API di visione MiMo senza censura

Gli endpoint multimodali economici sono economici perché qualcosa è stato tagliato, e ciò che si taglia di solito è la parte che non vedi: i pesi vengono spremuti a tre o quattro bit, e il modello continua a rispondere con sicurezza su un grafico che in realtà non riesce più a leggere. MiMo-V2.5 è il controesempio del nostro catalogo — al prezzo minimo e nella fascia di precisione più alta allo stesso tempo, perché la base da cui discende è stata costruita piccola e densa invece che enorme e sparsa.

01Da dove viene MiMo: prima un modello di ragionamento, poi un modello di visione

La linea MiMo è il programma di ricerca a pesi aperti di Xiaomi, e la sua tesi fondativa è fuori moda: la capacità di ragionamento si fissa durante il pretraining, non si avvita dopo con l'RL. Il lavoro è soprattutto ingegneria dei dati — Xiaomi ha ricostruito l'estrazione e il filtraggio del testo per alzare la densità di schemi di ragionamento nel corpus, ha generato dati di ragionamento sintetici su larga scala e ha preaddestrato MiMo-7B-Base su circa 25 mila miliardi di token con una miscela in tre fasi, usando la Multiple-Token Prediction come obiettivo ausiliario che in inferenza funge anche da decodificatore speculativo (tasso di accettazione vicino al 90%, secondo Xiaomi).

Il post-training è deliberatamente austero: 130.000 problemi di matematica e codice con ricompense di accuratezza basate solo su regole, senza modello di ricompensa appreso, partendo dal ragionamento che un modello di ricompensa neurale è una superficie da violare. Le ricompense verificabili non si lasciano incantare. MiMo-7B-RL segna numeri sproporzionati rispetto alla sua taglia — Xiaomi riporta 68,2% su AIME 2024, 95,8% su MATH-500, 57,8% su LiveCodeBench v5 in pass@1, alla pari con o1-mini di OpenAI. È questa la forma del modello che stai chiamando: compatto, addestrato in modo denso, tarato per lavorare su un problema invece di richiamare una risposta — e quel temperamento sopravvive nei discendenti multimodali.

02Come MiMo ha imparato a vedere: l'architettura MiMo-VL

MiMo-VL è il ramo visione-linguaggio, e la sua costruzione è istruttiva. Xiaomi ha messo insieme tre pezzi: un encoder ViT a risoluzione nativa che preserva il dettaglio fine invece di forzare ogni immagine in una griglia fissa a bassa risoluzione, un proiettore MLP inizializzato a caso verso lo spazio latente del modello linguistico e — punto cruciale — la dorsale di ragionamento MiMo come modello linguistico. Il sistema di visione eredita un decoder già bravo a pensare a più passi, non uno bravo solo a fare didascalie.

L'addestramento è passato per quattro fasi di pretraining — riscaldamento del proiettore, allineamento visione-linguaggio, pretraining multimodale generale, SFT a contesto lungo — su circa 2,4 mila miliardi di token, poi Mixed On-policy Reinforcement Learning (MORL), che fonde in un unico ciclo on-policy l'accuratezza percettiva, la precisione del grounding visivo, la correttezza del ragionamento e la preferenza umana/IA. Il rapporto ammette francamente che ottimizzare tutte queste cose insieme è instabile — un'inquadratura più onesta di quella offerta da gran parte degli articoli multimodali.

I risultati pubblicati sono forti per quel numero di parametri. Xiaomi riporta che MiMo-VL-7B-RL batte Qwen2.5-VL-7B su 35 compiti su 40, con 59,4 su OlympiadBench (sopra modelli fino a 78B) e 56,1 su OSWorld-G per il grounding delle GUI, davanti ad agent d'interfaccia costruiti apposta. Il successivo aggiornamento 2508 ha spinto MMMU oltre 70 per la prima volta nella serie (70,6), ha raggiunto 94,4 su ChartQA, 92,5 su ScreenSpot-v2 e 70,8 su VideoMME, e ha aggiunto un interruttore di controllo del pensiero per disattivare le tracce di ragionamento richiesta per richiesta.

03Che cosa significa W8A16, e perché conta più per la visione che per il testo

Ogni modello del gateway porta un suffisso di quantizzazione. Non è decorazione: ti dice che cosa è stato scambiato per rendere il modello servibile.

Suffisso	Che cos'è	Perché viene usato
3BIT-REAP	Pesi a 3 bit più REAP, un metodo di pruning degli esperti che elimina da un modello MoE gli esperti raramente instradati prima di quantizzare	L'unico modo per far entrare e servire a una velocità sensata le basi più grandi in assoluto
W4A16-AUTOROUND-REAP	Pesi a 4 bit, attivazioni a 16 bit, quantizzati con AutoRound — arrotondamento appreso che recupera accuratezza rispetto all'ingenuo arrotondamento al valore più vicino — più il pruning REAP	Via di mezzo per le basi grandi che non hanno bisogno di una compressione estrema
W8A16	Pesi a 8 bit, attivazioni a 16 bit — la fascia a fedeltà più alta che serviamo	Usata dove la base è abbastanza piccola da non richiedere una compressione aggressiva

MiMo-V2.5 si guadagna la terza riga per la sua compattezza: una base densa di questa classe non va schiacciata a tre bit per entrare, quindi puoi permetterti di tenerne otto, e i pesi da cui campioni restano vicini a quelli che sono stati addestrati. Per il lavoro sulle immagini questo conta in modo sproporzionato, e per una ragione strutturale. In un decoder di solo testo, un embedding che deriva sotto quantizzazione viene ricontestualizzato da decine di layer di attenzione successivi — molte occasioni di recupero. Uno stack di visione non ha quel margine: l'informazione visiva attraversa un solo encoder e un solo proiettore stretto prima di raggiungere il decoder, e tutto ciò che sta a valle è condizionato da quello che quel collo di bottiglia ha prodotto. Il segnale a grana fine — un 3 invece di un 8 in una scansione a basso contrasto, il pixel esatto in cui una barra finisce sull'asse di un grafico, il bordo di un elemento d'interfaccia su cui ti viene chiesto di cliccare — vive nel dettaglio dei pesi di piccola magnitudine, il primo che la quantizzazione aggressiva butta via.

Un modello di visione a 3 bit non fallisce rumorosamente; fallisce in silenzio, producendo una descrizione fluente di un documento con due cifre invertite nel totale. Una precisione dei pesi più alta è l'assicurazione più economica contro quel fallimento, e qui è gratis — il prezzo che paghi è comunque il minimo.

04Il prezzo minimo, nel suo contesto

Quattro modelli del nostro catalogo da dodici stanno al prezzo minimo di 0,50 $ in input / 2,00 $ in output per milione di token. Solo uno di loro accetta immagini. Ecco dove si collocano i modelli capaci di visione sul costo in output, il numero che domina la maggior parte delle bollette reali:

Prezzo in output in USD per 1M di token, tariffe di listino del gateway Shannon AI, settembre 2026. La lunghezza della barra è relativa al modello di visione più caro del catalogo.

Contro Kimi-K3 — il modello di visione di vertice, e genuinamente più forte — MiMo-V2.5 costa circa 9,6 volte meno in output e 7,7 volte meno in input. Non è un'affermazione di equivalenza; è un ragionamento sulla forma del carico di lavoro. A centomila immagini al mese il modello di vertice non è sostenibile e quello al prezzo minimo sì, e la domanda onesta è se il modello al prezzo minimo superi la tua soglia di accuratezza — non se vinca un benchmark.

05MiMo-V2.5 contro MiniMax-M3: i due modelli di visione economici, confrontati onestamente

Questi due pareggiano esattamente su prezzo, contesto e superficie degli endpoint. Non sono intercambiabili: la fascia di quantizzazione fa da spia di due scommesse diverse su che cosa renda utile un modello di visione.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Input / output per 1M	0,50 $ / 2,00 $	0,50 $ / 2,00 $
Precisione dei pesi	8 bit	3 bit + pruning degli esperti
Dimensione della base	Compatta, densa	Grande, MoE sparso
Visione	Sì	Sì
Finestra di contesto	262.144	262.144
Schema · tool · streaming	Sì	Sì

Scegli MiMo-V2.5 quando l'immagine è la parte difficile: OCR denso su scansioni imperfette, estrazione numerica da grafici e tabelle, grounding di screenshot e interfacce, lettura di testo minuto, distinzione fra foto di prodotto quasi identiche — tutto ciò in cui una cifra invertita è un difetto e non una sbavatura estetica. Vuoi il percorso a fedeltà più alta dai pixel ai token, e i pesi a 8 bit sono il modo per ottenerlo a questo prezzo.

Scegli MiniMax-M3 quando l'immagine è la parte facile. Una base sparsa grande compressa a 3 bit conserva comunque più conoscenza del mondo e più ampiezza di ragionamento di quanta ne possa avere un modello denso compatto, anche dopo il pruning. Se il compito è «guarda questa foto e ragiona a lungo su che cosa implica», o se l'immagine è un input dentro una conversazione perlopiù testuale, la base più grande è lo strumento migliore — l'acuità visiva che hai ceduto non era il vincolo stringente.

06MiMo-V2.5 contro MiMo-V2.5-Pro: il fratello che ha scambiato gli occhi con la profondità

È il confronto che genera più ticket di supporto, quindi vale la pena essere netti. MiMo-V2.5-Pro-W8A16 e MiMo-V2.5-W8A16 condividono prezzo, finestra di contesto, fascia di precisione e cognome. Pro non accetta immagini. Non è un sovrainsieme. È un'allocazione diversa dello stesso budget.

Servire un modello multimodale significa pagare una torre visiva e un proiettore accanto al decoder — a parità di obiettivo di costo, capacità non spesa sul modello linguistico vero e proprio. Pro la spende tutta sul testo: una base più grande con più margine per la scrittura lunga, il ragionamento esteso e il codice. MiMo-V2.5 ne spende una parte sulla vista.

La regola di decisione riguarda quindi i tuoi input, non le tue ambizioni. Se una richiesta qualsiasi può contenere uno screenshot, una pagina scansionata, un grafico, un diagramma o una fotografia, ti serve MiMo-V2.5 — Pro rifiuterà il blocco di contenuto. Se ogni richiesta è testo e hai preso il modello di visione per abitudine, stai lasciando sul tavolo qualità della base per niente: prendi MiMo-V2.5-Pro alla stessa identica tariffa.

Uno schema che vale la pena rubare: instrada per tipo di contenuto. Tutto ciò che ha una parte immagine va a MiMo-V2.5-W8A16, tutto il resto a MiMo-V2.5-Pro-W8A16. Stessa famiglia, stesso prezzo, stesso budget di contesto — il router è banale e non c'è nessun modello di costo da riconciliare.

07Che cosa significa davvero «comprensione delle immagini senza censura»

Davanti a questo modello non c'è nessuno strato di rifiuto e sul suo output non c'è nessun filtro sui contenuti. È una decisione di prodotto con una conseguenza precisa per il lavoro di visione: il modello descrive quello che c'è nell'inquadratura invece di declinare in base al soggetto.

Questo conta perché le API di visione filtrate sono strutturalmente inadatte a un'intera categoria di lavoro legittimo. Una pipeline di moderazione deve guardare il materiale che modera e dire che cos'è; un classificatore che si rifiuta di esaminare la cosa che classifica non è un classificatore. Lo stesso vale per una lunga lista di lavori reali:

• Strumenti di trust and safety — etichettare esattamente le immagini che un'API mainstream non elabora, cioè le immagini che più hanno bisogno di essere etichettate.
• Immagini mediche, forensi e di incidenti — fotografie cliniche, di lesioni e di scena che i filtri generici rifiutano perché crude, chiunque le stia chiedendo.
• Ricerca sulla sicurezza — leggere pagine di phishing, interfacce malevole e schermate catturate senza che il modello si impunti sulla premessa.
• Classificazione di contenuti per adulti e catalogazione d'archivio — pipeline che esistono per identificare del materiale e non possono delegare ad altri il guardarlo, più collezioni storiche che i filtri trattano come non etichettabili.

Rimuovere lo strato di rifiuto rimuove un ostacolo ingegneristico, non uno legale. Shannon AI è gestita da Shannon Lab LLC in New Mexico, USA, e l'uso dell'API è regolato dalla nostra Responsible Use Policy. L'output non filtrato è una capacità, non un permesso.

08Come chiamarlo: endpoint, input immagine e dove si colloca

Il modello è MiMo-V2.5-W8A16, raggiungibile su tre dialetti di richiesta contro gli stessi pesi, così puoi tenere l'SDK che hai già:

• /v1/chat/completions — compatibile OpenAI. Le immagini entrano come content-part image_url, o come URL https o come data URI in base64.
• /v1/messages — compatibile Anthropic. Le immagini entrano come blocchi di contenuto image.
• /v1/responses — il dialetto in stile Responses.

Lo streaming e il tool calling funzionano su tutti e tre, quindi il modello può guardare uno screenshot e chiamare una funzione su quello che ha visto in un solo turno. Gli schemi completi di richiesta e risposta stanno nella documentazione API, che ospita anche un playground in cui incollare un'immagine prima di scrivere una riga di codice.

MiMo-V2.5 supporta json_schema in modalità strict e response_format — la differenza fra una demo e una pipeline. Passagli una ricevuta più uno schema con campi tipizzati per fornitore, data, righe e totale, e ottieni un oggetto che il tuo codice può validare invece di un paragrafo da spremere con le regex. Due dei dodici modelli di questo catalogo non hanno il supporto completo all'output strutturato; questo sì, ed è per questo che funziona come servizio di estrazione ad alto volume.

La finestra di contesto è di 262.144 token; l'output generato è limitato a 16.384 token per richiesta. Le immagini consumano token in input in funzione della risoluzione, quindi le scansioni di pagina ad alta risoluzione mangiano contesto molto più in fretta di un numero equivalente di parole. Impagina i documenti lunghi invece di caricare una scansione di 300 pagine in un'unica richiesta, e tratta il tetto sull'output come un vincolo reale sull'estrazione esaustiva — spezza le tabelle dense per intervalli di righe invece di ottenere una risposta troncata.

La manopola reasoning_effort ha una leva reale qui, vista la pedigree della famiglia. Abbassala per la classificazione ad alto volume, dove la risposta è un'etichetta e i token di pensiero sono puro costo; alzala per l'interpretazione dei grafici, la matematica visiva e il ragionamento sui diagrammi, dove il modello deve combinare più cose che vede prima di poter rispondere.

Dove si colloca, e dove no

Buoni accoppiamenti. Estrazione ad alto volume da documenti e ricevute; lavoro affine all'OCR su scansioni imperfette; lettura di grafici, dashboard e tabelle; comprensione di screenshot e grounding di interfacce; tagging di cataloghi e QA visivo; pipeline di moderazione — qualunque compito multimodale in cui il costo per chiamata sia stringente e la precisione sul dettaglio fine sia ciò a cui rifiuti di rinunciare.

Accoppiamenti scarsi. Ragionamento multimodale di difficoltà frontiera che richiede il modello più forte a prescindere dal prezzo — è il lavoro di Kimi-K3, e costa quasi dieci volte tanto per un motivo. Generazione di solo testo, dove MiMo-V2.5-Pro offre una base migliore alla stessa tariffa. Lavoro che si appoggia a una conoscenza enciclopedica del mondo, dove una base sparsa grande supera una densa compatta. E tutto ciò che richiede più di 262K di contesto, che qui nessun modello offre.

09Domande frequenti

---

Fonti: rapporto tecnico MiMo (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Tutte le cifre dei benchmark sono riportate da Xiaomi per i checkpoint rilasciati citati sopra e descrivono il lignaggio della famiglia, non la build esatta su questo endpoint. Prezzi, contesto e flag di capacità sono i valori di listino del gateway Shannon AI, settembre 2026.