MiMo API za vid bez cenzure

Jeftine multimodalne krajnje točke jeftine su jer je nešto odrezano, a odreže se obično ono što ne vidite: težine su stisnute na tri ili četiri bita, a model i dalje samouvjereno odgovara o grafikonu koji zapravo više ne može pročitati. MiMo-V2.5 protuprimjer je u našem katalogu — istodobno na cjenovnom pragu i na najvišoj razini preciznosti, jer je temelj iz kojeg potječe građen malen i gust, a ne golem i rijedak.

01Odakle MiMo dolazi: prvo model za promišljanje, tek onda model s vidom

MiMo linija Xiaomijev je istraživački program otvorenih težina, a njegova je osnivačka tvrdnja nepomodna: sposobnost promišljanja postavlja se tijekom predtreniranja, a ne se naknadno prikvačuje podržanim učenjem. Posao je uglavnom inženjerstvo podataka — Xiaomi je iznova izgradio izlučivanje i filtriranje teksta kako bi podigao gustoću obrazaca promišljanja u korpusu, generirao sintetičke podatke za promišljanje na velikoj skali i predtrenirao MiMo-7B-Base na otprilike 25 bilijuna tokena pod trostupanjskom mješavinom, uz predviđanje više tokena kao pomoćni cilj koji pri zaključivanju ujedno služi kao spekulativni dekoder (stopa prihvaćanja blizu 90 %, prema Xiaomiju).

Naknadno je treniranje namjerno strogo: 130.000 matematičkih i programerskih zadataka s nagradama za točnost temeljenima isključivo na pravilima, bez naučenog modela nagrade, uz obrazloženje da je neuronski model nagrade površina koju se da hakirati. Provjerljive se nagrade ne daju nagovoriti. MiMo-7B-RL postiže brojke nesrazmjerne svojoj veličini — Xiaomi prijavljuje 68,2 % na AIME 2024, 95,8 % na MATH-500 i 57,8 % na LiveCodeBenchu v5 pri pass@1, izjednačeno s OpenAI-jevim o1-minijem. To je oblik modela koji pozivate: kompaktan, gusto treniran, ugođen da problem prokrči, a ne da odgovor dozove — i taj temperament preživljava u multimodalnim potomcima.

02Kako je MiMo naučio gledati: arhitektura MiMo-VL

MiMo-VL jezično-vizualna je grana, a njezina je gradnja poučna. Xiaomi je sastavio tri dijela: ViT koder izvorne razlučivosti koji čuva fine detalje umjesto da svaku sliku tjera kroz fiksnu rešetku niske razlučivosti, nasumično inicijaliziran MLP projektor u latentni prostor jezičnog modela i — što je ključno — MiMo okosnicu za promišljanje kao jezični model. Sustav za vid nasljeđuje dekoder koji je već dobar u višekoračnom mišljenju, a ne onaj koji je tek dobar u opisivanju slika.

Treniranje je teklo u četiri stupnja predtreniranja — zagrijavanje projektora, jezično-vizualno poravnanje, opće multimodalno predtreniranje, dotreniranje na dugom kontekstu — kroz otprilike 2,4 bilijuna tokena, a zatim mješovito on-policy podržano učenje (MORL), koje u jednu on-policy petlju uvija točnost percepcije, preciznost vizualnog utemeljenja, ispravnost promišljanja te ljudske i AI preferencije. Izvješće otvoreno kaže da je istodobno optimiranje svega toga nestabilno — poštenije uokvirivanje nego što ga nudi većina multimodalnih radova.

Objavljeni su rezultati snažni za taj broj parametara. Xiaomi prijavljuje da MiMo-VL-7B-RL nadmašuje Qwen2.5-VL-7B na 35 od 40 zadataka, 59,4 na OlympiadBenchu (iznad modela do 78B) i 56,1 na OSWorld-G-u za utemeljenje u grafičkom sučelju, ispred namjenski građenih agenata za sučelja. Kasnije osvježenje 2508 prvi je put u nizu MMMU podiglo preko 70 (70,6), doseglo 94,4 na ChartQA-u, 92,5 na ScreenSpotu-v2 i 70,8 na VideoMME-u, te dodalo prekidač za upravljanje promišljanjem, pa se tragovi promišljanja mogu isključiti po zahtjevu.

03Što znači W8A16 i zašto je važniji za vid nego za tekst

Svaki model na pristupniku nosi sufiks kvantizacije. To nije ukras — govori vam čime je trgovano da bi model postao poslužljiv.

Sufiks	Što je to	Zašto se koristi
3BIT-REAP	3-bitne težine plus REAP, metoda obrezivanja stručnjaka koja rijetko usmjeravane stručnjake izbacuje iz MoE modela prije kvantizacije	Jedini način da se najveći temelji smjeste i posluže razumnom brzinom
W4A16-AUTOROUND-REAP	4-bitne težine, 16-bitne aktivacije, kvantizirane AutoRoundom — naučenim zaokruživanjem koje vraća točnost u odnosu na naivno zaokruživanje na najbliže — plus REAP obrezivanje	Sredina za velike temelje kojima ekstremna kompresija nije potrebna
W8A16	8-bitne težine, 16-bitne aktivacije — razina najveće vjernosti koju poslužujemo	Koristi se ondje gdje je temelj dovoljno malen da agresivna kompresija nije potrebna

MiMo-V2.5 zaslužuje treći redak time što je kompaktan: gustom temelju ove klase nije potrebno drobljenje na tri bita da bi stao, pa si možete priuštiti zadržati osam, a težine iz kojih uzorkujete ostaju blizu onih koje su trenirane. To nesrazmjerno mnogo znači za rad sa slikama, iz strukturnog razloga. U isključivo tekstualnom dekoderu ugrađivanje koje pod kvantizacijom odluta desetci kasnijih slojeva pažnje vraćaju u kontekst — mnogo prilika za oporavak. Sklop za vid nema takve zalihe: vizualna informacija prolazi kroz jedan koder i jedan uzak projektor prije nego što dosegne dekoder, a sve nizvodno uvjetovano je onime što je to usko grlo proizvelo. Fini signal — 3 naspram 8 na skenu slabog kontrasta, točan piksel na kojem stupac završava na osi grafikona, granica elementa sučelja na koji vas se traži da kliknete — živi u detalju težina male magnitude koji agresivna kvantizacija prvi odbacuje.

3-bitni model s vidom ne otkazuje glasno; otkazuje tiho, proizvodeći tečan opis dokumenta s dvjema zamijenjenim znamenkama u ukupnom iznosu. Veća preciznost težina najjeftinije je osiguranje od tog otkaza, a ovdje je besplatno — najnižu cijenu plaćate ovako ili onako.

04Najniža cijena u kontekstu

Četiri modela u našem katalogu od dvanaest stoje na cjenovnom pragu od 0,50 $ ulaz / 2,00 $ izlaz po milijunu tokena. Samo jedan od njih prima slike. Evo gdje modeli s vidom stoje po trošku izlaza, brojci koja u većini stvarnih računa prevladava:

Cijena izlaza u USD po 1M tokena, službene stope Shannon AI pristupnika, rujan 2026. Duljina trake odnosi se na najskuplji model s vidom u katalogu.

Naspram modela Kimi-K3 — vršnog modela s vidom, i uistinu jačeg — MiMo-V2.5 je otprilike 9,6× jeftiniji na izlazu i 7,7× jeftiniji na ulazu. To nije tvrdnja o ravnopravnosti; to je argument o obliku opterećenja. Pri sto tisuća slika mjesečno vršni model nije priuštiv, a onaj s praga jest, i pošteno je pitanje prelazi li model s praga vašu granicu točnosti — a ne pobjeđuje li na mjerilu.

05MiMo-V2.5 naspram MiniMax-M3: dva jeftina modela s vidom, pošteno uspoređena

Ta su dva točno izjednačena po cijeni, kontekstu i površini krajnjih točaka. Nisu zamjenjivi: razina kvantizacije zastupnik je za dvije različite oklade o tome što model s vidom čini korisnim.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Ulaz / izlaz po 1M	$0.50 / $2.00	$0.50 / $2.00
Preciznost težina	8-bitna	3-bitna + obrezivanje stručnjaka
Veličina temelja	Kompaktan, gust	Velik, rijedak MoE
Vid	Da	Da
Prozor konteksta	262,144	262,144
Sheme · alati · streaming	Da	Da

Uzmite MiMo-V2.5 kad je slika teži dio: gust OCR na nesavršenim skenovima, izvlačenje brojeva iz grafikona i tablica, utemeljenje u snimkama zaslona i sučeljima, čitanje sitnog teksta, razlikovanje gotovo istovjetnih fotografija proizvoda — sve gdje je zamijenjena znamenka nedostatak, a ne kozmetička mrlja. Želite put od piksela do tokena najveće vjernosti, a 8-bitne težine su način da ga po ovoj cijeni dobijete.

Uzmite MiniMax-M3 kad je slika lakši dio. Velik rijedak temelj komprimiran na 3 bita i dalje drži više znanja o svijetu i šire promišljanje nego što kompaktan gust model može, čak i nakon obrezivanja. Ako je zadatak „pogledaj ovu fotografiju i opširno promisli što ona implicira” ili je slika jedan ulaz u pretežno tekstualnom razgovoru, veći je temelj bolji instrument — vizualna oštrina kojom ste trgovali nije bila obvezujuće ograničenje.

06MiMo-V2.5 naspram MiMo-V2.5-Pro: srodnik koji je oči zamijenio dubinom

Ovo je usporedba koja stvara najviše prijava korisničkoj podršci, pa vrijedi biti izravan. MiMo-V2.5-Pro-W8A16 i MiMo-V2.5-W8A16 dijele cijenu, prozor konteksta, razinu preciznosti i obiteljsko ime. Pro ne prima slike. Nije nadskup. Riječ je o drukčijoj raspodjeli istog proračuna.

Posluživanje multimodalnog modela znači plaćati toranj za vid i projektor uz dekoder — pri fiksnom cilju troška to je kapacitet nepotrošen na sam jezični model. Pro sve troši na tekst: veći temelj s više prostora za dugo pisanje, produljeno promišljanje i kod. MiMo-V2.5 dio toga troši na vid.

Pravilo odluke stoga se tiče vaših ulaza, a ne vaših ambicija. Ako ijedan zahtjev može sadržavati snimku zaslona, skeniranu stranicu, grafikon, dijagram ili fotografiju, treba vam MiMo-V2.5 — Pro će odbiti taj blok sadržaja. Ako je svaki zahtjev tekstualan, a za model s vidom ste posegnuli iz navike, kakvoću temelja ostavljate na stolu ni za što: uzmite MiMo-V2.5-Pro po identičnoj stopi.

Obrazac koji vrijedi ukrasti: usmjeravajte prema vrsti sadržaja. Sve što ima slikovni dio ide na MiMo-V2.5-W8A16, sve ostalo na MiMo-V2.5-Pro-W8A16. Ista obitelj, ista cijena, isti proračun konteksta — usmjerivač je trivijalan i nema modela troška koji treba usklađivati.

07Što zapravo znači „razumijevanje slika bez cenzure”

Pred ovim modelom nema sloja odbijanja, a na njegovu izlazu nema filtra sadržaja. To je odluka o proizvodu s određenom posljedicom za rad s vidom: model opisuje ono što je u kadru umjesto da odbija na temelju tematike.

To je važno jer su filtrirani API-ji s vidom strukturno neprikladni za cijelu kategoriju legitimnog posla. Cjevovod za moderaciju mora pogledati materijal koji modelira i reći što je to; klasifikator koji odbija pregledati ono što klasificira nije klasifikator. Isto vrijedi kroz dug popis stvarnih poslova:

• Alati za povjerenje i sigurnost — označavanje upravo onih slika koje mainstream API neće obraditi, a koje označavanje najviše trebaju.
• Medicinske, forenzičke i slike nesreća — kliničke fotografije, fotografije ozljeda i mjesta događaja koje opći filtri odbijaju kao grafičke bez obzira na to tko pita.
• Sigurnosna istraživanja — čitanje phishing stranica, zloćudnih sučelja i snimljenih zaslona bez modela koji zapinje na pretpostavci.
• Klasifikacija sadržaja za odrasle i arhivsko katalogiziranje — cjevovodi koji postoje da bi materijal identificirali i ne mogu gledanje prepustiti drugome, plus povijesne zbirke koje filtri drže neoznačivima.

Uklanjanje sloja odbijanja uklanja inženjersku prepreku, a ne pravnu. Shannon AI vodi Shannon Lab LLC u New Mexicu, SAD, a uporabu API-ja uređuje naša politika odgovorne uporabe. Nefiltriran izlaz je sposobnost, a ne propusnica.

08Kako ga pozvati: krajnje točke, ulaz sa slikama i gdje se uklapa

Model je MiMo-V2.5-W8A16, dostupan na tri dijalekta zahtjeva prema istim težinama, pa zadržavate onaj SDK koji već imate:

• /v1/chat/completions — kompatibilan s OpenAI-jem. Slike ulaze kao dijelovi sadržaja image_url, bilo kao https URL bilo kao base64 data URI.
• /v1/messages — kompatibilan s Anthropicom. Slike ulaze kao blokovi sadržaja image.
• /v1/responses — dijalekt u stilu Responsesa.

Streaming i pozivanje alata rade na sva tri, pa model može pogledati snimku zaslona i u jednom potezu pozvati funkciju o onome što je vidio. Potpune sheme zahtjeva i odgovora nalaze se u dokumentaciji API-ja, koja ujedno nosi playground u koji možete zalijepiti sliku prije nego što napišete ijedan redak koda.

MiMo-V2.5 podržava strogi json_schema i response_format — razliku između demonstracije i cjevovoda. Predajte mu račun uz shemu s tipiziranim poljima za dobavljača, datum, stavke i ukupan iznos i dobit ćete objekt koji vaš kod može potvrditi, a ne odlomak nad kojim morate puštati regularne izraze. Dva od dvanaest modela u ovom katalogu nemaju punu podršku za strukturirani izlaz; ovaj je ima, i zato radi kao usluga izlučivanja velikog obujma.

Prozor konteksta iznosi 262.144 tokena; generirani je izlaz ograničen na 16.384 tokena po zahtjevu. Slike troše ulazne tokene ovisno o razlučivosti, pa skenovi stranica visoke razlučivosti gutaju kontekst mnogo brže od jednakog broja riječi teksta. Duge dokumente stranicujte umjesto da sken od 300 stranica učitate u jednom zahtjevu, a strop izlaza tretirajte kao stvarno ograničenje iscrpnog izlučivanja — guste tablice dijelite po rasponima redaka umjesto da dobijete odsječen odgovor.

Regulator reasoning_effort ovdje ima stvarnu polugu s obzirom na rodoslov obitelji. Spustite ga za klasifikaciju velikog obujma, gdje je odgovor oznaka, a tokeni promišljanja čist trošak; podignite ga za tumačenje grafikona, vizualnu matematiku i promišljanje o dijagramima, gdje model prije odgovora mora spojiti nekoliko stvari koje vidi.

Gdje se uklapa, a gdje ne

Dobra podudaranja. Izlučivanje iz dokumenata i računa u velikom obujmu; posao blizak OCR-u na nesavršenim skenovima; čitanje grafikona, nadzornih ploča i tablica; razumijevanje snimki zaslona i utemeljenje u sučeljima; označavanje kataloga i vizualno odgovaranje na pitanja; cjevovodi za moderaciju — svaki multimodalni zadatak gdje trošak po pozivu obvezuje, a preciznost u finim detaljima ono je čega se odbijate odreći.

Loša podudaranja. Multimodalno promišljanje vrhunske težine kojem treba najjači model bez obzira na cijenu — to je posao modela Kimi-K3, a s razlogom stoji gotovo deset puta više. Isključivo tekstualno generiranje, gdje MiMo-V2.5-Pro po istoj stopi daje bolji temelj. Posao koji se oslanja na enciklopedijsko znanje o svijetu, gdje velik rijedak temelj pretekne kompaktan gust. I sve što traži više od 262K konteksta, čega ovdje nijedan model ne nudi.

09Često postavljana pitanja

---

Izvori: MiMo tehničko izvješće (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Sve brojke s mjerila prijavio je Xiaomi za gore imenovane objavljene kontrolne točke i opisuju obiteljsko podrijetlo, a ne točnu izvedbu na ovoj krajnjoj točki. Cijene, kontekst i zastavice mogućnosti službene su vrijednosti Shannon AI pristupnika, rujan 2026.