Цензурасыз MiMo көру API
Каталогымызда 8-биттік салмақ дәлдігін суретті түсінумен қосатын жалғыз модель — әрі оның бағасы тек мәтіндік еден модельдерінің бағасымен дәл бірдей: миллион токенге $0.50 кіріс / $2.00 шығыс.
Қысқаша
MiMo-V2.5-W8A16 — Shannon AI шлюзіндегі MiMo жұбының көре алатын мүшесі, Xiaomi-дің MiMo жолынан тарайды — бұл көру мұнарасы жалғанған, пайымдауға бағдарланған тілдік модель — әрі ол өз GPU кластерімізде дәлдігі ең жоғары кванттау деңгейіміз W8A16-да ұсынылады. 262,144 токендік контекст, 16,384 ең үлкен шығыс токені, құралдарды шақыру, қатаң JSON схема, ағынды беру және reasoning_effort тұтқасы. Бас тарту қабаты жоқ, шығыс сүзгісі жоқ. Ол тізімдегі ең арзан көру бойынша MiniMax-M3-пен тең әрі дәлдігі бойынша одан асып түседі.
Арзан мультимодал эндпоинттер бір нәрсе қиылғаны үшін арзан, ал қиылатыны әдетте сіз көрмейтін бөлік: салмақтар үш-төрт битке қысылады, ал модель енді шынымен оқи алмайтын диаграмма туралы сенімді жауап бере береді. MiMo-V2.5 — каталогымыздағы қарсы мысал: ол бір мезгілде әрі баға еденінде, әрі ең жоғары дәлдік деңгейінде, өйткені оның шыққан негізі алып әрі сирек емес, шағын әрі тығыз етіп құрылған.
01MiMo қайдан шыққан: алдымен пайымдау моделі, содан кейін көру моделі
MiMo жолы — Xiaomi-дің ашық салмақты зерттеу бағдарламасы, ал оның негізгі дәлелі сәнге қарсы: пайымдау қабілеті кейін RL-мен жапсырылмайды, ол алдын ала оқыту кезінде қалыптасады. Жұмыстың басым бөлігі — деректер инженериясы: Xiaomi корпустағы пайымдау үлгілерінің тығыздығын арттыру үшін мәтінді шығарып алу мен сүзуді қайта құрды, синтетикалық пайымдау деректерін ауқымды жасады әрі MiMo-7B-Base-ті шамамен 25 триллион токенде үш кезеңді қоспамен алдын ала оқытты, оған қоса көп токенді болжау қосымша мақсаты — ол шығару кезінде спекулятивті декодер рөлін де атқарады (Xiaomi бойынша қабылдау үлесі 90%-ға жуық).
Кейінгі оқыту әдейі қарапайым: 130,000 математика және код есебі, тек ережеге негізделген дәлдік сыйақыларымен, үйренілген сыйақы моделінсіз — өйткені нейрондық сыйақы моделі — бұзуға болатын бет. Тексерілетін сыйақыны тәттілеп көндіре алмайсыз. MiMo-7B-RL өз өлшеміне сай емес сандар көрсетеді — Xiaomi pass@1 бойынша AIME 2024-те 68.2%, MATH-500-де 95.8%, LiveCodeBench v5-те 57.8% хабарлайды, яғни OpenAI-дың o1-mini деңгейінде. Сіз шақыратын модельдің пішіні — осы: жинақы, тығыз оқытылған, жауапты еске түсіруге емес, есептің үстінен жұмыс істеп өтуге бапталған — ал бұл мінез мультимодал ұрпақтарында да сақталады.
02MiMo көруді қалай үйренді: MiMo-VL архитектурасы
MiMo-VL — көру-тіл тармағы, ал оның құрылымы тағылымды. Xiaomi үш бөлікті жинады: әр суретті бекітілген төмен ажыратымдылықты торға қумай, ұсақ бөлшекті сақтайтын нативті ажыратымдылықты ViT кодтаушысы, тілдік модельдің жасырын кеңістігіне кездейсоқ инициалданған MLP жобалаушысы және — ең бастысы — тілдік модель ретінде MiMo пайымдау дінгегі. Көру жүйесі жай ғана сурет астын жазуға шебер емес, көп қадамды ойлауға бұрыннан шебер декодерді мұра етеді.
Оқыту алдын ала оқытудың төрт кезеңімен — жобалаушыны жылыту, көру мен тілді туралау, жалпы мультимодал алдын ала оқыту, ұзын контекстті SFT — шамамен 2.4 триллион токенде өтті, содан кейін аралас он-полиси бекіту оқытуы (MORL) келді: ол қабылдау дәлдігін, көрнекі негіздеу дәлдігін, пайымдау дұрыстығын және адам/AI артықшылығын бір он-полиси циклге жинады. Есеп олардың бәрін бір мезгілде оңтайландырудың тұрақсыз екенін ашық айтады — бұл мультимодал мақалалардың көбі ұсынатыннан адалырақ тұжырым.
Жарияланған нәтижелер параметр саны үшін күшті. Xiaomi MiMo-VL-7B-RL-дің Qwen2.5-VL-7B-ны 40 тапсырманың 35-інде жеңгенін, OlympiadBench-те 59.4 (78B-ға дейінгі модельдерден жоғары) және интерфейсті негіздеу бойынша OSWorld-G-де 56.1 алғанын хабарлайды — арнайы құрылған интерфейс агенттерінен алда. Кейінгі 2508 жаңартуы серияда алғаш рет MMMU-ды 70-тен асырды (70.6), ChartQA-да 94.4, ScreenSpot-v2-де 92.5 және VideoMME-де 70.8 алды әрі пайымдау іздерін сұранысына қарай өшіруге болатын ойлау ауыстырғышын қосты.
Нұсқа туралы мәлімдемелерге ескертпе
Жоғарыдағы әр көрсеткіш — Xiaomi-дің нақты шығарылған бақылау нүктесі үшін берген өз саны, олар төмендегі дереккөздер блогында сілтемеленген. Біздің каталог жазбамыз — сол тектегі кейінгі нүкте. Біз модельдің қайдан шыққанын және отбасының не үшін құрылғанын сипаттап отырмыз — ал ол ұпайлар сіз шақыратын құрамаға көшеді деп мәлімдеп отырған жоқпыз. Өз жүктемеңізде бенчмарк жүргізіңіз; баға едені сол үшін бар.
03W8A16 нені білдіреді әрі оның маңызы неге көруде мәтіндегіден зор
Шлюздегі әр модель кванттау жұрнағын алып жүреді. Бұл — әшекей емес: ол модельді ұсынуға жарамды ету үшін не айырбасталғанын айтады.
| Жұрнақ | Бұл не | Ол неге қолданылады |
|---|---|---|
| 3BIT-REAP | 3-биттік салмақтар плюс REAP — кванттауға дейін MoE модельден сирек бағдарланатын сарапшыларды тастайтын сарапшыларды кесу әдісі | Ең үлкен негіздерді ақылға қонымды жылдамдықпен сыйдырып, ұсынудың жалғыз жолы |
| W4A16-AUTOROUND-REAP | 4-биттік салмақтар, 16-биттік активациялар, AutoRound-пен кванттаудан өткен — ең жақынға қарапайым дөңгелектеуден кейінгі дәлдікті қайтаратын үйренілген дөңгелектеу — плюс REAP кесуі | Экстремалды қысуды қажет етпейтін үлкен негіздер үшін орта жол |
| W8A16 | 8-биттік салмақтар, 16-биттік активациялар — біз ұсынатын дәлдігі ең жоғары деңгей | Негіз агрессивті қысуды қажет етпейтіндей шағын болғанда қолданылады |
MiMo-V2.5 үшінші жолды жинақылығымен ақтайды: осы кластағы тығыз негізді сыйдыру үшін оны үш битке қысудың қажеті жоқ, сондықтан сегізін сақтауға шамаңыз келеді әрі сіз іріктейтін салмақтар оқытылған салмақтарға жақын қалады. Бұның сурет жұмысында ерекше маңызы бар, әрі себебі құрылымдық. Тек мәтіндік декодерде кванттаудан кейін ауытқыған ендірмені кейінгі ондаған зейін қабаты қайта контекстке салады — қалпына келуге көп мүмкіндік. Ал көру жинағында ондай еркіндік жоқ: көрнекі ақпарат декодерге жеткенше бір кодтаушыдан және бір тар жобалаушыдан өтеді, ал одан кейінгінің бәрі сол тар жол не шығарғанына шартталған. Ұсақ түйіршікті сигнал — контрасты төмен сканердегі 3 пен 8-дің айырмасы, диаграмма өсінде бағанның бітетін нақты пикселі, басу керек интерфейс элементінің шекарасы — агрессивті кванттау ең алдымен лақтырып жіберетін шамасы кіші салмақ бөлшегінде тұрады.
3-биттік көру моделі дауыстап құламайды; ол үнсіз құлайды — құжатты еркін сипаттап беріп, жалпы сомадағы екі цифрды орын ауыстырып жібереді. Салмақ дәлдігін жоғары ұстау — сол ақаулықтан сақтандырудың ең арзан жолы, әрі мұнда ол тегін: қалай болғанда да еден бағасын төлейсіз.
04Еден бағасы, контексте
Он екі модельдік каталогымыздың төртеуі миллион токенге $0.50 кіріс / $2.00 шығыс деген баға еденінде тұр. Олардың тек біреуі суреттерді қабылдайды. Көре алатын модельдер нақты шоттардың көбінде басым тұратын сан — шығыс құны — бойынша қайда орналасатыны:
Шығыс бағасы, 1M токенге доллармен, Shannon AI шлюзінің тізімдік мөлшерлемелері, 2026 жылғы қыркүйек. Жолақ ұзындығы каталогтағы ең қымбат көру моделіне қатысты берілген.
Шыңдағы көру моделі әрі шынымен күштірегі Kimi-K3-пен салыстырғанда MiMo-V2.5 шығыс бойынша шамамен 9.6 есе және кіріс бойынша 7.7 есе арзан. Бұл — теңдік мәлімдемесі емес; бұл — жүктеме пішіні туралы дәлел. Айына жүз мың суретте шыңдағы модельге шамаңыз келмейді, ал еден моделіне келеді, ал адал сұрақ — еден моделінің бенчмаркте жеңетін-жеңбейтіні емес, сіздің дәлдік шегіңізден өтетін-өтпейтіні.
05MiMo-V2.5 пен MiniMax-M3: екі арзан көру моделі, адал салыстыру
Бұл екеуі баға, контекст және эндпоинт беті бойынша дәл тең. Олар өзара алмастырылмайды: кванттау деңгейі — көру моделін пайдалы ететін нәрсе туралы екі түрлі бәстің көрсеткіші.
| MiMo-V2.5 · W8A16 | MiniMax-M3 · 3BIT-REAP | |
|---|---|---|
| 1M-ге кіріс / шығыс | $0.50 / $2.00 | $0.50 / $2.00 |
| Салмақ дәлдігі | 8 бит | 3 бит + сарапшыларды кесу |
| Негіз өлшемі | Жинақы, тығыз | Үлкен, сирек MoE |
| Көру | Иә | Иә |
| Контекст терезесі | 262,144 | 262,144 |
| Схема · құралдар · ағын | Иә | Иә |
Қиын жері сурет болғанда MiMo-V2.5-ті таңдаңыз: мінсіз емес сканерлерді тығыз OCR-лау, диаграммалар мен кестелерден сандық шығарып алу, скриншот пен интерфейсті негіздеу, ұсақ мәтін оқу, бір-біріне ұқсас тауар фотоларын ажырату — орын ауыстырған цифр сәндік ақау емес, нағыз ақаулық болатын кез келген нәрсе. Сізге пиксельден токенге дейінгі ең дәл жол керек, ал бұл бағада оны 8-биттік салмақтар береді.
Оңай жері сурет болғанда MiniMax-M3-ті таңдаңыз. 3 битке қысылған үлкен сирек негіз кесілгеннен кейін де жинақы тығыз модель ұстай алатыннан көбірек әлемдік білім мен пайымдау кеңдігін ұстайды. Егер тапсырма «мына фотоға қара да, оның нені меңзейтіні туралы ұзақ пайымда» болса, немесе сурет негізінен мәтіндік әңгімедегі бір кіріс болса, үлкенірек негіз — жақсырақ аспап: айырбасқа бергеніңіз көрнекі өткірлік шектеуші жағдай болмаған.
06MiMo-V2.5 пен MiMo-V2.5-Pro: көзін тереңдікке айырбастаған бауырлас
Бұл — қолдау қызметіне ең көп сұрақ тудыратын салыстыру, сондықтан ашық айтқан жөн. MiMo-V2.5-Pro-W8A16 пен MiMo-V2.5-W8A16 бағаны, контекст терезесін, дәлдік деңгейін және отбасы атын бөліседі. Pro суреттерді қабылдамайды. Ол — жоғарғы жиын емес. Бұл — дәл сол бюджеттің басқаша бөлінуі.
Мультимодал модельді ұсыну декодермен қатар көру мұнарасы мен жобалаушыға да төлеу деген сөз — бекітілген құн нысанасында бұл тілдік модельдің өзіне жұмсалмайтын сыйымдылық. Pro бәрін мәтінге жұмсайды: ұзын форматта жазуға, кеңейтілген пайымдауға және кодқа көбірек қоры бар үлкенірек негіз. MiMo-V2.5 оның бір бөлігін көруге жұмсайды.
Сондықтан шешім ережесі ұмтылысыңыз туралы емес, кірістеріңіз туралы. Егер кез келген сұраныста скриншот, сканерленген бет, диаграмма, сызба немесе фотосурет болуы мүмкін болса, сізге MiMo-V2.5 керек — Pro мазмұн блогын қабылдамайды. Ал әр сұраныс мәтін болса әрі көру моделіне әдетпен жүгінген болсаңыз, негіз сапасын тегін жоғалтып отырсыз: дәл сол мөлшерлемедегі MiMo-V2.5-Pro-ны алыңыз.
Ұрлауға тұрарлық үлгі: мазмұн түрі бойынша бағдарлаңыз. Сурет бөлігі бар кез келген нәрсе MiMo-V2.5-W8A16-ға, қалғанының бәрі MiMo-V2.5-Pro-W8A16-ға барады. Бір отбасы, бір баға, бір контекст бюджеті — маршрутизатор қарапайым әрі келісуге тиіс құн моделі жоқ.
07«Цензурасыз суретті түсіну» шын мәнінде нені білдіреді
Бұл модельдің алдында бас тарту қабаты жоқ әрі оның шығысында мазмұн сүзгісі жоқ. Бұл — көру жұмысына нақты салдары бар өнім шешімі: модель тақырыпқа қарап бас тартудың орнына кадрда не барын сипаттайды.
Бұның маңызы бар, өйткені сүзілген көру API-лары заңды жұмыстың бүтін бір санатына құрылымдық тұрғыда жарамайды. Модерация конвейері өзі модерациялайтын материалға қарап, оның не екенін айтуға тиіс; ал өзі сыныптайтын нәрсеге қарауға болмайтын классификатор — классификатор емес. Дәл сол нақты жұмыстардың ұзын тізіміне қатысты:
- Сенім мен қауіпсіздік құралдары — жалпы қолданыстағы API өңдемейтін дәл сол суреттерді таңбалау, ал таңбалауды ең қажет ететін де сол суреттер.
- Медициналық, сот-медициналық және жазатайым оқиға суреттері — жалпы сүзгілер кім сұрағанына қарамай ауыр деп қабылдамайтын клиникалық, жарақат және оқиға орны фотографиясы.
- Қауіпсіздік зерттеулері — фишинг беттерін, зиянды интерфейстерді және түсірілген экрандарды модель алғышартқа қарсылық көрсетпей оқу.
- Ересектерге арналған мазмұнды сыныптау және мұрағат каталогтау — материалды анықтау үшін бар әрі қарау жұмысын сыртқа бере алмайтын конвейерлер, оған қоса сүзгілер таңбалауға болмайтындай санайтын тарихи жинақтар.
Бас тарту қабатын алып тастау құқықтық кедергіні емес, инженерлік кедергіні алып тастайды. Shannon AI-ды Shannon Lab LLC (Нью-Мексико, АҚШ) басқарады, ал API-ды пайдалану Жауапты пайдалану саясатымызбен реттеледі. Сүзілмеген шығыс — мүмкіндік, рұқсат қағазы емес.
08Шақыру: эндпоинттер, сурет кірісі және оның орны
Модель — MiMo-V2.5-W8A16, оған дәл сол салмақтарға жүгінетін үш сұраныс диалекті арқылы жетеді, сондықтан бұрыннан бар SDK-ңызды сақтайсыз:
/v1/chat/completions— OpenAI үйлесімді. Суреттерimage_urlмазмұн бөліктері түрінде, https URL немесе base64 дерек URI ретінде кіреді./v1/messages— Anthropic үйлесімді. Суреттерimageмазмұн блоктары түрінде кіреді./v1/responses— Responses үлгісіндегі диалект.
Ағынды беру мен құралдарды шақыру үшеуінде де жұмыс істейді, сондықтан модель скриншотқа қарап, көргені туралы функцияны бір айналымда шақыра алады. Сұраныс пен жауаптың толық схемалары API құжаттамасында, онда бір жол код жазбай тұрып сурет қоюға болатын ойын алаңы да бар.
MiMo-V2.5 қатаң json_schema мен response_format-ты қолдайды — бұл демо мен конвейердің арасындағы айырма. Оған түбіртекті және жеткізуші, күні, жол элементтері мен жалпы сомасы үшін типтелген өрістері бар схеманы беріңіз де, regex жазатын абзац емес, кодыңыз тексере алатын нысан алыңыз. Бұл каталогтағы он екі модельдің екеуінде құрылымдалған шығыс қолдауы толық емес; бұл модельде толық, әрі оның көлемі үлкен шығарып алу қызметі ретінде жұмыс істеуінің себебі де сол.
Контекст терезесі — 262,144 токен; жасалатын шығыс сұранысына 16,384 токенмен шектелген. Суреттер кіріс токендерін ажыратымдылыққа қарай жейді, сондықтан жоғары ажыратымдылықты бет сканерлері баламалы сөз санындағы мәтінге қарағанда контексті әлдеқайда тез жейді. 300 беттік сканерді бір сұранысқа тиеудің орнына ұзын құжаттарды беттеп бөліңіз әрі шығыс шегін толық шығарып алудағы нақты шектеу деп қарап, қиылған жауап алудың орнына тығыз кестелерді жол ауқымдары бойынша бөлшектеңіз.
Отбасының тегін ескергенде мұнда reasoning_effort тұтқасының нағыз күші бар. Көлемді сыныптауда оны түсіріңіз — онда жауап деген таңба, ал ойлау токендері таза шығын; ал диаграмма түсіндіруде, көрнекі математикада және сызба бойынша пайымдауда — модель жауап бермес бұрын көргендерінің бірнешеуін біріктіруге тиіс жерде — оны көтеріңіз.
Оның орны қайда, ал қайда емес
Жақсы келетін жерлер. Көлемді құжат және түбіртек шығарып алу; мінсіз емес сканерлердегі OCR-ға жақын жұмыс; диаграмма, бақылау тақтасы және кесте оқу; скриншотты түсіну және интерфейсті негіздеу; каталог тегтеу және көрнекі сұрақ-жауап; модерация конвейерлері — шақыруға шаққандағы құн шектеуші болатын әрі ұсақ бөлшек дәлдігінен бас тартқыңыз келмейтін кез келген мультимодал тапсырма.
Нашар келетін жерлер. Бағасына қарамай ең күшті модельді талап ететін фронтир қиындығындағы мультимодал пайымдау — бұл Kimi-K3-тің жұмысы, ал оның шамамен он есе қымбат болуының себебі бар. Тек мәтіндік жасау — онда дәл сол мөлшерлемеде MiMo-V2.5-Pro жақсырақ негіз береді. Энциклопедиялық әлемдік білімге сүйенетін жұмыс — онда үлкен сирек негіз жинақы тығыз негізден озады. Әрі 262K контексттен көбін қажет ететін кез келген нәрсе, ал оны мұндағы бірде-бір модель ұсынбайды.
Жоғарыдағы әр жарияланған көрсеткіш — MiMo және MiMo-VL серияларындағы аты аталған бақылау нүктесі үшін Xiaomi-дің өз саны. Біздің қорытындымызды емес, бастапқы материалды оқыңыз.
09Жиі қойылатын сұрақтар
Цензурасыз MiMo көру API-ы деген не?
Бұл — Shannon AI шлюзіндегі MiMo-V2.5 W8A16 моделі: Xiaomi-дің MiMo тегіндегі көре алатын модель, ол өз GPU кластерімізде 8-биттік салмақ дәлдігінде, 262,144 токендік контекстпен әрі бас тарту қабатынсыз, шығыс сүзгісінсіз ұсынылады. Ол суреттер мен мәтінді /v1/chat/completions, /v1/messages және /v1/responses арқылы миллион кіріс токеніне $0.50, миллион шығыс токеніне $2.00 бағасында қабылдайды.
Суреттерді шынымен көре алатын ең арзан цензурасыз модель қайсы?
Миллион токенге $0.50 кіріс / $2.00 шығыс деген еден бағасында екеуі тең: MiMo-V2.5 W8A16 және MiniMax-M3 3BIT-REAP. MiMo-V2.5 — екеуінің дәлдігі жоғарырағы, 8-биттік салмақтарымен, әрі бөлшекке сезімтал сурет жұмысы үшін қауіпсізірек әдепкі таңдау. MiniMax-M3 3 битке қысылған әлдеқайда үлкен негізді жүргізеді әрі пиксельдік дәлдіктен гөрі әлемдік білім кеңдігін артық көреді.
W8A16 нені білдіреді әрі оның көру үшін маңызы неде?
W8A16 дегеніміз — 16-биттік активациялары бар 8-биттік салмақтар, Shannon каталогындағы дәлдігі ең жоғары деңгей, ол негіз агрессивті қысуды қажет етпейтіндей шағын болғанда қолданылады. Оның көру үшін маңызы бар, өйткені көру мұнарасы мен оның жобалаушысы ұсақ түйіршікті бөлшекті тар жол арқылы алып жүреді, ал сол жерде енгізілген қателер сәл бұлдыр мәтіндік ендірме сияқты кейін қалпына келмейді.
MiMo-V2.5 MiMo-V2.5-Pro-дан немен ерекшеленеді?
Бағасы бірдей, 262,144 токендік контексті бірдей, W8A16 деңгейі бірдей, бірақ бұл бір модель емес. MiMo-V2.5 суреттерді қабылдайды; MiMo-V2.5-Pro қабылдамайды әрі сол ұсыну бюджетін оның орнына үлкенірек мәтіндік негізге жұмсайды. Кірістерде скриншоттар, құжаттар, диаграммалар немесе фотосуреттер болса, MiMo-V2.5 қолданыңыз; дәл сол мөлшерлемедегі тек мәтіндік жұмыс үшін Pro қолданыңыз.
Цензурасыз MiMo көру моделі JSON схеманы және құралдарды шақыруды қолдай ма?
Иә. MiMo-V2.5 W8A16 қатаң json_schema құрылымдалған шығысын, response_format-ты, құралдарды шақыруды, ағынды беруді және reasoning_effort басқаруын қолдайды. Оны шығарып алу бэкенді ретінде пайдалануға жарамды ететін де осы: оған сурет бересіз де, талдауға тура келетін проза емес, тексерілген нысан аласыз.
Оған сурет жіберіңіз
8-биттік көру, 262K контекст, бас тарту қабаты жоқ — тек мәтіндік модельдің бағасында.
API құжаттамасын оқу Барлық 12 модельді қарауМодель идентификаторы: MiMo-V2.5-W8A16 · Жауапты пайдалану саясатымызбен реттеледі
Дереккөздер: MiMo техникалық есебі (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Барлық бенчмарк көрсеткіштерін Xiaomi жоғарыда аталған шығарылған бақылау нүктелері үшін хабарлаған әрі олар осы эндпоинттегі нақты құраманы емес, отбасы тегін сипаттайды. Бағалар, контекст және мүмкіндік жалаушалары — Shannon AI шлюзінің тізімдік мәндері, 2026 жылғы қыркүйек.