無検閲のMiMo画像認識API

安いマルチモーダルエンドポイントが安いのは、何かが削られているからです。そして削られるのはたいてい目に見えない部分です。重みが3ビットや4ビットに絞られ、それでもモデルは、もう実際には読めなくなったグラフについて自信満々に答えます。MiMo-V2.5は当社カタログにおけるその反例です。最安値であると同時に最高精度の階層にもある。由来する基盤が、巨大で疎ではなく、小さく密に作られているからです。

01MiMoの出自：まず推論モデル、次に画像認識モデル

MiMo系列はXiaomiのオープンウェイト研究プログラムで、その出発点の主張は流行に反しています。推論能力は事前学習の段階で決まるのであって、あとからRLで後付けするものではない、というものです。仕事の大半はデータエンジニアリングです。Xiaomiはテキストの抽出とフィルタリングを作り直してコーパス中の推論パターンの密度を高め、合成の推論データを大規模に生成し、3段階の混合のもとでMiMo-7B-Baseをおよそ25兆トークンで事前学習しました。あわせてMultiple-Token Predictionを補助目的関数として用い、これは推論時には投機的デコーダとしても働きます（Xiaomiによれば受理率は90%近く）。

事後学習は意図的に禁欲的です。13万件の数学とコードの問題に対してルールベースの正誤報酬のみを使い、学習された報酬モデルは用いません。ニューラルな報酬モデルは攻略される面になる、という理屈です。検証可能な報酬は口車には乗りません。MiMo-7B-RLはその規模に不釣り合いな数値を出しており、XiaomiはAIME 2024で68.2%、MATH-500で95.8%、LiveCodeBench v5でpass@1が57.8%と報告し、OpenAIのo1-miniに並んでいます。あなたが呼び出すモデルの形はこれです。小型で、密に学習され、答えを思い出すのではなく問題を解き進めるように調整されている。その気質はマルチモーダルの子孫にも受け継がれています。

02MiMoはどうやって見ることを学んだか：MiMo-VLのアーキテクチャ

MiMo-VLは視覚言語の分枝で、その作り方には学ぶところがあります。Xiaomiは3つの部品を組み合わせました。すべての画像を固定の低解像度グリッドに押し込まず細部を保つネイティブ解像度のViTエンコーダ、言語モデルの潜在空間へ写す無作為初期化のMLPプロジェクタ、そして決定的なことに、言語モデルとしてのMiMo推論バックボーンです。この視覚システムは、単にキャプションが上手なだけのデコーダではなく、すでに多段階の思考が得意なデコーダを受け継いでいます。

学習は4段階の事前学習 — プロジェクタのウォームアップ、視覚言語アライメント、汎用マルチモーダル事前学習、長文コンテキストSFT — をおよそ2.4兆トークンにわたって行い、その後Mixed On-policy Reinforcement Learning（MORL）で、知覚の正確さ、視覚的グラウンディングの精度、推論の正しさ、人間およびAIの選好を1つのオンポリシーのループにまとめています。レポートは、それらを同時に最適化することが不安定であると率直に述べており、多くのマルチモーダル論文よりも正直な枠組みです。

公開された結果はパラメータ数に対して強力です。XiaomiはMiMo-VL-7B-RLが40タスク中35でQwen2.5-VL-7Bを上回り、OlympiadBenchで59.4（78Bまでのモデルを上回る）、GUIグラウンディングのOSWorld-Gで56.1を記録し、専用に作られたインターフェースエージェントを上回ったと報告しています。その後の2508版はMMMUをシリーズで初めて70超え（70.6）に押し上げ、ChartQAで94.4、ScreenSpot-v2で92.5、VideoMMEで70.8に到達し、リクエストごとに推論トレースをオフにできる思考制御スイッチを追加しました。

03W8A16の意味と、それがテキストより画像認識で重要な理由

ゲートウェイ上のすべてのモデルには量子化の接尾辞が付いています。飾りではありません。そのモデルを提供可能にするために何を差し出したかを示しています。

接尾辞	それが何か	なぜ使うか
3BIT-REAP	3ビットの重みに加えてREAP。量子化の前に、MoEモデルからめったにルーティングされないエキスパートを落とすエキスパート枝刈り手法です	最大級の基盤を、まともな速度で収めて提供する唯一の方法
W4A16-AUTOROUND-REAP	4ビットの重みと16ビットの活性化。素朴な最近傍丸めに対して精度を取り戻す学習型の丸めであるAutoRoundで量子化し、さらにREAPの枝刈りを加えたもの	極端な圧縮を必要としない大きな基盤のための中間解
W8A16	8ビットの重みと16ビットの活性化 — 当社が提供する中で最も忠実度の高い階層	攻めた圧縮が不要なほど基盤が小さい場合に使用

MiMo-V2.5が3行目に入るのは、小型だからです。このクラスの密なモデルは、収めるために3ビットまで潰す必要がなく、8ビットを保つ余裕があります。そしてサンプリング元の重みは、学習されたときの重みに近いままです。これは画像の仕事に不釣り合いなほど効いてきます。構造的な理由があります。テキスト専用のデコーダでは、量子化でずれた埋め込みも、その後の何十層ものアテンションによって文脈から再解釈されます。回復の機会が何度もあるのです。視覚のスタックにはその余裕がありません。視覚情報は1つのエンコーダと1つの狭いプロジェクタを通ってからデコーダに届き、その先のすべてはそのボトルネックが出力したものに条件づけられます。細粒度の信号 — コントラストの低いスキャン画像における3と8の違い、グラフの軸で棒が終わる正確な画素、クリックするよう求められたUI要素の境界 — は、攻めた量子化が最初に捨てる、大きさの小さい重みの細部に宿っています。

3ビットの画像認識モデルは派手に失敗しません。静かに失敗します。合計欄の数字が2つ入れ替わったまま、流暢な書類の説明を作り出すのです。重み精度を高く保つことは、その失敗に対する最も安い保険であり、ここではそれが無料です。どちらにせよ最安値を払うのですから。

04最安値を文脈の中で見る

当社の12モデルのカタログのうち4つが、100万トークンあたり入力$0.50 / 出力$2.00という最安値にあります。そのうち画像を受け取れるのは1つだけです。実際の請求額の大半を左右する出力コストで、画像認識対応モデルがどこに位置するかを示します。

出力価格、100万トークンあたり米ドル、Shannon AIゲートウェイの表示価格、2026年9月時点。バーの長さはカタログ内で最も高価な画像認識モデルを基準にした相対値です。

上限にあたる画像認識モデルであり、実際により強力なKimi-K3と比べると、MiMo-V2.5は出力でおよそ9.6分の1、入力でおよそ7.7分の1の価格です。これは同等だという主張ではなく、ワークロードの形についての議論です。月に10万枚の画像なら、上限のモデルは手が届かず、最安のモデルは届きます。そして正直な問いは、最安のモデルがあなたの精度の基準を超えるかどうかであって、ベンチマークで勝つかどうかではありません。

05MiMo-V2.5 対 MiniMax-M3：安い画像認識モデル2つを正直に比べる

この2つは価格、コンテキスト、エンドポイントの表面がぴったり一致します。それでも交換可能ではありません。量子化の階層は、画像認識モデルを有用にするものについての2つの異なる賭けの代理指標なのです。

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
100万トークンあたり入力 / 出力	$0.50 / $2.00	$0.50 / $2.00
重みの精度	8ビット	3ビット＋エキスパート枝刈り
基盤の規模	小型・密	大型・疎なMoE
画像認識	対応	対応
コンテキストウィンドウ	262,144	262,144
スキーマ · ツール · ストリーミング	対応	対応

画像そのものが難所ならMiMo-V2.5を選んでください。状態のよくないスキャン画像に対する高密度なOCR、グラフや表からの数値抽出、スクリーンショットとUIのグラウンディング、小さな文字の読み取り、ほとんど同じ製品写真の見分け — 数字が1つ入れ替わることが見た目の瑕疵ではなく欠陥になる、あらゆる仕事です。画素からトークンまで最も忠実度の高い経路が欲しいのであり、この価格でそれを得る手段が8ビットの重みです。

画像が易しい側ならMiniMax-M3を選んでください。3ビットに圧縮された大型の疎な基盤は、枝刈り後でも、小型で密なモデルには持てないだけの世界知識と推論の幅を保っています。課題が「この写真を見て、それが何を示唆するか長々と推論する」ことであったり、画像が主にテキストの会話の中の1つの入力にすぎなかったりするなら、大きな基盤のほうが良い道具です。手放した視覚的な鋭さは、そもそも効いている制約ではなかったのですから。

06MiMo-V2.5 対 MiMo-V2.5-Pro：目と引き換えに深さを取った兄弟

これはサポート問い合わせを最も多く生む比較なので、率直に書く価値があります。MiMo-V2.5-Pro-W8A16とMiMo-V2.5-W8A16は価格、コンテキストウィンドウ、精度階層、ファミリー名を共有しています。Proは画像を受け付けません。上位互換ではありません。同じ予算の別の配分です。

マルチモーダルモデルを提供するということは、デコーダと並んで視覚タワーとプロジェクタの分も払うということです。コスト目標が決まっている以上、それは言語モデル本体に回さなかった容量にあたります。Proはそのすべてをテキストに使います。長文の執筆、長い推論、コードにより余裕のある、大きな基盤です。MiMo-V2.5はその一部を視覚に使います。

ですから判断の基準はあなたの入力であって、野心ではありません。リクエストのどれかにスクリーンショット、スキャンしたページ、グラフ、図、写真が含まれうるならMiMo-V2.5が必要です。Proはそのコンテンツブロックを拒否します。もしすべてのリクエストがテキストで、習慣で画像認識モデルに手を伸ばしているだけなら、何の見返りもなく基盤の品質を取りこぼしています。同じ料金のMiMo-V2.5-Proを取ってください。

拝借する価値のあるパターン：コンテンツの型でルーティングすることです。画像パートを含むものはすべてMiMo-V2.5-W8A16へ、それ以外はMiMo-V2.5-Pro-W8A16へ。同じファミリー、同じ価格、同じコンテキスト予算なので、ルーターは自明で、突き合わせるべきコストモデルもありません。

07「無検閲の画像理解」が実際に意味すること

このモデルの手前に拒否層はなく、その出力にコンテンツフィルタもかかりません。これは製品上の判断であり、画像の仕事に対して具体的な帰結を持ちます。モデルは題材を理由に断るのではなく、フレームに写っているものを説明するということです。

これが重要なのは、フィルタのかかった画像認識APIが、正当な仕事のまるごと1つのカテゴリに構造的に向いていないからです。モデレーションのパイプラインは、自らが監視する素材を見て、それが何であるかを言わなければなりません。自分が分類する対象を見ることを拒む分類器は、分類器ではありません。同じことは現実の仕事の長い一覧に当てはまります。

• 信頼と安全のためのツール — 主流のAPIが処理しないまさにその画像にラベルを付けること。そしてそれこそが最もラベル付けを必要とする画像です。
• 医療・フォレンジック・事故の画像 — 依頼者が誰であろうと、汎用のフィルタが過激だとして弾いてしまう臨床写真、外傷写真、現場写真。
• セキュリティ研究 — フィッシングページ、悪意あるインターフェース、キャプチャした画面を、モデルが前提に尻込みすることなく読み取ること。
• 成人向けコンテンツの分類とアーカイブの目録作成 — 素材を特定するために存在し、その「見る」工程を外注できないパイプライン。加えて、フィルタがラベル付け不能として扱ってしまう歴史的コレクション。

拒否層を取り除くことは、工学上の障害を取り除くことであって、法的な障害を取り除くことではありません。Shannon AIは米国ニューメキシコ州のShannon Lab LLCが運営しており、APIの利用は当社の責任ある利用ポリシーに従います。フィルタのない出力は能力であって、許可証ではありません。

08呼び出す：エンドポイント、画像入力、そして向き不向き

モデルはMiMo-V2.5-W8A16で、同じ重みに対して3つのリクエスト方言から到達できます。すでに使っているSDKをそのまま使えます。

• /v1/chat/completions — OpenAI互換。画像はhttps URLかbase64のデータURIとして、image_urlのコンテンツパートで渡します。
• /v1/messages — Anthropic互換。画像はimageのコンテンツブロックで渡します。
• /v1/responses — Responses形式の方言。

ストリーミングとツール呼び出しは3つすべてで動くので、モデルは1つのターンでスクリーンショットを見て、見たものについて関数を呼び出せます。リクエストとレスポンスの完全なスキーマはAPIドキュメントにあり、そこにはコードを書く前に画像を貼り付けて試せるプレイグラウンドもあります。

MiMo-V2.5は厳密なjson_schemaとresponse_formatに対応しています。これはデモとパイプラインの違いです。領収書と、業者名・日付・明細・合計に型を付けたスキーマを渡せば、正規表現で処理しなければならない段落ではなく、コードで検証できるオブジェクトが返ってきます。このカタログの12モデルのうち2つは構造化出力に完全対応していませんが、このモデルは対応しています。だからこそ大量処理の抽出サービスとして機能します。

コンテキストウィンドウは262,144トークン、生成される出力は1リクエストあたり16,384トークンが上限です。画像は解像度に応じて入力トークンを消費するため、高解像度のページスキャンは同じ語数のテキストよりはるかに速くコンテキストを食います。300ページのスキャンを1リクエストで読み込むのではなく長い文書はページ単位に分け、出力上限は網羅的な抽出に対する実在の制約として扱ってください。密な表は切り詰められた答えを受け取るのではなく、行範囲で分割しましょう。

このファミリーの出自を考えると、reasoning_effortのつまみはここで実際に効きます。答えがラベルで思考トークンが純粋なコストにしかならない大量の分類では下げてください。グラフの解釈、視覚的な数学、図の推論のように、答える前に見たものを複数組み合わせなければならない場合は上げてください。

向いている用途と、向いていない用途

向いているもの。大量の書類・領収書の抽出、状態のよくないスキャンに対するOCR近接の作業、グラフ・ダッシュボード・表の読み取り、スクリーンショットの理解とUIのグラウンディング、カタログのタグ付けと視覚的QA、モデレーションのパイプライン — 呼び出しあたりのコストが効いてきて、なおかつ細部の精度は譲れない、あらゆるマルチモーダルな課題です。

向いていないもの。価格に関係なく最強のモデルが必要な、最前線の難度のマルチモーダル推論 — それはKimi-K3の仕事であり、ほぼ10倍の値段には理由があります。テキスト専用の生成では、同じ料金でより良い基盤が得られるMiMo-V2.5-Proが向いています。百科事典的な世界知識に依存する仕事では、大型の疎な基盤が小型で密なものを追い越します。そして262Kを超えるコンテキストが必要な仕事。これはここのどのモデルも提供していません。

09よくある質問

---

出典：MiMo technical report (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508。ベンチマークの数値はすべて、上に挙げたリリース済みチェックポイントについてXiaomiが報告した値であり、ファミリーの系譜を説明するものであって、このエンドポイント上のビルドそのものではありません。価格、コンテキスト、機能フラグは2026年9月時点のShannon AIゲートウェイの表示値です。