API na Gani na MiMo Marar Tantancewa

Ƙarshen hanya masu yawan hanyoyi masu rahusa suna da rahusa saboda an yanke wani abu, kuma abin da aka yanke yawanci shi ne ɓangaren da ba za ka iya gani ba: an matse nauyin zuwa bits uku ko huɗu, kuma samfurin har yanzu yana amsawa da tabbaci a kan zanen da ba zai iya karantawa ba yanzu da gaske. MiMo-V2.5 shi ne misalin da ya saɓa a katalogin mu — a ƙasan farashi kuma a matakin daidaito mafi girma a lokaci guda, saboda tushen da ya fito daga gare shi an gina shi ƙarami kuma mai yawa maimakon mai girman gaske kuma mai raguwa.

01Daga ina MiMo ya fito: samfurin tunani da farko, samfurin gani na biyu

Layin MiMo shi ne shirin bincike mai buɗaɗɗen nauyi na Xiaomi, kuma hujjar da ta kafa shi ba ta cikin shahara ba ce: ana saita iyawar tunani a lokacin horo na farko, ba a manne ta daga baya da RL ba. Aikin injiniyan bayanai ne mafi yawa — Xiaomi ya sake gina cirar rubutu da tacewa don ɗaga yawan tsarin tunani a cikin tarin, ya samar da bayanan tunani na roba a girma, kuma ya horar da MiMo-7B-Base a kan kusan tokens tiriliyan 25 a ƙarƙashin haɗi mai matakai uku, tare da Hasashen Tokens da Yawa a matsayin manufar taimako da take kuma aiki a lokacin tunani a matsayin mai ɓoye-ɓoye na hasashe (adadin karɓa kusa da 90%, bisa Xiaomi).

Horo na baya yana da tsauri da gangan: matsalolin lissafi da lamba 130,000 tare da ladan daidaito bisa doka kaɗai, babu samfurin lada da aka koya, bisa tunanin cewa samfurin lada na hanyar sadarwa farfajiya ce da za a iya cin zarafinta. Ba za a iya yaudarar ladan da za a iya tabbatarwa ba. MiMo-7B-RL ya samar da lambobin da suka wuce girmansa — Xiaomi ya bayar da rahoton 68.2% a AIME 2024, 95.8% a MATH-500, 57.8% a LiveCodeBench v5 a pass@1, yana daidai da o1-mini na OpenAI. Wannan ita ce siffar samfurin da kake kira: ƙarami, an horar da shi da yawa, an daidaita shi ya yi aiki ta cikin matsala maimakon ya tuna amsa — kuma wannan ɗabi'ar tana tsira zuwa zuriyar masu yawan hanyoyi.

02Yadda MiMo ya koyi gani: gine-ginen MiMo-VL

MiMo-VL shi ne reshen gani-da-harshe, kuma ginin sa yana da koyarwa. Xiaomi ya tara sassa uku: mai ɓoyewa na ViT mai ƙuduri na asali wanda yake kiyaye ƙananan bayanai maimakon ya tilasta kowane hoto ya wuce ta grid mai tsayayyen ƙaramin ƙuduri, mai turawa na MLP da aka fara da bazuwar zuwa sararin ɓoye na samfurin harshe, kuma — muhimmanci — kashin bayan tunani na MiMo a matsayin samfurin harshe. Tsarin gani yana gadar mai ɓoye-ɓoye da tuni yake da kyau a tunani mai matakai da dama maimakon wanda yake kawai da kyau a bayanin hoto.

Horo ya gudana a matakai huɗu na horo na farko — dumama mai turawa, daidaita gani-da-harshe, horo na farko na yawan hanyoyi na gaba ɗaya, SFT na dogon mahalli — a kan kusan tokens tiriliyan 2.4, sannan Mixed On-policy Reinforcement Learning (MORL), yana naɗe daidaiton fahimta, daidaiton tushen gani, ingancin tunani, da fifikon mutum/AI a cikin madauki guda na on-policy. Rahoton yana faɗin gaskiya cewa inganta duka waɗannan a lokaci guda ba shi da kwanciyar hankali — tsari mai gaskiya fiye da yadda yawancin takardun yawan hanyoyi suke bayarwa.

Sakamakon da aka wallafa yana da ƙarfi ga adadin sigogin. Xiaomi ya bayar da rahoton MiMo-VL-7B-RL yana dokewa Qwen2.5-VL-7B a ayyuka 35 daga cikin 40, 59.4 a OlympiadBench (sama da samfura har zuwa 78B), da 56.1 a OSWorld-G ga tushen GUI, a gaban wakilan hanyar sadarwa da aka kera don haka. Sabuntawar 2508 ta baya ta tura MMMU sama da 70 a karo na farko a jerin (70.6), ta kai 94.4 a ChartQA, 92.5 a ScreenSpot-v2 da 70.8 a VideoMME, kuma ta ƙara maɓallin sarrafa tunani don a iya kashe alamun tunani a kowace buƙata.

03Menene ma'anar W8A16, kuma me ya sa yake da muhimmanci ga gani fiye da ga rubutu

Kowane samfuri a ƙofar shiga yana ɗauke da ƙarin matsi. Ba ado ba ne — yana gaya maka abin da aka sayar don a sa samfurin ya zama mai yiwuwar hidima.

Ƙari	Menene shi	Me ya sa ake amfani da shi
3BIT-REAP	Nauyi na 3-bit tare da REAP, hanyar datsa masana da take gogewa masanan da ba a fi turawa gare su ba daga samfurin MoE kafin matsi	Hanya kaɗai ta sa manyan tushe su shiga kuma a hidimar su a sauri mai ma'ana
W4A16-AUTOROUND-REAP	Nauyi na 4-bit, kunnuwa na 16-bit, an matsa su da AutoRound — zagayen da aka koya wanda yake dawo da daidaito a kan zagaye zuwa mafi kusa mai sauƙi — tare da datsawa ta REAP	Tsakiya ga manyan tushe da ba sa buƙatar matsi mai tsanani
W8A16	Nauyi na 8-bit, kunnuwa na 16-bit — matakin mafi girman aminci da muke hidimarsa	Ana amfani da shi inda tushen ya yi ƙanƙanta har matsi mai tsanani bai zama dole ba

MiMo-V2.5 ya cancanci layi na uku ta hanyar zama ƙarami: tushe mai yawa a wannan rukunin ba ya buƙatar a matse shi zuwa bits uku don ya shiga, don haka za ka iya riƙe takwas, kuma nauyin da kake ɗauka daga gare su yana zama kusa da waɗanda aka horar. Wannan yana da muhimmanci fiye da yadda ya kamata ga aikin hoto, saboda dalilin tsari. A cikin mai ɓoye-ɓoye na rubutu kaɗai, ɓoyayyen da ya kauce ƙarƙashin matsi yana samun sabon mahalli ta dozin na shimfidun kulawa na baya — damar dawowa da dama. Tarin gani ba shi da irin wannan sarari: bayanan gani suna wucewa ta mai ɓoyewa guda da kunkuntar mai turawa guda kafin su kai ga mai ɓoye-ɓoye, kuma duk abin da ke ƙasa yana daidaita bisa abin da wannan ƙuntatawar ta samar. Alama mai daki-daki — 3 idan aka kwatanta da 8 a cikin dubawa mai ƙarancin bambanci, ainihin pixel inda sanda take ƙarewa a gatarin zane, iyakar abin UI da aka nemi ka danna — tana zaune a cikin cikakken bayanin nauyi mai ƙaramin girma da matsi mai tsanani yake jefarwa da farko.

Samfurin gani na 3-bit ba ya gazawa da ƙara; yana gazawa a shiru, yana samar da kwatancin takarda mai kyau da lambobi biyu a musanye a jimlar. Daidaiton nauyi mafi girma shi ne inshora mafi rahusa a kan wannan gazawar, kuma a nan kyauta ne — kana biyan farashi mafi ƙasa ko ta yaya.

04Farashi mafi ƙasa, a mahallinsa

Samfura huɗu a katalogin mu na samfura goma sha biyu suna zaune a ƙasan farashi na $0.50 shigarwa / $2.00 fitarwa kowane tokens miliyan. Guda kaɗai daga cikinsu yake karɓar hotuna. Ga inda samfuran masu iya gani suka sauka a kuɗin fitarwa, lambar da take mamaye yawancin lissafin kuɗi na gaskiya:

Farashin fitarwa da dala kowane tokens 1M, farashin jeri na Ƙofar Shiga ta Shannon AI, Satumba 2026. Tsawon sanda yana da dangantaka da samfurin gani mafi tsada a katalogin.

Idan aka kwatanta da Kimi-K3 — samfurin gani na rufi, kuma mafi ƙarfi da gaske — MiMo-V2.5 ya fi rahusa sau 9.6 a fitarwa kuma sau 7.7 a shigarwa. Wannan ba iƙirarin daidaituwa ba ne; hujja ce a kan siffar aikin. A hotuna dubu ɗari a wata, samfurin rufi ba shi da araha kuma samfurin ƙasa yana da, kuma tambaya ta gaskiya ita ce ko samfurin ƙasa ya wuce sandarka na daidaito — ba ko ya yi nasara a ma'auni ba.

05MiMo-V2.5 da MiniMax-M3: samfuran gani biyu masu rahusa, an kwatanta su da gaskiya

Waɗannan biyun sun daidaita daidai a farashi, mahalli, da filin ƙarshen hanya. Ba za a iya musanya su ba: matakin matsi wakili ne na fatan biyu daban a kan abin da yake sa samfurin gani ya zama mai amfani.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Shigarwa / fitarwa kowane 1M	$0.50 / $2.00	$0.50 / $2.00
Daidaiton nauyi	8-bit	3-bit + datsa masana
Girman tushe	Ƙarami, mai yawa	Babba, MoE mai raguwa
Gani	Eh	Eh
Taga mahalli	262,144	262,144
Schema · kayan aiki · streaming	Eh	Eh

Ka zaɓi MiMo-V2.5 lokacin da hoton shi ne ɓangaren mai wuya: OCR mai yawa a kan dubawa marasa cikakke, cirar lambobi daga zane da tebur, tushen hoton allo da UI, karanta ƙaramin rubutu, bambanta hotunan kaya masu kama da juna sosai — duk inda lamba da aka musanya ta zama kuskure maimakon aibi na ado. Kana son hanya mafi girman aminci daga pixel zuwa tokens, kuma nauyi na 8-bit shi ne yadda za ka same shi a wannan farashin.

Ka zaɓi MiniMax-M3 lokacin da hoton shi ne ɓangaren mai sauƙi. Babban tushe mai raguwa da aka matsa zuwa bits uku har yanzu yana riƙe ilimin duniya da faɗin tunani fiye da ƙaramin samfuri mai yawa, ko da bayan datsawa. Idan aikin shi ne "ka duba wannan hoton ka yi tunani mai tsawo a kan abin da yake nunawa," ko hoton shigarwa guda ne a cikin tattaunawar da rubutu ya mamaye, babban tushen shi ne kayan aiki mafi kyau — kaifin ganin da ka sayar ba shi ne ƙuntatawar da take ɗaure ba.

06MiMo-V2.5 da MiMo-V2.5-Pro: ɗan'uwan da ya sayar da idanu don zurfi

Wannan shi ne kwatancin da ya fi haifar da tikitin tallafi, don haka ya cancanci a yi magana a fili. MiMo-V2.5-Pro-W8A16 da MiMo-V2.5-W8A16 suna raba farashi, taga mahalli, matakin daidaito, da sunan dangi. Pro ba ya karɓar hotuna. Ba babban tarin ba ne. Rabo ne daban na kasafi guda.

Hidimar samfuri mai yawan hanyoyi yana nufin biyan kuɗin hasumiyar gani da mai turawa tare da mai ɓoye-ɓoye — a tsayayyen manufar kuɗi, iyawar da ba a kashe a kan samfurin harshe da kansa ba. Pro yana kashe duka a kan rubutu: tushe mafi girma da ƙarin sarari ga rubutu mai tsawo, tunani mai faɗi, da lamba. MiMo-V2.5 yana kashe wani ɓangare a kan gani.

Don haka dokar hukuncin tana game da shigarwarka, ba burinka ba. Idan kowace buƙata za ta iya ɗauke da hoton allo, shafin da aka duba, zane, taswira, ko hoto, kana buƙatar MiMo-V2.5 — Pro zai ƙi toshen abun cikin. Idan kowace buƙata rubutu ce kuma ka kai ga samfurin gani ta al'ada, kana barin ingancin tushe a kan tebur ba don komai ba: ka ɗauki MiMo-V2.5-Pro a farashi guda.

Tsarin da ya cancanci a sata: ka tura bisa nau'in abun ciki. Duk abin da ke da ɓangaren hoto zai je MiMo-V2.5-W8A16, duk sauran zuwa MiMo-V2.5-Pro-W8A16. Dangi guda, farashi guda, kasafin mahalli guda — mai turawa mai sauƙi ne kuma babu samfurin kuɗi da za a daidaita.

07Menene ma'anar "fahimtar hoto marar tantancewa" da gaske

Babu shimfidar ƙi a gaban wannan samfurin kuma babu matatar abun ciki a kan fitarwarsa. Wannan hukunci ne na kaya mai takamaiman sakamako ga aikin gani: samfurin yana kwatanta abin da ke cikin firam maimakon ya ƙi bisa batun.

Wannan yana da muhimmanci saboda API na gani masu matatar ba su dace da duka rukunin aiki halastacce ba ta tsari. Hanyar aikin tantancewa dole ne ta duba kayan da take tantancewa ta faɗi abin da yake; mai rarrabewa da yake ƙin duba abin da yake rarrabewa ba mai rarrabewa ba ne. Haka yake a kan doguwar jerin ainihin ayyuka:

• Kayan aikin amana da tsaro — yiwa hotunan da API na yau da kullum ba za ta sarrafa ba lakabi daidai, waɗanda su ne hotunan da suka fi buƙatar lakabi.
• Hotunan likita, na shaida, da na haɗari — hotunan asibiti, na rauni, da na wurin faruwa da matatun gama-gari suke ƙi a matsayin masu ban tsoro ba tare da la'akari da wanda yake tambaya ba.
• Binciken tsaro — karanta shafukan phishing, hanyoyin sadarwa na cutarwa, da allon da aka kama ba tare da samfurin ya nuna kyama ga tushen tambayar ba.
• Rarraba abun cikin manya da tsara tarihin ma'ajiya — hanyoyin aikin da suke nan don gano kayan kuma ba za su iya ba wa wani duban ba, tare da tarin tarihi da matatun suke ɗauka a matsayin marasa yiwuwar lakabi.

Cire shimfidar ƙi yana cire cikas na injiniya, ba na shari'a ba. Shannon Lab LLC a New Mexico, Amurka, ce take gudanar da Shannon AI, kuma Manufarmu ta Amfani da Alhaki ce take gudanar da amfani da API. Fitarwa mara matata iyawa ce, ba takardar izini ba.

08Kiransa: ƙarshen hanya, shigar hoto, da inda ya dace

Samfurin shi ne MiMo-V2.5-W8A16, ana kai gare shi a kan yaruka uku na buƙata a kan nauyi guda, don haka ka riƙe duk SDK da kake da shi:

• /v1/chat/completions — mai jituwa da OpenAI. Hotuna suna shiga a matsayin ɓangarorin abun ciki na image_url, ko dai a matsayin URL na https ko URI na bayanan base64.
• /v1/messages — mai jituwa da Anthropic. Hotuna suna shiga a matsayin toshen abun ciki na image.
• /v1/responses — yaren salon Responses.

Streaming da kiran kayan aiki suna aiki a kan ukun, don haka samfurin zai iya duban hoton allo ya kuma kira aiki game da abin da ya gani a juyi guda. Cikakkun schema na buƙata da amsa suna cikin takardun API, waɗanda kuma suke ɗauke da wurin gwaji da za ka iya liƙa hoto a ciki kafin ka rubuta wata lamba.

MiMo-V2.5 yana goyon bayan json_schema mai tsauri da response_format — bambanci tsakanin nuni da hanyar aiki. Ka ba shi rasit tare da schema mai filaye masu nau'i ga mai sayarwa, kwanan wata, abubuwan layi, da jimla, kuma za ka samu abin da lambarka za ta iya tabbatarwa maimakon sakin layi da dole ne ka yi regex a kansa. Samfura biyu daga cikin goma sha biyu a wannan katalogin ba su da cikakken goyon bayan fitarwa mai tsari; wannan yana da shi, kuma wannan shi ne dalilin da ya sa yake aiki a matsayin hidimar cirar bayanai mai yawa.

Taga mahalli tokens 262,144 ne; an iyakance fitarwar da aka samar zuwa tokens 16,384 a kowace buƙata. Hotuna suna cin tokens na shigarwa bisa ƙuduri, don haka dubawar shafuka masu ƙuduri mai girma tana cin mahalli da sauri fiye da adadin kalmomi makamancin haka na rubutu. Ka raba dogayen takardu zuwa shafuka maimakon ka ɗora dubawar shafuka 300 a buƙata guda, kuma ka ɗauki iyakar fitarwa a matsayin ƙuntatawa ta gaskiya a kan cirar bayanai gaba ɗaya — ka raba teburan masu yawa bisa fagen layuka maimakon ka samu amsa da aka yanke.

Maɓallin reasoning_effort yana da tasiri na gaske a nan bisa asalin dangin. Ka rage shi ga rarrabewa mai yawa, inda amsar lakabi ce kuma tokens na tunani kuɗi ne tsantsa; ka ɗaga shi ga fassarar zane, lissafi na gani, da tunani a kan taswira, inda dole ne samfurin ya haɗa abubuwa da dama da ya gani kafin ya iya amsawa.

Inda ya dace, kuma inda bai dace ba

Wuraren da ya dace. Cirar bayanai daga takardu da rasit mai yawa; aikin da yake kusa da OCR a kan dubawa marasa cikakke; karanta zane, dashboard, da tebur; fahimtar hoton allo da tushen UI; yiwa katalogi lakabi da QA na gani; hanyoyin aikin tantancewa — duk aikin yawan hanyoyi inda kuɗi a kowane kira yake ɗaure kuma daidaiton daki-daki shi ne abin da ka ƙi barinsa.

Wuraren da bai dace ba. Tunani mai yawan hanyoyi na wahalar gaba da yake buƙatar samfuri mafi ƙarfi ba tare da la'akari da farashi ba — aikin Kimi-K3 ne, kuma yana kashe kusan ninki goma saboda dalili. Samarwa ta rubutu kaɗai, inda MiMo-V2.5-Pro yake ba da tushe mafi kyau a farashi guda. Aikin da yake dogara ga ilimin duniya mai faɗi, inda babban tushe mai raguwa ya zarce ƙarami mai yawa. Da duk abin da yake buƙatar fiye da mahalli na 262K, wanda babu samfurin da yake bayarwa a nan.

09Tambayoyin da ake yawan yi

---

Majiyoyi: Rahoton fasaha na MiMo (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Duk lambobin ma'auni Xiaomi ne ya bayar da rahotonsu ga wuraren ajiyar da aka saki da aka ambata a sama kuma suna kwatanta zuriyar dangin, ba ainihin ginin da ke wannan ƙarshen hanyar ba. Farashi, mahalli, da alamun iyawa darajojin jeri ne na Ƙofar Shiga ta Shannon AI, Satumba 2026.