API MiMo ការមើលឃើញ គ្មានសេនស័រ

ចំណុចប្រទាក់ពហុម៉ូដាលតម្លៃថោកគឺថោក ព្រោះមានអ្វីមួយត្រូវបានកាត់ចេញ ហើយអ្វីដែលត្រូវបានកាត់ជាធម្មតាគឺផ្នែកដែលអ្នកមើលមិនឃើញ៖ ទម្ងន់ត្រូវបានបង្រួមទៅបីឬបួនប៊ីត ហើយម៉ូដែលនៅតែឆ្លើយដោយទំនុកចិត្តអំពីតារាងមួយដែលវាលែងអាចអានពិតប្រាកដបានទៀត។ MiMo-V2.5 ជាឧទាហរណ៍ផ្ទុយក្នុងកាតាឡុករបស់យើង — ស្ថិតនៅតម្លៃជាន់ក្រោម និង ថ្នាក់ភាពត្រឹមត្រូវខ្ពស់បំផុតក្នុងពេលតែមួយ ព្រោះគ្រឹះដែលវាមកពីត្រូវបានសាងសង់ឲ្យតូច និងក្រាស់ ជាជាងធំសម្បើម និងរាយប៉ាយ។

01MiMo មកពីណា៖ ម៉ូដែលវែកញែកមុន ម៉ូដែលមើលឃើញក្រោយ

ពូជពង្ស MiMo ជាកម្មវិធីស្រាវជ្រាវទម្ងន់បើកចំហរបស់ Xiaomi ហើយអំណះអំណាងស្នូលរបស់វាមិនសូវទាន់សម័យ៖ សមត្ថភាពវែកញែកត្រូវបានកំណត់ក្នុងអំឡុងពេល pretraining មិនមែនត្រូវបានបន្ថែមនៅពេលក្រោយដោយ RL ទេ។ ការងារនេះភាគច្រើនជាវិស្វកម្មទិន្នន័យ — Xiaomi បានសាងសង់ការស្រង់ចេញ និងត្រងអត្ថបទឡើងវិញ ដើម្បីបង្កើនដង់ស៊ីតេនៃលំនាំវែកញែកក្នុងខ្លឹមសារ បង្កើតទិន្នន័យវែកញែកសំយោគក្នុងទំហំធំ និងបានបណ្តុះបណ្តាលជាមុន MiMo-7B-Base លើថូខឹនប្រហែល 25 លានលាន ក្រោមការលាយបញ្ចូលបីដំណាក់កាល ជាមួយ Multiple-Token Prediction ជាគោលដៅជំនួយដែលដំណើរការជា speculative decoder ពេលអនុមាន (អត្រាទទួលយកជិត 90% តាមរបាយការណ៍របស់ Xiaomi)។

ការបណ្តុះបណ្តាលក្រោយធ្វើឡើងយ៉ាងសន្សំសំចៃដោយចេតនា៖ ចំណោទគណិតវិទ្យា និងកូដចំនួន 130,000 ជាមួយរង្វាន់ភាពត្រឹមត្រូវផ្អែកលើវិធាន តែប៉ុណ្ណោះ គ្មានម៉ូដែលរង្វាន់ដែលបានរៀនទេ ដោយហេតុផលថាម៉ូដែលរង្វាន់សរសៃប្រសាទជាផ្ទៃមួយអាចត្រូវបានវាយប្រហារ។ រង្វាន់ដែលអាចផ្ទៀងផ្ទាត់បានមិនអាចលួងលោមបានទេ។ MiMo-7B-RL ទទួលបានលេខមិនសមាមាត្រនឹងទំហំរបស់វា — Xiaomi រាយការណ៍ 68.2% លើ AIME 2024, 95.8% លើ MATH-500, 57.8% លើ LiveCodeBench v5 នៅ pass@1 ស្មើនឹង o1-mini របស់ OpenAI។ នោះជារូបរាងនៃម៉ូដែលដែលអ្នកកំពុងហៅ៖ តូច បណ្តុះបណ្តាលយ៉ាងក្រាស់ តម្រូវឲ្យ ដោះស្រាយ បញ្ហាជាជាងចងចាំចម្លើយ — ហើយឥរិយាបថនោះបន្តទៅកូនចៅពហុម៉ូដាលរបស់វា។

02របៀបដែល MiMo រៀនមើល៖ ស្ថាបត្យកម្ម MiMo-VL

MiMo-VL ជាសាខាភាសា-ចក្ខុវិស័យ ហើយការសាងសង់របស់វាមានលក្ខណៈអប់រំ។ Xiaomi បានផ្គុំបីផ្នែក៖ encoder ViT ដែលមានគុណភាពដើម ដែលរក្សាលម្អិតម៉ត់ចត់ ជាជាងបង្ខំរូបភាពគ្រប់រូបកាត់តាមក្រឡាចត្រង្គគុណភាពទាបថេរមួយ, projector MLP ចាប់ផ្តើមដោយចៃដន្យចូលទៅចន្លោះ latent របស់ម៉ូដែលភាសា, និង — សំខាន់បំផុត — គ្រោងឆ្អឹងខ្នងវែកញែករបស់ MiMo ជាម៉ូដែលភាសា។ ប្រព័ន្ធចក្ខុវិស័យទទួលមរតក decoder ដែលពូកែរួចហើយក្នុងការគិតច្រើនជំហាន ជាជាងគ្រាន់តែពូកែសរសេរពណ៌នា។

ការបណ្តុះបណ្តាលដំណើរការជាបួនដំណាក់កាល pretraining — ការឡើងកម្តៅ projector ការតម្រឹមភាសា-ចក្ខុវិស័យ pretraining ពហុម៉ូដាលទូទៅ SFT បរិបទវែង — កាត់តាមថូខឹនប្រហែល 2.4 លានលាន បន្ទាប់មក Mixed On-policy Reinforcement Learning (MORL) ដែលបញ្ចូលភាពត្រឹមត្រូវនៃការយល់ឃើញ ភាពត្រឹមត្រូវនៃការទាក់ទងចក្ខុវិស័យ ភាពត្រឹមត្រូវនៃការវែកញែក និងចំណង់ចំណូលចិត្តរបស់មនុស្ស/AI ចូលក្នុងរង្វិលជុំ on-policy តែមួយ។ របាយការណ៍នេះទទួលស្គាល់ដោយស្មោះត្រង់ថា ការធ្វើឲ្យប្រសើរនូវទាំងអស់នេះក្នុងពេលតែមួយមិនស្ថិតស្ថេរទេ — ជាការបង្ហាញស្មោះត្រង់ជាងក្រដាសពហុម៉ូដាលភាគច្រើនផ្តល់ឲ្យ។

លទ្ធផលដែលបានផ្សព្វផ្សាយខ្លាំងសម្រាប់ចំនួនប៉ារ៉ាម៉ែត្រ។ Xiaomi រាយការណ៍ថា MiMo-VL-7B-RL ឈ្នះ Qwen2.5-VL-7B លើកិច្ចការ 35 ក្នុងចំណោម 40, 59.4 លើ OlympiadBench (លើសម៉ូដែលរហូតដល់ 78B) និង 56.1 លើ OSWorld-G សម្រាប់ការទាក់ទង GUI លើសពីភ្នាក់ងារចំណុចប្រទាក់ដែលបានសាងសង់ជាក់លាក់។ ការធ្វើបច្ចុប្បន្នភាព 2508 ក្រោយមកបានរុញ MMMU លើសពី 70 ជាលើកដំបូងក្នុងស៊េរីនេះ (70.6) ឈានដល់ 94.4 លើ ChartQA, 92.5 លើ ScreenSpot-v2 និង 70.8 លើ VideoMME និងបានបន្ថែមកុងតាក់ត្រួតពិនិត្យការគិត ដើម្បីឲ្យដានវែកញែកអាចបិទបានក្នុងមួយសំណើ។

03តើ W8A16 មានន័យអ្វី ហើយហេតុអ្វីវាសំខាន់សម្រាប់ការមើលឃើញច្រើនជាងអត្ថបទ

ម៉ូដែលគ្រប់រូបលើច្រកទ្វារមានបច្ច័យបង្រួមទិន្នន័យមួយ។ វាមិនមែនតុបតែងទេ — វាប្រាប់អ្នកថាអ្វីខ្លះត្រូវបានដូរ ដើម្បីធ្វើឲ្យម៉ូដែលអាចបម្រើបាន។

បច្ច័យ	វាជាអ្វី	ហេតុអ្វីវាត្រូវបានប្រើ
3BIT-REAP	ទម្ងន់ 3-bit បូកនឹង REAP វិធីសាស្ត្រកាត់ចោលអ្នកជំនាញ ដែលលុបចោលអ្នកជំនាញដែលកម្រត្រូវបានផ្តល់ផ្លូវពីម៉ូដែល MoE មុនពេលបង្រួមទិន្នន័យ	មធ្យោបាយតែមួយគត់ដើម្បីធ្វើឲ្យគ្រឹះធំបំផុតសមទំហំ និងបម្រើក្នុងល្បឿនសមហេតុផល
W4A16-AUTOROUND-REAP	ទម្ងន់ 4-bit ការធ្វើសកម្មភាព 16-bit បង្រួមទិន្នន័យដោយ AutoRound — ការបង្គត់ដែលបានរៀនដែលសង្គ្រោះភាពត្រឹមត្រូវលើសពីការបង្គត់ទៅជិតបំផុតធម្មតា — បូកនឹងការកាត់ចោល REAP	ចំណុចកណ្តាលសម្រាប់គ្រឹះធំដែលមិនត្រូវការការបង្រួមខ្លាំង
W8A16	ទម្ងន់ 8-bit ការធ្វើសកម្មភាព 16-bit — ថ្នាក់ភាពស្មោះត្រង់ខ្ពស់បំផុតដែលយើងបម្រើ	ប្រើនៅពេលគ្រឹះតូចល្មមដែលការបង្រួមទិន្នន័យខ្លាំងមិនចាំបាច់

MiMo-V2.5 ទទួលបានជួរទីបីដោយសារវាតូចល្មម៖ គ្រឹះក្រាស់ក្នុងថ្នាក់នេះមិនត្រូវការបំបែកទៅបីប៊ីតដើម្បីសមទំហំទេ ដូច្នេះអ្នកអាចមានលទ្ធភាពរក្សាប្រាំបី ហើយទម្ងន់ដែលអ្នកគូរគំរូពីនោះនៅជិតនឹងទម្ងន់ដែលបានបណ្តុះបណ្តាល។ នោះសំខាន់ដោយមិនសមាមាត្រសម្រាប់ការងាររូបភាព ដោយហេតុផលរចនាសម្ព័ន្ធ។ ក្នុង decoder អត្ថបទតែប៉ុណ្ណោះ embedding ដែលរសាត់ក្រោមការបង្រួមទិន្នន័យត្រូវបានយកបរិបទឡើងវិញដោយស្រទាប់ attention ជាច្រើនដប់នៅពេលក្រោយ — ឱកាសសង្គ្រោះជាច្រើន។ ជង់ចក្ខុវិស័យគ្មានចន្លោះបែបនោះទេ៖ ព័ត៌មានចក្ខុវិស័យឆ្លងកាត់ encoder តែមួយ និង projector តូចចង្អៀតតែមួយ មុននឹងទៅដល់ decoder ហើយអ្វីៗទាំងអស់ខាងក្រោមត្រូវបានកំណត់ដោយអ្វីដែលចំណុចរួមតូចនោះបានផលិត។ សញ្ញាលម្អិតម៉ត់ចត់ — 3 ធៀបនឹង 8 ក្នុងការស្កេនកម្រិតពណ៌ទាប ភីកសែលពិតប្រាកដដែលបារបញ្ចប់នៅលើអ័ក្សតារាង ព្រំដែននៃធាតុ UI ដែលអ្នកត្រូវបានស្នើសុំឲ្យចុច — រស់នៅក្នុងលម្អិតទម្ងន់ទំហំតូចដែលការបង្រួមទិន្នន័យខ្លាំងបោះបង់មុនគេ។

ម៉ូដែលចក្ខុវិស័យ 3-bit មិនបរាជ័យខ្លាំងទេ វាបរាជ័យស្ងាត់ៗ ដោយផលិតការពណ៌នាដ៏ស្ទាត់ជំនាញនៃឯកសារមួយ ដែលមានលេខពីរខ្ទង់ដូរកន្លែងក្នុងចំនួនសរុប។ ភាពត្រឹមត្រូវទម្ងន់ខ្ពស់ជាងជាការធានារ៉ាប់រងថោកបំផុតប្រឆាំងនឹងការបរាជ័យនោះ ហើយនៅទីនេះវាឥតគិតថ្លៃ — អ្នកបង់តម្លៃជាន់ក្រោមមិនថាយ៉ាងណានោះទេ។

04តម្លៃជាន់ក្រោម ក្នុងបរិបទ

ម៉ូដែលបួនក្នុងកាតាឡុកដប់ពីររបស់យើងស្ថិតនៅតម្លៃជាន់ក្រោម $0.50 ចូល / $2.00 ចេញ ក្នុងមួយលានថូខឹន។ មានតែមួយប៉ុណ្ណោះក្នុងចំណោមនោះទទួលរូបភាព។ នេះជាកន្លែងដែលម៉ូដែលអាចមើលឃើញធ្លាក់លើថ្លៃដើមលទ្ធផល ជាលេខដែលគ្រប់គ្រងវិក្កយបត្រពិតប្រាកដភាគច្រើន៖

តម្លៃលទ្ធផលជាដុល្លារអាមេរិកក្នុងមួយលានថូខឹន អត្រាបញ្ជីរបស់ Shannon AI Gateway ខែកញ្ញា ឆ្នាំ 2026។ ប្រវែងបារគឺទាក់ទងនឹងម៉ូដែលមើលឃើញថ្លៃបំផុតក្នុងកាតាឡុក។

ធៀបនឹង Kimi-K3 — ម៉ូដែលមើលឃើញកំពូល ហើយពិតជាខ្លាំងជាង — MiMo-V2.5 ថោកជាងប្រហែល 9.6 ដងលើលទ្ធផល និង 7.7 ដងលើទិន្នន័យបញ្ចូល។ នេះមិនមែនជាការអះអាងភាពស្មើគ្នាទេ វាជាអំណះអំណាងអំពីរូបរាងបន្ទុកការងារ។ នៅរូបភាពមួយសែនក្នុងមួយខែ ម៉ូដែលកំពូលមិនអាចទទួលបានទេ ខណៈម៉ូដែលជាន់ក្រោមអាចទទួលបាន ហើយសំណួរស្មោះត្រង់គឺថាតើម៉ូដែលជាន់ក្រោមឆ្លងកាត់របាំងភាពត្រឹមត្រូវរបស់អ្នកឬអត់ — មិនមែនថាតើវាឈ្នះ benchmark ឬអត់ទេ។

05MiMo-V2.5 ធៀបនឹង MiniMax-M3៖ ម៉ូដែលមើលឃើញថោកទាំងពីរ ប្រៀបធៀបដោយស្មោះត្រង់

ម៉ូដែលទាំងពីរនេះស្មើគ្នាបេះបិទលើតម្លៃ បរិបទ និងផ្ទៃ endpoint។ ពួកវាមិនអាចផ្លាស់ប្តូរគ្នាបានទេ៖ ថ្នាក់បង្រួមទិន្នន័យជាតំណាងសម្រាប់ការភ្នាល់ពីរផ្សេងគ្នាអំពីអ្វីដែលធ្វើឲ្យម៉ូដែលមើលឃើញមានប្រយោជន៍។

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
ចូល / ចេញ ក្នុងមួយលាន	$0.50 / $2.00	$0.50 / $2.00
ភាពត្រឹមត្រូវទម្ងន់	8-bit	3-bit + ការកាត់ចោលអ្នកជំនាញ
ទំហំគ្រឹះ	តូចល្មម ក្រាស់	MoE ធំ រាយប៉ាយ
ការមើលឃើញ	មាន	មាន
បង្អួចបរិបទ	262,144	262,144
Schema · ឧបករណ៍ · streaming	មាន	មាន

ជ្រើសរើស MiMo-V2.5 នៅពេលរូបភាពជាផ្នែកពិបាក៖ OCR ក្រាស់លើការស្កេនមិនល្អឥតខ្ចោះ ការស្រង់ចេញលេខពីតារាង និងតារាងទិន្នន័យ ការទាក់ទងរូបថតអេក្រង់ និង UI ការអានអត្ថបទតូច ការញែករូបថតផលិតផលដែលស្រដៀងគ្នាស្ទើរតែដូចគ្នា — អ្វីៗណាដែលលេខដូរកន្លែងជាកំហុសសំខាន់ ជាជាងគុណវិបត្តិខាងសោភ័ណភាព។ អ្នកចង់បានផ្លូវភាពស្មោះត្រង់ខ្ពស់បំផុតពីភីកសែលទៅថូខឹន ហើយទម្ងន់ 8-bit ជាវិធីដែលអ្នកទទួលបានវាក្នុងតម្លៃនេះ។

ជ្រើសរើស MiniMax-M3 នៅពេលរូបភាពជាផ្នែកងាយ។ គ្រឹះរាយប៉ាយធំមួយដែលបានបង្រួមទៅ 3-bit នៅតែផ្ទុកចំណេះដឹងទូទៅ និងទំហំវែកញែកច្រើនជាងម៉ូដែលក្រាស់តូចអាចធ្វើបាន សូម្បីតែក្រោយកាត់ចោល។ បើកិច្ចការគឺ "មើលរូបថតនេះ ហើយវែកញែកយ៉ាងវែងអំពីអត្ថន័យរបស់វា" ឬរូបភាពជាទិន្នន័យបញ្ចូលមួយក្នុងការសន្ទនាដែលភាគច្រើនជាអត្ថបទ គ្រឹះធំជាងជាឧបករណ៍ល្អជាង — ភាពជ្រាលជ្រៅចក្ខុវិស័យដែលអ្នកបានលះបង់មិនមែនជាដែនកំណត់សំខាន់ទេ។

06MiMo-V2.5 ធៀបនឹង MiMo-V2.5-Pro៖ ប្អូនប្រុសដែលដូរភ្នែកយកជម្រៅ

នេះជាការប្រៀបធៀបដែលបង្កើតសំបុត្រជំនួយច្រើនបំផុត ដូច្នេះសមនឹងនិយាយត្រង់ៗ។ MiMo-V2.5-Pro-W8A16 និង MiMo-V2.5-W8A16 មានតម្លៃដូចគ្នា បង្អួចបរិបទដូចគ្នា ថ្នាក់ភាពត្រឹមត្រូវដូចគ្នា និងឈ្មោះគ្រួសារដូចគ្នា។ Pro មិនទទួលរូបភាពទេ។ វាមិនមែនជាសំណុំធំជាងទេ។ វាជាការបែងចែកខុសគ្នានៃថវិកាដូចគ្នា។

ការបម្រើម៉ូដែលពហុម៉ូដាលមានន័យថាបង់ថ្លៃសម្រាប់ប៉មចក្ខុវិស័យ និង projector រួមជាមួយ decoder — ក្នុងគោលដៅថ្លៃដើមថេរមួយ សមត្ថភាពមិនត្រូវបានចំណាយលើម៉ូដែលភាសាខ្លួនឯងទេ។ Pro ចំណាយទាំងអស់លើអត្ថបទ៖ គ្រឹះធំជាងជាមួយចន្លោះបន្ថែមសម្រាប់ការសរសេររយៈពេលវែង ការវែកញែកបន្ថែម និងកូដ។ MiMo-V2.5 ចំណាយផ្នែកខ្លះលើការមើលឃើញ។

ដូច្នេះច្បាប់សម្រេចចិត្តគឺអំពីទិន្នន័យបញ្ចូលរបស់អ្នក មិនមែនមហិច្ឆតារបស់អ្នកទេ។ បើសំណើណាមួយអាចមានរូបថតអេក្រង់ ទំព័រស្កេន តារាង ដ្យាក្រាម ឬរូបថត អ្នកត្រូវការ MiMo-V2.5 — Pro នឹងបដិសេធប្លុកខ្លឹមសារនោះ។ បើសំណើគ្រប់ដងជាអត្ថបទ ហើយអ្នកជ្រើសម៉ូដែលមើលឃើញដោយទម្លាប់ អ្នកកំពុងបោះបង់គុណភាពគ្រឹះដោយឥតប្រយោជន៍៖ សូមយក MiMo-V2.5-Pro ក្នុងអត្រាដូចគ្នា។

លំនាំមួយសមនឹងចម្លង៖ នាំផ្លូវតាមប្រភេទខ្លឹមសារ។ អ្វីៗណាដែលមានផ្នែករូបភាព ទៅ MiMo-V2.5-W8A16 អ្វីៗផ្សេងទៀត ទៅ MiMo-V2.5-Pro-W8A16។ គ្រួសារដូចគ្នា តម្លៃដូចគ្នា ថវិកាបរិបទដូចគ្នា — router សាមញ្ញ ហើយគ្មានម៉ូដែលថ្លៃដើមត្រូវផ្សះផ្សាទេ។

07តើ "ការយល់ដឹងអំពីរូបភាពគ្មានសេនស័រ" ពិតជាមានន័យអ្វី

គ្មានស្រទាប់ការបដិសេធនៅមុខម៉ូដែលនេះទេ ហើយគ្មានតម្រងខ្លឹមសារលើលទ្ធផលរបស់វាទេ។ នោះជាការសម្រេចចិត្តផលិតផលដែលមានផលវិបាកជាក់លាក់សម្រាប់ការងាររូបភាព៖ ម៉ូដែលពណ៌នាអ្វីដែលនៅក្នុងស៊ុម ជាជាងបដិសេធដោយផ្អែកលើប្រធានបទ។

នេះសំខាន់ ព្រោះ API ចក្ខុវិស័យដែលមានតម្រងមិនសមទៅនឹងប្រភេទការងារស្របច្បាប់ទាំងមូលមួយ តាមរចនាសម្ព័ន្ធ។ បំពង់ត្រួតពិនិត្យខ្លឹមសារត្រូវតែមើលសម្ភារៈដែលវាត្រួតពិនិត្យ ហើយប្រាប់ថាវាជាអ្វី អ្នកចាត់ថ្នាក់ដែលបដិសេធពិនិត្យវត្ថុដែលវាចាត់ថ្នាក់ មិនមែនជាអ្នកចាត់ថ្នាក់ទេ។ រឿងដូចគ្នានេះមានលើបញ្ជីការងារពិតដ៏វែងមួយ៖

• ឧបករណ៍ទំនុកចិត្ត និងសុវត្ថិភាព — ការដាក់ស្លាកលើរូបភាពដែល API ធម្មតានឹងមិនដំណើរការឲ្យ ជារូបភាពដែលត្រូវការស្លាកបំផុត។
• រូបភាពវេជ្ជសាស្ត្រ កោសល្យវិច្ច័យ និងគ្រោះថ្នាក់ — រូបថតគ្លីនិក របួស និងទីកន្លែងកើតហេតុ ដែលតម្រងទូទៅបដិសេធថាហឹង្សា មិនគិតថាអ្នកណាសួរ។
• ការស្រាវជ្រាវសន្តិសុខ — ការអានទំព័រ phishing ចំណុចប្រទាក់មេរោគ និងអេក្រង់ដែលបានចាប់យក ដោយម៉ូដែលមិនរអាក់រអួលចំពោះមូលដ្ឋានគំនិត។
• ការចាត់ថ្នាក់ខ្លឹមសារមនុស្សពេញវ័យ និងការចងក្រងបណ្ណសារ — បំពង់ដែលមានគោលបំណងកំណត់អត្តសញ្ញាណសម្ភារៈ ហើយមិនអាចប្រគល់ការមើលឲ្យអ្នកផ្សេងបានទេ បូកនឹងបណ្ណសារប្រវត្តិសាស្ត្រដែលតម្រងចាត់ទុកថាមិនអាចដាក់ស្លាកបាន។

ការដកស្រទាប់ការបដិសេធចេញ ដករបាំងវិស្វកម្មចេញ មិនមែនរបាំងច្បាប់ទេ។ Shannon AI ដំណើរការដោយ Shannon Lab LLC នៅរដ្ឋ New Mexico សហរដ្ឋអាមេរិក ហើយការប្រើប្រាស់ API ត្រូវបានគ្រប់គ្រងដោយគោលការណ៍ប្រើប្រាស់ដោយទទួលខុសត្រូវរបស់យើង។ លទ្ធផលគ្មានតម្រងជាសមត្ថភាព មិនមែនសំបុត្រអនុញ្ញាតទេ។

08ការហៅវា៖ endpoint ទិន្នន័យបញ្ចូលរូបភាព និងកន្លែងសមរម្យ

ម៉ូដែលនេះគឺ MiMo-V2.5-W8A16 អាចហៅបានលើគ្រាមភាសាសំណើបីប្រភេទលើទម្ងន់ដូចគ្នា ដូច្នេះអ្នករក្សា SDK ណាមួយដែលអ្នកមានរួចហើយ៖

• /v1/chat/completions — ត្រូវគ្នាជាមួយ OpenAI។ រូបភាពចូលជាផ្នែកខ្លឹមសារ image_url មិនជា URL https ក៏ជា data URI base64។
• /v1/messages — ត្រូវគ្នាជាមួយ Anthropic។ រូបភាពចូលជាប្លុកខ្លឹមសារ image។
• /v1/responses — គ្រាមភាសាបែប Responses។

Streaming និងការហៅឧបករណ៍ដំណើរការលើទាំងបីនេះ ដូច្នេះម៉ូដែលអាចមើលរូបថតអេក្រង់ ហើយហៅមុខងារអំពីអ្វីដែលវាឃើញក្នុងវេនតែមួយ។ schema សំណើ និងលទ្ធផលពេញលេញមាននៅក្នុងឯកសារ API ដែលក៏មាន playground ដែលអ្នកអាចបិទភ្ជាប់រូបភាពចូលមុននឹងសរសេរកូដណាមួយ។

MiMo-V2.5 គាំទ្រ json_schema និង response_format តឹងរឹង — ភាពខុសគ្នារវាងការសាកល្បង និងបំពង់ផលិតកម្ម។ ប្រគល់វិក្កយបត្រមួយ បូកនឹង schema ដែលមានវាល typed សម្រាប់អ្នកលក់ កាលបរិច្ឆេទ ធាតុបញ្ជី និងចំនួនសរុប ហើយអ្នកទទួលបានវត្ថុមួយដែលកូដរបស់អ្នកអាចផ្ទៀងផ្ទាត់បាន ជាជាងកថាខណ្ឌដែលអ្នកត្រូវ regex។ ម៉ូដែលពីរក្នុងចំណោមដប់ពីរនៅក្នុងកាតាឡុកនេះខ្វះការគាំទ្រលទ្ធផលមានរចនាសម្ព័ន្ធពេញលេញ ម៉ូដែលនេះមិនខ្វះទេ ហើយនោះជាមូលហេតុដែលវាដំណើរការជាសេវាស្រង់ទិន្នន័យបរិមាណច្រើន។

បង្អួចបរិបទគឺ 262,144 ថូខឹន លទ្ធផលដែលបានបង្កើតកំណត់ត្រឹម 16,384 ថូខឹនក្នុងមួយសំណើ។ រូបភាពប្រើប្រាស់ថូខឹនចូលអាស្រ័យលើគុណភាព ដូច្នេះការស្កេនទំព័រគុណភាពខ្ពស់ស៊ីបរិបទលឿនជាងចំនួនពាក្យស្មើគ្នាក្នុងអត្ថបទ។ សូមបំបែកឯកសារវែងជាទំព័រ ជាជាងផ្ទុកការស្កេន 300 ទំព័រក្នុងសំណើតែមួយ ហើយចាត់ទុកកម្រិតលទ្ធផលជាដែនកំណត់ពិតប្រាកដលើការស្រង់ចេញយ៉ាងហ្មត់ចត់ — សូមបំបែកតារាងទិន្នន័យក្រាស់តាមជួរដេក ជាជាងទទួលបានចម្លើយដែលកាត់ខ្លី។

កុងតាក់ reasoning_effort មានឥទ្ធិពលពិតប្រាកដនៅទីនេះ ដោយសារពូជពង្សរបស់គ្រួសារនេះ។ បន្ថយវាសម្រាប់ការចាត់ថ្នាក់បរិមាណច្រើន ដែលចម្លើយជាស្លាកមួយ ហើយថូខឹនគិតគូរជាថ្លៃដើមសុទ្ធ បង្កើនវាសម្រាប់ការបកស្រាយតារាង គណិតវិទ្យាចក្ខុវិស័យ និងការវែកញែកដ្យាក្រាម ដែលម៉ូដែលត្រូវរួមបញ្ចូលរបស់ជាច្រើនដែលវាឃើញ មុននឹងឆ្លើយ។

កន្លែងសមរម្យ និងកន្លែងមិនសមរម្យ

សមរម្យសម្រាប់៖ ការស្រង់ចេញឯកសារ និងវិក្កយបត្របរិមាណច្រើន ការងារជិត OCR លើការស្កេនមិនល្អឥតខ្ចោះ ការអានតារាង dashboard និងតារាងទិន្នន័យ ការយល់ដឹងរូបថតអេក្រង់ និងការទាក់ទង UI ការដាក់ស្លាកកាតាឡុក និង QA ចក្ខុវិស័យ បំពង់ត្រួតពិនិត្យខ្លឹមសារ — កិច្ចការពហុម៉ូដាលណាមួយដែលថ្លៃដើមក្នុងមួយការហៅជាកត្តាកំណត់ ហើយភាពត្រឹមត្រូវលម្អិតម៉ត់ចត់ជាអ្វីដែលអ្នកមិនព្រមលះបង់។

មិនសមរម្យសម្រាប់៖ ការវែកញែកពហុម៉ូដាលកម្រិតលំបាកបំផុតដែលត្រូវការម៉ូដែលខ្លាំងបំផុតមិនគិតតម្លៃ — ជាការងាររបស់ Kimi-K3 ហើយវាមានតម្លៃស្ទើរដប់ដងសម្រាប់ហេតុផលនោះ។ ការបង្កើតអត្ថបទតែប៉ុណ្ណោះ ដែល MiMo-V2.5-Pro ផ្តល់គ្រឹះប្រសើរជាងក្នុងអត្រាដូចគ្នា។ ការងារពឹងផ្អែកលើចំណេះដឹងទូទៅសព្វវចនាធិប្បាយ ដែលគ្រឹះរាយប៉ាយធំវាយឈ្នះគ្រឹះក្រាស់តូច។ និងអ្វីៗណាដែលត្រូវការបរិបទលើសពី 262K ដែលគ្មានម៉ូដែលនៅទីនេះផ្តល់ឲ្យ។

09សំណួរដែលសួរញឹកញាប់

---

ប្រភព៖ របាយការណ៍បច្ចេកទេស MiMo (arXiv 2505.07608) · របាយការណ៍បច្ចេកទេស MiMo-VL (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508។ តួលេខ benchmark ទាំងអស់ជារបស់ Xiaomi រាយការណ៍សម្រាប់ checkpoint ដែលបានចេញផ្សាយឈ្មោះខាងលើ ហើយពណ៌នាពូជពង្សគ្រួសារ មិនមែនការសាងសង់ពិតប្រាកដលើ endpoint នេះទេ។ តម្លៃ បរិបទ និងទង់សមត្ថភាព ជាតម្លៃបញ្ជីរបស់ Shannon AI Gateway ខែកញ្ញា ឆ្នាំ 2026។