API Visi MiMo Tanpa Sensor

Endpoint multimodal murah menjadi murah karena ada yang dipangkas, dan yang dipangkas biasanya bagian yang tidak Anda lihat: bobotnya diperas menjadi tiga atau empat bit, dan modelnya tetap menjawab dengan percaya diri tentang grafik yang sebenarnya sudah tidak bisa lagi ia baca. MiMo-V2.5 adalah contoh tandingannya di katalog kami — berada di harga lantai sekaligus di tier presisi tertinggi, karena fondasi asalnya dibangun kecil dan padat, bukan raksasa dan jarang.

01Dari mana MiMo berasal: model penalaran dulu, model visi kemudian

Lini MiMo adalah program riset bobot terbuka milik Xiaomi, dan argumen dasarnya tidak sedang tren: kemampuan menalar terbentuk saat pralatih, bukan ditempelkan belakangan lewat RL. Pekerjaannya sebagian besar rekayasa data — Xiaomi membangun ulang ekstraksi dan penyaringan teks untuk menaikkan kepadatan pola penalaran dalam korpus, membangkitkan data penalaran sintetis dalam skala besar, dan melakukan pralatih MiMo-7B-Base pada sekitar 25 triliun token dengan campuran tiga tahap, memakai Multiple-Token Prediction sebagai objektif bantu yang saat inferensi juga berfungsi sebagai decoder spekulatif (tingkat penerimaan mendekati 90%, menurut Xiaomi).

Pascalatihnya sengaja dibuat bersahaja: 130.000 soal matematika dan kode dengan imbalan akurasi berbasis aturan saja, tanpa reward model terpelajar, dengan alasan bahwa reward model neural adalah permukaan yang bisa diretas. Imbalan yang dapat diverifikasi tidak bisa dirayu. MiMo-7B-RL mencatat angka yang tidak sebanding dengan ukurannya — Xiaomi melaporkan 68,2% pada AIME 2024, 95,8% pada MATH-500, 57,8% pada LiveCodeBench v5 di pass@1, setara o1-mini milik OpenAI. Begitulah bentuk model yang Anda panggil: ringkas, dilatih padat, disetel untuk mengerjakan sebuah persoalan alih-alih mengingat jawaban — dan watak itu terbawa ke keturunan multimodalnya.

02Bagaimana MiMo belajar melihat: arsitektur MiMo-VL

MiMo-VL adalah cabang visi-bahasanya, dan cara ia dirakit cukup mendidik. Xiaomi menyusun tiga bagian: encoder ViT resolusi asli yang mempertahankan detail halus alih-alih memaksa setiap gambar melewati kisi beresolusi rendah yang tetap, sebuah proyektor MLP berinisialisasi acak menuju ruang laten model bahasa, dan — yang paling penting — tulang punggung penalaran MiMo sebagai model bahasanya. Sistem visinya mewarisi decoder yang sudah mahir berpikir bertahap, bukan sekadar mahir membuat keterangan gambar.

Pelatihan berjalan dalam empat tahap pralatih — pemanasan proyektor, penyelarasan visi-bahasa, pralatih multimodal umum, SFT konteks panjang — melintasi kira-kira 2,4 triliun token, lalu Mixed On-policy Reinforcement Learning (MORL), yang melipat akurasi persepsi, ketepatan penambatan visual, kebenaran penalaran, serta preferensi manusia/AI ke dalam satu putaran on-policy. Laporannya terus terang bahwa mengoptimalkan semua itu sekaligus tidak stabil — pembingkaian yang lebih jujur daripada kebanyakan makalah multimodal.

Hasil yang dipublikasikan tergolong kuat untuk jumlah parameternya. Xiaomi melaporkan MiMo-VL-7B-RL mengungguli Qwen2.5-VL-7B pada 35 dari 40 tugas, 59,4 pada OlympiadBench (di atas model hingga 78B), dan 56,1 pada OSWorld-G untuk penambatan GUI, di depan agen antarmuka yang dibangun khusus. Pembaruan 2508 berikutnya mendorong MMMU melampaui 70 untuk pertama kalinya di seri ini (70,6), mencapai 94,4 pada ChartQA, 92,5 pada ScreenSpot-v2 dan 70,8 pada VideoMME, serta menambahkan sakelar kendali berpikir sehingga jejak penalaran bisa dimatikan per permintaan.

03Apa arti W8A16, dan mengapa lebih penting untuk visi daripada untuk teks

Setiap model di gateway membawa akhiran kuantisasi. Itu bukan hiasan — ia memberi tahu apa yang dikorbankan agar model bisa dilayani.

Akhiran	Apa itu	Mengapa dipakai
3BIT-REAP	Bobot 3-bit plus REAP, metode pemangkasan ahli yang membuang expert yang jarang dirutekan dari model MoE sebelum dikuantisasi	Satu-satunya cara memuat dan melayani fondasi terbesar pada kecepatan yang masuk akal
W4A16-AUTOROUND-REAP	Bobot 4-bit, aktivasi 16-bit, dikuantisasi dengan AutoRound — pembulatan terpelajar yang memulihkan akurasi dibanding pembulatan naif ke nilai terdekat — plus pemangkasan REAP	Jalan tengah untuk fondasi besar yang tidak butuh pemampatan ekstrem
W8A16	Bobot 8-bit, aktivasi 16-bit — tier paling setia yang kami layani	Dipakai ketika fondasinya cukup kecil sehingga pemampatan agresif tidak diperlukan

MiMo-V2.5 berhak atas baris ketiga karena ia ringkas: fondasi padat di kelas ini tidak perlu diremukkan ke tiga bit agar muat, jadi Anda mampu menyisakan delapan, dan bobot yang Anda sampel tetap dekat dengan bobot yang dilatih. Itu berdampak tidak proporsional pada pekerjaan gambar, karena alasan struktural. Pada decoder teks saja, embedding yang menyimpang akibat kuantisasi akan dikontekstualisasi ulang oleh puluhan lapisan atensi berikutnya — banyak kesempatan untuk pulih. Tumpukan visi tidak punya kelonggaran seperti itu: informasi visual melewati satu encoder dan satu proyektor sempit sebelum sampai ke decoder, dan segala sesuatu setelahnya dikondisikan oleh apa yang dihasilkan leher botol itu. Sinyal berbutir halus — 3 versus 8 pada pindaian berkontras rendah, piksel persis tempat sebuah batang berakhir pada sumbu grafik, batas elemen antarmuka yang harus Anda klik — bersemayam di detail bobot bermagnitudo kecil, dan itulah yang pertama dibuang oleh kuantisasi agresif.

Model visi 3-bit tidak gagal dengan berisik; ia gagal diam-diam, menghasilkan deskripsi dokumen yang lancar dengan dua digit tertukar pada totalnya. Presisi bobot yang lebih tinggi adalah asuransi termurah terhadap kegagalan itu, dan di sini ia gratis — Anda membayar harga lantai bagaimanapun juga.

04Harga lantai, dalam konteksnya

Empat model dari dua belas model di katalog kami berada di harga lantai $0.50 masukan / $2.00 keluaran per juta token. Hanya satu yang menerima gambar. Berikut posisi model-model yang mampu melihat gambar pada biaya keluaran, angka yang mendominasi sebagian besar tagihan nyata:

Harga keluaran dalam USD per 1J token, tarif daftar Shannon AI Gateway, September 2026. Panjang batang relatif terhadap model visi termahal di katalog.

Dibanding Kimi-K3 — model visi kelas atas, dan memang benar-benar lebih kuat — MiMo-V2.5 kira-kira 9,6× lebih murah pada keluaran dan 7,7× lebih murah pada masukan. Itu bukan klaim kesetaraan; itu argumen tentang bentuk beban kerja. Pada seratus ribu gambar per bulan, model kelas atas tidak terjangkau dan model harga lantai terjangkau, dan pertanyaan jujurnya adalah apakah model harga lantai melewati ambang akurasi Anda — bukan apakah ia memenangi sebuah benchmark.

05MiMo-V2.5 vs MiniMax-M3: dua model visi murah, dibandingkan dengan jujur

Keduanya seri persis pada harga, konteks, dan permukaan endpoint. Keduanya tidak saling menggantikan: tier kuantisasi adalah cerminan dua taruhan berbeda tentang apa yang membuat model visi berguna.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Masukan / keluaran per 1J	$0.50 / $2.00	$0.50 / $2.00
Presisi bobot	8-bit	3-bit + pemangkasan expert
Ukuran fondasi	Ringkas, padat	Besar, MoE jarang
Visi	Ya	Ya
Jendela konteks	262.144	262.144
Schema · tools · streaming	Ya	Ya

Pilih MiMo-V2.5 ketika gambarnya adalah bagian yang sulit: OCR padat pada pindaian yang tidak sempurna, ekstraksi angka dari grafik dan tabel, penambatan tangkapan layar dan antarmuka, membaca teks kecil, membedakan foto produk yang nyaris identik — apa pun yang membuat satu digit tertukar menjadi cacat, bukan sekadar noda kosmetik. Anda menginginkan jalur paling setia dari piksel ke token, dan bobot 8-bit adalah cara mendapatkannya di harga ini.

Pilih MiniMax-M3 ketika gambarnya adalah bagian yang mudah. Fondasi besar dan jarang yang dimampatkan ke 3 bit tetap menyimpan pengetahuan dunia dan keluasan penalaran lebih banyak daripada yang bisa ditampung model padat yang ringkas, bahkan setelah dipangkas. Kalau tugasnya adalah "lihat foto ini dan bernalarlah panjang lebar tentang implikasinya", atau gambar hanyalah satu masukan dalam percakapan yang sebagian besar teks, fondasi yang lebih besar adalah alat yang lebih baik — ketajaman visual yang Anda korbankan bukanlah kendala pengikatnya.

06MiMo-V2.5 vs MiMo-V2.5-Pro: saudara yang menukar mata dengan kedalaman

Ini perbandingan yang paling banyak memicu tiket dukungan, jadi layak dikatakan blak-blakan. MiMo-V2.5-Pro-W8A16 dan MiMo-V2.5-W8A16 berbagi harga, jendela konteks, tier presisi, dan nama keluarga. Pro tidak menerima gambar. Ia bukan superset. Ia adalah alokasi berbeda atas anggaran yang sama.

Melayani model multimodal berarti membayar menara visi dan proyektor di samping decoder — pada target biaya yang tetap, itu kapasitas yang tidak dibelanjakan untuk model bahasanya sendiri. Pro membelanjakan semuanya untuk teks: fondasi lebih besar dengan ruang lebih lega untuk tulisan panjang, penalaran berkepanjangan, dan kode. MiMo-V2.5 membelanjakan sebagiannya untuk penglihatan.

Jadi aturan keputusannya menyangkut masukan Anda, bukan ambisi Anda. Kalau ada permintaan yang bisa memuat tangkapan layar, halaman pindaian, grafik, diagram, atau foto, Anda butuh MiMo-V2.5 — Pro akan menolak blok konten itu. Kalau setiap permintaan berupa teks dan Anda meraih model visi karena kebiasaan, Anda membuang kualitas fondasi tanpa imbalan apa pun: ambil MiMo-V2.5-Pro dengan tarif yang identik.

Satu pola yang layak dicuri: rutekan berdasarkan jenis konten. Apa pun yang memuat bagian gambar dikirim ke MiMo-V2.5-W8A16, sisanya ke MiMo-V2.5-Pro-W8A16. Keluarga sama, harga sama, anggaran konteks sama — routernya sepele dan tidak ada model biaya yang perlu direkonsiliasi.

07Apa arti sebenarnya "pemahaman gambar tanpa sensor"

Tidak ada lapisan penolakan di depan model ini dan tidak ada filter konten pada keluarannya. Itu keputusan produk dengan konsekuensi spesifik untuk pekerjaan visi: model mendeskripsikan apa yang ada di dalam bingkai alih-alih menolak berdasarkan pokok bahasannya.

Ini penting karena API visi yang tersaring secara struktural tidak cocok untuk satu kategori penuh pekerjaan yang sah. Pipeline moderasi harus melihat materi yang dimoderasinya dan menyatakan apa itu; pengklasifikasi yang menolak memeriksa hal yang ia klasifikasikan bukanlah pengklasifikasi. Hal yang sama berlaku untuk daftar panjang pekerjaan nyata:

• Perkakas trust and safety — melabeli persis citra yang tidak akan diproses API arus utama, yang justru citra paling butuh dilabeli.
• Citra medis, forensik, dan kecelakaan — fotografi klinis, luka, dan lokasi kejadian yang ditolak filter umum sebagai grafis, siapa pun yang bertanya.
• Riset keamanan — membaca halaman phishing, antarmuka berbahaya, dan layar tangkapan tanpa model tersandung pada premisnya.
• Klasifikasi konten dewasa dan katalogisasi arsip — pipeline yang memang ada untuk mengidentifikasi materi dan tidak bisa mengalihdayakan kegiatan melihatnya, ditambah koleksi historis yang oleh filter dianggap tak bisa dilabeli.

Menghapus lapisan penolakan menghapus hambatan rekayasa, bukan hambatan hukum. Shannon AI dioperasikan oleh Shannon Lab LLC di New Mexico, AS, dan penggunaan API diatur oleh Kebijakan Penggunaan yang Bertanggung Jawab kami. Keluaran tanpa filter adalah kemampuan, bukan surat izin.

08Memanggilnya: endpoint, masukan gambar, dan di mana ia cocok

Modelnya adalah MiMo-V2.5-W8A16, dapat dijangkau lewat tiga dialek permintaan terhadap bobot yang sama, jadi Anda tetap memakai SDK yang sudah Anda punya:

• /v1/chat/completions — kompatibel OpenAI. Gambar masuk sebagai bagian konten image_url, entah sebagai URL https atau data URI base64.
• /v1/messages — kompatibel Anthropic. Gambar masuk sebagai blok konten image.
• /v1/responses — dialek bergaya Responses.

Streaming dan tool calling berjalan di ketiganya, sehingga model bisa melihat tangkapan layar dan memanggil fungsi tentang apa yang dilihatnya dalam satu giliran. Skema permintaan dan respons lengkap ada di dokumentasi API, yang juga memuat playground tempat Anda bisa menempelkan gambar sebelum menulis kode apa pun.

MiMo-V2.5 mendukung json_schema ketat dan response_format — itulah beda antara demo dan pipeline. Berikan sebuah struk beserta skema dengan bidang bertipe untuk vendor, tanggal, item baris, dan total, lalu Anda menerima objek yang bisa divalidasi kode Anda, bukan paragraf yang harus Anda regex. Dua dari dua belas model di katalog ini tidak punya dukungan keluaran terstruktur penuh; model ini punya, dan itulah sebabnya ia bekerja sebagai layanan ekstraksi bervolume tinggi.

Jendela konteksnya 262.144 token; keluaran yang dibangkitkan dibatasi 16.384 token per permintaan. Gambar memakan token masukan sebagai fungsi resolusi, jadi pindaian halaman beresolusi tinggi melahap konteks jauh lebih cepat daripada teks dengan jumlah kata setara. Pecah dokumen panjang per halaman alih-alih memuat pindaian 300 halaman dalam satu permintaan, dan perlakukan batas keluaran sebagai kendala nyata pada ekstraksi menyeluruh — potong tabel padat per rentang baris daripada menerima jawaban yang terpotong.

Tombol reasoning_effort punya daya ungkit nyata di sini mengingat garis keturunan keluarganya. Turunkan untuk klasifikasi bervolume tinggi, di mana jawabannya adalah sebuah label dan token berpikir murni biaya; naikkan untuk interpretasi grafik, matematika visual, dan penalaran diagram, di mana model harus menggabungkan beberapa hal yang dilihatnya sebelum bisa menjawab.

Di mana ia cocok, dan di mana tidak

Cocok. Ekstraksi dokumen dan struk bervolume tinggi; pekerjaan mirip OCR pada pindaian yang tidak sempurna; membaca grafik, dasbor, dan tabel; memahami tangkapan layar dan penambatan antarmuka; penandaan katalog dan QA visual; pipeline moderasi — setiap tugas multimodal di mana biaya per panggilan menjadi pengikat dan presisi detail halus adalah hal yang tidak ingin Anda korbankan.

Kurang cocok. Penalaran multimodal setingkat frontier yang butuh model terkuat tanpa peduli harga — itu tugas Kimi-K3, dan ia hampir sepuluh kali lebih mahal bukan tanpa alasan. Pembangkitan teks saja, di mana MiMo-V2.5-Pro memberi fondasi lebih baik dengan tarif sama. Pekerjaan yang bersandar pada pengetahuan dunia ensiklopedis, di mana fondasi besar dan jarang mengungguli fondasi ringkas dan padat. Dan apa pun yang butuh konteks lebih dari 262K, yang tidak ditawarkan model mana pun di sini.

09Pertanyaan yang sering diajukan

---

Sumber: Laporan teknis MiMo (arXiv 2505.07608) · Laporan Teknis MiMo-VL (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Semua angka benchmark dilaporkan Xiaomi untuk checkpoint rilis yang disebutkan di atas dan menggambarkan silsilah keluarganya, bukan build persis di endpoint ini. Harga, konteks, dan penanda kemampuan adalah nilai daftar Shannon AI Gateway, September 2026.