უცენზურო MiMo ხედვის API

იაფი მულტიმოდალური ენდპოინტები იაფია, რადგან რაღაც შეიჭრა, და რაც იჭრება, ჩვეულებრივ ის ნაწილია, რომლის დანახვაც არ შეგიძლიათ: წონები სამ ან ოთხ ბიტამდე იჭყლიტება, მოდელი კი კვლავ თავდაჯერებულად პასუხობს დიაგრამაზე, რომლის წაკითხვაც სინამდვილეში აღარ შეუძლია. MiMo-V2.5 ჩვენი კატალოგის საწინააღმდეგო მაგალითია — ერთდროულად ფასის ფსკერზეც და უმაღლეს სიზუსტის დონეზეც, რადგან საფუძველი, საიდანაც ის მოდის, პატარად და მკვრივად აშენდა და არა უზარმაზრად და მეჩხერად.

01საიდან მოდის MiMo: მსჯელობის მოდელი პირველ რიგში, ხედვის მოდელი — მეორეში

MiMo ხაზი Xiaomi-ის ღია წონების კვლევითი პროგრამაა, და მისი დამფუძნებელი არგუმენტი მოუდარებელია: მსჯელობის უნარი წინასწარი წვრთნის დროს ყალიბდება და არა RL-ით მიდაშენებული შემდგომ. სამუშაო ძირითადად მონაცემთა ინჟინერიაა — Xiaomi-მ ტექსტის ამოღება და გაფილტვრა ხელახლა ააგო, რომ კორპუსში მსჯელობის შაბლონების სიმჭიდროვე გაეზარდა, სინთეზური მსჯელობის მონაცემები მასშტაბურად გამოიმუშავა, და MiMo-7B-Base წინასწარ გაწვრთნა დაახლოებით 25 ტრილიონ ტოკენზე სამსაფეხურიანი ნაზავის ფარგლებში, Multiple-Token Prediction-ით, როგორც დამხმარე ამოცანით, რომელიც ინფერენსის დროს ორმაგდება სპეკულაციურ დეკოდერადაც (მიღების მაჩვენებელი 90%-თან ახლოს, Xiaomi-ის მიხედვით).

წვრთნის-შემდგომი ეტაპი განზრახ ასკეტურია: 130,000 მათემატიკისა და კოდის ამოცანა მხოლოდ წესებზე დაფუძნებული სიზუსტის ჯილდოთი, ნასწავლი ჯილდოს მოდელის გარეშე, იმ მსჯელობით, რომ ნეირონული ჯილდოს მოდელი გასატეხი ზედაპირია. შემოწმებადი ჯილდოების მოტყუება ვერ ხერხდება. MiMo-7B-RL თავისი ზომის არაპროპორციულ ციფრებს აფიქსირებს — Xiaomi აცხადებს 68.2%-ს AIME 2024-ზე, 95.8%-ს MATH-500-ზე, 57.8%-ს LiveCodeBench v5-ზე pass@1-ზე, რაც OpenAI-ის o1-mini-ს გაუტოლდება. ეს არის იმ მოდელის ხასიათი, რომელსაც მიმართავთ: კომპაქტური, მკვრივად გაწვრთნილი, მორგებული პასუხის დამახსოვრებას კი არა, არამედ ამოცანის გავლაზე — და ეს ტემპერამენტი მულტიმოდალურ შთამომავლებშიც გადადის.

02როგორ ისწავლა MiMo-მ დანახვა: MiMo-VL-ის არქიტექტურა

MiMo-VL ხედვა-ენის ტოტია, და მისი აგებულება სასწავლებელია. Xiaomi-მ სამი ნაწილი აკრიბა: ბუნებრივი გარჩევადობის ViT ენკოდერი, რომელიც წვრილ დეტალს ინარჩუნებს, ყოველ სურათს ფიქსირებულ დაბალგარჩევადობიან ბადეზე ტარების ნაცვლად, შემთხვევით ინიციალიზებული MLP პროექტორი ენის მოდელის ლატენტურ სივრცეში, და — გადამწყვეტად — MiMo-ს მსჯელობის ხერხემალი, როგორც ენის მოდელი. ხედვის სისტემა ამკვიდრებს დეკოდერს, რომელიც უკვე კარგია მრავალსაფეხურიან აზროვნებაში და არა მხოლოდ წარწერების შედგენაში.

წვრთნა ოთხ წინასწარი წვრთნის საფეხურად წარიმართა — პროექტორის გათბობა, ხედვა-ენის გასწორება, ზოგადი მულტიმოდალური წინასწარი წვრთნა, გრძელკონტექსტიანი SFT — დაახლოებით 2.4 ტრილიონ ტოკენზე, შემდეგ კი Mixed On-policy Reinforcement Learning (MORL)-ით, რომელიც აღქმის სიზუსტეს, ვიზუალური დამიწების სიზუსტეს, მსჯელობის სისწორესა და ადამიანის/AI-ის პრეფერენციას ერთ on-policy მარყუჟში აერთიანებს. ანგარიში გულახდილად აღიარებს, რომ ამ ყველაფრის ერთდროული ოპტიმიზაცია არასტაბილურია — უფრო პატიოსანი ჩარჩო, ვიდრე მულტიმოდალური ნაშრომების უმეტესობა გვთავაზობს.

გამოქვეყნებული შედეგები ძლიერია პარამეტრების რაოდენობისთვის. Xiaomi აცხადებს, რომ MiMo-VL-7B-RL Qwen2.5-VL-7B-ს ამარცხებს 40-დან 35 ამოცანაზე, 59.4-ს OlympiadBench-ზე (78B-მდე მოდელების ზემოთ) და 56.1-ს OSWorld-G-ზე GUI დამიწებისთვის, წინ უსწრებს რა სპეციალურად ინტერფეისისთვის აშენებულ აგენტებს. მოგვიანებელმა 2508 განახლებამ სერიაში პირველად MMMU 70-ს გადააჭარბა (70.6), მიაღწია 94.4-ს ChartQA-ზე, 92.5-ს ScreenSpot-v2-ზე და 70.8-ს VideoMME-ზე, და დაამატა აზროვნების-კონტროლის გადამრთველი, რომ მსჯელობის კვალი მოთხოვნაზე გამოირთოს.

03რას ნიშნავს W8A16, და რატომ აქვს მას მეტი მნიშვნელობა ხედვისთვის, ვიდრე ტექსტისთვის

გეითვეიზე ყოველ მოდელს კვანტიზაციის სუფიქსი აქვს. ეს არაა დეკორაცია — ის გეუბნებათ, რა შეიცვალა, რომ მოდელი მომსახურებადი გამხდარიყო.

სუფიქსი	რას წარმოადგენს	რატომ გამოიყენება
3BIT-REAP	3-ბიტიანი წონები პლუს REAP, ექსპერტების გასხვლის მეთოდი, რომელიც კვანტიზაციამდე იშლის MoE მოდელიდან იშვიათად მარშრუტიზებულ ექსპერტებს	ერთადერთი გზა ყველაზე დიდი საფუძვლების დასატევად და გონივრულ სისწრაფეზე მოსამსახურებლად
W4A16-AUTOROUND-REAP	4-ბიტიანი წონები, 16-ბიტიანი აქტივაციები, კვანტიზებული AutoRound-ით — ნასწავლი დამრგვალება, რომელიც უახლოესზე გულუბრყვილო დამრგვალებაზე მეტ სიზუსტეს აღადგენს — პლუს REAP გასხვლა	შუალედური გზა დიდი საფუძვლებისთვის, რომლებსაც ექსტრემალური შეკუმშვა არ სჭირდება
W8A16	8-ბიტიანი წონები, 16-ბიტიანი აქტივაციები — ჩვენი მოწოდებული ყველაზე მაღალი ერთგულების დონე	გამოიყენება, როცა საფუძველი საკმარისად პატარაა, რომ აგრესიული შეკუმშვა საჭირო აღარ იყოს

MiMo-V2.5 მესამე სტრიქონს იმით იმსახურებს, რომ კომპაქტურია: ამ კლასის მკვრივი საფუძველი დასატევად სამ ბიტამდე ჭყლეტას არ საჭიროებს, ასე რომ რვის შენარჩუნების საშუალება გაქვთ, და წონები, საიდანაც შერჩევთ, ახლოს რჩება იმასთან, რაც გაწვრთნილი იყო. ეს არაპროპორციულად მნიშვნელოვანია სურათებზე მუშაობისთვის, სტრუქტურული მიზეზის გამო. მხოლოდ-ტექსტურ დეკოდერში ჩანერგვა, რომელიც კვანტიზაციის ქვეშ იცურავს, ხელახლა კონტექსტუალიზდება მოგვიანებელი ყურადღების ათობით ფენით — გამოსწორების ბევრი შანსი. ხედვის სტეკს ასეთი მარაგი არ აქვს: ვიზუალური ინფორმაცია ერთ ენკოდერსა და ერთ ვიწრო პროექტორში გადის, სანამ დეკოდერამდე მიაღწევს, და ყველაფერი, რაც ქვემოთ არის, დამოკიდებულია იმაზე, რაც ამ ბოთლის ყელმა წარმოქმნა. წვრილმარცვლოვანი სიგნალი — 3 და 8 შორის სხვაობა დაბალკონტრასტულ სკანში, ზუსტი პიქსელი, სადაც სვეტი მთავრდება დიაგრამის ღერძზე, UI ელემენტის საზღვარი, რომლის დაწკაპუნებაც გეთხოვებათ — ცხოვრობს დაბალსიდიდიან წონის დეტალში, რომელსაც აგრესიული კვანტიზაცია პირველი ყრის.

3-ბიტიანი ხედვის მოდელი ხმაურიანად არ იჭერს წარუმატებლობას; ის ჩუმად ჭერს — გამოსცემს დოკუმენტის დახვეწილ აღწერას, სადაც ჯამში ორი ციფრია გადანაცვლებული. წონის მაღალი სიზუსტე ამ წარუმატებლობის საწინააღმდეგო ყველაზე იაფი დაზღვევაა, და აქ ის უფასოა — ისედაც ფსკერის ფასს იხდით.

04ფსკერის ფასი, კონტექსტში

ჩვენი თორმეტმოდელიანი კატალოგიდან ოთხი მოდელი ფასის ფსკერზე დგას — $0.50 შემავალზე / $2.00 გამომავალზე მილიონ ტოკენზე. მათგან მხოლოდ ერთი იღებს სურათებს. აი, სად ხვდებიან ხედვაზე უნარიანი მოდელები გამომავალი ფასის მიხედვით — რიცხვი, რომელიც რეალურ ანგარიშების უმეტესობას განსაზღვრავს:

გამომავალი ფასი აშშ დოლარში 1M ტოკენზე, Shannon AI-ს გეითვეის სიის ტარიფები, 2026 წლის სექტემბერი. ზოლის სიგრძე შეფარდებულია კატალოგში ხედვის ყველაზე ძვირ მოდელთან.

Kimi-K3-თან შედარებით — ჭერის ხედვის მოდელთან, რომელიც ნამდვილად უფრო ძლიერია — MiMo-V2.5 დაახლოებით 9.6-ჯერ იაფია გამომავალზე და 7.7-ჯერ იაფია შემავალზე. ეს ეკვივალენტობის მტკიცება არაა; ეს დატვირთვის ფორმის შესახებ არგუმენტია. თვეში ასი ათასი სურათის დროს ჭერის მოდელი ხელმისაწვდომი არაა, ფსკერის მოდელი კი — დიახ, და პატიოსანი კითხვა ისაა, გადალახავს თუ არა ფსკერის მოდელი თქვენს სიზუსტის ზღვარს — და არა ის, გაიმარჯვებს თუ არა ბენჩმარკზე.

05MiMo-V2.5 MiniMax-M3-ის წინააღმდეგ: ორი იაფი ხედვის მოდელი, პატიოსნად შედარებული

ეს ორი ზუსტად თანაბარია ფასზე, კონტექსტსა და ენდპოინტის ზედაპირზე. ისინი ურთიერთშენაცვლებადი არაა: კვანტიზაციის დონე ორი განსხვავებული ფსონის მაჩვენებელია იმაზე, რა ხდის ხედვის მოდელს სასარგებლოს.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
შემავალი / გამომავალი 1M-ზე	$0.50 / $2.00	$0.50 / $2.00
წონის სიზუსტე	8-ბიტი	3-ბიტი + ექსპერტების გასხვლა
საფუძვლის ზომა	კომპაქტური, მკვრივი	დიდი, მეჩხერი MoE
ხედვა	დიახ	დიახ
კონტექსტის ფანჯარა	262,144	262,144
სქემა · ინსტრუმენტები · სტრიმინგი	დიახ	დიახ

აირჩიეთ MiMo-V2.5, როცა სურათი რთული ნაწილია: მკვრივი OCR არასრულყოფილ სკანებზე, რიცხვითი ამოღება დიაგრამებიდან და ცხრილებიდან, ეკრანის ანაბეჭდისა და UI-ის დამიწება, წვრილი ტექსტის კითხვა, თითქმის იდენტური პროდუქტის ფოტოების გარჩევა — ყველაფერი, სადაც გადანაცვლებული ციფრი დეფექტია და არა კოსმეტიკური ხარვეზი. გჭირდებათ პიქსელებიდან ტოკენებამდე ყველაზე მაღალი ერთგულების გზა, და 8-ბიტიანი წონები სწორედ ის საშუალებაა, რომლითაც ამ ფასად მას მიიღებთ.

აირჩიეთ MiniMax-M3, როცა სურათი მარტივი ნაწილია. დიდი მეჩხერი საფუძველი, შეკუმშული 3 ბიტამდე, გასხვლის შემდეგაც უფრო მეტ მსოფლიო ცოდნასა და მსჯელობის სიფართოეს ინახავს, ვიდრე კომპაქტურ მკვრივ მოდელს შეუძლია. თუ ამოცანაა „შეხედე ამ ფოტოს და ვრცლად იმსჯელე, რას გულისხმობს ის", ან სურათი ერთი შემავალია ძირითადად ტექსტურ საუბარში, უფრო დიდი საფუძველი უკეთესი ინსტრუმენტია — ვიზუალური სიმახვილე, რომელიც გასწირეთ, არ ყოფილა შემზღუდველი ფაქტორი.

06MiMo-V2.5 MiMo-V2.5-Pro-ს წინააღმდეგ: და-ძმა, რომელმაც თვალები სიღრმეზე გაცვალა

ეს ის შედარებაა, რომელიც ყველაზე მეტ მხარდაჭერის ბილეთს წარმოქმნის, ამიტომ პირდაპირობა ღირს. MiMo-V2.5-Pro-W8A16 და MiMo-V2.5-W8A16 ერთ ფასს, კონტექსტის ფანჯარას, სიზუსტის დონესა და ოჯახის სახელს იზიარებენ. Pro სურათებს არ იღებს. ეს ზეანსამბლი არაა. ეს იმავე ბიუჯეტის განსხვავებული განაწილებაა.

მულტიმოდალური მოდელის მომსახურება ნიშნავს ხედვის კოშკისა და პროექტორის ფასის გადახდას დეკოდერთან ერთად — ფიქსირებულ ხარჯის სამიზნეზე, ტევადობას, რომელიც თავად ენის მოდელზე არ იხარჯება. Pro ყველაფერს ტექსტზე ხარჯავს: უფრო დიდი საფუძველი უფრო მეტი სივრცით გრძელფორმიანი წერისთვის, გაფართოებული მსჯელობისთვის და კოდისთვის. MiMo-V2.5 მის ნაწილს მხედველობაზე ხარჯავს.

ასე რომ, გადაწყვეტილების წესი თქვენს შემავალებზეა, და არა თქვენს ამბიციებზე. თუ ნებისმიერ მოთხოვნას შეუძლია შეიცავდეს ეკრანის ანაბეჭდს, დასკანერებულ გვერდს, დიაგრამას, სქემას ან ფოტოს, MiMo-V2.5 გჭირდებათ — Pro უარყოფს კონტენტის ბლოკს. თუ ყოველი მოთხოვნა ტექსტია და ხედვის მოდელს ჩვევის გამო მიმართავთ, ამაოდ ტოვებთ საფუძვლის ხარისხს მაგიდაზე: აიღეთ MiMo-V2.5-Pro იმავე ტარიფად.

შაბლონი, რომლის მოპარვაც ღირს: მარშრუტიზაცია კონტენტის ტიპის მიხედვით. ყველაფერი, რაშიც სურათის ნაწილია, მიდის MiMo-V2.5-W8A16-ზე, დანარჩენი ყველაფერი — MiMo-V2.5-Pro-W8A16-ზე. იგივე ოჯახი, იგივე ფასი, იგივე კონტექსტის ბიუჯეტი — მარშრუტიზატორი ტრივიალურია და ხარჯის მოდელის შეთანხმება არ სჭირდება.

07რას ნიშნავს სინამდვილეში „უცენზურო სურათის გაგება"

ამ მოდელის წინ უარის ფენა არ დგას და მის გამოსავალზე კონტენტის ფილტრი არ ედება. ეს პროდუქტის გადაწყვეტილებაა, კონკრეტული შედეგით ხედვის სამუშაოსთვის: მოდელი აღწერს, რაც კადრშია, საგნის საფუძველზე უარის თქმის ნაცვლად.

ეს მნიშვნელოვანია, რადგან ფილტრირებული ხედვის API-ები სტრუქტურულად შეუფერებელია ლეგიტიმური სამუშაოს მთელი კატეგორიისთვის. მოდერაციის კონვეიერს უნდა შეხედოს მასალას, რომელსაც მოდერირებს, და თქვას, რა არის ის; კლასიფიკატორი, რომელიც უარს ამბობს იმის შესწავლაზე, რასაც კლასიფიცირებს, კლასიფიკატორი არაა. იგივე ვრცელდება რეალური სამუშაოების გრძელ ჩამონათვალზე:

• ნდობისა და უსაფრთხოების ინსტრუმენტები — ზუსტად იმ გამოსახულების ტეგირება, რომელსაც მასობრივი API არ დაამუშავებს — და სწორედ ეს გამოსახულებაა ყველაზე მეტად ტეგირების საჭიროების.
• სამედიცინო, სასამართლო-სამედიცინო და ავარიის გამოსახულებები — კლინიკური, დაზიანების და შემთხვევის ადგილის ფოტოგრაფია, რომელსაც ზოგადი ფილტრები გრაფიკულობის გამო უარყოფს, ვინც არ უნდა ითხოვდეს.
• უსაფრთხოების კვლევა — ფიშინგის გვერდების, მავნე ინტერფეისებისა და დაჭერილი ეკრანების წაკითხვა, მოდელის მიერ წინაპირობაზე უკან დახევის გარეშე.
• ზრდასრულთა კონტენტის კლასიფიკაცია და საარქივო კატალოგიზაცია — კონვეიერები, რომლებიც მასალის იდენტიფიცირებისთვის არსებობს და დათვალიერებას გარეთ ვერ გადააქვს, პლუს ისტორიული კოლექციები, რომლებსაც ფილტრები ტეგირებადად არ თვლის.

უარის ფენის მოცილება საინჟინრო დაბრკოლებას აცილებს, და არა სამართლებრივს. Shannon AI-ს მართავს Shannon Lab LLC ნიუ-მექსიკოში, აშშ, და API-ის გამოყენებას ჩვენი პასუხისმგებლიანი გამოყენების პოლიტიკა განაგებს. გაუფილტრავი გამოსავალი შესაძლებლობაა და არა ნებართვის ფურცელი.

08მისი გამოძახება: ენდპოინტები, სურათის შემავალი და სად ჯდება ის

მოდელია MiMo-V2.5-W8A16, მისადგომი სამი მოთხოვნის დიალექტით იმავე წონებზე, ასე რომ ინარჩუნებთ ნებისმიერ SDK-ს, რომელიც უკვე გაქვთ:

• /v1/chat/completions — OpenAI-თან თავსებადი. სურათები შედის, როგორც image_url კონტენტის ნაწილები, https URL-ის ან base64 data URI-ის სახით.
• /v1/messages — Anthropic-თან თავსებადი. სურათები შედის, როგორც image კონტენტის ბლოკები.
• /v1/responses — Responses-სტილის დიალექტი.

სტრიმინგი და ინსტრუმენტების გამოძახება სამივეზე მუშაობს, ასე რომ მოდელს შეუძლია ერთ სვლაში შეხედოს ეკრანის ანაბეჭდს და გამოიძახოს ფუნქცია იმაზე, რაც დაინახა. მოთხოვნისა და პასუხის სრული სქემები API-ის დოკუმენტაციაშია, სადაც ასევე განთავსებულია სათამაშო მოედანი, სადაც სურათის ჩასმა შეგიძლიათ კოდის დაწერამდე.

MiMo-V2.5-ს მხარდაჭერილი აქვს მკაცრი json_schema და response_format — განსხვავება დემოსა და კონვეიერს შორის. მიაწოდეთ მას ქვითარი პლუს სქემა, ტიპიზებული ველებით მომწოდებლის, თარიღის, სტრიქონების და ჯამისთვის, და მიიღებთ ობიექტს, რომლის ვალიდაციაც თქვენს კოდს შეუძლია, აბზაცის ნაცვლად, რომელსაც regex-ით უნდა დაამუშავებდეთ. ამ კატალოგის თორმეტი მოდელიდან ორს არ აქვს სრული სტრუქტურირებული გამოსავლის მხარდაჭერა; ამას აქვს, და სწორედ ამიტომ მუშაობს ის მაღალმოცულობიან ამოღების სერვისად.

კონტექსტის ფანჯარა 262,144 ტოკენია; წარმოქმნილი გამომავალი შემოსაზღვრულია 16,384 ტოკენით მოთხოვნაზე. სურათები შემავალ ტოკენებს გარჩევადობის ფუნქციად მოიხმარენ, ასე რომ მაღალგარჩევადობიანი გვერდის სკანები კონტექსტს გაცილებით უფრო სწრაფად ჭამენ, ვიდრე ტექსტის ეკვივალენტური სიტყვების რაოდენობა. გვერდებად დაყავით გრძელი დოკუმენტები, 300-გვერდიანი სკანის ერთ მოთხოვნაში ჩატვირთვის ნაცვლად, და გამომავალის ჭერს ამომწურავი ამოღების რეალურ შეზღუდვად მოეპყარით — მკვრივი ცხრილები რიგების დიაპაზონით დაჭერით, შეკვეცილი პასუხის მიღების ნაცვლად.

reasoning_effort რეგულატორს ოჯახის წარმომავლობის გათვალისწინებით აქ რეალური ბერკეტი აქვს. დაწიეთ ის მაღალმოცულობიანი კლასიფიკაციისთვის, სადაც პასუხი იარლიყია და აზროვნების ტოკენები სუფთა ხარჯია; აწიეთ დიაგრამის ინტერპრეტაციისთვის, ვიზუალური მათემატიკისთვის და სქემის მსჯელობისთვის, სადაც მოდელს უნდა გააერთიანოს რამდენიმე ის, რასაც ხედავს, სანამ პასუხს გასცემს.

სად ჯდება, და სად — არა

კარგი შესატყვისობები. მაღალმოცულობიანი დოკუმენტისა და ქვითრის ამოღება; OCR-ის მომიჯნავე სამუშაო არასრულყოფილ სკანებზე; დიაგრამის, დაშბორდისა და ცხრილის კითხვა; ეკრანის ანაბეჭდის გაგება და UI-ის დამიწება; კატალოგის ტეგირება და ვიზუალური QA; მოდერაციის კონვეიერები — ნებისმიერი მულტიმოდალური ამოცანა, სადაც გამოძახებაზე ღირებულება შემზღუდველია და წვრილი დეტალის სიზუსტეს არ თმობთ.

სუსტი შესატყვისობები. ზღვრული სირთულის მულტიმოდალური მსჯელობა, რომელსაც ფასის მიუხედავად ყველაზე ძლიერი მოდელი სჭირდება — ეს Kimi-K3-ის საქმეა, და ის თითქმის ათჯერ მეტს ღირს მიზეზის გამო. მხოლოდ-ტექსტური გენერაცია, სადაც MiMo-V2.5-Pro უკეთეს საფუძველს იძლევა იმავე ტარიფად. სამუშაო, რომელიც ენციკლოპედიურ მსოფლიო ცოდნას ეყრდნობა, სადაც დიდი მეჩხერი საფუძველი კომპაქტურ მკვრივს აჯობებს. და ყველაფერი, რასაც 262K-ზე მეტი კონტექსტი სჭირდება, რასაც აქ არცერთი მოდელი სთავაზობს.

09ხშირად დასმული კითხვები

---

წყაროები: MiMo ტექნიკური ანგარიში (arXiv 2505.07608) · MiMo-VL ტექნიკური ანგარიში (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. ყველა ბენჩმარკის ციფრი Xiaomi-ის მიერაა მოხსენებული ზემოთ დასახელებული გამოშვებული საკონტროლო წერტილებისთვის და აღწერს ოჯახის წარმომავლობას და არა ამ ენდპოინტზე არსებულ ზუსტ ბილდს. ფასები, კონტექსტი და შესაძლებლობების დროშები Shannon AI-ს გეითვეის სიის მნიშვნელობებია, 2026 წლის სექტემბერი.