अनसेंसर्ड MiMo विज़न API

सस्ते मल्टीमॉडल एंडपॉइंट इसलिए सस्ते हैं कि कुछ काटा गया है, और जो काटा जाता है वह आम तौर पर वही हिस्सा होता है जो आपको दिखता नहीं: वेट्स तीन या चार बिट में निचोड़ दिए जाते हैं, और मॉडल फिर भी उस चार्ट के बारे में आत्मविश्वास से जवाब देता है जिसे वह अब सचमुच पढ़ ही नहीं सकता। MiMo-V2.5 हमारे कैटलॉग में इसका उलटा उदाहरण है — एक साथ न्यूनतम कीमत पर और सबसे ऊँचे प्रिसीज़न टियर पर, क्योंकि जिस फ़ाउंडेशन से यह उतरा है वह विशाल और स्पार्स के बजाय छोटा और डेंस बनाया गया था।

01MiMo कहाँ से आता है: पहले रीज़निंग मॉडल, बाद में विज़न मॉडल

MiMo शृंखला Xiaomi का ओपन-वेट्स शोध कार्यक्रम है, और उसका संस्थापक तर्क चलन के ख़िलाफ़ है: तर्क करने की क्षमता प्रीट्रेनिंग में तय होती है, बाद में RL से जोड़ी नहीं जाती। यह काम ज़्यादातर डेटा इंजीनियरिंग है — Xiaomi ने कॉर्पस में रीज़निंग पैटर्न का घनत्व बढ़ाने के लिए टेक्स्ट निष्कर्षण और फ़िल्टरिंग दोबारा बनाई, बड़े पैमाने पर सिंथेटिक रीज़निंग डेटा तैयार किया, और MiMo-7B-Base को करीब 25 ट्रिलियन टोकन पर तीन-चरणीय मिश्रण के तहत प्रीट्रेन किया, जिसमें Multiple-Token Prediction एक सहायक उद्देश्य था जो इनफ़रेंस के समय स्पेकुलेटिव डिकोडर का भी काम करता है (Xiaomi के अनुसार स्वीकृति दर करीब 90%)।

पोस्ट-ट्रेनिंग जान-बूझकर सादा है: 1,30,000 गणित और कोड समस्याएँ सिर्फ़ नियम-आधारित सटीकता पुरस्कारों के साथ, कोई सीखा हुआ रिवॉर्ड मॉडल नहीं, इस तर्क पर कि न्यूरल रिवॉर्ड मॉडल एक ऐसी सतह है जिसे हैक किया जा सकता है। सत्यापन-योग्य पुरस्कारों को बहलाया-फुसलाया नहीं जा सकता। MiMo-7B-RL अपने आकार से कहीं बड़े आँकड़े दर्ज करता है — Xiaomi बताता है AIME 2024 पर 68.2%, MATH-500 पर 95.8%, LiveCodeBench v5 पर pass@1 में 57.8%, जो OpenAI के o1-mini के बराबर है। जिस मॉडल को आप कॉल कर रहे हैं उसका स्वभाव यही है: सघन, गहनता से प्रशिक्षित, जवाब याद करने के बजाय समस्या को हल करते चलने के लिए ट्यून किया गया — और यह मिज़ाज मल्टीमॉडल वंशजों में भी बना रहता है।

02MiMo ने देखना कैसे सीखा: MiMo-VL आर्किटेक्चर

MiMo-VL विज़न-लैंग्वेज शाखा है, और इसकी बनावट शिक्षाप्रद है। Xiaomi ने तीन हिस्से जोड़े: एक नेटिव-रिज़ॉल्यूशन ViT एनकोडर, जो हर इमेज को किसी तयशुदा कम-रिज़ॉल्यूशन ग्रिड में ठूँसने के बजाय बारीक विवरण बचाए रखता है, भाषा मॉडल के लेटेंट स्पेस में ले जाने वाला एक बेतरतीब ढंग से शुरू किया गया MLP प्रोजेक्टर, और — सबसे अहम — भाषा मॉडल के रूप में MiMo रीज़निंग बैकबोन। विज़न सिस्टम को ऐसा डिकोडर विरासत में मिलता है जो पहले से बहु-चरणीय सोच में अच्छा है, न कि सिर्फ़ कैप्शन बनाने में।

ट्रेनिंग चार प्रीट्रेनिंग चरणों में चली — प्रोजेक्टर वॉर्मअप, विज़न-लैंग्वेज एलाइनमेंट, सामान्य मल्टीमॉडल प्रीट्रेनिंग, लॉन्ग-कॉन्टेक्स्ट SFT — करीब 2.4 ट्रिलियन टोकन पर, फिर Mixed On-policy Reinforcement Learning (MORL), जो परसेप्शन सटीकता, विज़ुअल ग्राउंडिंग की शुद्धता, तर्क की सहीपन और मानव/AI वरीयता को एक ही ऑन-पॉलिसी लूप में समेटता है। रिपोर्ट खुलकर कहती है कि इन सबको एक साथ अनुकूलित करना अस्थिर होता है — ज़्यादातर मल्टीमॉडल पेपर से ईमानदार बात।

प्रकाशित नतीजे पैरामीटर संख्या के हिसाब से मज़बूत हैं। Xiaomi बताता है कि MiMo-VL-7B-RL ने 40 में से 35 कार्यों पर Qwen2.5-VL-7B को हराया, OlympiadBench पर 59.4 पाया (78B तक के मॉडलों से ऊपर), और GUI ग्राउंडिंग के लिए OSWorld-G पर 56.1, जो ख़ास इसी काम के लिए बने इंटरफ़ेस एजेंटों से आगे है। बाद के 2508 रिफ़्रेश ने शृंखला में पहली बार MMMU को 70 के पार पहुँचाया (70.6), ChartQA पर 94.4, ScreenSpot-v2 पर 92.5 और VideoMME पर 70.8 हासिल किया, और एक थिंकिंग-कंट्रोल स्विच जोड़ा ताकि प्रति रिक्वेस्ट रीज़निंग ट्रेस बंद किए जा सकें।

03W8A16 का मतलब क्या है, और यह टेक्स्ट से ज़्यादा विज़न के लिए क्यों मायने रखता है

गेटवे का हर मॉडल एक क्वांटाइज़ेशन सफ़िक्स ढोता है। यह सजावट नहीं है — यह बताता है कि मॉडल को परोसने लायक बनाने के लिए किस चीज़ का सौदा हुआ।

सफ़िक्स	यह क्या है	यह इस्तेमाल क्यों होता है
3BIT-REAP	3-बिट वेट्स और साथ में REAP, एक एक्सपर्ट-प्रूनिंग विधि जो क्वांटाइज़ करने से पहले MoE मॉडल से कम राउट होने वाले एक्सपर्ट हटा देती है	सबसे बड़े फ़ाउंडेशनों को समझदार गति पर समाने और परोसने का इकलौता तरीका
W4A16-AUTOROUND-REAP	4-बिट वेट्स, 16-बिट एक्टिवेशन, AutoRound से क्वांटाइज़्ड — सीखी हुई राउंडिंग, जो सीधे निकटतम पर राउंड करने के मुक़ाबले सटीकता वापस लाती है — और साथ में REAP प्रूनिंग	उन बड़े फ़ाउंडेशनों के लिए बीच का रास्ता जिन्हें अत्यधिक कंप्रेशन की ज़रूरत नहीं
W8A16	8-बिट वेट्स, 16-बिट एक्टिवेशन — हमारा सबसे ऊँची फ़िडेलिटी वाला टियर	वहाँ इस्तेमाल होता है जहाँ फ़ाउंडेशन इतना छोटा है कि आक्रामक कंप्रेशन ज़रूरी नहीं

MiMo-V2.5 तीसरी पंक्ति का हक़ अपने सघन होने से पाता है: इस वर्ग का डेंस फ़ाउंडेशन समाने के लिए तीन बिट में कुचला जाना नहीं माँगता, इसलिए आप आठ बिट रख सकते हैं, और जिन वेट्स से आप सैंपल करते हैं वे प्रशिक्षित वेट्स के करीब बने रहते हैं। इमेज काम के लिए यह असमान रूप से ज़्यादा मायने रखता है, और वजह संरचनात्मक है। सिर्फ़-टेक्स्ट डिकोडर में जो एम्बेडिंग क्वांटाइज़ेशन से बहक जाती है उसे बाद की दर्जनों अटेंशन लेयर फिर से संदर्भ दे देती हैं — संभलने के कई मौके। विज़न स्टैक में ऐसी छूट नहीं है: दृश्य सूचना डिकोडर तक पहुँचने से पहले एक ही एनकोडर और एक ही संकरे प्रोजेक्टर से गुज़रती है, और उसके आगे सब कुछ उसी अड़चन-बिंदु की उपज पर निर्भर है। बारीक संकेत — कम-कंट्रास्ट स्कैन में 3 बनाम 8, चार्ट के अक्ष पर वह ठीक पिक्सेल जहाँ बार खत्म होता है, उस UI तत्व की सीमा जिस पर आपको क्लिक करने को कहा गया है — उसी कम-परिमाण वाले वेट विवरण में बसता है जिसे आक्रामक क्वांटाइज़ेशन सबसे पहले फेंकती है।

3-बिट विज़न मॉडल शोर मचाकर नाकाम नहीं होता; वह चुपचाप नाकाम होता है, किसी दस्तावेज़ का धाराप्रवाह विवरण देते हुए जिसमें कुल जोड़ के दो अंक आपस में बदल गए हों। ऊँची वेट प्रिसीज़न उस नाकामी के ख़िलाफ़ सबसे सस्ता बीमा है, और यहाँ वह मुफ़्त है — कीमत तो आप वैसे भी न्यूनतम ही चुकाते हैं।

04न्यूनतम कीमत, संदर्भ के साथ

हमारे बारह-मॉडल कैटलॉग में चार मॉडल $0.50 इनपुट / $2.00 आउटपुट प्रति दस लाख टोकन की न्यूनतम कीमत पर बैठते हैं। उनमें से सिर्फ़ एक इमेज लेता है। आउटपुट लागत पर विज़न-सक्षम मॉडल कहाँ पड़ते हैं, यह रहा — वही नंबर जो ज़्यादातर असली बिलों पर हावी रहता है:

आउटपुट कीमत USD में प्रति 1M टोकन, Shannon AI Gateway की सूची दरें, सितंबर 2026। बार की लंबाई कैटलॉग के सबसे महँगे विज़न मॉडल के सापेक्ष है।

Kimi-K3 के मुक़ाबले — छत वाला विज़न मॉडल, और सचमुच ज़्यादा मज़बूत — MiMo-V2.5 आउटपुट पर करीब 9.6× सस्ता और इनपुट पर 7.7× सस्ता है। यह बराबरी का दावा नहीं है; यह वर्कलोड के आकार पर तर्क है। महीने के एक लाख इमेज पर छत वाला मॉडल वहन करने लायक नहीं है और फ़्लोर वाला है, और ईमानदार सवाल यह है कि क्या फ़्लोर मॉडल आपकी सटीकता की कसौटी पार करता है — यह नहीं कि वह कोई बेंचमार्क जीतता है या नहीं।

05MiMo-V2.5 बनाम MiniMax-M3: दो सस्ते विज़न मॉडलों की ईमानदार तुलना

ये दोनों कीमत, कॉन्टेक्स्ट और एंडपॉइंट सतह पर बिल्कुल बराबर हैं। ये आपस में अदल-बदल के लायक नहीं हैं: क्वांटाइज़ेशन टियर इस बात के दो अलग दाँवों का सूचक है कि विज़न मॉडल को उपयोगी क्या बनाता है।

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
इनपुट / आउटपुट प्रति 1M	$0.50 / $2.00	$0.50 / $2.00
वेट प्रिसीज़न	8-बिट	3-बिट + एक्सपर्ट प्रूनिंग
फ़ाउंडेशन का आकार	सघन, डेंस	बड़ा, स्पार्स MoE
विज़न	हाँ	हाँ
कॉन्टेक्स्ट विंडो	262,144	262,144
स्कीमा · टूल · स्ट्रीमिंग	हाँ	हाँ

MiMo-V2.5 तब चुनिए जब कठिन हिस्सा इमेज हो: ख़राब स्कैन पर घनी OCR, चार्ट और तालिकाओं से संख्यात्मक निष्कर्षण, स्क्रीनशॉट और UI ग्राउंडिंग, छोटे अक्षरों की पढ़ाई, लगभग एक जैसी उत्पाद तस्वीरों में फ़र्क़ करना — यानी हर वह काम जहाँ अंक का उलट-पलट होना सजावटी खोट नहीं, बल्कि एक दोष है। आपको पिक्सेल से टोकन तक सबसे ऊँची फ़िडेलिटी वाला रास्ता चाहिए, और इस कीमत पर वह 8-बिट वेट्स से ही मिलता है।

MiniMax-M3 तब चुनिए जब आसान हिस्सा इमेज हो। 3 बिट में कंप्रेस किया बड़ा स्पार्स फ़ाउंडेशन, प्रूनिंग के बाद भी, किसी सघन डेंस मॉडल से ज़्यादा विश्व-ज्ञान और तर्क की व्यापकता रखता है। अगर काम है "इस तस्वीर को देखिए और विस्तार से बताइए कि इसका क्या अर्थ निकलता है," या इमेज ज़्यादातर टेक्स्ट वाली बातचीत का एक इनपुट भर है, तो बड़ा फ़ाउंडेशन बेहतर औज़ार है — आपने जिस दृश्य तीक्ष्णता का सौदा किया वह बाध्यकारी अड़चन थी ही नहीं।

06MiMo-V2.5 बनाम MiMo-V2.5-Pro: वह सहोदर जिसने आँखों के बदले गहराई ली

यही तुलना सबसे ज़्यादा सपोर्ट टिकट पैदा करती है, इसलिए दो टूक कहना बनता है। MiMo-V2.5-Pro-W8A16 और MiMo-V2.5-W8A16 कीमत, कॉन्टेक्स्ट विंडो, प्रिसीज़न टियर और परिवार का नाम साझा करते हैं। Pro इमेज स्वीकार नहीं करता। यह कोई सुपरसेट नहीं है। यह उसी बजट का एक अलग बँटवारा है।

मल्टीमॉडल मॉडल परोसने का मतलब है डिकोडर के साथ-साथ एक विज़न टावर और प्रोजेक्टर के भी पैसे देना — तय लागत लक्ष्य पर, यानी वह क्षमता जो खुद भाषा मॉडल पर खर्च नहीं हुई। Pro सब कुछ टेक्स्ट पर खर्च करता है: एक बड़ा फ़ाउंडेशन, जिसमें लंबी लेखनी, विस्तृत तर्क और कोड के लिए ज़्यादा गुंजाइश है। MiMo-V2.5 उसका एक हिस्सा देखने पर खर्च करता है।

तो फ़ैसले का नियम आपके इनपुट पर टिका है, आपकी महत्वाकांक्षाओं पर नहीं। अगर कोई भी रिक्वेस्ट स्क्रीनशॉट, स्कैन किया पन्ना, चार्ट, डायग्राम या तस्वीर रख सकती है, तो आपको MiMo-V2.5 चाहिए — Pro उस कंटेंट ब्लॉक को अस्वीकार कर देगा। अगर हर रिक्वेस्ट टेक्स्ट है और आपने आदतन विज़न मॉडल उठा लिया, तो आप बेवजह फ़ाउंडेशन की गुणवत्ता छोड़ रहे हैं: उसी दर पर MiMo-V2.5-Pro लीजिए।

चुरा लेने लायक एक तरीका: कंटेंट प्रकार से राउट कीजिए। जिसमें इमेज पार्ट हो वह MiMo-V2.5-W8A16 को, बाकी सब MiMo-V2.5-Pro-W8A16 को। वही परिवार, वही कीमत, वही कॉन्टेक्स्ट बजट — राउटर मामूली है और मिलाने के लिए कोई लागत मॉडल है ही नहीं।

07"अनसेंसर्ड इमेज समझ" का असल में मतलब क्या है

इस मॉडल के आगे कोई रिफ्यूज़ल लेयर नहीं है और उसके आउटपुट पर कोई कंटेंट फ़िल्टर नहीं। यह एक उत्पाद संबंधी फ़ैसला है जिसका विज़न काम के लिए एक ख़ास नतीजा है: मॉडल विषय-वस्तु के आधार पर मना करने के बजाय बताता है कि फ़्रेम में क्या है।

यह इसलिए मायने रखता है कि फ़िल्टर वाले विज़न API जायज़ काम की एक पूरी श्रेणी के लिए संरचनात्मक रूप से अनुपयुक्त हैं। मॉडरेशन पाइपलाइन को उसी सामग्री को देखना पड़ता है जिसका वह मॉडरेशन करती है और बताना पड़ता है कि वह क्या है; जो क्लासिफ़ायर उस चीज़ को जाँचने से ही इनकार कर दे जिसका वह वर्गीकरण करता है, वह क्लासिफ़ायर नहीं है। असली कामों की लंबी सूची पर यही बात लागू होती है:

• ट्रस्ट और सेफ़्टी टूलिंग — ठीक उन्हीं चित्रों को लेबल करना जिन्हें कोई मुख्यधारा API प्रोसेस ही नहीं करेगा, और लेबलिंग की सबसे ज़्यादा ज़रूरत उन्हीं को है।
• चिकित्सकीय, फ़ोरेंसिक और दुर्घटना संबंधी चित्र — क्लिनिकल, चोट और घटनास्थल की तस्वीरें, जिन्हें सामान्य फ़िल्टर, चाहे पूछने वाला कोई भी हो, वीभत्स मानकर ठुकरा देते हैं।
• सुरक्षा शोध — फ़िशिंग पेज, दुर्भावनापूर्ण इंटरफ़ेस और कैप्चर की गई स्क्रीन पढ़ना, बिना इसके कि मॉडल पूरे प्रस्ताव पर ही अड़ जाए।
• वयस्क-सामग्री वर्गीकरण और अभिलेखीय सूचीकरण — वे पाइपलाइन जो सामग्री की पहचान के लिए ही बनी हैं और देखने का काम किसी और को नहीं सौंप सकतीं, साथ ही वे ऐतिहासिक संग्रह जिन्हें फ़िल्टर लेबल-अयोग्य मान लेते हैं।

रिफ्यूज़ल लेयर हटाने से एक इंजीनियरिंग अड़चन हटती है, क़ानूनी अड़चन नहीं। Shannon AI का संचालन Shannon Lab LLC, न्यू मेक्सिको, USA करता है, और API का उपयोग हमारी ज़िम्मेदार उपयोग नीति के अधीन है। बिना फ़िल्टर वाला आउटपुट एक क्षमता है, कोई अनुमति-पत्र नहीं।

08इसे कॉल करना: एंडपॉइंट, इमेज इनपुट, और यह कहाँ फ़िट बैठता है

मॉडल है MiMo-V2.5-W8A16, जो एक ही वेट्स के विरुद्ध तीन रिक्वेस्ट डायलेक्ट पर पहुँच में है, ताकि आपके पास जो भी SDK पहले से है वही बना रहे:

• /v1/chat/completions — OpenAI-कम्पैटिबल। इमेजें image_url कंटेंट पार्ट के रूप में जाती हैं, या तो https URL के तौर पर या base64 डेटा URI के तौर पर।
• /v1/messages — Anthropic-कम्पैटिबल। इमेजें image कंटेंट ब्लॉक के रूप में जाती हैं।
• /v1/responses — Responses-शैली का डायलेक्ट।

स्ट्रीमिंग और टूल कॉलिंग तीनों पर काम करते हैं, इसलिए मॉडल एक ही टर्न में स्क्रीनशॉट देख सकता है और जो देखा उसके बारे में कोई फ़ंक्शन कॉल कर सकता है। पूरे रिक्वेस्ट और रिस्पॉन्स स्कीमा API दस्तावेज़ीकरण में हैं, जहाँ एक प्लेग्राउंड भी है जिसमें आप कोई कोड लिखने से पहले इमेज पेस्ट कर सकते हैं।

MiMo-V2.5 सख़्त json_schema और response_format सपोर्ट करता है — यही डेमो और पाइपलाइन के बीच का फ़र्क़ है। इसे एक रसीद दीजिए और साथ में विक्रेता, तारीख़, लाइन आइटम और कुल के लिए टाइप किए फ़ील्ड वाला स्कीमा, और बदले में आपको ऐसा ऑब्जेक्ट मिलेगा जिसे आपका कोड वैलिडेट कर सके, न कि ऐसा अनुच्छेद जिस पर regex चलाना पड़े। इस कैटलॉग के बारह में से दो मॉडलों में पूरा स्ट्रक्चर्ड-आउटपुट समर्थन नहीं है; इसमें है, और इसीलिए यह बड़ी मात्रा वाली एक्सट्रैक्शन सेवा की तरह काम करता है।

कॉन्टेक्स्ट विंडो 262,144 टोकन है; जनरेट किया गया आउटपुट प्रति रिक्वेस्ट 16,384 टोकन पर सीमित है। इमेजें रिज़ॉल्यूशन के अनुपात में इनपुट टोकन खाती हैं, इसलिए उच्च-रिज़ॉल्यूशन पन्ना स्कैन उतने ही शब्दों वाले टेक्स्ट से कहीं तेज़ी से कॉन्टेक्स्ट चट कर जाते हैं। 300 पन्नों का स्कैन एक ही रिक्वेस्ट में लादने के बजाय लंबे दस्तावेज़ों को पन्नों में बाँटिए, और आउटपुट सीमा को विस्तृत निष्कर्षण पर एक असली अड़चन मानिए — कटा-फटा जवाब पाने के बजाय घनी तालिकाओं को पंक्ति-श्रेणी के हिसाब से टुकड़ों में बाँटिए।

परिवार की वंशावली को देखते हुए reasoning_effort डायल का यहाँ असली असर है। बड़ी मात्रा वाले वर्गीकरण के लिए इसे नीचे कीजिए, जहाँ जवाब एक लेबल है और सोचने वाले टोकन शुद्ध खर्च हैं; चार्ट की व्याख्या, दृश्य गणित और डायग्राम पर तर्क के लिए इसे ऊपर कीजिए, जहाँ जवाब देने से पहले मॉडल को दिखी कई चीज़ों को जोड़ना पड़ता है।

यह कहाँ फ़िट बैठता है, और कहाँ नहीं

अच्छी जगहें। बड़ी मात्रा में दस्तावेज़ और रसीद निष्कर्षण; ख़राब स्कैन पर OCR-जैसा काम; चार्ट, डैशबोर्ड और तालिका पढ़ना; स्क्रीनशॉट समझ और UI ग्राउंडिंग; कैटलॉग टैगिंग और विज़ुअल QA; मॉडरेशन पाइपलाइन — यानी हर वह मल्टीमॉडल काम जहाँ प्रति-कॉल लागत बाँधती है और बारीक विवरण की शुद्धता वह चीज़ है जिसे आप छोड़ने को तैयार नहीं।

बुरी जगहें। फ़्रंटियर-स्तर की कठिन मल्टीमॉडल रीज़निंग, जिसे कीमत की परवाह किए बिना सबसे मज़बूत मॉडल चाहिए — वह Kimi-K3 का काम है, और वह करीब दस गुना महँगा यूँ ही नहीं है। सिर्फ़-टेक्स्ट जनरेशन, जहाँ MiMo-V2.5-Pro उसी दर पर बेहतर फ़ाउंडेशन देता है। विश्वकोशीय विश्व-ज्ञान पर टिका काम, जहाँ बड़ा स्पार्स फ़ाउंडेशन किसी सघन डेंस मॉडल से आगे निकल जाता है। और वह सब जिसे 262K से ज़्यादा कॉन्टेक्स्ट चाहिए, जो यहाँ कोई भी मॉडल नहीं देता।

09अक्सर पूछे जाने वाले सवाल

---

स्रोत: MiMo technical report (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508। सभी बेंचमार्क आँकड़े ऊपर नामित जारी चेकपॉइंट के लिए Xiaomi द्वारा रिपोर्ट किए गए हैं और परिवार के वंश का वर्णन करते हैं, इस एंडपॉइंट पर चल रहे ठीक उसी बिल्ड का नहीं। कीमतें, कॉन्टेक्स्ट और क्षमता फ़्लैग सितंबर 2026 तक Shannon AI Gateway की सूची वैल्यू हैं।