Cenzúrázatlan MiMo képfeldolgozó API

Az olcsó multimodális végpontok azért olcsók, mert levágtak belőlük valamit, és amit levágnak, azt általában nem látni: a súlyokat három vagy négy bitre préselik, a modell pedig továbbra is magabiztosan válaszol egy olyan diagramról, amelyet valójában már nem tud elolvasni. A MiMo-V2.5 az ellenpélda a katalógusunkban — egyszerre van az árpadlón és a legmagasabb pontossági szinten, mert az alapmodell, amelyből származik, kicsire és sűrűre épült, nem óriásira és ritkára.

01Honnan jön a MiMo: előbb következtető modell, azután képfeldolgozó

A MiMo vonal a Xiaomi nyílt súlyú kutatási programja, és az alapító érve nem divatos: a következtetési képesség az előtanítás során dől el, nem utólag csavarozzák rá megerősítéses tanulással. A munka java adatmérnökség — a Xiaomi újraépítette a szövegkinyerést és -szűrést, hogy növelje a következtetési minták sűrűségét a korpuszban, nagy léptékben generált szintetikus következtetési adatot, és a MiMo-7B-Base modellt nagyjából 25 billió tokenen tanította elő háromlépcsős keverékkel, többtokenes előrejelzéssel mint kiegészítő céllal, amely következtetéskor spekulatív dekóderként is szolgál (a Xiaomi szerint az elfogadási arány 90% közeli).

Az utótanítás szándékosan puritán: 130 000 matematikai és kódolási feladat, kizárólag szabályalapú pontossági jutalmakkal, tanult jutalommodell nélkül — azon az alapon, hogy egy neurális jutalommodell olyan felület, amelyet meg lehet hekkelni. Az ellenőrizhető jutalmakat nem lehet elbeszélni. A MiMo-7B-RL a méretéhez képest aránytalanul jó számokat hoz — a Xiaomi 68,2%-ot jelent az AIME 2024-en, 95,8%-ot a MATH-500-on, 57,8%-ot a LiveCodeBench v5-ön pass@1 mellett, ami az OpenAI o1-mini szintje. Ez a hívott modell alkata: kompakt, sűrűn tanított, arra hangolva, hogy végigdolgozzon egy feladatot, ne pedig felidézzen egy választ — és ez a természet átöröklődik a multimodális leszármazottakba.

02Hogyan tanult meg látni a MiMo: a MiMo-VL architektúra

A MiMo-VL a képi-nyelvi ág, és a felépítése tanulságos. A Xiaomi három részt rakott össze: egy natív felbontású ViT kódolót, amely megőrzi a finom részleteket ahelyett, hogy minden képet fix, alacsony felbontású rácsba kényszerítene, egy véletlenszerűen inicializált MLP projektort a nyelvi modell látens terébe, és — döntő módon — a MiMo következtető gerincet mint nyelvi modellt. A képi rendszer olyan dekódert örököl, amely már jó a többlépcsős gondolkodásban, nem pedig olyat, amely csupán képaláírásban jó.

A tanítás négy előtanítási szakaszban zajlott — projektor bemelegítés, képi-nyelvi illesztés, általános multimodális előtanítás, hosszú kontextusú felügyelt finomhangolás —, nagyjából 2,4 billió tokenen, majd következett a kevert on-policy megerősítéses tanulás (MORL), amely egyetlen on-policy hurokba fogta össze az észlelési pontosságot, a vizuális lehorgonyzás pontosságát, a következtetés helyességét és az emberi/MI preferenciát. A jelentés őszintén elismeri, hogy mindezt egyszerre optimalizálni instabil — ez becsületesebb megfogalmazás, mint amit a legtöbb multimodális cikk kínál.

A közölt eredmények a paraméterszámhoz képest erősek. A Xiaomi szerint a MiMo-VL-7B-RL a 40 feladatból 35-ben veri a Qwen2.5-VL-7B modellt, 59,4 pontot ér el az OlympiadBench feladatsoron (78B-ig terjedő modellek felett), és 56,1 pontot az OSWorld-G GUI-lehorgonyzáson, megelőzve a célra épített felületkezelő ügynököket. A későbbi 2508 frissítés a sorozatban először vitte az MMMU-t 70 fölé (70,6), elérte a 94,4-et a ChartQA, a 92,5-öt a ScreenSpot-v2 és a 70,8-at a VideoMME feladatsoron, valamint kapott egy gondolkodásvezérlő kapcsolót, amellyel kérésenként kikapcsolhatók a következtetési nyomok.

03Mit jelent a W8A16, és miért számít jobban a képfeldolgozásnál, mint a szövegnél

Az átjárón minden modell kvantálási utótagot visel. Ez nem dísz — azt mondja meg, mit áldoztak fel azért, hogy a modell kiszolgálható legyen.

Utótag	Mi ez	Miért használják
3BIT-REAP	3 bites súlyok plusz REAP, egy szakértőnyeső módszer, amely a kvantálás előtt eldobja a ritkán útvonalazott szakértőket egy MoE modellből	Az egyetlen mód, hogy a legnagyobb alapmodellek elférjenek és épkézláb sebességgel legyenek kiszolgálhatók
W4A16-AUTOROUND-REAP	4 bites súlyok, 16 bites aktivációk, AutoRounddal kvantálva — tanult kerekítés, amely visszanyeri a pontosságot a naiv legközelebbire kerekítéshez képest — plusz REAP nyesés	Középút olyan nagy alapmodellekhez, amelyeknek nincs szükségük szélsőséges tömörítésre
W8A16	8 bites súlyok, 16 bites aktivációk — a legnagyobb hűségű szint, amelyet kiszolgálunk	Ott használjuk, ahol az alapmodell elég kicsi ahhoz, hogy az agresszív tömörítés szükségtelen legyen

A MiMo-V2.5 azzal érdemli ki a harmadik sort, hogy kompakt: egy ilyen kategóriájú sűrű alapmodellt nem kell három bitre zúzni ahhoz, hogy elférjen, tehát megengedhetsz magadnak nyolcat, és a súlyok, amelyekből mintavételezel, közel maradnak azokhoz, amelyeket betanítottak. Ez a képi munkánál aránytalanul sokat számít, méghozzá szerkezeti okból. Egy csak szöveges dekóderben a kvantálás alatt elcsúszó beágyazást több tucat későbbi figyelmi réteg újrakontextualizálja — sok esély a helyreállásra. A képi rendszernek nincs ilyen mozgástere: a vizuális információ egyetlen kódolón és egyetlen szűk projektoron halad át, mielőtt eléri a dekódert, és minden, ami utána jön, arra épül, amit ez a szűk keresztmetszet előállított. A finom szemcsés jel — 3 vagy 8 egy gyenge kontrasztú beolvasáson, a pontos képpont, ahol egy oszlop véget ér a diagram tengelyén, egy kattintandó felületi elem határa — abban a kis amplitúdójú súlyrészletben lakik, amelyet az agresszív kvantálás dob el elsőként.

Egy 3 bites képfeldolgozó modell nem hangosan hibázik; csendben hibázik, és folyékony leírást ad egy dokumentumról, amelynek a végösszegében két számjegy felcserélődött. A nagyobb súlypontosság a legolcsóbb biztosítás e hiba ellen, itt pedig ingyen van — az árpadlót fizeted így is, úgy is.

04Az árpadló, kontextusban

Tizenkét modellből álló katalógusunkban négy modell ül a 0,50 $ bemenet / 2,00 $ kimenet millió tokenenként árpadlón. Közülük csak egy fogad képet. Így állnak a képfeldolgozásra képes modellek a kimeneti költségben, abban a számban, amely a legtöbb valós számlát uralja:

Kimeneti ár USD-ben 1M tokenenként, a Shannon AI átjáró listaárai, 2026. szeptember. A sáv hossza a katalógus legdrágább képfeldolgozó modelljéhez viszonyított.

A Kimi-K3-mal szemben — ez a csúcs képfeldolgozó modell, és valóban erősebb — a MiMo-V2.5 nagyjából 9,6-szer olcsóbb kimeneten és 7,7-szer olcsóbb bemeneten. Ez nem egyenértékűségi állítás; ez a munkateher alakjáról szóló érv. Havi százezer képnél a csúcsmodell nem megfizethető, az árpadlón lévő igen, és az őszinte kérdés az, hogy az árpadlón lévő modell átmegy-e a te pontossági küszöbödön — nem az, hogy nyer-e egy benchmarkot.

05MiMo-V2.5 kontra MiniMax-M3: a két olcsó képfeldolgozó modell, őszintén összevetve

Ez a kettő pontosan holtversenyben áll árban, kontextusban és végpontfelületben. Nem cserélhetők fel: a kvantálási szint két különböző fogadás jelzője arról, mitől hasznos egy képfeldolgozó modell.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Bemenet / kimenet 1M-enként	$0.50 / $2.00	$0.50 / $2.00
Súlypontosság	8 bit	3 bit + szakértőnyesés
Alapmodell mérete	Kompakt, sűrű	Nagy, ritka MoE
Képfeldolgozás	Igen	Igen
Kontextusablak	262,144	262,144
Séma · eszközök · streamelés	Igen	Igen

Válaszd a MiMo-V2.5 modellt, ha a kép a nehéz rész: sűrű OCR tökéletlen beolvasásokon, számkinyerés diagramokból és táblázatokból, képernyőkép- és felületlehorgonyzás, apró betűs szöveg olvasása, szinte azonos termékfotók megkülönböztetése — bármi, ahol egy felcserélt számjegy hiba, nem pedig szépséghiba. A képpontoktól a tokenekig vezető legnagyobb hűségű utat akarod, és ezen az áron a 8 bites súlyok adják meg.

Válaszd a MiniMax-M3 modellt, ha a kép a könnyű rész. Egy nagy, ritka alapmodell 3 bitre tömörítve is több világismeretet és szélesebb következtetési tartományt őriz, mint amennyit egy kompakt, sűrű modell tud, még nyesés után is. Ha a feladat az, hogy „nézd meg ezt a fényképet, és fejtsd ki hosszan, mire utal”, vagy a kép csak egy bemenet egy jórészt szöveges beszélgetésben, akkor a nagyobb alapmodell a jobb eszköz — a feláldozott vizuális élesség nem a szűk keresztmetszet volt.

06MiMo-V2.5 kontra MiMo-V2.5-Pro: a testvér, amely a szemét mélységre cserélte

Ez az összehasonlítás generálja a legtöbb támogatási jegyet, ezért érdemes nyersen fogalmazni. A MiMo-V2.5-Pro-W8A16 és a MiMo-V2.5-W8A16 osztozik az áron, a kontextusablakon, a pontossági szinten és a családnéven. A Pro nem fogad képet. Nem bővebb halmaz. Ugyanannak a keretnek egy másik elosztása.

Egy multimodális modell kiszolgálása azt jelenti, hogy a dekóder mellett képfeldolgozó tornyot és projektort is fizetsz — rögzített költségcél mellett olyan kapacitást, amelyet nem magára a nyelvi modellre költesz. A Pro mindent szövegre költ: nagyobb alapmodellt kapsz, több mozgástérrel hosszabb íráshoz, kiterjesztett következtetéshez és kódhoz. A MiMo-V2.5 ennek egy részét látásra fordítja.

A döntési szabály tehát a bemeneteidről szól, nem az ambícióidról. Ha bármelyik kérés tartalmazhat képernyőképet, beolvasott oldalt, diagramot, ábrát vagy fényképet, akkor a MiMo-V2.5 kell — a Pro visszautasítja a tartalomblokkot. Ha minden kérés szöveg, és megszokásból nyúltál a képfeldolgozó modellhez, akkor ingyen hagysz az asztalon alapmodell-minőséget: vidd inkább a MiMo-V2.5-Pro modellt ugyanazon a díjszabáson.

Egy ellopásra érdemes minta: útvonalazz tartalomtípus szerint. Amiben van képrész, az megy a MiMo-V2.5-W8A16 modellhez, minden más a MiMo-V2.5-Pro-W8A16 modellhez. Ugyanaz a család, ugyanaz az ár, ugyanaz a kontextuskeret — az útvonalválasztó triviális, és nincs költségmodell, amit egyeztetni kellene.

07Mit jelent valójában a „cenzúrázatlan képértés”

E modell előtt nincs elutasítási réteg, a kimenetén pedig nincs tartalomszűrő. Ez terméki döntés, amelynek a képi munkára nézve konkrét következménye van: a modell leírja, mi van a képkockán, ahelyett hogy a téma alapján visszautasítaná.

Ez azért fontos, mert a szűrt képfeldolgozó API-k szerkezetileg alkalmatlanok a legitim munka egy egész kategóriájára. Egy moderálási folyamatnak meg kell néznie az anyagot, amelyet moderál, és ki kell mondania, mi az; egy osztályozó, amely nem hajlandó megvizsgálni, amit osztályoz, nem osztályozó. Ugyanez igaz valós feladatok hosszú során:

• Bizalmi és biztonsági eszközök — pontosan annak a képanyagnak a címkézése, amelyet egy mainstream API nem dolgoz fel, vagyis amelynek a címkézésre a leginkább szüksége van.
• Orvosi, igazságügyi és baleseti képanyag — klinikai, sérüléses és helyszíni fényképek, amelyeket az általános szűrők a kérdezőtől függetlenül drasztikusként utasítanak el.
• Biztonsági kutatás — adathalász oldalak, rosszindulatú felületek és rögzített képernyők olvasása anélkül, hogy a modell megtorpanna a felvetésen.
• Felnőtt tartalom osztályozása és archívumi katalogizálás — folyamatok, amelyek azért léteznek, hogy azonosítsák az anyagot, és nem szervezhetik ki a nézést, valamint történeti gyűjtemények, amelyeket a szűrők címkézhetetlennek tekintenek.

Az elutasítási réteg eltávolítása mérnöki akadályt szüntet meg, nem jogit. A Shannon AI-t a Shannon Lab LLC üzemelteti az egyesült államokbeli Új-Mexikóban, és az API használatára a Felelős használati szabályzatunk vonatkozik. A szűretlen kimenet képesség, nem felmentés.

08A hívás: végpontok, képbemenet és hova illik

A modell azonosítója MiMo-V2.5-W8A16, és három kérésnyelvjáráson érhető el ugyanazon a súlykészleten, tehát megtarthatod azt az SDK-t, amelyed már van:

• /v1/chat/completions — OpenAI-kompatibilis. A képek image_url tartalomrészként mennek be, https URL-ként vagy base64 adat-URI-ként.
• /v1/messages — Anthropic-kompatibilis. A képek image tartalomblokként mennek be.
• /v1/responses — a Responses stílusú nyelvjárás.

A streamelés és az eszközhívás mindhármon működik, tehát a modell egyetlen körben megnézhet egy képernyőképet és hívhat egy függvényt arról, amit látott. A teljes kérés- és válaszsémák az API-dokumentációban vannak, amely egy játszóteret is kínál, ahová bemásolhatsz egy képet, mielőtt bármilyen kódot írnál.

A MiMo-V2.5 támogatja a szigorú json_schema és response_format lehetőséget — ez a különbség egy demó és egy éles folyamat között. Adj neki egy nyugtát meg egy sémát, amelyben tipizált mezők vannak a kereskedőre, a dátumra, a tételsorokra és a végösszegre, és olyan objektumot kapsz vissza, amelyet a kódod validálhat, nem pedig egy bekezdést, amelyet regexelned kell. A katalógus tizenkét modelljéből kettőből hiányzik a teljes strukturált kimenet támogatása; ebből nem, és ezért működik nagy volumenű kinyerőszolgáltatásként.

A kontextusablak 262 144 token; a generált kimenet kérésenként 16 384 tokenben van maximálva. A képek a felbontás függvényében fogyasztanak bemeneti tokeneket, tehát a nagy felbontású oldalbeolvasások jóval gyorsabban eszik a kontextust, mint egy azonos szószámú szöveg. A hosszú dokumentumokat lapozd, ne tölts be egy 300 oldalas beolvasást egyetlen kérésben, és kezeld a kimeneti korlátot valós megkötésként a kimerítő kinyerésre — a sűrű táblázatokat sorterjedelem szerint darabold, ahelyett hogy csonkolt választ kapnál.

A reasoning_effort szabályozónak itt valódi hatása van, tekintve a család származását. Vedd lejjebb nagy volumenű osztályozásnál, ahol a válasz egy címke, és a gondolkodási tokenek tiszta költség; vedd feljebb diagramértelmezésnél, vizuális matematikánál és ábra-következtetésnél, ahol a modellnek több látott dolgot kell összekombinálnia, mielőtt válaszolhatna.

Hova illik és hova nem

Jó illeszkedés. Nagy volumenű dokumentum- és nyugtakinyerés; OCR-közeli munka tökéletlen beolvasásokon; diagram-, irányítópult- és táblázatolvasás; képernyőkép-értés és felületlehorgonyzás; katalóguscímkézés és vizuális kérdés-felelet; moderálási folyamatok — minden olyan multimodális feladat, ahol a hívásonkénti költség szorít, és a finom részletek pontossága az, amiről nem vagy hajlandó lemondani.

Rossz illeszkedés. Élvonalbeli nehézségű multimodális következtetés, amelyhez ártól függetlenül a legerősebb modell kell — ez a Kimi-K3 dolga, és nem véletlenül kerül majdnem tízszer annyiba. Csak szöveges generálás, ahol a MiMo-V2.5-Pro ugyanazon a díjon jobb alapmodellt ad. Enciklopédikus világismeretre támaszkodó munka, ahol egy nagy, ritka alapmodell lehagy egy kompakt, sűrűt. És bármi, amihez 262K-nál több kontextus kell, amit itt egyetlen modell sem kínál.

09Gyakran ismételt kérdések

---

Források: MiMo technikai jelentés (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Minden benchmarkszám a Xiaomi közlése a fent megnevezett kiadott ellenőrzőpontokra, és a család vonalát írja le, nem a végponton futó pontos buildet. Az árak, a kontextus és a képességjelzők a Shannon AI átjáró listaértékei, 2026. szeptember.