignment, સામાન્ય મલ્ટિમોડલ પ્રી-ટ્રેઇનિંગ, long-context SFT — લગભગ 2.4 ટ્રિલિયન ટોકન પર, પછી Mixed On-policy Reinforcement Learning (MORL), perception ચોકસાઈ, વિઝ્યુઅલ grounding ચોકસાઈ, રિઝનિંગ correctness, અને human/AI preference ને એક on-policy લૂપમાં ફોલ્ડ કરીને. રિપોર્ટ સ્પષ્ટ છે કે એ બધું એકસાથે ઑપ્ટિમાઇઝ કરવું અસ્થિર છે — મોટાભાગના મલ્ટિમોડલ પેપર આપે છે એના કરતાં વધુ પ્રામાણિક framing.

પ્રકાશિત પરિણામ પેરામીટર ગણતરી માટે મજબૂત છે. Xiaomi જણાવે છે કે MiMo-VL-7B-RL 40 માંથી 35 ટાસ્ક પર Qwen2.5-VL-7B ને હરાવે છે, OlympiadBench પર 59.4 (78B સુધીના મોડેલોથી ઉપર), અને GUI grounding માટે OSWorld-G પર 56.1, ખાસ-બનેલા interface એજન્ટોથી આગળ. પછીના 2508 refresh એ શ્રેણીમાં પહેલી વાર MMMU ને 70 ને પાર (70.6) ધકેલ્યું, ChartQA પર 94.4, ScreenSpot-v2 પર 92.5 અને VideoMME પર 70.8 સુધી પહોંચ્યું, અને thinking-control switch ઉમેર્યું જેથી વિનંતી દીઠ રિઝનિંગ ટ્રેસ બંધ કરી શકાય.

03W8A16 નો શું અર્થ થાય છે, અને તે ટેક્સ્ટ કરતાં વિઝન માટે કેમ વધુ મહત્વનું છે

ગેટવે પરનું દરેક મોડેલ ક્વોન્ટાઇઝેશન પ્રત્યય ધરાવે છે. તે શણગાર નથી — તે તમને કહે છે કે મોડેલને સર્વ કરવા યોગ્ય બનાવવા શું ટ્રેડ કરાયું.

પ્રત્યય	તે શું છે	તે કેમ વપરાય છે
3BIT-REAP	3-બિટ વેઇટ્સ વત્તા REAP, એક્સપર્ટ-પ્રુનિંગ પદ્ધતિ જે ક્વોન્ટાઇઝ કરતા પહેલાં MoE મોડેલમાંથી ભાગ્યે જ-રાઉટ થતા એક્સપર્ટને કાઢી નાખે છે	સૌથી મોટા ફાઉન્ડેશનને વાજબી ઝડપે ફિટ કરવા અને સર્વ કરવાનો એકમાત્ર રસ્તો
W4A16-AUTOROUND-REAP	4-બિટ વેઇટ્સ, 16-બિટ એક્ટિવેશન, AutoRound સાથે ક્વોન્ટાઇઝ કરેલા — શીખેલું રાઉન્ડિંગ જે નાઇવ round-to-nearest કરતાં ચોકસાઈ પાછી લાવે છે — વત્તા REAP પ્રુનિંગ	આત્યંતિક કમ્પ્રેશનની જરૂર ન હોય એવા મોટા ફાઉન્ડેશન માટે મધ્યમ જમીન
W8A16	8-બિટ વેઇટ્સ, 16-બિટ એક્ટિવેશન — અમે સર્વ કરીએ છીએ એ સૌથી ઊંચી-ફિડેલિટીનું ટાયર	જ્યાં ફાઉન્ડેશન એટલું નાનું છે કે આક્રમક કમ્પ્રેશન બિનજરૂરી છે ત્યાં વપરાય છે

MiMo-V2.5 કોમ્પેક્ટ હોવાથી ત્રીજી પંક્તિ કમાય છે: આ ક્લાસનું dense ફાઉન્ડેશન ફિટ થવા ત્રણ બિટ સુધી crushed થવાની જરૂર નથી, એટલે તમે આઠ રાખવાનું પોસાય શકો છો, અને તમે sample કરો છો એ વેઇટ્સ તાલીમ પામેલા વેઇટ્સની નજીક રહે છે. એ ઇમેજ કામ માટે structural કારણસર અપ્રમાણસર રીતે મહત્વનું છે. ફક્ત-ટેક્સ્ટ ડિકોડરમાં, ક્વોન્ટાઇઝેશન હેઠળ drift થતું embedding ડઝનેક પછીના એટેન્શન લેયર દ્વારા re-contextualized થાય છે — પુનઃપ્રાપ્ત કરવાની ઘણી તકો. વિઝન સ્ટેકમાં એવી slack નથી: વિઝ્યુઅલ માહિતી ડિકોડર સુધી પહોંચે એ પહેલાં એક જ એન્કોડર અને એક જ સાંકડા projector દ્વારા પસાર થાય છે, અને downstream બધું એ bottleneck એ શું ઉત્પન્ન કર્યું એના પર conditioned છે. ઝીણું સિગ્નલ — ઓછા-contrast સ્કેનમાં 3 સામે 8, ચાર્ટ axis પર bar ક્યાં પૂરો થાય છે એ ચોક્કસ pixel, UI element ની સીમા જેને તમને ક્લિક કરવાનું કહેવાયું — ઓછી-magnitude ના વેઇટ વિગતમાં રહે છે જેને આક્રમક ક્વોન્ટાઇઝેશન પહેલાં કાઢી નાખે છે.

3-બિટ વિઝન મોડેલ મોટેથી નિષ્ફળ જતું નથી; તે ચૂપચાપ નિષ્ફળ જાય છે, ડોક્યુમેન્ટનું fluent વર્ણન ઉત્પન્ન કરે છે જેમાં total માં બે અંક transposed હોય. ઊંચી વેઇટ ચોકસાઈ એ નિષ્ફળતા સામે સૌથી સસ્તો વીમો છે, અને અહીં તે મફત છે — તમે ગમે તે રીતે તળિયાની કિંમત ચૂકવો છો.

04તળિયાની કિંમત, સંદર્ભમાં

અમારા બાર-મોડેલ કેટલોગમાં ચાર મોડેલ 1 મિલિયન ટોકન દીઠ $0.50 ઇનપુટ / $2.00 આઉટપુટ ની કિંમત તળિયે બેસે છે. તેમાંથી ફક્ત એક ઇમેજ લે છે. અહીં વિઝન-સક્ષમ મોડેલ આઉટપુટ ખર્ચ પર ક્યાં ઊતરે છે, જે આંકડો મોટાભાગના ખરા બિલ પર પ્રભુત્વ ધરાવે છે:

USD 1M ટોકન દીઠ આઉટપુટ કિંમત, Shannon AI ગેટવે યાદી દર, સપ્ટેમ્બર 2026. bar લંબાઈ કેટલોગમાં સૌથી મોંઘા વિઝન મોડેલની સાપેક્ષ છે.

Kimi-K3 સામે — સીલિંગ વિઝન મોડેલ, અને ખરેખર મજબૂત એક — MiMo-V2.5 આઉટપુટ પર લગભગ 9.6x સસ્તું અને ઇનપુટ પર 7.7x સસ્તું છે. એ સમકક્ષતાનો દાવો નથી; તે વર્કલોડ આકાર વિશે દલીલ છે. મહિનામાં એક લાખ ઇમેજ પર, સીલિંગ મોડેલ પોસાય એવું નથી અને તળિયાનું મોડેલ છે, અને પ્રામાણિક પ્રશ્ન એ છે કે તળિયાનું મોડેલ તમારો ચોકસાઈ bar ક્લિયર કરે છે કે નહીં — બેન્ચમાર્ક જીતે છે કે નહીં એ નહીં.

05MiMo-V2.5 vs MiniMax-M3: બે સસ્તા વિઝન મોડેલ, પ્રામાણિકપણે સરખાવેલા

આ બે કિંમત, કોન્ટેક્સ્ટ, અને એન્ડપોઇન્ટ સપાટી પર બરાબર બંધાય છે. તેઓ બદલી શકાય એવા નથી: ક્વોન્ટાઇઝેશન ટાયર વિઝન મોડેલને ઉપયોગી શું બનાવે છે એ વિશેના બે અલગ દાવ માટે proxy છે.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
1M દીઠ ઇનપુટ / આઉટપુટ	$0.50 / $2.00	$0.50 / $2.00
વેઇટ ચોકસાઈ	8-બિટ	3-બિટ + એક્સપર્ટ પ્રુનિંગ
ફાઉન્ડેશન કદ	કોમ્પેક્ટ, dense	મોટું, sparse MoE
વિઝન	હા	હા
કોન્ટેક્સ્ટ વિન્ડો	262,144	262,144
સ્કીમા · ટૂલ · સ્ટ્રીમિંગ	હા	હા

MiMo-V2.5 પસંદ કરો જ્યારે ઇમેજ અઘરો ભાગ છે: અપૂર્ણ સ્કેન પર ગાઢ OCR, ચાર્ટ અને ટેબલમાંથી numeric નિષ્કર્ષણ, સ્ક્રીનશોટ અને UI grounding, નાના-ટેક્સ્ટનું વાચન, લગભગ-સરખા પ્રોડક્ટ ફોટા વચ્ચે ફરક પાડવો — કંઈપણ જ્યાં transposed અંક cosmetic ખામીને બદલે ખરેખરની ખામી છે. તમને pixel થી ટોકન સુધીનો સૌથી ઊંચી-ફિડેલિટીનો પાથ જોઈએ છે, અને 8-બિટ વેઇટ્સ એ છે જે તમને આ કિંમતે તે આપે છે.

MiniMax-M3 પસંદ કરો જ્યારે ઇમેજ સહેલો ભાગ છે. 3 બિટ સુધી કમ્પ્રેસ કરેલું મોટું sparse ફાઉન્ડેશન પ્રુનિંગ પછી પણ કોમ્પેક્ટ dense મોડેલ કરતાં વધુ world knowledge અને રિઝનિંગ પહોળાઈ ધારણ કરે છે. જો ટાસ્ક "આ ફોટો જુઓ અને તે શું સૂચવે છે એ વિશે લંબાણથી રિઝન કરો" છે, કે ઇમેજ મોટાભાગે-ટેક્સ્ટ વાતચીતમાં એક ઇનપુટ છે, તો મોટું ફાઉન્ડેશન વધુ સારું સાધન છે — તમે ટ્રેડ કરેલી વિઝ્યુઅલ acuity binding constraint ન હતી.

06MiMo-V2.5 vs MiMo-V2.5-Pro: આંખોના બદલામાં ઊંડાણ ટ્રેડ કરેલો સાથી

આ સૌથી વધુ સપોર્ટ ટિકિટ ઉત્પન્ન કરતી સરખામણી છે, એટલે સીધું કહેવા યોગ્ય છે. MiMo-V2.5-Pro-W8A16 અને MiMo-V2.5-W8A16 કિંમત, કોન્ટેક્સ્ટ વિન્ડો, ચોકસાઈ ટાયર, અને પરિવારનું નામ શેર કરે છે. Pro ઇમેજ સ્વીકારતું નથી. તે superset નથી. તે એ જ બજેટની અલગ ફાળવણી છે.

મલ્ટિમોડલ મોડેલ સર્વ કરવાનો અર્થ છે ડિકોડરની સાથે વિઝન ટાવર અને projector માટે ચૂકવવું — fixed કિંમત લક્ષ્ય પર, ક્ષમતા ભાષા મોડેલ પર જ ખર્ચાયેલી નથી. Pro તેનું બધું ટેક્સ્ટ પર ખર્ચે છે: લોંગ-ફોર્મ લેખન, વિસ્તૃત રિઝનિંગ, અને કોડ માટે વધુ headroom ધરાવતું મોટું ફાઉન્ડેશન. MiMo-V2.5 તેનો ભાગ દૃષ્ટિ પર ખર્ચે છે.

એટલે નિર્ણય નિયમ તમારી ambitions વિશે નહીં, તમારા ઇનપુટ વિશે છે. જો કોઈપણ વિનંતીમાં સ્ક્રીનશોટ, સ્કેન કરેલું પાનું, ચાર્ટ, ડાયાગ્રામ, કે ફોટોગ્રાફ હોઈ શકે, તો તમને MiMo-V2.5 જોઈએ — Pro કન્ટેન્ટ બ્લોકને નકારશે. જો દરેક વિનંતી ટેક્સ્ટ છે અને તમે આદતથી વિઝન મોડેલ તરફ વળ્યા, તો તમે કંઈ મેળવ્યા વગર ફાઉન્ડેશન ગુણવત્તા ટેબલ પર છોડી રહ્યા છો: એ જ દરે MiMo-V2.5-Pro લો.

ચોરી કરવા યોગ્ય પેટર્ન: content type પ્રમાણે route કરો. ઇમેજ ભાગ ધરાવતું કંઈપણ MiMo-V2.5-W8A16 તરફ જાય છે, બાકીનું બધું MiMo-V2.5-Pro-W8A16 તરફ. એ જ પરિવાર, એ જ કિંમત, એ જ કોન્ટેક્સ્ટ બજેટ — router trivial છે અને સમાધાન કરવા કોઈ કિંમત મોડેલ નથી.

07"અનસેન્સર્ડ ઇમેજ સમજણ" નો ખરેખર શું અર્થ થાય છે

આ મોડેલની આગળ કોઈ ઇનકાર સ્તર નથી અને તેના આઉટપુટ પર કોઈ કન્ટેન્ટ ફિલ્ટર નથી. એ પ્રોડક્ટ નિર્ણય છે જેનું વિઝન કામ માટે ચોક્કસ પરિણામ છે: મોડેલ subject matter ના આધારે ઇનકાર કરવાને બદલે ફ્રેમમાં શું છે એ વર્ણવે છે.

આ મહત્વનું છે કારણ કે ફિલ્ટર્ડ વિઝન API structurally કાયદેસર કામની આખી કેટેગરી માટે અયોગ્ય છે. મોડરેશન પાઇપલાઇને એ સામગ્રી જોવી જ પડે જેને તે મોડરેટ કરે છે અને કહેવું પડે એ શું છે; ક્લાસિફાયર જે તે જે વર્ગીકૃત કરે છે એની તપાસ કરવાનો ઇનકાર કરે છે એ ક્લાસિફાયર નથી. ખરી જોબની લાંબી યાદીમાં એ જ લાગુ પડે છે:

• Trust and safety ટૂલિંગ — બરાબર એ imagery ને લેબલ કરવું જેને mainstream API પ્રોસેસ કરશે નહીં, જે એ imagery છે જેને લેબલિંગની સૌથી વધુ જરૂર છે.
• મેડિકલ, ફોરેન્સિક, અને અકસ્માત imagery — ક્લિનિકલ, ઈજા, અને scene ફોટોગ્રાફી જેને generic ફિલ્ટર કોણ પૂછે છે એની પરવા કર્યા વગર ગ્રાફિક તરીકે નકારે છે.
• સિક્યુરિટી રિસર્ચ — મોડેલ premise પર ખચકાયા વગર phishing પાનાં, malicious ઇન્ટરફેસ, અને captured સ્ક્રીન વાંચવા.
• પુખ્ત-કન્ટેન્ટ વર્ગીકરણ અને archival cataloging — પાઇપલાઇન જે સામગ્રી ઓળખવા અસ્તિત્વ ધરાવે છે અને જોવાનું outsource કરી શકતી નથી, વત્તા ઐતિહાસિક સંગ્રહ જેને ફિલ્ટર unlabelable ટ્રીટ કરે છે.

ઇનકાર સ્તર દૂર કરવાથી એન્જિનિયરિંગ અવરોધ દૂર થાય છે, કાનૂની નહીં. Shannon AI ન્યૂ મેક્સિકો, USA માં Shannon Lab LLC દ્વારા સંચાલિત છે, અને API નો ઉપયોગ અમારી જવાબદાર ઉપયોગ નીતિ દ્વારા સંચાલિત છે. અનફિલ્ટર્ડ આઉટપુટ ક્ષમતા છે, પરવાનગીની ચિઠ્ઠી નહીં.

08તેને કૉલ કરવું: એન્ડપોઇન્ટ, ઇમેજ ઇનપુટ, અને તે ક્યાં ફિટ થાય છે

મોડેલ MiMo-V2.5-W8A16 છે, એ જ વેઇટ્સ સામે ત્રણ વિનંતી ડાયલેક્ટ પર પહોંચી શકાય એવું, એટલે તમે તમારો હાલનો SDK રાખો છો:

• /v1/chat/completions — OpenAI-કમ્પેટિબલ. ઇમેજ image_url content part તરીકે જાય છે, https URL કે base64 data URI તરીકે.
• /v1/messages — Anthropic-કમ્પેટિબલ. ઇમેજ image content બ્લોક તરીકે જાય છે.
• /v1/responses — Responses-શૈલીનો ડાયલેક્ટ.

ત્રણેય પર સ્ટ્રીમિંગ અને ટૂલ કૉલિંગ કામ કરે છે, એટલે મોડેલ એક ટર્નમાં સ્ક્રીનશોટ જોઈ શકે છે અને તેણે જે જોયું એ વિશે function કૉલ કરી શકે છે. પૂરી વિનંતી અને રિસ્પોન્સ સ્કીમા API ડોક્યુમેન્ટેશન માં છે, જે તમે કોડ લખો એ પહેલાં ઇમેજ paste કરી શકો એવો playground પણ hosts કરે છે.

MiMo-V2.5 સ્ટ્રિક્ટ json_schema અને response_format ને સમર્થન આપે છે — demo અને પાઇપલાઇન વચ્ચેનો ફરક. તેને receipt વત્તા vendor, date, line items, અને total માટે typed field ધરાવતી સ્કીમા આપો, અને તમને regex કરવો પડે એવા ફકરાને બદલે તમારો કોડ validate કરી શકે એવો ઓબ્જેક્ટ પાછો મળે છે. આ કેટલોગમાંના બારમાંથી બે મોડેલમાં પૂરું સ્ટ્રક્ચર્ડ-આઉટપુટ સમર્થન નથી; આમાં છે, અને એ જ કારણ છે કે તે ઊંચા-વોલ્યુમની નિષ્કર્ષણ સર્વિસ તરીકે કામ કરે છે.

કોન્ટેક્સ્ટ વિન્ડો 262,144 ટોકન છે; જનરેટ થયેલું આઉટપુટ વિનંતી દીઠ 16,384 ટોકન પર capped છે. ઇમેજ રિઝોલ્યુશનના function તરીકે ઇનપુટ ટોકન વાપરે છે, એટલે ઊંચા-રિઝોલ્યુશનના page સ્કેન સમકક્ષ શબ્દ ગણતરીના ટેક્સ્ટ કરતાં કોન્ટેક્સ્ટ ઘણું ઝડપી ખાય છે. એક વિનંતીમાં 300-પાનાનો સ્કેન લોડ કરવાને બદલે લાંબા ડોક્યુમેન્ટને page કરો, અને output cap ને exhaustive નિષ્કર્ષણ પર ખરી મર્યાદા તરીકે ટ્રીટ કરો — truncated જવાબ મેળવવાને બદલે ગાઢ ટેબલને row range પ્રમાણે chunk કરો.

પરિવારના વારસાને જોતાં અહીં reasoning_effort ડાયલ ખરો leverage ધરાવે છે. ઊંચા-વોલ્યુમના વર્ગીકરણ માટે તેને ઘટાડો, જ્યાં જવાબ લેબલ છે અને thinking ટોકન શુદ્ધ ખર્ચ છે; ચાર્ટ અર્થઘટન, વિઝ્યુઅલ ગણિત, અને ડાયાગ્રામ રિઝનિંગ માટે તેને વધારો, જ્યાં મોડેલે જવાબ આપતા પહેલાં તે જુએ છે એ ઘણી વસ્તુઓને જોડવી પડે.

તે ક્યાં ફિટ થાય છે, અને ક્યાં નથી

સારા ફિટ. ઊંચા-વોલ્યુમનું ડોક્યુમેન્ટ અને receipt નિષ્કર્ષણ; અપૂર્ણ સ્કેન પર OCR-adjacent કામ; ચાર્ટ, dashboard, અને ટેબલ વાચન; સ્ક્રીનશોટ સમજણ અને UI grounding; catalog ટૅગિંગ અને વિઝ્યુઅલ QA; મોડરેશન પાઇપલાઇન — કોઈપણ મલ્ટિમોડલ ટાસ્ક જ્યાં કૉલ-દીઠ ખર્ચ bind થાય છે અને ઝીણી-વિગત ચોકસાઈ એ છે જે તમે છોડવાનો ઇનકાર કરો છો.

નબળા ફિટ. કિંમતને ધ્યાનમાં લીધા વગર સૌથી મજબૂત મોડેલ જોઈતું ફ્રન્ટિયર-મુશ્કેલીનું મલ્ટિમોડલ રિઝનિંગ — Kimi-K3 ની જોબ, અને તે એક કારણસર લગભગ દસ ગણું ખર્ચે છે. ફક્ત-ટેક્સ્ટ જનરેશન, જ્યાં MiMo-V2.5-Pro એ જ દરે વધુ સારું ફાઉન્ડેશન આપે છે. Encyclopedic world knowledge પર ઝુકતું કામ, જ્યાં મોટું sparse ફાઉન્ડેશન કોમ્પેક્ટ dense ને પાછળ છોડે છે. અને 262K થી વધુ કોન્ટેક્સ્ટની જરૂર હોય એવું કંઈપણ, જે અહીંનું કોઈ મોડેલ ઓફર કરતું નથી.

09વારંવાર પુછાતા પ્રશ્નો

---

સોર્સ: MiMo ટેકનિકલ રિપોર્ટ (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. બધા બેન્ચમાર્ક આંકડા ઉપર નામ આપેલા રિલીઝ થયેલા checkpoint માટે Xiaomi-જણાવેલા છે અને પરિવારના વંશનું વર્ણન કરે છે, આ એન્ડપોઇન્ટ પરના ચોક્કસ બિલ્ડનું નહીં. કિંમત, કોન્ટેક્સ્ટ, અને ક્ષમતા ફ્લેગ Shannon AI ગેટવે યાદી મૂલ્યો છે, સપ્ટેમ્બર 2026.