Óritskoðað MiMo sjón-API

Ódýrir fjölþátta endapunktar eru ódýrir af því að eitthvað var skorið burt, og það sem skorið er burt er venjulega sá hluti sem þú sérð ekki: þyngdirnar eru kreistar niður í þrjá eða fjóra bita, og líkanið svarar samt af fullri sannfæringu um graf sem það getur ekki lengur lesið í raun. MiMo-V2.5 er gagndæmið í skránni okkar — á verðgólfinu og á efsta nákvæmniþrepi samtímis, því grunnlíkanið sem það er komið af var byggt lítið og þétt frekar en risastórt og gisið.

01Hvaðan MiMo kemur: rökhugsunarlíkan fyrst, sjónlíkan síðar

MiMo-línan er rannsóknaráætlun Xiaomi með opnum þyngdum, og stofnrök hennar eru ekki í tísku: rökhugsunargeta ræðst í forþjálfun, ekki með því að bolta hana á eftir á með styrkingarnámi. Vinnan er að mestu gagnaverkfræði — Xiaomi endurbyggði textaútdrátt og síun til að hækka þéttleika rökhugsunarmynstra í safninu, framleiddi tilbúin rökhugsunargögn í stórum stíl og forþjálfaði MiMo-7B-Base á um það bil 25 billjónum tákna undir þriggja þrepa blöndu, með Multiple-Token Prediction sem aukamarkmiði sem gegnir jafnframt hlutverki spákaupmennskuafkóðara við keyrslu (samþykkishlutfall nálægt 90%, samkvæmt Xiaomi).

Eftirþjálfunin er vísvitandi fátækleg: 130,000 stærðfræði- og forritunardæmi með eingöngu reglubundnum nákvæmnisverðlaunum, engu lærðu verðlaunalíkani, á þeirri forsendu að taugaverðlaunalíkan sé flötur sem hægt er að hakka. Ekki er hægt að smjaðra fyrir sannreynanlegum verðlaunum. MiMo-7B-RL skilar tölum sem eru úr öllu hlutfalli við stærð þess — Xiaomi greinir frá 68.2% á AIME 2024, 95.8% á MATH-500 og 57.8% á LiveCodeBench v5 við pass@1, til jafns við o1-mini frá OpenAI. Þetta er lögun líkansins sem þú ert að kalla á: samanþjappað, þétt þjálfað, stillt á að vinna sig í gegnum vandamál frekar en að rifja upp svar — og það skaplyndi lifir áfram í fjölþátta afkomendunum.

02Hvernig MiMo lærði að sjá: MiMo-VL byggingin

MiMo-VL er sjón- og málgreinin, og smíði hennar er lærdómsrík. Xiaomi setti saman þrjá hluta: ViT-kóðara á upprunalegri upplausn sem varðveitir fín smáatriði í stað þess að þvinga hverja mynd í gegnum fast lágupplausnarnet, af handahófi frumstilltan MLP-vörpunarhluta inn í duldarýmið hjá mállíkaninu, og — það sem skiptir mestu — MiMo rökhugsunarhrygginn sem mállíkanið. Sjónkerfið erfir afkóðara sem er þegar góður í fjölþrepa hugsun frekar en einn sem er aðeins góður í myndatextun.

Þjálfunin fór fram í fjórum forþjálfunarþrepum — upphitun vörpunarhlutans, samstilling sjónar og máls, almenn fjölþátta forþjálfun, fínstilling í löngu samhengi — yfir um það bil 2.4 billjónir tákna, síðan Mixed On-policy Reinforcement Learning (MORL), sem felur skynjunarnákvæmni, nákvæmni sjónrænnar staðsetningar, réttmæti rökhugsunar og val manna og gervigreindar inn í eina on-policy lykkju. Skýrslan er hreinskilin um að það sé óstöðugt að fínstilla allt þetta í einu — heiðarlegri framsetning en flestar fjölþátta greinar bjóða upp á.

Birtu niðurstöðurnar eru sterkar miðað við færibreytufjöldann. Xiaomi greinir frá því að MiMo-VL-7B-RL slái Qwen2.5-VL-7B í 35 af 40 verkefnum, fái 59.4 á OlympiadBench (ofar líkönum upp í 78B) og 56.1 á OSWorld-G fyrir staðsetningu í notendaviðmótum, framar sérsmíðuðum viðmótsgerendum. Síðari 2508 uppfærslan ýtti MMMU yfir 70 í fyrsta sinn í röðinni (70.6), náði 94.4 á ChartQA, 92.5 á ScreenSpot-v2 og 70.8 á VideoMME, og bætti við rofa fyrir hugsunarstýringu svo hægt sé að slökkva á rökhugsunarslóðum eftir beiðni.

03Hvað W8A16 þýðir, og hvers vegna það skiptir meira máli fyrir sjón en texta

Hvert líkan á gáttinni ber þjöppunarviðskeyti. Það er ekki skraut — það segir þér hverju var fórnað til að hægt væri að keyra líkanið.

Viðskeyti	Hvað það er	Hvers vegna það er notað
3BIT-REAP	3 bita þyngdir ásamt REAP, aðferð til að grisja sérfræðinga sem hendir sjaldan völdum sérfræðingum úr MoE-líkani áður en þjappað er	Eina leiðin til að koma allra stærstu grunnlíkönunum fyrir og keyra þau á vitrænum hraða
W4A16-AUTOROUND-REAP	4 bita þyngdir, 16 bita virkjanir, þjappaðar með AutoRound — lærðri námundun sem endurheimtir nákvæmni umfram einfalda námundun að næsta gildi — ásamt REAP-grisjun	Millivegur fyrir stór grunnlíkön sem þurfa ekki öfgakennda þjöppun
W8A16	8 bita þyngdir, 16 bita virkjanir — þrepið með mestri trúmennsku sem við keyrum	Notað þar sem grunnlíkanið er nógu lítið til að öfgakennd þjöppun sé óþörf

MiMo-V2.5 vinnur sér inn þriðju röðina með því að vera nett: þétt grunnlíkan í þessum flokki þarf ekki að vera kramið niður í þrjá bita til að komast fyrir, svo þú hefur efni á að halda átta, og þyngdirnar sem þú sækir í haldast nálægt þeim sem voru þjálfaðar. Það skiptir óhóflega miklu máli fyrir myndvinnu, af byggingarlegri ástæðu. Í afkóðara sem vinnur eingöngu með texta fær innfelling sem rekur af leið við þjöppun nýtt samhengi frá tugum síðari athyglislaga — mörg tækifæri til að ná sér. Sjónstafli hefur enga slíka slaka: sjónrænar upplýsingar fara gegnum einn kóðara og einn þröngan vörpunarhluta áður en þær ná afkóðaranum, og allt niður eftir keðjunni er skilyrt af því sem sá flöskuháls framleiddi. Fínkorna merki — 3 á móti 8 í skönnun með litlum birtuskilum, nákvæmi punkturinn þar sem súla endar á ás grafs, mörk viðmótshluta sem þú ert beðinn um að smella á — býr í smágerðum þyngdarsmáatriðum sem öfgakennd þjöppun hendir fyrst.

Sjónlíkan á 3 bitum bregst ekki hávaðasamlega; það bregst hljóðlega og framleiðir lipra lýsingu á skjali þar sem tveimur tölustöfum er víxlað í heildarupphæðinni. Meiri þyngdarnákvæmni er ódýrasta tryggingin gegn þeirri bilun, og hér er hún ókeypis — þú borgar gólfverðið hvort sem er.

04Gólfverðið, sett í samhengi

Fjögur líkön í tólf líkana skránni okkar sitja á verðgólfinu $0.50 inntak / $2.00 úttak á hverja milljón tákna. Aðeins eitt þeirra tekur við myndum. Hér er hvar sjónfæru líkönin lenda í úttakskostnaði, tölunni sem ræður mestu í flestum raunverulegum reikningum:

Úttaksverð í USD á 1M tákn, listaverð Shannon AI-gáttarinnar, september 2026. Lengd súlunnar er miðuð við dýrasta sjónlíkanið í skránni.

Á móti Kimi-K3 — sjónlíkaninu á toppnum, og raunverulega sterkara líkani — er MiMo-V2.5 um það bil 9.6× ódýrara á úttaki og 7.7× ódýrara á inntaki. Það er ekki fullyrðing um jafngildi; það eru rök um lögun álagsins. Við hundrað þúsund myndir á mánuði hefurðu ekki efni á topplíkaninu en hefur efni á gólflíkaninu, og heiðarlega spurningin er hvort gólflíkanið nái þínum nákvæmniþröskuldi — ekki hvort það vinni viðmiðunarpróf.

05MiMo-V2.5 á móti MiniMax-M3: ódýru sjónlíkönin tvö, borin saman heiðarlega

Þessi tvö jafnast nákvæmlega á verði, samhengi og endapunktaflöt. Þau eru ekki skiptanleg: þjöppunarþrepið er staðgengill fyrir tvö ólík veðmál um hvað gerir sjónlíkan gagnlegt.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Inntak / úttak á 1M	$0.50 / $2.00	$0.50 / $2.00
Þyngdarnákvæmni	8 bita	3 bita + grisjun sérfræðinga
Stærð grunnlíkans	Nett, þétt	Stórt, gisið MoE
Sjón	Já	Já
Samhengisgluggi	262,144	262,144
Skema · verkfæri · streymi	Já	Já

Veldu MiMo-V2.5 þegar myndin er erfiði hlutinn: þétt OCR á ófullkomnum skönnunum, útdráttur talna úr gröfum og töflum, skjámyndir og staðsetning í notendaviðmótum, lestur á smáu letri, að greina nánast eins vörumyndir í sundur — allt þar sem víxlaður tölustafur er galli frekar en útlitslýti. Þú vilt leiðina með mestri trúmennsku frá pixlum til tákna, og 8 bita þyngdir eru hvernig þú færð hana á þessu verði.

Veldu MiniMax-M3 þegar myndin er auðveldi hlutinn. Stórt gisið grunnlíkan þjappað niður í 3 bita geymir enn meiri heimsþekkingu og breiðari rökhugsun en nett þétt líkan getur, jafnvel eftir grisjun. Ef verkefnið er „horfðu á þessa mynd og rökræddu í löngu máli um hvað hún felur í sér“, eða myndin er eitt inntak í samtali sem er að mestu texti, þá er stærra grunnlíkanið betra tólið — sjónskerpan sem þú lést af hendi var ekki bindandi takmörkunin.

06MiMo-V2.5 á móti MiMo-V2.5-Pro: systkinið sem skipti augum fyrir dýpt

Þetta er samanburðurinn sem skapar flest þjónustubeiðnirnar, svo það borgar sig að vera hreinskilinn. MiMo-V2.5-Pro-W8A16 og MiMo-V2.5-W8A16 deila verði, samhengisglugga, nákvæmniþrepi og fjölskyldunafni. Pro tekur ekki við myndum. Það er ekki yfirmengi. Það er önnur ráðstöfun á sömu fjárhæð.

Að keyra fjölþátta líkan þýðir að borga fyrir sjónturn og vörpunarhluta samhliða afkóðaranum — við fast kostnaðarmarkmið er það geta sem ekki fer í mállíkanið sjálft. Pro eyðir öllu í texta: stærra grunnlíkan með meira svigrúm fyrir langan texta, útvíkkaða rökhugsun og forritun. MiMo-V2.5 eyðir hluta þess í sjón.

Ákvörðunarreglan snýst því um inntökin þín, ekki metnaðinn. Ef einhver beiðni getur innihaldið skjámynd, skannaða síðu, graf, skýringarmynd eða ljósmynd þarftu MiMo-V2.5 — Pro mun hafna efnisblokkinni. Ef hver beiðni er texti og þú greipst í sjónlíkanið af vana ertu að skilja eftir gæði grunnlíkansins fyrir ekki neitt: taktu MiMo-V2.5-Pro á sama verði.

Mynstur sem er þess virði að stela: beindu eftir efnistegund. Allt sem inniheldur myndhluta fer á MiMo-V2.5-W8A16, allt annað á MiMo-V2.5-Pro-W8A16. Sama fjölskylda, sama verð, sama samhengisfjárhagsáætlun — beinirinn er hversdagslegur og engu kostnaðarlíkani þarf að stemma saman.

07Hvað „óritskoðaður myndskilningur“ þýðir í raun

Það er ekkert neitunarlag fyrir framan þetta líkan og engin efnissía á úttaki þess. Það er vöruákvörðun með tiltekinni afleiðingu fyrir sjónvinnu: líkanið lýsir því sem er í rammanum í stað þess að hafna út frá viðfangsefninu.

Þetta skiptir máli því síuð sjón-API henta byggingarlega ekki heilum flokki af lögmætri vinnu. Efnisstýringarleiðsla verður að horfa á efnið sem hún stýrir og segja hvað það er; flokkari sem neitar að skoða hlutinn sem hann flokkar er ekki flokkari. Það sama gildir um langan lista af raunverulegum verkefnum:

• Verkfæri fyrir traust og öryggi — að merkja einmitt þær myndir sem almennt API vill ekki vinna með, sem eru þær myndir sem mest þurfa merkingu.
• Læknisfræðilegar, réttarfræðilegar og slysamyndir — klínískar myndir, áverkamyndir og vettvangsljósmyndir sem almennar síur hafna sem grófum sama hver spyr.
• Öryggisrannsóknir — að lesa veiðisíður, skaðleg viðmót og teknar skjámyndir án þess að líkanið hiki við forsenduna.
• Flokkun fullorðinsefnis og skráning safna — leiðslur sem eru til þess að bera kennsl á efni og geta ekki útvistað sjálfu áhorfinu, auk sögulegra safna sem síur telja ómerkjanleg.

Að fjarlægja neitunarlagið fjarlægir verkfræðilega hindrun, ekki lagalega. Shannon AI er rekið af Shannon Lab LLC í New Mexico í Bandaríkjunum, og notkun API-sins fellur undir stefnu okkar um ábyrga notkun. Ósíað úttak er geta, ekki leyfisbréf.

08Að kalla á það: endapunktar, myndinntak og hvar það á við

Líkanið er MiMo-V2.5-W8A16, aðgengilegt á þremur beiðnamállýskum gegn sömu þyngdum, svo þú heldur þeim SDK sem þú átt nú þegar:

• /v1/chat/completions — OpenAI-samhæft. Myndir fara inn sem image_url efnishlutar, annaðhvort sem https-slóð eða base64 data-URI.
• /v1/messages — Anthropic-samhæft. Myndir fara inn sem image efnisblokkir.
• /v1/responses — mállýskan í Responses-stíl.

Streymi og verkfærakall virka á öllum þremur, svo líkanið getur horft á skjámynd og kallað á fall um það sem það sá í einni umferð. Full skemu fyrir beiðnir og svör eru í API-skjölunum, sem hýsa einnig leikvöll þar sem þú getur límt inn mynd áður en þú skrifar nokkurn kóða.

MiMo-V2.5 styður strangt json_schema og response_format — munurinn á sýnidæmi og leiðslu. Réttu því kvittun ásamt skema með tegundagreindum reitum fyrir seljanda, dagsetningu, línuliði og heildarupphæð, og þú færð til baka hlut sem kóðinn þinn getur staðfest frekar en málsgrein sem þú þarft að keyra reglulegar segðir á. Tvö af tólf líkönum í þessari skrá skortir fullan stuðning við skipulagt úttak; þetta gerir það ekki, og þess vegna virkar það sem útdráttarþjónusta í miklu magni.

Samhengisglugginn er 262,144 tákn; framleitt úttak er takmarkað við 16,384 tákn á hverja beiðni. Myndir eyða inntakstáknum sem fall af upplausn, svo háupplausnarskannanir af síðum éta samhengi miklu hraðar en jafngilt orðamagn af texta. Skiptu löngum skjölum í síður frekar en að hlaða 300 síðna skönnun í eina beiðni, og líttu á úttaksþakið sem raunverulega takmörkun á tæmandi útdrætti — bútaðu þéttar töflur eftir raðabilum í stað þess að fá afskorið svar.

reasoning_effort-stillingin hefur raunveruleg áhrif hér í ljósi ættarinnar. Lækkaðu hana fyrir flokkun í miklu magni, þar sem svarið er merkimiði og hugsunartákn eru hreinn kostnaður; hækkaðu hana fyrir túlkun grafa, sjónræna stærðfræði og rökhugsun um skýringarmyndir, þar sem líkanið verður að tengja saman nokkur atriði sem það sér áður en það getur svarað.

Hvar það á við og hvar ekki

Góð pörun. Útdráttur úr skjölum og kvittunum í miklu magni; OCR-tengd vinna á ófullkomnum skönnunum; lestur grafa, mælaborða og taflna; skilningur á skjámyndum og staðsetning í viðmótum; merking vörulista og sjónrænar spurningar og svör; efnisstýringarleiðslur — hvert það fjölþátta verkefni þar sem kostnaður á hvert kall er bindandi og nákvæmni í smáatriðum er það sem þú neitar að gefa eftir.

Slæm pörun. Fjölþátta rökhugsun á fremsta erfiðleikastigi sem þarf sterkasta líkanið óháð verði — það er starf Kimi-K3, og það kostar næstum tíu sinnum meira af ástæðu. Textagerð eingöngu, þar sem MiMo-V2.5-Pro gefur betra grunnlíkan á sama verði. Vinna sem hallar sér að alfræðilegri heimsþekkingu, þar sem stórt gisið grunnlíkan fer fram úr nettu þéttu. Og allt sem þarf meira en 262K af samhengi, sem ekkert líkan hér býður.

09Algengar spurningar

---

Heimildir: MiMo tækniskýrsla (arXiv 2505.07608) · MiMo-VL tækniskýrsla (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Allar viðmiðunartölur eru Xiaomi-birtar fyrir útgefnu eftirlitspunktana sem nefndir eru hér að ofan og lýsa ætt fjölskyldunnar, ekki nákvæmlega þeirri byggingu sem er á þessum endapunkti. Verð, samhengi og getumerki eru listagildi Shannon AI-gáttarinnar, september 2026.