API של ראיית MiMo ללא צנזורה

נקודות קצה רב-מודאליות זולות הן זולות כי משהו נחתך, ומה שנחתך הוא בדרך כלל החלק שאינך יכול לראות: המשקלים נסחטים לשלוש או ארבע סיביות, והמודל עדיין עונה בביטחון על תרשים שהוא כבר לא באמת יכול לקרוא. MiMo-V2.5 הוא דוגמת הנגד בקטלוג שלנו — במחיר הרצפה וגם בדרג הדיוק העליון בו זמנית, כי מודל היסוד שממנו הוא צאצא נבנה קטן וצפוף ולא ענק ודליל.

01מאיפה MiMo מגיע: קודם מודל חשיבה, אחר כך מודל ראייה

קו MiMo הוא תוכנית המחקר במשקלים פתוחים של Xiaomi, וטענת הייסוד שלו אינה אופנתית: יכולת חשיבה נקבעת במהלך האימון המקדים, ולא מוברגת אחר כך עם למידת חיזוק. העבודה היא בעיקר הנדסת נתונים — Xiaomi בנתה מחדש את חילוץ הטקסט והסינון כדי להעלות את צפיפות תבניות החשיבה בקורפוס, ייצרה נתוני חשיבה סינתטיים בקנה מידה, ואימנה מקדימה את MiMo-7B-Base על כ-25 טריליון טוקנים תחת תערובת בת שלושה שלבים, עם Multiple-Token Prediction כיעד עזר שמשמש בזמן ההסקה גם כמפענח ספקולטיבי (שיעור קבלה קרוב ל-90%, לפי Xiaomi).

האימון שאחרי האימון המקדים צנוע במכוון: 130,000 בעיות מתמטיקה וקוד עם תגמולי דיוק מבוססי-כללים בלבד, בלי מודל תגמול נלמד, מתוך ההנמקה שמודל תגמול נוירוני הוא משטח שאפשר לפרוץ. אי אפשר למתוח לשון חלקות לתגמולים ברי-אימות. MiMo-7B-RL מציג מספרים שאינם ביחס לגודלו — Xiaomi מדווחת על 68.2% ב-AIME 2024, 95.8% ב-MATH-500, 57.8% ב-LiveCodeBench v5 ב-pass@1, בהתאמה ל-o1-mini של OpenAI. זו צורת המודל שאתה קורא לו: קומפקטי, מאומן בצפיפות, מכוון לעבוד דרך בעיה ולא לשלוף תשובה — והמזג הזה שורד אל תוך הצאצאים הרב-מודאליים.

02איך MiMo למד לראות: הארכיטקטורה של MiMo-VL

MiMo-VL הוא הענף של שפה-ראייה, והבנייה שלו מלמדת. Xiaomi הרכיבה שלושה חלקים: מקודד ViT ברזולוציה מובנית ששומר על פרטים עדינים במקום לדחוף כל תמונה דרך רשת קבועה ברזולוציה נמוכה, מטיל MLP שאותחל אקראית אל תוך המרחב החבוי של מודל השפה, ובאופן מכריע — שדרת החשיבה של MiMo כמודל השפה. מערכת הראייה יורשת מפענח שכבר טוב בחשיבה רבת-שלבים ולא כזה שטוב רק בכיתוב.

האימון רץ בארבעה שלבי אימון מקדים — חימום המטיל, יישור שפה-ראייה, אימון מקדים רב-מודאלי כללי, כוונון עדין מונחה בהקשר ארוך — על פני כ-2.4 טריליון טוקנים, ואז Mixed On-policy Reinforcement Learning (MORL), שמקפל דיוק תפיסה, דיוק עיגון ויזואלי, נכונות חשיבה והעדפה אנושית/מלאכותית לתוך לולאה על-מדיניותית אחת. הדוח כן באומרו שמיטוב כל אלה בבת אחת אינו יציב — מסגור ישר יותר ממה שרוב המאמרים הרב-מודאליים מציעים.

התוצאות שפורסמו חזקות ביחס למספר הפרמטרים. Xiaomi מדווחת ש-MiMo-VL-7B-RL מנצח את Qwen2.5-VL-7B ב-35 מתוך 40 משימות, מקבל 59.4 ב-OlympiadBench (מעל מודלים עד 78B) ו-56.1 ב-OSWorld-G בעיגון ממשקים, לפני סוכני ממשק ייעודיים. רענון 2508 המאוחר יותר דחף את MMMU מעבר ל-70 בפעם הראשונה בסדרה (70.6), הגיע ל-94.4 ב-ChartQA, ל-92.5 ב-ScreenSpot-v2 ול-70.8 ב-VideoMME, והוסיף מתג שליטה בחשיבה כך שאפשר לכבות עקבות חשיבה לכל בקשה.

03מה אומר W8A16, ולמה זה חשוב לראייה יותר מאשר לטקסט

כל מודל בשער נושא סיומת קוונטיזציה. היא אינה קישוט — היא אומרת לך על מה ויתרו כדי להפוך את המודל לבר-הגשה.

סיומת	מה זה	למה משתמשים בזה
3BIT-REAP	משקלים ב-3 סיביות בתוספת REAP, שיטת גיזום מומחים שמסירה ממודל MoE מומחים שמנותבים אליהם לעיתים רחוקות לפני הקוונטיזציה	הדרך היחידה להכניס ולהגיש את מודלי היסוד הגדולים ביותר במהירות שפויה
W4A16-AUTOROUND-REAP	משקלים ב-4 סיביות, הפעלות ב-16 סיביות, מקוונטזים עם AutoRound — עיגול נלמד שמשחזר דיוק לעומת עיגול נאיבי לערך הקרוב — בתוספת גיזום REAP	דרך אמצע למודלי יסוד גדולים שאינם זקוקים לדחיסה קיצונית
W8A16	משקלים ב-8 סיביות, הפעלות ב-16 סיביות — הדרג הנאמן ביותר שאנחנו מגישים	משמש במקומות שבהם מודל היסוד קטן מספיק כדי שדחיסה אגרסיבית תהיה מיותרת

MiMo-V2.5 מרוויח את השורה השלישית בכך שהוא קומפקטי: מודל יסוד צפוף במחלקה הזו אינו זקוק למעיכה לשלוש סיביות כדי להיכנס, ולכן אתה יכול להרשות לעצמך לשמור שמונה, והמשקלים שאתה דוגם מהם נשארים קרובים לאלה שאומנו. זה חשוב באופן לא פרופורציונלי לעבודת תמונה, מסיבה מבנית. במפענח טקסט בלבד, הטבעה שנסחפת תחת קוונטיזציה מקבלת הקשר מחדש מעשרות שכבות תשומת לב מאוחרות יותר — הזדמנויות רבות להתאושש. לערימת ראייה אין עודף כזה: מידע ויזואלי עובר דרך מקודד יחיד ומטיל צר יחיד לפני שהוא מגיע למפענח, וכל מה שבמורד הזרם מותנה במה שצוואר הבקבוק הזה ייצר. אות עדין — 3 מול 8 בסריקה בניגודיות נמוכה, הפיקסל המדויק שבו נגמרת עמודה על ציר תרשים, גבולו של רכיב ממשק שביקשו ממך ללחוץ עליו — חי בפרטי המשקל קטני-העוצמה שקוונטיזציה אגרסיבית משליכה ראשונים.

מודל ראייה ב-3 סיביות אינו נכשל ברעש; הוא נכשל בשקט, ומייצר תיאור רהוט של מסמך עם שתי ספרות שהוחלפו בסך הכול. דיוק משקלים גבוה יותר הוא הביטוח הזול ביותר נגד הכישלון הזה, וכאן הוא חינם — אתה משלם את מחיר הרצפה כך או כך.

04מחיר הרצפה, בהקשר

ארבעה מודלים בקטלוג שנים-עשר המודלים שלנו יושבים ברצפת המחיר של $0.50 קלט / $2.00 פלט למיליון טוקנים. רק אחד מהם מקבל תמונות. הנה איפה נוחתים המודלים בעלי יכולת הראייה מבחינת עלות פלט, המספר ששולט ברוב החשבונות האמיתיים:

מחיר פלט בדולר למיליון טוקנים, מחירון השער של Shannon AI, ספטמבר 2026. אורך העמודה הוא יחסי למודל הראייה היקר ביותר בקטלוג.

מול Kimi-K3 — מודל הראייה שבתקרה, וחזק יותר באמת — MiMo-V2.5 זול בערך פי 9.6 בפלט ופי 7.7 בקלט. זו אינה טענת שקילות; זה טיעון על צורת העומס. במאה אלף תמונות בחודש, מודל התקרה אינו בר-השגה ומודל הרצפה כן, והשאלה הכנה היא אם מודל הרצפה עובר את רף הדיוק שלך — לא אם הוא מנצח בבנצ'מרק.

05MiMo-V2.5 מול MiniMax-M3: שני מודלי הראייה הזולים, בהשוואה כנה

שני אלה שווים בדיוק במחיר, בהקשר ובמשטח נקודות הקצה. הם אינם ניתנים להחלפה: דרג הקוונטיזציה הוא מדד עקיף לשני הימורים שונים על מה שהופך מודל ראייה לשימושי.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
קלט / פלט למיליון	$0.50 / $2.00	$0.50 / $2.00
דיוק משקלים	8 סיביות	3 סיביות + גיזום מומחים
גודל מודל היסוד	קומפקטי, צפוף	MoE גדול, דליל
ראייה	כן	כן
חלון הקשר	262,144	262,144
סכמה · כלים · הזרמה	כן	כן

בחר ב-MiMo-V2.5 כשהתמונה היא החלק הקשה: OCR צפוף על סריקות לא מושלמות, חילוץ מספרים מתרשימים ומטבלאות, צילומי מסך ועיגון ממשקים, קריאת טקסט קטן, הבחנה בין צילומי מוצר כמעט זהים — כל דבר שבו ספרה שהוחלפה היא פגם ולא כתם קוסמטי. אתה רוצה את המסלול הנאמן ביותר מפיקסלים לטוקנים, ומשקלים ב-8 סיביות הם הדרך להשיג אותו במחיר הזה.

בחר ב-MiniMax-M3 כשהתמונה היא החלק הקל. מודל יסוד דליל וגדול שנדחס ל-3 סיביות עדיין מחזיק יותר ידע עולמי ורוחב חשיבה משמודל צפוף וקומפקטי יכול, אפילו אחרי גיזום. אם המשימה היא "הסתכל על הצילום הזה וחשוב לאורך על מה שהוא מרמז", או שהתמונה היא קלט אחד בשיחה שרובה טקסט, מודל היסוד הגדול יותר הוא הכלי הטוב יותר — החדות הוויזואלית שוויתרת עליה לא הייתה האילוץ המחייב.

06MiMo-V2.5 מול MiMo-V2.5-Pro: האח שהחליף עיניים בעומק

זו ההשוואה שמייצרת הכי הרבה פניות תמיכה, ולכן שווה להיות בוטים. MiMo-V2.5-Pro-W8A16 ו-MiMo-V2.5-W8A16 חולקים מחיר, חלון הקשר, דרג דיוק ושם משפחה. Pro אינו מקבל תמונות. הוא אינו על-קבוצה. הוא הקצאה שונה של אותו תקציב.

הגשת מודל רב-מודאלי אומרת לשלם על מגדל ראייה ועל מטיל לצד המפענח — ביעד עלות קבוע, זו קיבולת שלא הוצאה על מודל השפה עצמו. Pro מוציא את הכול על טקסט: מודל יסוד גדול יותר עם יותר מרווח לכתיבה ארוכה, לחשיבה מורחבת ולקוד. MiMo-V2.5 מוציא חלק ממנו על ראייה.

לכן כלל ההחלטה נוגע לקלטים שלך, לא לשאיפות שלך. אם בקשה כלשהי יכולה להכיל צילום מסך, עמוד סרוק, תרשים, דיאגרמה או צילום, אתה זקוק ל-MiMo-V2.5 — Pro ידחה את בלוק התוכן. אם כל בקשה היא טקסט ופנית למודל הראייה מתוך הרגל, אתה משאיר איכות של מודל יסוד על השולחן בלי תמורה: קח את MiMo-V2.5-Pro באותו תעריף.

תבנית ששווה לגנוב: נתב לפי סוג תוכן. כל דבר עם חלק תמונה הולך ל-MiMo-V2.5-W8A16, כל השאר ל-MiMo-V2.5-Pro-W8A16. אותה משפחה, אותו מחיר, אותו תקציב הקשר — הנתב טריוויאלי ואין מודל עלות ליישב.

07מה באמת אומרת "הבנת תמונות ללא צנזורה"

אין שכבת סירוב לפני המודל הזה ואין מסנן תוכן על הפלט שלו. זו החלטת מוצר עם השלכה ספציפית לעבודת ראייה: המודל מתאר מה נמצא בפריים במקום לסרב על בסיס הנושא.

זה חשוב כי ממשקי API של ראייה מסוננים אינם מתאימים מבנית לקטגוריה שלמה של עבודה לגיטימית. צינור מיתון חייב להסתכל על החומר שהוא ממתן ולומר מה הוא; מסווג שמסרב לבחון את הדבר שהוא מסווג אינו מסווג. אותו דבר נכון לרשימה ארוכה של עבודות אמיתיות:

• כלי אמון ובטיחות — תיוג בדיוק של הדימויים ש-API מיינסטרימי לא יעבד, שהם הדימויים שהכי זקוקים לתיוג.
• דימויים רפואיים, פורנזיים ותאונתיים — צילום קליני, צילומי פציעה וצילומי זירה שמסננים גנריים דוחים כגרפיים בלי קשר למי ששואל.
• מחקר אבטחה — קריאת דפי פישינג, ממשקים זדוניים ומסכים שנלכדו בלי שהמודל יירתע מההנחה.
• סיווג תוכן למבוגרים וקטלוג ארכיוני — צינורות שקיימים כדי לזהות חומר ושאינם יכולים למסור החוצה את ההסתכלות, בתוספת אוספים היסטוריים שמסננים מתייחסים אליהם כאל בלתי ניתנים לתיוג.

הסרת שכבת הסירוב מסירה מכשול הנדסי, לא מכשול משפטי. Shannon AI מופעלת על ידי Shannon Lab LLC בניו מקסיקו, ארה"ב, והשימוש ב-API כפוף למדיניות השימוש האחראי שלנו. פלט לא מסונן הוא יכולת, לא אישור.

08קריאה אליו: נקודות קצה, קלט תמונה, ואיפה הוא משתלב

המודל הוא MiMo-V2.5-W8A16, נגיש בשלושה דיאלקטי בקשה מול אותם משקלים, כך שאתה שומר על ה-SDK שכבר יש לך:

• /v1/chat/completions — תואם OpenAI. תמונות נכנסות כחלקי תוכן image_url, בין אם ככתובת https ובין אם כ-data URI ב-base64.
• /v1/messages — תואם Anthropic. תמונות נכנסות כבלוקי תוכן image.
• /v1/responses — הדיאלקט בסגנון Responses.

הזרמה וקריאת כלים עובדות בשלושתם, כך שהמודל יכול להסתכל על צילום מסך ולקרוא לפונקציה על מה שראה בסבב אחד. סכמות הבקשה והתשובה המלאות נמצאות בתיעוד ה-API, שגם מארח מגרש משחקים שאתה יכול להדביק אליו תמונה לפני שאתה כותב שורת קוד.

MiMo-V2.5 תומך ב-json_schema קפדני וב-response_format — ההבדל בין הדגמה לצינור. מסור לו קבלה יחד עם סכמה עם שדות מוקלדים לספק, לתאריך, לפריטי השורה ולסך הכול, ותקבל בחזרה אובייקט שהקוד שלך יכול לאמת ולא פסקה שאתה צריך לפרק ב-regex. שניים משנים-עשר המודלים בקטלוג הזה חסרים תמיכה מלאה בפלט מובנה; זה לא, וזו הסיבה שהוא עובד כשירות חילוץ בנפח גבוה.

חלון ההקשר הוא 262,144 טוקנים; הפלט שנוצר מוגבל ל-16,384 טוקנים לבקשה. תמונות צורכות טוקני קלט כפונקציה של הרזולוציה, כך שסריקות עמוד ברזולוציה גבוהה אוכלות הקשר הרבה יותר מהר מאשר ספירת מילים מקבילה של טקסט. חלק מסמכים ארוכים לעמודים במקום לטעון סריקה בת 300 עמודים בבקשה אחת, והתייחס לתקרת הפלט כאל אילוץ אמיתי על חילוץ ממצה — חלק טבלאות צפופות לפי טווחי שורות במקום לקבל תשובה קטועה.

לחוגת reasoning_effort יש מנוף אמיתי כאן בהתחשב בייחוס של המשפחה. הורד אותה לסיווג בנפח גבוה, שבו התשובה היא תווית וטוקני חשיבה הם עלות טהורה; העלה אותה לפרשנות תרשימים, למתמטיקה ויזואלית ולחשיבה על דיאגרמות, שבהן המודל חייב לשלב כמה דברים שהוא רואה לפני שהוא יכול לענות.

איפה הוא משתלב, ואיפה לא

התאמות טובות. חילוץ מסמכים וקבלות בנפח גבוה; עבודה סמוכת-OCR על סריקות לא מושלמות; קריאת תרשימים, לוחות מחוונים וטבלאות; הבנת צילומי מסך ועיגון ממשקים; תיוג קטלוג ושאלות-תשובות ויזואליות; צינורות מיתון — כל משימה רב-מודאלית שבה העלות לקריאה מחייבת ודיוק בפרטים העדינים הוא מה שאתה מסרב לוותר עליו.

התאמות גרועות. חשיבה רב-מודאלית בקושי חזיתי שדורשת את המודל החזק ביותר בלי קשר למחיר — זו העבודה של Kimi-K3, והוא עולה כמעט פי עשרה מסיבה. ייצור טקסט בלבד, שבו MiMo-V2.5-Pro נותן מודל יסוד טוב יותר באותו תעריף. עבודה שנשענת על ידע עולמי אנציקלופדי, שבה מודל יסוד גדול ודליל עוקף מודל צפוף וקומפקטי. וכל דבר שזקוק ליותר מ-262K של הקשר, שאף מודל כאן אינו מציע.

09שאלות נפוצות

---

מקורות: הדוח הטכני של MiMo (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. כל נתוני הבנצ'מרק מדווחים על ידי Xiaomi עבור נקודות הבדיקה ששוחררו והנקובות למעלה, והם מתארים את שושלת המשפחה ולא את הבנייה המדויקת בנקודת הקצה הזו. המחירים, ההקשר ודגלי היכולות הם ערכי המחירון של השער של Shannon AI, ספטמבר 2026.