Առանց ցենզուրայի MiMo տեսողական API

Էժան մուլտիմոդալ վերջնակետերը էժան են, քանի որ ինչ-որ բան կրճատվել է, և ինչը կրճատվում է, սովորաբար այն մասն է, որը չեք տեսնում. կշիռները սեղմվում են երեք կամ չորս բիթի, և մոդելը դեռ վստահորեն պատասխանում է գծապատկերի մասին, որը այլևս իրականում կարդալ չի կարող: MiMo-V2.5-ը մեր կատալոգում հակառակ օրինակն է — միաժամանակ գնային ամենացածր մակարդակում և ամենաբարձր ճշգրտության մակարդակում, քանի որ հիմքային մոդելը, որից նա սերում է, կառուցվել է փոքր և խիտ, ոչ թե հսկայական ու հազվաբեր:

01Որտեղից է MiMo-ն. նախ դատողական մոդել, ապա տեսողական

MiMo գիծը Xiaomi-ի բաց-կշիռների հետազոտական ծրագիրն է, և նրա հիմնադիր փաստարկն ընդդիմադիր է. դատողության կարողությունը սահմանվում է նախավարժեցման ընթացքում, ոչ թե կպցվում է հետո RL-ով: Աշխատանքը մեծ մասամբ տվյալների ինժեներիա է — Xiaomi-ն վերակառուցեց տեքստի արդյունահանումն ու զտումը՝ բարձրացնելու դատողական օրինաչափությունների խտությունը կորպուսում, մեծ մասշտաբով գեներացրեց սինթետիկ դատողական տվյալներ, և նախավարժեցրեց MiMo-7B-Base-ը մոտավորապես 25 տրիլիոն տոկենի վրա եռափուլ խառնուրդի ներքո, Multiple-Token Prediction-ով որպես օժանդակ նպատակ, որը եզրակացության ժամանակ կրկնակի դեր է կատարում նաև որպես սպեկուլյատիվ վերծանիչ (ընդունման տոկոս մոտ 90%, ըստ Xiaomi-ի):

Հետվարժեցումը միտումնավոր զուսպ է. 130,000 մաթեմատիկայի և կոդի խնդիր միայն կանոն-հիմքով ճշգրտության պարգևով, առանց սովորած պարգևային մոդելի, այն տրամաբանությամբ, որ նեյրոնային պարգևային մոդելը մակերես է հաքերության համար: Ստուգելի պարգևները չեն կարող քաղցր խոսքով համոզվել: MiMo-7B-RL-ը գրանցում է թվեր, որոնք անհամաչափ են իր չափին. Xiaomi-ն հայտնում է 68.2% AIME 2024-ում, 95.8% MATH-500-ում, 57.8% LiveCodeBench v5-ում pass@1-ով, հավասարվելով OpenAI-ի o1-mini-ին: Դա այն մոդելի ձևն է, որին կանչում եք. կոմպակտ, խտորեն վարժեցված, կարգավորված խնդրի միջով աշխատելու, ոչ թե պատասխան հիշելու — և այդ խառնվածքը փոխանցվում է մուլտիմոդալ ժառանգներին:

02Ինչպես սովորեց MiMo-ն տեսնել. MiMo-VL ճարտարապետությունը

MiMo-VL-ը տեսողա-լեզվային ճյուղն է, և նրա կառուցվածքն ուսուցողական է: Xiaomi-ն հավաքեց երեք մաս. բնիկ-լուծաչափային ViT կոդավորիչ, որը պահպանում է նուրբ մանրամասնություն՝ փոխարենը ամեն պատկեր անցկացնելով ֆիքսված ցածր-լուծաչափային ցանցի միջով, պատահականորեն սկզբնավորված MLP պրոեկտոր լեզվային մոդելի լատենտ տարածություն, և — կարևորը — MiMo դատողական ողնաշարը որպես լեզվային մոդել: Տեսողական համակարգը ժառանգում է դեկոդեր, որն արդեն լավ է բազմաքայլ մտածելու մեջ, ոչ թե միայն ենթագրելու մեջ:

Վարժեցումն անցավ չորս նախավարժեցման փուլով — պրոեկտորի տաքացում, տեսողա-լեզվային հավասարեցում, ընդհանուր մուլտիմոդալ նախավարժեցում, երկար-համատեքստ SFT — մոտավորապես 2.4 տրիլիոն տոկենի վրա, ապա Mixed On-policy Reinforcement Learning (MORL), ընկալման ճշգրտությունը, տեսողական խարսխման ճշգրտությունը, դատողական ճշտությունը և մարդ/AI նախապատվությունը միացնելով մեկ on-policy շրջանում: Հաշվետվությունն անկեղծորեն ասում է, որ բոլորը մեկտեղ օպտիմալացնելը անկայուն է — ավելի ազնիվ ձևակերպում, քան մուլտիմոդալ հոդվածների մեծ մասն է առաջարկում:

Հրապարակված արդյունքները ուժեղ են պարամետրերի քանակի համեմատ: Xiaomi-ն հայտնում է, որ MiMo-VL-7B-RL-ն գերազանցում է Qwen2.5-VL-7B-ին 40-ից 35 առաջադրանքում, 59.4 OlympiadBench-ում (մինչև 78B մոդելներից բարձր), և 56.1 OSWorld-G-ում GUI խարսխման համար, առաջ նպատակային-կառուցված ինտերֆեյսի գործակալներից: Ավելի ուշ 2508 թարմացումը հրեց MMMU-ն 70-ից բարձր առաջին անգամ շարքում (70.6), հասավ 94.4-ի ChartQA-ում, 92.5-ի ScreenSpot-v2-ում և 70.8-ի VideoMME-ում, և ավելացրեց մտածողության-կառավարման անջատիչ, որպեսզի դատողական հետքերն անջատվեն մեկ հարցման հիմքով:

03Ինչ է նշանակում W8A16, և ինչու է դա ավելի կարևոր տեսողության, քան տեքստի համար

Դարպասի ամեն մոդել կրում է քվանտացման վերջածանց: Դա զարդարանք չէ. այն ասում է, թե ինչ է փոխանակվել մոդելը մատուցելի դարձնելու համար:

Վերջածանց	Ինչ է դա	Ինչու է օգտագործվում
3BIT-REAP	3-բիթանոց կշիռներ գումարած REAP, էքսպերտների կրճատման մեթոդ, որը հեռացնում է հազվադեպ-երթուղավորվող էքսպերտները MoE մոդելից մինչև քվանտացումը	Ամենամեծ հիմքային մոդելները ողջամիտ արագությամբ տեղավորելու և մատուցելու միակ ձևը
W4A16-AUTOROUND-REAP	4-բիթանոց կշիռներ, 16-բիթանոց ակտիվացումներ, քվանտացված AutoRound-ով — սովորած կլորացում, որը վերականգնում է ճշգրտությունը միամիտ մոտակա-կլորացման նկատմամբ — գումարած REAP կրճատում	Միջին տարբերակ մեծ հիմքային մոդելների համար, որոնց ծայրահեղ սեղմում պետք չէ
W8A16	8-բիթանոց կշիռներ, 16-բիթանոց ակտիվացումներ — մեր մատուցած ամենաբարձր-հավատարմության մակարդակը	Օգտագործվում է այնտեղ, որտեղ հիմքային մոդելը բավականաչափ փոքր է, որ ագրեսիվ սեղմումն անհարկի է

MiMo-V2.5-ը վաստակում է երրորդ տողը՝ լինելով կոմպակտ. այս դասի խիտ հիմքային մոդելին պետք չէ ջախջախվել երեք բիթի՝ տեղավորվելու համար, ուստի կարող եք թույլ տալ ինքներդ ձեզ պահել ութը, և ձեր նմուշառած կշիռները մոտ են մնում այն կշիռներին, որոնցով վարժեցումն է կատարվել: Դա անհամաչափորեն կարևոր է պատկերային աշխատանքի համար, կառուցվածքային պատճառով: Միայն-տեքստային դեկոդերում embedding-ը, որը շեղվում է քվանտացման տակ, վերահամատեքստավորվում է հետագա շերտերի տասնյակների կողմից — շատ հնարավորություններ վերականգնվելու համար: Տեսողական ստեկն այդպիսի հանգստություն չունի. տեսողական տեղեկատվությունն անցնում է մեկ կոդավորիչի և մեկ նեղ պրոեկտորի միջով, նախքան դեկոդերին հասնելը, և ամեն ինչ դրանից հետո պայմանավորված է այն, ինչ արտադրել է այդ նեղ կետը: Մանրահատիկ ազդանշանը — 3-ը ընդդեմ 8-ի ցածր-կոնտրաստ սկանում, ճշգրիտ պիքսելը, որտեղ գծապատկերի առանցքի վրա ձող է ավարտվում, UI էլեմենտի սահմանը, որը խնդրում են սեղմել — ապրում է ցածր-մեծության կշիռների մանրամասնության մեջ, որը ագրեսիվ քվանտացումն առաջինը լքում է:

3-բիթանոց տեսողական մոդելը բարձրաձայն չի ձախողվում. այն ձախողվում է լուռ, արտադրելով փաստաթղթի սահուն նկարագրություն, որում ընդհանուր գումարում երկու թիվ տեղափոխված են: Ավելի բարձր կշիռների ճշգրտությունը ամենաէժան ապահովագրությունն է այդ ձախողման դեմ, և այստեղ այն անվճար է — երկու դեպքում էլ վճարում եք ամենացածր գինը:

04Ամենացածր գինը, համատեքստում

Մեր տասներկու-մոդելանոց կատալոգից չորս մոդել գտնվում է $0.50 մուտք / $2.00 ելք գնային ամենացածր մակարդակում մեկ միլիոն տոկենի համար: Դրանցից միայն մեկն է ընդունում պատկերներ: Ահա որտեղ են գտնվում տեսողական հնարավորությամբ մոդելները ելքի գնով, թիվը, որը գերիշխում է իրական հաշիվների մեծ մասը.

Ելքի գին ԱՄՆ դոլարով մեկ միլիոն տոկենի համար, Shannon AI Gateway-ի ցուցակային գներ, 2026 թ. սեպտեմբեր: Գծի երկարությունը հարաբերական է կատալոգի ամենաթանկ տեսողական մոդելին:

Kimi-K3-ի դեմ — առաստաղային տեսողական մոդելը, և իսկապես ավելի ուժեղ մեկը — MiMo-V2.5-ը մոտավորապես 9.6× ավելի էժան է ելքով և 7.7× ավելի էժան մուտքով: Դա հավասարության պնդում չէ. դա փաստարկ է բեռի ձևի մասին: Ամսական հարյուր հազար պատկերի դեպքում առաստաղային մոդելը մատչելի չէ, իսկ ամենացածր մակարդակի մոդելը՝ մատչելի է, և անկեղծ հարցն այն է, թե արդյոք ամենացածր մակարդակի մոդելը հասնում է ձեր ճշգրտության շեմին — ոչ թե արդյոք այն հաղթում է բենչմարկում:

05MiMo-V2.5 ընդդեմ MiniMax-M3. երկու էժան տեսողական մոդելները, անկեղծորեն համեմատված

Այս երկուսը ճշգրիտ հավասար են գնով, համատեքստով և վերջնակետի մակերեսով: Նրանք փոխարինելի չեն. քվանտացման մակարդակը երկու տարբեր խաղադրույքի փոխանորդ է այն մասին, թե ինչն է դարձնում տեսողական մոդելը օգտակար:

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Մուտք / ելք 1M-ի համար	$0.50 / $2.00	$0.50 / $2.00
Կշիռների ճշգրտություն	8-բիթ	3-բիթ + էքսպերտների կրճատում
Հիմքային մոդելի չափ	Կոմպակտ, խիտ	Մեծ, հազվաբեր MoE
Տեսողություն	Այո	Այո
Համատեքստի պատուհան	262,144	262,144
Սխեմա · գործիքներ · հոսքային	Այո	Այո

Ընտրեք MiMo-V2.5-ը, երբ պատկերն է դժվար մասը. խիտ OCR անկատար սկանների վրա, թվային արդյունահանում գծապատկերներից և աղյուսակներից, սքրինշոթի և UI-ի խարսխում, մանր-տեքստի ընթերցում, գրեթե-նույնական ապրանքի լուսանկարներ տարբերակել — ամեն ինչ, որտեղ տեղափոխված թիվը թերություն է, ոչ թե կոսմետիկ արատ: Ուզում եք ամենաբարձր-հավատարմության ուղին պիքսելներից տոկեններ, և 8-բիթանոց կշիռներն են այն ձևը, որով ստանում եք դա այս գնով:

Ընտրեք MiniMax-M3-ը, երբ պատկերն է հեշտ մասը: Մեծ հազվաբեր հիմքային մոդելը՝ սեղմված 3 բիթի, դեռ պահում է ավելի շատ աշխարհի գիտելիք և դատողական լայնություն, քան կոմպակտ խիտ մոդելը կարող է, նույնիսկ կրճատումից հետո: Եթե առաջադրանքն է «նայիր այս լուսանկարին և երկար դատողություն արա, թե ինչ է դա ենթադրում», կամ պատկերը մեկ մուտքագրում է հիմնականում-տեքստային զրույցում, ավելի մեծ հիմքային մոդելը ավելի լավ գործիք է — տեսողական սրությունը, որը զոհաբերել եք, կապող սահմանափակումը չէր:

06MiMo-V2.5 ընդդեմ MiMo-V2.5-Pro. քույրը, որը փոխանակեց աչքերը խորության հետ

Սա այն համեմատությունն է, որն ամենաշատ աջակցության տոմսերն է առաջացնում, ուստի արժե ուղղակի լինել: MiMo-V2.5-Pro-W8A16-ը և MiMo-V2.5-W8A16-ը կիսում են գին, համատեքստի պատուհան, ճշգրտության մակարդակ և ընտանիքի անուն: Pro-ն չի ընդունում պատկերներ: Այն վերգումար չէ: Դա նույն բյուջեի այլ բաշխում է:

Մուլտիմոդալ մոդել մատուցելը նշանակում է վճարել տեսողական աշտարակի և պրոեկտորի համար դեկոդերի կողքին — ֆիքսված ծախսային նպատակի դեպքում, հզորություն, որը չի ծախսվել հենց լեզվային մոդելի վրա: Pro-ն ամբողջը ծախսում է տեքստի վրա. ավելի մեծ հիմքային մոդել՝ ավելի շատ ազատությամբ երկար-ձևի գրության, ընդլայնված դատողության և կոդի համար: MiMo-V2.5-ը դրա մի մասը ծախսում է տեսողության վրա:

Այսպիսով որոշման կանոնը ձեր մուտքագրումների մասին է, ոչ թե ձեր հավակնությունների: Եթե որևէ հարցում կարող է պարունակել սքրինշոթ, սկանավորված էջ, գծապատկեր, դիագրամ կամ լուսանկար, ձեզ պետք է MiMo-V2.5-ը — Pro-ն կմերժի բովանդակության մասը: Եթե ամեն հարցում տեքստ է, և դուք տեսողական մոդելին դիմել եք սովորության ուժով, դուք սեղանին եք թողնում հիմքային մոդելի որակը ոչնչի դիմաց. վերցրեք MiMo-V2.5-Pro-ն նույն գնով:

Օրինաչափություն, որն արժե յուրացնել. երթուղավորեք ըստ բովանդակության տեսակի: Ամեն ինչ, որ ունի պատկերի մաս, գնում է MiMo-V2.5-W8A16, մնացած ամեն ինչ՝ MiMo-V2.5-Pro-W8A16: Նույն ընտանիք, նույն գին, նույն համատեքստի բյուջե — երթուղիչը մանրուք է, և ոչ մի ծախսային մոդել չկա հաշտեցնելու:

07Ինչ իրականում է նշանակում «առանց ցենզուրայի պատկերի ընկալում»

Այս մոդելի առջև մերժման շերտ չկա, և նրա ելքի վրա բովանդակության զտիչ չկա: Դա արտադրանքային որոշում է՝ կոնկրետ հետևանքով տեսողական աշխատանքի համար. մոդելը նկարագրում է, թե ինչ կա կադրում, փոխարենը թեմայի հիմքով մերժելու:

Սա կարևոր է, քանի որ զտված տեսողական API-ները կառուցվածքային առումով ոչ պիտանի են օրինական աշխատանքի ամբողջ կատեգորիայի համար: Մոդերացիայի խողովակաշարը պետք է նայի այն նյութին, որը մոդերացնում է, և ասի, թե ինչ է դա. դասակարգիչը, որը հրաժարվում է քննել իր դասակարգած բանը, դասակարգիչ չէ: Նույնը վերաբերում է իրական աշխատանքների երկար ցանկին.

• Վստահության և անվտանգության գործիքներ — պիտակավորելով հենց այն պատկերները, որոնք հիմնական հոսքի API-ն չի մշակի, ինչը հենց այն պատկերներն են, որոնց ամենաշատն է անհրաժեշտ պիտակավորումը:
• Բժշկական, դատաբժշկական և վթարային պատկերներ — կլինիկական, վնասվածքային և վայրի լուսանկարչություն, որը ընդհանուր զտիչները մերժում են որպես դաժան, անկախ նրանից, թե ով է հարցնում:
• Անվտանգության հետազոտություն — ֆիշինգային էջեր, չարամիտ ինտերֆեյսներ և գրավված էկրաններ կարդալը՝ առանց մոդելի կանգ առնելու նախադրյալի վրա:
• Հասուն-բովանդակության դասակարգում և արխիվային կատալոգավորում — խողովակաշարեր, որոնք գոյություն ունեն նյութը նույնականացնելու համար և չեն կարող դրսապատվարել նայելը, գումարած պատմական հավաքածուներ, որոնք զտիչները վերաբերվում են որպես չպիտակավորելի:

Մերժման շերտի հեռացումը հեռացնում է ինժեներական խոչընդոտ, ոչ թե իրավական: Shannon AI-ն կառավարվում է Shannon Lab LLC-ի կողմից Նյու Մեքսիկոյում, ԱՄՆ, և API-ի օգտագործումը կանոնակարգվում է մեր Պատասխանատու օգտագործման քաղաքականությամբ: Չզտված ելքը հնարավորություն է, ոչ թե թույլտվության թերթիկ:

08Կանչելը. վերջնակետեր, պատկերի մուտքագրում, և որտեղ է սա տեղավորվում

Մոդելը MiMo-V2.5-W8A16 է, հասանելի երեք հարցման բարբառներով՝ ընդդեմ նույն կշիռների, ուստի պահում եք ինչ SDK-ն արդեն ունեք.

• /v1/chat/completions — OpenAI-համատեղելի: Պատկերները մտնում են որպես image_url բովանդակության մասեր, կամ https URL, կամ base64 data URI:
• /v1/messages — Anthropic-համատեղելի: Պատկերները մտնում են որպես image բովանդակության բլոկներ:
• /v1/responses — Responses-ոճի բարբառը:

Հոսքային հաղորդումն ու գործիքի կանչն աշխատում են երեքում էլ, ուստի մոդելը կարող է նայել սքրինշոթին և կանչել ֆունկցիա այն մասին, ինչ տեսավ, մեկ շրջադարձում: Ամբողջական հարցման և պատասխանի սխեմաները API փաստաթղթերում են, որտեղ նաև կա փորձադաշտ, որի մեջ կարող եք տեղադրել պատկեր, նախքան որևէ կոդ գրելը:

MiMo-V2.5-ն աջակցում է խիստ json_schema և response_format — տարբերությունը ցուցադրության և խողովակաշարի միջև: Հանձնեք նրան անդորրագիր գումարած սխեմա՝ մատակարարի, ամսաթվի, տողային տարրերի և ընդհանուրի տիպավորված դաշտերով, և ստանում եք օբյեկտ, որը ձեր կոդը կարող է վավերացնել, ոչ թե պարբերություն, որը ստիպված կլինեիք regex-ով մշակել: Այս կատալոգի տասներկու մոդելներից երկուսին բացակայում է ամբողջական կառուցվածքային-ելքի աջակցությունը. սա՝ ոչ, և հենց դա է դարձնում այն օգտագործելի որպես բարձր-ծավալի արդյունահանման ծառայություն:

Համատեքստի պատուհանը 262,144 տոկեն է. գեներացված ելքը սահմանափակված է 16,384 տոկենով մեկ հարցման համար: Պատկերները ծախսում են մուտքային տոկեններ՝ ըստ լուծաչափի ֆունկցիայի, ուստի բարձր-լուծաչափ էջի սկանները ուտում են համատեքստ շատ ավելի արագ, քան համարժեք բառաքանակի տեքստը: Բաժանեք երկար փաստաթղթերն էջերով, փոխարենը 300-էջանոց սկան մեկ հարցման մեջ բեռնելու, և ելքի սահմանաչափը վերաբերվեք որպես իրական սահմանափակում սպառիչ արդյունահանման վրա — բաժանեք խիտ աղյուսակները տողերի միջակայքով, փոխարենը կրճատված պատասխան ստանալու:

reasoning_effort կարգավորիչն ունի իրական լծակ այստեղ՝ ընտանիքի ծագումնաբանության հաշվին: Իջեցրեք այն բարձր-ծավալ դասակարգման համար, որտեղ պատասխանը պիտակ է, և մտածողության տոկենները զուտ ծախս են. բարձրացրեք գծապատկերի մեկնաբանության, տեսողական մաթեմատիկայի և դիագրամի դատողության համար, որտեղ մոդելը պետք է համադրի մի քանի բան, որ տեսնում է, նախքան կպատասխանի:

Որտեղ է սա տեղավորվում, և որտեղ՝ ոչ

Լավ համապատասխանություններ: Բարձր-ծավալ փաստաթղթի և անդորրագրի արդյունահանում. OCR-ին մոտ աշխատանք անկատար սկանների վրա. գծապատկերի, վահանակի և աղյուսակի ընթերցում. սքրինշոթի ընկալում և UI խարսխում. կատալոգի պիտակավորում և տեսողական QA. մոդերացիայի խողովակաշարեր — ցանկացած մուլտիմոդալ առաջադրանք, որտեղ մեկ-կանչի ծախսը կապող է, և նուրբ-մանրամասնության ճշգրտությունը այն է, ինչից չեք հրաժարվում:

Վատ համապատասխանություններ: Ֆրոնտիեր-դժվարության մուլտիմոդալ դատողություն, որին անհրաժեշտ է ամենաուժեղ մոդելը՝ անկախ գնից — Kimi-K3-ի աշխատանքն է, և այն արժե գրեթե տասն անգամ ավելի, ինչ-որ պատճառով: Միայն-տեքստային գեներացիա, որտեղ MiMo-V2.5-Pro-ն տալիս է ավելի լավ հիմքային մոդել նույն գնով: Աշխատանք, որը հենվում է հանրագիտարանային աշխարհի գիտելիքի վրա, որտեղ մեծ հազվաբեր հիմքային մոդելը գերազանցում է կոմպակտ խիտին: Եվ ցանկացած բան, որին անհրաժեշտ է ավելի քան 262K համատեքստ, ինչը այստեղ ոչ մի մոդել չի առաջարկում:

09Հաճախ տրվող հարցեր

---

Աղբյուրներ. MiMo տեխնիկական հաշվետվություն (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508: Բոլոր բենչմարկային թվերը Xiaomi-ի հայտարարածն են վերևում անվանված թողարկված ստուգակետերի համար և նկարագրում են ընտանիքի տոհմաբանությունը, ոչ թե այս վերջնակետի ճշգրիտ տարբերակը: Գները, համատեքստը և հնարավորությունների դրոշները Shannon AI Gateway-ի ցուցակային արժեքներն են, 2026 թ. սեպտեմբեր: