ಸೆನ್ಸಾರ್ ರಹಿತ MiMo ದೃಷ್ಟಿ API
8-ಬಿಟ್ ವೈಟ್ ನಿಖರತೆಯನ್ನು ಚಿತ್ರ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆಯೊಂದಿಗೆ ಜೋಡಿಸುವ ನಮ್ಮ ಕ್ಯಾಟಲಾಗ್‌ನ ಏಕೈಕ ಮಾಡೆಲ್ ಇದು — ಮತ್ತು ಇದು ಪಠ್ಯ-ಮಾತ್ರ ನೆಲಮಟ್ಟದ ಮಾಡೆಲ್‌ಗಳ ವೆಚ್ಚದಷ್ಟೇ ವೆಚ್ಚವಾಗುತ್ತದೆ: ಪ್ರತಿ ಮಿಲಿಯನ್ ಟೋಕನ್‌ಗೆ $0.50 ಇನ್ / $2.00 ಔಟ್.
ಸಂಕ್ಷಿಪ್ತವಾಗಿ
MiMo-V2.5-W8A16 ಎಂಬುದು Shannon AI ಗೇಟ್‌ವೇಯ MiMo ಜೋಡಿಯ ದೃಷ್ಟಿ-ಸಾಮರ್ಥ್ಯದ ಸದಸ್ಯ, Xiaomi ಯ MiMo ಸಾಲಿನಿಂದ ಬಂದಿದೆ — ಒಂದು ರೀಸನಿಂಗ್-ಮೊದಲ ಭಾಷಾ ಮಾಡೆಲ್, ಅದಕ್ಕೆ ದೃಷ್ಟಿ ಟವರ್ ಜೋಡಿಸಲಾಗಿದೆ — ಮತ್ತು ನಮ್ಮದೇ GPU ಕ್ಲಸ್ಟರ್‌ನಲ್ಲಿ ನಮ್ಮ ಅತ್ಯುನ್ನತ-ನಿಷ್ಠೆಯ ಕ್ವಾಂಟೈಸೇಶನ್ ಶ್ರೇಣಿಯಾದ W8A16 ನಲ್ಲಿ ಸೇವೆ ನೀಡಲಾಗಿದೆ. 262,144-ಟೋಕನ್ ಸಂದರ್ಭ, 16,384 ಗರಿಷ್ಠ ಔಟ್‌ಪುಟ್ ಟೋಕನ್‌ಗಳು, ಟೂಲ್ ಕಾಲಿಂಗ್, ಕಠಿಣ JSON schema, ಸ್ಟ್ರೀಮಿಂಗ್, ಮತ್ತು reasoning_effort ಡಯಲ್. ನಿರಾಕರಣೆ ಪದರ ಇಲ್ಲ, ಔಟ್‌ಪುಟ್ ಫಿಲ್ಟರ್ ಇಲ್ಲ. ಇದು ಪಟ್ಟಿಯಲ್ಲಿ ಅಗ್ಗದ ದೃಷ್ಟಿಗಾಗಿ MiniMax-M3 ಜೊತೆ ಸಮಬಲವಾಗಿದೆ ಮತ್ತು ನಿಖರತೆಯಲ್ಲಿ ಅದನ್ನು ಮೀರಿಸುತ್ತದೆ.
ಅಗ್ಗದ ಮಲ್ಟಿಮೋಡಲ್ ಎಂಡ್‌ಪಾಯಿಂಟ್‌ಗಳು ಅಗ್ಗವಾಗಿರುವುದು ಏನೋ ಕತ್ತರಿಸಲ್ಪಟ್ಟಿದೆ ಎಂಬ ಕಾರಣಕ್ಕೆ, ಮತ್ತು ಕತ್ತರಿಸಲ್ಪಡುವುದು ಸಾಮಾನ್ಯವಾಗಿ ನಿಮಗೆ ಕಾಣದ ಭಾಗ: ವೈಟ್ಸ್ ಮೂರು ಅಥವಾ ನಾಲ್ಕು ಬಿಟ್‌ಗಳಿಗೆ ಒತ್ತಲ್ಪಡುತ್ತವೆ, ಮತ್ತು ಮಾಡೆಲ್ ಇನ್ನೂ ತಾನು ನಿಜವಾಗಿ ಓದಲಾಗದ ಚಾರ್ಟ್ ಬಗ್ಗೆ ಆತ್ಮವಿಶ್ವಾಸದಿಂದ ಉತ್ತರಿಸುತ್ತದೆ. MiMo-V2.5 ನಮ್ಮ ಕ್ಯಾಟಲಾಗ್‌ನಲ್ಲಿ ಪ್ರತಿ-ಉದಾಹರಣೆ — ಬೆಲೆ ನೆಲಮಟ್ಟದಲ್ಲಿ ಮತ್ತು ಅದೇ ಸಮಯದಲ್ಲಿ ಟಾಪ್ ನಿಖರತೆಯ ಶ್ರೇಣಿಯಲ್ಲಿ, ಏಕೆಂದರೆ ಅದು ಬಂದಿರುವ ಫೌಂಡೇಶನ್ ಬೃಹತ್ ಮತ್ತು ಸ್ಪಾರ್ಸ್ ಬದಲಿಗೆ ಚಿಕ್ಕದಾಗಿ ಮತ್ತು ಡೆನ್ಸ್ ಆಗಿ ಕಟ್ಟಲ್ಪಟ್ಟಿತ್ತು.
01MiMo ಎಲ್ಲಿಂದ ಬಂತು: ಮೊದಲು ರೀಸನಿಂಗ್ ಮಾಡೆಲ್, ನಂತರ ದೃಷ್ಟಿ ಮಾಡೆಲ್
MiMo ಸಾಲು Xiaomi ಯ ಓಪನ್-ವೈಟ್ಸ್ ಸಂಶೋಧನಾ ಕಾರ್ಯಕ್ರಮ, ಮತ್ತು ಅದರ ಮೂಲ ವಾದ ಅಪ್ರಿಯವಾಗಿದೆ: ರೀಸನಿಂಗ್ ಸಾಮರ್ಥ್ಯ ಪೂರ್ವ-ತರಬೇತಿಯ ಸಮಯದಲ್ಲಿ ನಿಗದಿಯಾಗುತ್ತದೆ, RL ಜೊತೆ ನಂತರ ಜೋಡಿಸಲ್ಪಡುವುದಿಲ್ಲ. ಕೆಲಸ ಬಹುಮಟ್ಟಿಗೆ ಡೇಟಾ ಎಂಜಿನಿಯರಿಂಗ್ — Xiaomi ಕಾರ್ಪಸ್‌ನಲ್ಲಿ ರೀಸನಿಂಗ್ ಮಾದರಿಗಳ ಸಾಂದ್ರತೆಯನ್ನು ಹೆಚ್ಚಿಸಲು ಪಠ್ಯ ಹೊರತೆಗೆಯುವಿಕೆ ಮತ್ತು ಫಿಲ್ಟರಿಂಗ್ ಅನ್ನು ಮರುನಿರ್ಮಿಸಿತು, ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿ ಸಿಂಥೆಟಿಕ್ ರೀಸನಿಂಗ್ ಡೇಟಾ ಉತ್ಪಾದಿಸಿತು, ಮತ್ತು ಮೂರು-ಹಂತದ ಮಿಶ್ರಣದ ಅಡಿಯಲ್ಲಿ MiMo-7B-Base ಅನ್ನು ಸುಮಾರು 25 ಟ್ರಿಲಿಯನ್ ಟೋಕನ್‌ಗಳ ಮೇಲೆ ಪೂರ್ವ-ತರಬೇತಿಗೊಳಿಸಿತು, Multiple-Token Prediction ಅನ್ನು ಸಹಾಯಕ ಗುರಿಯಾಗಿ ಇಟ್ಟುಕೊಂಡು ಅದು ಇನ್ಫರೆನ್ಸ್ ಸಮಯದಲ್ಲಿ ಒಂದು ಸ್ಪೆಕ್ಯುಲೇಟಿವ್ ಡಿಕೋಡರ್ ಆಗಿ ಕೂಡ ಕೆಲಸ ಮಾಡುತ್ತದೆ (Xiaomi ಪ್ರಕಾರ ಅಂಗೀಕಾರ ದರ ಸುಮಾರು 90%).
ನಂತರ-ತರಬೇತಿ ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಕಠಿಣ: 130,000 ಗಣಿತ ಮತ್ತು ಕೋಡ್ ಸಮಸ್ಯೆಗಳು, ನಿಯಮ-ಆಧಾರಿತ ನಿಖರತೆ ರಿವಾರ್ಡ್‌ಗಳು ಮಾತ್ರ, ಯಾವುದೇ ಕಲಿತ ರಿವಾರ್ಡ್ ಮಾಡೆಲ್ ಇಲ್ಲ — ನ್ಯೂರಲ್ ರಿವಾರ್ಡ್ ಮಾಡೆಲ್ ಹ್ಯಾಕ್ ಮಾಡಬಹುದಾದ ಮೇಲ್ಮೈ ಎಂಬ ತರ್ಕದ ಮೇಲೆ. ಪರಿಶೀಲಿಸಬಹುದಾದ ರಿವಾರ್ಡ್‌ಗಳನ್ನು ಮೋಸಗೊಳಿಸಲಾಗುವುದಿಲ್ಲ. MiMo-7B-RL ತನ್ನ ಗಾತ್ರಕ್ಕೆ ಅಸಮಾನವಾದ ಸಂಖ್ಯೆಗಳನ್ನು ದಾಖಲಿಸುತ್ತದೆ — Xiaomi pass@1 ನಲ್ಲಿ AIME 2024 ರಲ್ಲಿ 68.2%, MATH-500 ರಲ್ಲಿ 95.8%, LiveCodeBench v5 ರಲ್ಲಿ 57.8% ವರದಿ ಮಾಡುತ್ತದೆ, OpenAI ಯ o1-mini ಗೆ ಸರಿಸಮಾನವಾಗಿ. ಇದೇ ನೀವು ಕರೆಯುತ್ತಿರುವ ಮಾಡೆಲ್‌ನ ಆಕಾರ: ಕಾಂಪ್ಯಾಕ್ಟ್, ದಟ್ಟವಾಗಿ ತರಬೇತಿ ಪಡೆದ, ಉತ್ತರವನ್ನು ನೆನಪಿಸಿಕೊಳ್ಳುವ ಬದಲು ಸಮಸ್ಯೆಯ ಮೂಲಕ ಕೆಲಸ ಮಾಡಲು ಟ್ಯೂನ್ ಮಾಡಿದ — ಮತ್ತು ಆ ಸ್ವಭಾವ ಮಲ್ಟಿಮೋಡಲ್ ವಂಶಸ್ಥರಲ್ಲಿ ಉಳಿಯುತ್ತದೆ.
02MiMo ನೋಡಲು ಹೇಗೆ ಕಲಿತಿತು: MiMo-VL ವಾಸ್ತುಶಿಲ್ಪ
MiMo-VL ದೃಷ್ಟಿ-ಭಾಷಾ ಶಾಖೆ, ಮತ್ತು ಅದರ ನಿರ್ಮಾಣ ಬೋಧಪ್ರದವಾಗಿದೆ. Xiaomi ಮೂರು ಭಾಗಗಳನ್ನು ಜೋಡಿಸಿತು: ಪ್ರತಿ ಚಿತ್ರವನ್ನು ಸ್ಥಿರ ಕಡಿಮೆ-ರೆಸಲ್ಯೂಶನ್ ಗ್ರಿಡ್ ಮೂಲಕ ಬಲವಂತಪಡಿಸುವ ಬದಲು ಸೂಕ್ಷ್ಮ ವಿವರವನ್ನು ಸಂರಕ್ಷಿಸುವ ಸ್ಥಳೀಯ-ರೆಸಲ್ಯೂಶನ್ ViT ಎನ್ಕೋಡರ್, ಭಾಷಾ ಮಾಡೆಲ್‌ನ ಲೇಟೆಂಟ್ ಜಾಗಕ್ಕೆ ಯಾದೃಚ್ಛಿಕವಾಗಿ ಆರಂಭಿಸಲಾದ MLP ಪ್ರೊಜೆಕ್ಟರ್, ಮತ್ತು — ನಿರ್ಣಾಯಕವಾಗಿ — ಭಾಷಾ ಮಾಡೆಲ್ ಆಗಿ MiMo ರೀಸನಿಂಗ್ ಬ್ಯಾಕ್‌ಬೋನ್. ದೃಷ್ಟಿ ವ್ಯವಸ್ಥೆ ಕೇವಲ ಕ್ಯಾಪ್ಷನಿಂಗ್‌ನಲ್ಲಿ ಚೆನ್ನಾಗಿರುವ ಡಿಕೋಡರ್ ಬದಲಿಗೆ ಈಗಾಗಲೇ ಬಹು-ಹಂತದ ಚಿಂತನೆಯಲ್ಲಿ ಚೆನ್ನಾಗಿರುವ ಡಿಕೋಡರ್ ಅನ್ನು ಆನುವಂಶಿಕವಾಗಿ ಪಡೆಯುತ್ತದೆ.
ತರಬೇತಿ ನಾಲ್ಕು ಪೂರ್ವ-ತರಬೇತಿ ಹಂತಗಳಲ್ಲಿ ನಡೆಯಿತು — ಪ್ರೊಜೆಕ್ಟರ್ ವಾರ್ಮಪ್, ದೃಷ್ಟಿ-ಭಾಷಾ ಜೋಡಣೆ, ಸಾಮಾನ್ಯ ಮಲ್ಟಿಮೋಡಲ್ ಪೂರ್ವ-ತರಬೇತಿ, ದೀರ್ಘ-ಸಂದರ್ಭ SFT — ಸುಮಾರು 2.4 ಟ್ರಿಲಿಯನ್ ಟೋಕನ್‌ಗಳ ಆದ್ಯಂತ, ನಂತರ Mixed On-policy Reinforcement Learning (MORL), ಗ್ರಹಿಕೆ ನಿಖರತೆ, ದೃಶ್ಯ ಗ್ರೌಂಡಿಂಗ್ ನಿಖರತೆ, ರೀಸನಿಂಗ್ ಸರಿಯಾಗಿರುವಿಕೆ, ಮತ್ತು ಮಾನವ/AI ಆದ್ಯತೆಯನ್ನು ಒಂದೇ ಆನ್-ಪಾಲಿಸಿ ಲೂಪ್‌ಗೆ ಮಡಚಿ. ಆ ಎಲ್ಲವನ್ನೂ ಒಂದೇ ಬಾರಿಗೆ ಆಪ್ಟಿಮೈಸ್ ಮಾಡುವುದು ಅಸ್ಥಿರ ಎಂದು ವರದಿ ಸ್ಪಷ್ಟವಾಗಿ ಒಪ್ಪಿಕೊಳ್ಳುತ್ತದೆ — ಬಹುತೇಕ ಮಲ್ಟಿಮೋಡಲ್ ಪೇಪರ್‌ಗಳು ನೀಡುವುದಕ್ಕಿಂತ ಹೆಚ್ಚು ಪ್ರಾಮಾಣಿಕ ಚೌಕಟ್ಟು.
ಪ್ಯಾರಾಮೀಟರ್ ಎಣಿಕೆಗೆ ಪ್ರಕಟಿತ ಫಲಿತಾಂಶಗಳು ಬಲಿಷ್ಠವಾಗಿವೆ. Xiaomi MiMo-VL-7B-RL 40 ರಲ್ಲಿ 35 ಕೆಲಸಗಳಲ್ಲಿ Qwen2.5-VL-7B ಅನ್ನು ಸೋಲಿಸುತ್ತದೆ, OlympiadBench ನಲ್ಲಿ 59.4 (78B ವರೆಗಿನ ಮಾಡೆಲ್‌ಗಳಿಗಿಂತ ಮೇಲೆ), ಮತ್ತು GUI ಗ್ರೌಂಡಿಂಗ್‌ಗಾಗಿ OSWorld-G ನಲ್ಲಿ 56.1, ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಕಟ್ಟಲಾದ ಇಂಟರ್ಫೇಸ್ ಏಜೆಂಟ್‌ಗಳಿಗಿಂತ ಮುಂದೆ ಎಂದು ವರದಿ ಮಾಡುತ್ತದೆ. ನಂತರದ 2508 ರಿಫ್ರೆಶ್ ಸರಣಿಯಲ್ಲಿ ಮೊದಲ ಬಾರಿಗೆ MMMU ಅನ್ನು 70 ಮೀರಿ ತಳ್ಳಿತು (70.6), ChartQA ನಲ್ಲಿ 94.4, ScreenSpot-v2 ನಲ್ಲಿ 92.5 ಮತ್ತು VideoMME ನಲ್ಲಿ 70.8 ತಲುಪಿತು, ಮತ್ತು ಪ್ರತಿ ವಿನಂತಿಗೆ ರೀಸನಿಂಗ್ ಟ್ರೇಸ್‌ಗಳನ್ನು ಆಫ್ ಮಾಡಬಹುದಾದ ಥಿಂಕಿಂಗ್-ಕಂಟ್ರೋಲ್ ಸ್ವಿಚ್ ಸೇರಿಸಿತು.
ಆವೃತ್ತಿ ಹಕ್ಕುಗಳ ಬಗ್ಗೆ ಒಂದು ಟಿಪ್ಪಣಿ
ಮೇಲಿನ ಪ್ರತಿ ಅಂಕಿ ಒಂದು ನಿರ್ದಿಷ್ಟ ಬಿಡುಗಡೆಯಾದ ಚೆಕ್‌ಪಾಯಿಂಟ್‌ಗೆ Xiaomi ಯ ಸ್ವಂತ ಪ್ರಕಟಿತ ಸಂಖ್ಯೆ, ಕೆಳಗಿನ ಮೂಲಗಳ ಬ್ಲಾಕ್‌ನಲ್ಲಿ ಲಿಂಕ್ ಮಾಡಲಾಗಿದೆ. ನಮ್ಮ ಕ್ಯಾಟಲಾಗ್ ಎಂಟ್ರಿ ಆ ವಂಶಾವಳಿಯ ನಂತರದ ಬಿಂದು. ನಾವು ಮಾಡೆಲ್ ಎಲ್ಲಿಂದ ಬಂತು ಮತ್ತು ಕುಟುಂಬ ಏನು ಮಾಡಲು ಕಟ್ಟಲ್ಪಟ್ಟಿದೆ ಎಂಬುದನ್ನು ವಿವರಿಸುತ್ತಿದ್ದೇವೆ — ಆ ನಿಖರ ಸ್ಕೋರ್‌ಗಳು ನೀವು ಕರೆಯುವ ಬಿಲ್ಡ್‌ಗೆ ವರ್ಗಾಯಿಸುತ್ತವೆ ಎಂದು ಹೇಳುತ್ತಿಲ್ಲ. ನಿಮ್ಮದೇ ಕೆಲಸದ ಭಾರವನ್ನು ಬೆಂಚ್‌ಮಾರ್ಕ್ ಮಾಡಿ; ಬೆಲೆ ನೆಲಮಟ್ಟ ಇರುವುದೇ ಅದಕ್ಕಾಗಿ.
03W8A16 ಎಂದರೆ ಏನು, ಮತ್ತು ಪಠ್ಯಕ್ಕಿಂತ ದೃಷ್ಟಿಗೆ ಅದು ಏಕೆ ಹೆಚ್ಚು ಮುಖ್ಯ
ಗೇಟ್‌ವೇಯ ಪ್ರತಿ ಮಾಡೆಲ್ ಒಂದು ಕ್ವಾಂಟೈಸೇಶನ್ ಸಫಿಕ್ಸ್ ಹೊಂದಿದೆ. ಇದು ಅಲಂಕಾರವಲ್ಲ — ಮಾಡೆಲ್ ಸೇವೆ ನೀಡಲು ಸಾಧ್ಯವಾಗಿಸಲು ಏನನ್ನು ವಿನಿಮಯ ಮಾಡಿಕೊಳ್ಳಲಾಗಿದೆ ಎಂಬುದನ್ನು ಅದು ಹೇಳುತ್ತದೆ.
| ಸಫಿಕ್ಸ್ | ಅದು ಏನು | ಅದನ್ನು ಏಕೆ ಬಳಸಲಾಗುತ್ತದೆ |
|---|---|---|
| 3BIT-REAP | 3-ಬಿಟ್ ವೈಟ್ಸ್ ಜೊತೆಗೆ REAP, MoE ಮಾಡೆಲ್‌ನಿಂದ ಅಪರೂಪವಾಗಿ-ರೂಟ್ ಆಗುವ ಎಕ್ಸ್‌ಪರ್ಟ್‌ಗಳನ್ನು ಕ್ವಾಂಟೈಸ್ ಮಾಡುವ ಮೊದಲು ಬಿಡುವ ಎಕ್ಸ್‌ಪರ್ಟ್-ಪ್ರೂನಿಂಗ್ ವಿಧಾನ | ಅತಿ ದೊಡ್ಡ ಫೌಂಡೇಶನ್‌ಗಳನ್ನು ಸಮಂಜಸ ವೇಗದಲ್ಲಿ ಫಿಟ್ ಮಾಡಿ ಸೇವೆ ನೀಡುವ ಏಕೈಕ ಮಾರ್ಗ |
| W4A16-AUTOROUND-REAP | 4-ಬಿಟ್ ವೈಟ್ಸ್, 16-ಬಿಟ್ ಆಕ್ಟಿವೇಶನ್‌ಗಳು, AutoRound ಬಳಸಿ ಕ್ವಾಂಟೈಸ್ ಮಾಡಲಾಗಿದೆ — ನಿಷ್ಕಪಟ ರೌಂಡ್-ಟು-ನಿಯರೆಸ್ಟ್‌ಗಿಂತ ನಿಖರತೆ ಮರಳಿ ಪಡೆಯುವ ಕಲಿತ ರೌಂಡಿಂಗ್ — ಜೊತೆಗೆ REAP ಪ್ರೂನಿಂಗ್ | ಅತಿಯಾದ ಸಂಕುಚನ ಬೇಡದ ದೊಡ್ಡ ಫೌಂಡೇಶನ್‌ಗಳಿಗೆ ಮಧ್ಯಮ ನೆಲೆ |
| W8A16 | 8-ಬಿಟ್ ವೈಟ್ಸ್, 16-ಬಿಟ್ ಆಕ್ಟಿವೇಶನ್‌ಗಳು — ನಾವು ಸೇವೆ ನೀಡುವ ಅತ್ಯುನ್ನತ-ನಿಷ್ಠೆಯ ಶ್ರೇಣಿ | ಆಕ್ರಮಣಕಾರಿ ಸಂಕುಚನ ಅನಗತ್ಯವಾಗುವಷ್ಟು ಫೌಂಡೇಶನ್ ಚಿಕ್ಕದಾಗಿರುವಲ್ಲಿ ಬಳಸಲಾಗುತ್ತದೆ |
MiMo-V2.5 ಕಾಂಪ್ಯಾಕ್ಟ್ ಆಗಿರುವ ಮೂಲಕ ಮೂರನೇ ಸಾಲನ್ನು ಗಳಿಸುತ್ತದೆ: ಈ ವರ್ಗದ ಡೆನ್ಸ್ ಫೌಂಡೇಶನ್‌ಗೆ ಫಿಟ್ ಆಗಲು ಮೂರು ಬಿಟ್‌ಗಳಿಗೆ ಜಜ್ಜಬೇಕಾಗಿಲ್ಲ, ಆದ್ದರಿಂದ ಎಂಟನ್ನು ಉಳಿಸಿಕೊಳ್ಳಲು ನಿಮಗೆ ಸಾಧ್ಯ, ಮತ್ತು ನೀವು ಸ್ಯಾಂಪಲ್ ಮಾಡುವ ವೈಟ್ಸ್ ತರಬೇತಿ ಪಡೆದವುಗಳಿಗೆ ಹತ್ತಿರವಾಗಿಯೇ ಉಳಿಯುತ್ತವೆ. ಚಿತ್ರ ಕೆಲಸಕ್ಕೆ ಅದು ಅಸಮಾನವಾಗಿ ಮುಖ್ಯ, ಒಂದು ರಚನಾತ್ಮಕ ಕಾರಣಕ್ಕಾಗಿ. ಪಠ್ಯ-ಮಾತ್ರ ಡಿಕೋಡರ್‌ನಲ್ಲಿ, ಕ್ವಾಂಟೈಸೇಶನ್ ಅಡಿಯಲ್ಲಿ ಜಾರುವ ಎಂಬೆಡಿಂಗ್ ಡಜನ್‌ಗಟ್ಟಲೆ ನಂತರದ ಅಟೆನ್ಷನ್ ಪದರಗಳಿಂದ ಮರು-ಸಂದರ್ಭೀಕರಿಸಲ್ಪಡುತ್ತದೆ — ಚೇತರಿಸಿಕೊಳ್ಳಲು ಅನೇಕ ಅವಕಾಶಗಳು. ದೃಷ್ಟಿ ಸ್ಟ್ಯಾಕ್‌ಗೆ ಅಂತಹ ವಿರಾಮ ಇಲ್ಲ: ದೃಶ್ಯ ಮಾಹಿತಿ ಡಿಕೋಡರ್ ತಲುಪುವ ಮೊದಲು ಒಂಟಿ ಎನ್ಕೋಡರ್ ಮತ್ತು ಒಂಟಿ ಕಿರಿದಾದ ಪ್ರೊಜೆಕ್ಟರ್ ಮೂಲಕ ಹಾದುಹೋಗುತ್ತದೆ, ಮತ್ತು ಮುಂದಿನ ಎಲ್ಲವೂ ಆ ಬಾಟಲ್‌ನೆಕ್ ಉತ್ಪಾದಿಸಿದ್ದರ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ. ಸೂಕ್ಷ್ಮ-ಗ್ರಾನ್ಯುಲಾರ್ ಸಿಗ್ನಲ್ — ಕಡಿಮೆ-ಕಾಂಟ್ರಾಸ್ಟ್ ಸ್ಕ್ಯಾನ್‌ನಲ್ಲಿ 3 ಮತ್ತು 8 ನಡುವಿನ ವ್ಯತ್ಯಾಸ, ಚಾರ್ಟ್ ಆಕ್ಸಿಸ್‌ನಲ್ಲಿ ಬಾರ್ ಮುಗಿಯುವ ನಿಖರ ಪಿಕ್ಸೆಲ್, ನೀವು ಕ್ಲಿಕ್ ಮಾಡಬೇಕಾದ UI ಎಲಿಮೆಂಟ್‌ನ ಗಡಿ — ಆಕ್ರಮಣಕಾರಿ ಕ್ವಾಂಟೈಸೇಶನ್ ಮೊದಲು ಬಿಸಾಡುವ ಕಡಿಮೆ-ಪ್ರಮಾಣದ ವೈಟ್ ವಿವರದಲ್ಲಿ ಇರುತ್ತದೆ.
3-ಬಿಟ್ ದೃಷ್ಟಿ ಮಾಡೆಲ್ ಜೋರಾಗಿ ವಿಫಲವಾಗುವುದಿಲ್ಲ; ಅದು ಮೌನವಾಗಿ ವಿಫಲವಾಗುತ್ತದೆ, ಒಟ್ಟು ಮೊತ್ತದಲ್ಲಿ ಎರಡು ಅಂಕಿಗಳು ಅದಲುಬದಲಾಗಿರುವ ದಾಖಲೆಯ ನಿರರ್ಗಳ ವಿವರಣೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಹೆಚ್ಚಿನ ವೈಟ್ ನಿಖರತೆ ಆ ವೈಫಲ್ಯದ ವಿರುದ್ಧ ಅಗ್ಗದ ವಿಮೆ, ಮತ್ತು ಇಲ್ಲಿ ಅದು ಉಚಿತ — ನೀವು ಎರಡೂ ರೀತಿಯಲ್ಲಿ ನೆಲಮಟ್ಟದ ಬೆಲೆಯನ್ನೇ ಪಾವತಿಸುತ್ತೀರಿ.
04ನೆಲಮಟ್ಟದ ಬೆಲೆ, ಸಂದರ್ಭದಲ್ಲಿ
ನಮ್ಮ ಹನ್ನೆರಡು-ಮಾಡೆಲ್ ಕ್ಯಾಟಲಾಗ್‌ನಲ್ಲಿ ನಾಲ್ಕು ಮಾಡೆಲ್‌ಗಳು ಪ್ರತಿ ಮಿಲಿಯನ್ ಟೋಕನ್‌ಗೆ $0.50 ಇನ್‌ಪುಟ್ / $2.00 ಔಟ್‌ಪುಟ್ ಬೆಲೆ ನೆಲಮಟ್ಟದಲ್ಲಿ ಇವೆ. ಅವುಗಳಲ್ಲಿ ಕೇವಲ ಒಂದು ಚಿತ್ರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. ಬಹುತೇಕ ನಿಜವಾದ ಬಿಲ್‌ಗಳ ಮೇಲೆ ಪ್ರಾಬಲ್ಯ ಸಾಧಿಸುವ ಸಂಖ್ಯೆಯಾದ ಔಟ್‌ಪುಟ್ ವೆಚ್ಚದ ಮೇಲೆ ದೃಷ್ಟಿ-ಸಾಮರ್ಥ್ಯದ ಮಾಡೆಲ್‌ಗಳು ಎಲ್ಲಿ ಇಳಿಯುತ್ತವೆ ಎಂಬುದು ಇಲ್ಲಿದೆ:
ಔಟ್‌ಪುಟ್ ಬೆಲೆ USD ನಲ್ಲಿ ಪ್ರತಿ 1M ಟೋಕನ್‌ಗೆ, Shannon AI ಗೇಟ್‌ವೇ ಪಟ್ಟಿ ದರಗಳು, ಸೆಪ್ಟೆಂಬರ್ 2026. ಬಾರ್ ಉದ್ದ ಕ್ಯಾಟಲಾಗ್‌ನಲ್ಲಿ ಅತಿ ದುಬಾರಿ ದೃಷ್ಟಿ ಮಾಡೆಲ್‌ಗೆ ಸಂಬಂಧಿತವಾಗಿದೆ.
Kimi-K3 — ಸೀಲಿಂಗ್ ದೃಷ್ಟಿ ಮಾಡೆಲ್, ಮತ್ತು ನಿಜವಾಗಿಯೂ ಬಲಿಷ್ಠವಾದದ್ದು — ಗೆ ಎದುರಾಗಿ MiMo-V2.5 ಔಟ್‌ಪುಟ್‌ನಲ್ಲಿ ಸುಮಾರು 9.6× ಅಗ್ಗ ಮತ್ತು ಇನ್‌ಪುಟ್‌ನಲ್ಲಿ 7.7× ಅಗ್ಗ. ಇದು ಸಮಾನತೆಯ ಹಕ್ಕಲ್ಲ; ಇದು ಕೆಲಸದ ಭಾರದ ಆಕಾರದ ಬಗ್ಗೆ ಒಂದು ವಾದ. ತಿಂಗಳಿಗೆ ಒಂದು ಲಕ್ಷ ಚಿತ್ರಗಳಲ್ಲಿ, ಸೀಲಿಂಗ್ ಮಾಡೆಲ್ ಕೈಗೆಟುಕುವುದಿಲ್ಲ ಮತ್ತು ನೆಲಮಟ್ಟದ ಮಾಡೆಲ್ ಕೈಗೆಟುಕುತ್ತದೆ, ಮತ್ತು ಪ್ರಾಮಾಣಿಕ ಪ್ರಶ್ನೆ ನೆಲಮಟ್ಟದ ಮಾಡೆಲ್ ನಿಮ್ಮ ನಿಖರತೆಯ ಮಿತಿಯನ್ನು ದಾಟುತ್ತದೆಯೇ ಎಂಬುದು — ಅದು ಬೆಂಚ್‌ಮಾರ್ಕ್ ಗೆಲ್ಲುತ್ತದೆಯೇ ಎಂಬುದಲ್ಲ.
05MiMo-V2.5 vs MiniMax-M3: ಎರಡು ಅಗ್ಗದ ದೃಷ್ಟಿ ಮಾಡೆಲ್‌ಗಳು, ಪ್ರಾಮಾಣಿಕವಾಗಿ ಹೋಲಿಸಲಾಗಿದೆ
ಈ ಎರಡೂ ಬೆಲೆ, ಸಂದರ್ಭ, ಮತ್ತು ಎಂಡ್‌ಪಾಯಿಂಟ್ ಮೇಲ್ಮೈಯಲ್ಲಿ ನಿಖರವಾಗಿ ಸಮಬಲವಾಗಿವೆ. ಅವು ಪರಸ್ಪರ ಬದಲಾಯಿಸಬಹುದಾದವಲ್ಲ: ಕ್ವಾಂಟೈಸೇಶನ್ ಶ್ರೇಣಿ ದೃಷ್ಟಿ ಮಾಡೆಲ್ ಅನ್ನು ಉಪಯುಕ್ತವಾಗಿಸುವುದರ ಬಗ್ಗೆ ಎರಡು ವಿಭಿನ್ನ ಪಣಗಳಿಗೆ ಪ್ರಾಕ್ಸಿ.
| MiMo-V2.5 · W8A16 | MiniMax-M3 · 3BIT-REAP | |
|---|---|---|
| ಇನ್‌ಪುಟ್ / ಔಟ್‌ಪುಟ್ ಪ್ರತಿ 1M | $0.50 / $2.00 | $0.50 / $2.00 |
| ವೈಟ್ ನಿಖರತೆ | 8-ಬಿಟ್ | 3-ಬಿಟ್ + ಎಕ್ಸ್‌ಪರ್ಟ್ ಪ್ರೂನಿಂಗ್ |
| ಫೌಂಡೇಶನ್ ಗಾತ್ರ | ಕಾಂಪ್ಯಾಕ್ಟ್, ಡೆನ್ಸ್ | ದೊಡ್ಡದು, ಸ್ಪಾರ್ಸ್ MoE |
| ದೃಷ್ಟಿ | ಹೌದು | ಹೌದು |
| ಸಂದರ್ಭ ವಿಂಡೋ | 262,144 | 262,144 |
| Schema · ಟೂಲ್‌ಗಳು · ಸ್ಟ್ರೀಮಿಂಗ್ | ಹೌದು | ಹೌದು |
ಚಿತ್ರ ಕಷ್ಟದ ಭಾಗವಾಗಿರುವಾಗ MiMo-V2.5 ಆಯ್ಕೆ ಮಾಡಿ: ಅಪೂರ್ಣ ಸ್ಕ್ಯಾನ್‌ಗಳ ಮೇಲೆ ದಟ್ಟ OCR, ಚಾರ್ಟ್ ಮತ್ತು ಟೇಬಲ್‌ಗಳಿಂದ ಸಂಖ್ಯಾತ್ಮಕ ಹೊರತೆಗೆಯುವಿಕೆ, ಸ್ಕ್ರೀನ್‌ಶಾಟ್ ಮತ್ತು UI ಗ್ರೌಂಡಿಂಗ್, ಚಿಕ್ಕ-ಪಠ್ಯ ಓದುವಿಕೆ, ಬಹುತೇಕ-ಒಂದೇ ಆಗಿರುವ ಉತ್ಪನ್ನ ಫೋಟೋಗಳನ್ನು ಬೇರ್ಪಡಿಸುವುದು — ಅದಲುಬದಲಾದ ಅಂಕಿ ಅಲಂಕಾರಿಕ ದೋಷಕ್ಕಿಂತ ನಿಜವಾದ ದೋಷವಾಗಿರುವ ಯಾವುದಾದರೂ. ನಿಮಗೆ ಪಿಕ್ಸೆಲ್‌ಗಳಿಂದ ಟೋಕನ್‌ಗಳಿಗೆ ಅತ್ಯುನ್ನತ-ನಿಷ್ಠೆಯ ಮಾರ್ಗ ಬೇಕು, ಮತ್ತು 8-ಬಿಟ್ ವೈಟ್ಸ್ ಈ ಬೆಲೆಯಲ್ಲಿ ಅದನ್ನು ಪಡೆಯುವ ವಿಧಾನ.
ಚಿತ್ರ ಸುಲಭದ ಭಾಗವಾಗಿರುವಾಗ MiniMax-M3 ಆಯ್ಕೆ ಮಾಡಿ. 3 ಬಿಟ್‌ಗಳಿಗೆ ಸಂಕುಚಿತಗೊಳಿಸಿದ ದೊಡ್ಡ ಸ್ಪಾರ್ಸ್ ಫೌಂಡೇಶನ್ ಪ್ರೂನಿಂಗ್ ನಂತರವೂ ಕಾಂಪ್ಯಾಕ್ಟ್ ಡೆನ್ಸ್ ಮಾಡೆಲ್‌ಗಿಂತ ಹೆಚ್ಚು ಲೋಕ ಜ್ಞಾನ ಮತ್ತು ರೀಸನಿಂಗ್ ವಿಸ್ತಾರವನ್ನು ಹಿಡಿದಿಟ್ಟುಕೊಳ್ಳುತ್ತದೆ. ಕೆಲಸ "ಈ ಫೋಟೋವನ್ನು ನೋಡಿ ಅದು ಏನನ್ನು ಸೂಚಿಸುತ್ತದೆ ಎಂಬುದರ ಬಗ್ಗೆ ವಿಸ್ತಾರವಾಗಿ ರೀಸನ್ ಮಾಡಿ" ಎಂದಾದರೆ, ಅಥವಾ ಚಿತ್ರ ಬಹುತೇಕ-ಪಠ್ಯ ಸಂಭಾಷಣೆಯಲ್ಲಿ ಒಂದು ಇನ್‌ಪುಟ್ ಆಗಿದ್ದರೆ, ದೊಡ್ಡ ಫೌಂಡೇಶನ್ ಉತ್ತಮ ಸಾಧನ — ನೀವು ಬಿಟ್ಟುಕೊಟ್ಟ ದೃಶ್ಯ ಸೂಕ್ಷ್ಮತೆ ನಿರ್ಬಂಧಿಸುವ ನಿರ್ಬಂಧವಾಗಿರಲಿಲ್ಲ.
06MiMo-V2.5 vs MiMo-V2.5-Pro: ಕಣ್ಣುಗಳನ್ನು ಆಳಕ್ಕೆ ವಿನಿಮಯ ಮಾಡಿಕೊಂಡ ಸೋದರ
ಇದೇ ಅತಿ ಹೆಚ್ಚು ಸಪೋರ್ಟ್ ಟಿಕೆಟ್‌ಗಳನ್ನು ಉತ್ಪಾದಿಸುವ ಹೋಲಿಕೆ, ಆದ್ದರಿಂದ ನೇರವಾಗಿ ಹೇಳುವುದು ಯೋಗ್ಯ. MiMo-V2.5-Pro-W8A16 ಮತ್ತು MiMo-V2.5-W8A16 ಬೆಲೆ, ಸಂದರ್ಭ ವಿಂಡೋ, ನಿಖರತೆ ಶ್ರೇಣಿ, ಮತ್ತು ಕುಟುಂಬ ಹೆಸರನ್ನು ಹಂಚಿಕೊಳ್ಳುತ್ತವೆ. Pro ಚಿತ್ರಗಳನ್ನು ಸ್ವೀಕರಿಸುವುದಿಲ್ಲ. ಇದು ಸೂಪರ್‌ಸೆಟ್ ಅಲ್ಲ. ಇದು ಅದೇ ಬಜೆಟ್‌ನ ಬೇರೆ ಹಂಚಿಕೆ.
ಮಲ್ಟಿಮೋಡಲ್ ಮಾಡೆಲ್ ಸೇವೆ ನೀಡುವುದೆಂದರೆ ಡಿಕೋಡರ್ ಜೊತೆಗೆ ದೃಷ್ಟಿ ಟವರ್ ಮತ್ತು ಪ್ರೊಜೆಕ್ಟರ್‌ಗೆ ಪಾವತಿಸುವುದು — ಸ್ಥಿರ ವೆಚ್ಚದ ಗುರಿಯಲ್ಲಿ, ಭಾಷಾ ಮಾಡೆಲ್ ಸ್ವತಃ ಮೇಲೆ ಖರ್ಚಾಗದ ಸಾಮರ್ಥ್ಯ. Pro ಅದೆಲ್ಲವನ್ನೂ ಪಠ್ಯದ ಮೇಲೆ ಖರ್ಚು ಮಾಡುತ್ತದೆ: ದೀರ್ಘ-ಫಾರ್ಮ್ ಬರವಣಿಗೆ, ವಿಸ್ತೃತ ರೀಸನಿಂಗ್ ಮತ್ತು ಕೋಡ್‌ಗೆ ಹೆಚ್ಚಿನ ಸ್ಥಳಾವಕಾಶವಿರುವ ದೊಡ್ಡ ಫೌಂಡೇಶನ್. MiMo-V2.5 ಅದರ ಭಾಗವನ್ನು ದೃಷ್ಟಿಗೆ ಖರ್ಚು ಮಾಡುತ್ತದೆ.
ಆದ್ದರಿಂದ ನಿರ್ಧಾರ ನಿಯಮ ನಿಮ್ಮ ಇನ್‌ಪುಟ್‌ಗಳ ಬಗ್ಗೆ, ನಿಮ್ಮ ಮಹತ್ವಾಕಾಂಕ್ಷೆಗಳ ಬಗ್ಗೆ ಅಲ್ಲ. ಯಾವುದೇ ವಿನಂತಿ ಸ್ಕ್ರೀನ್‌ಶಾಟ್, ಸ್ಕ್ಯಾನ್ ಮಾಡಿದ ಪುಟ, ಚಾರ್ಟ್, ಡಯಾಗ್ರಾಮ್ ಅಥವಾ ಫೋಟೋಗ್ರಾಫ್ ಹೊಂದಬಹುದಾದರೆ, ನಿಮಗೆ MiMo-V2.5 ಬೇಕು — Pro ವಿಷಯ ಬ್ಲಾಕ್ ಅನ್ನು ತಿರಸ್ಕರಿಸುತ್ತದೆ. ಪ್ರತಿ ವಿನಂತಿ ಪಠ್ಯವಾಗಿದ್ದು ನೀವು ಅಭ್ಯಾಸದಿಂದ ದೃಷ್ಟಿ ಮಾಡೆಲ್‌ಗೆ ಕೈಚಾಚಿದ್ದರೆ, ನೀವು ಫೌಂಡೇಶನ್ ಗುಣಮಟ್ಟವನ್ನು ಸುಮ್ಮನೆ ಮೇಜಿನ ಮೇಲೆ ಬಿಡುತ್ತಿದ್ದೀರಿ: ಅದೇ ದರದಲ್ಲಿ MiMo-V2.5-Pro ತೆಗೆದುಕೊಳ್ಳಿ.
ಕದಿಯುವ ಯೋಗ್ಯ ಮಾದರಿ: ವಿಷಯ ಪ್ರಕಾರದಿಂದ ರೂಟ್ ಮಾಡಿ. ಚಿತ್ರ ಭಾಗ ಇರುವ ಯಾವುದಾದರೂ MiMo-V2.5-W8A16 ಗೆ ಹೋಗುತ್ತದೆ, ಉಳಿದೆಲ್ಲವೂ MiMo-V2.5-Pro-W8A16 ಗೆ. ಅದೇ ಕುಟುಂಬ, ಅದೇ ಬೆಲೆ, ಅದೇ ಸಂದರ್ಭ ಬಜೆಟ್ — ರೌಟರ್ ಸಣ್ಣದು ಮತ್ತು ಸಮನ್ವಯಗೊಳಿಸಬೇಕಾದ ವೆಚ್ಚ ಮಾಡೆಲ್ ಇಲ್ಲ.
07"ಸೆನ್ಸಾರ್ ರಹಿತ ಚಿತ್ರ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ" ನಿಜವಾಗಿ ಎಂದರೇನು
ಈ ಮಾಡೆಲ್‌ನ ಮುಂದೆ ನಿರಾಕರಣೆ ಪದರ ಇಲ್ಲ ಮತ್ತು ಅದರ ಔಟ್‌ಪುಟ್‌ನ ಮೇಲೆ ವಿಷಯ ಫಿಲ್ಟರ್ ಇಲ್ಲ. ಇದು ದೃಷ್ಟಿ ಕೆಲಸಕ್ಕೆ ನಿರ್ದಿಷ್ಟ ಪರಿಣಾಮ ಹೊಂದಿರುವ ಉತ್ಪನ್ನ ನಿರ್ಧಾರ: ಮಾಡೆಲ್ ವಿಷಯದ ಆಧಾರದ ಮೇಲೆ ನಿರಾಕರಿಸುವ ಬದಲು ಫ್ರೇಮ್‌ನಲ್ಲಿ ಏನಿದೆ ಎಂಬುದನ್ನು ವಿವರಿಸುತ್ತದೆ.
ಇದು ಮುಖ್ಯ ಏಕೆಂದರೆ ಫಿಲ್ಟರ್ ಮಾಡಿದ ದೃಷ್ಟಿ API ಗಳು ನ್ಯಾಯಸಮ್ಮತ ಕೆಲಸದ ಇಡೀ ವರ್ಗಕ್ಕೆ ರಚನಾತ್ಮಕವಾಗಿ ಸೂಕ್ತವಲ್ಲ. ಮಾಡರೇಶನ್ ಪೈಪ್‌ಲೈನ್ ಅದು ಮಾಡರೇಟ್ ಮಾಡುವ ವಸ್ತುವನ್ನು ನೋಡಿ ಅದು ಏನೆಂಬುದನ್ನು ಹೇಳಬೇಕು; ತಾನು ವರ್ಗೀಕರಿಸುವ ವಸ್ತುವನ್ನು ಪರೀಕ್ಷಿಸಲು ನಿರಾಕರಿಸುವ ವರ್ಗೀಕಾರಕ ವರ್ಗೀಕಾರಕವೇ ಅಲ್ಲ. ನಿಜವಾದ ಕೆಲಸಗಳ ಉದ್ದ ಪಟ್ಟಿಯಾದ್ಯಂತ ಇದೇ ಹಿಡಿದಿಟ್ಟುಕೊಳ್ಳುತ್ತದೆ:
- ಟ್ರಸ್ಟ್ ಮತ್ತು ಸೇಫ್ಟಿ ಟೂಲಿಂಗ್ — ಮುಖ್ಯವಾಹಿನಿಯ API ಪ್ರೊಸೆಸ್ ಮಾಡದ ನಿಖರವಾದ ಚಿತ್ರಣವನ್ನು ಲೇಬಲ್ ಮಾಡುವುದು, ಅದೇ ಲೇಬಲಿಂಗ್ ಅತ್ಯಂತ ಅಗತ್ಯವಿರುವ ಚಿತ್ರಣ.
- ವೈದ್ಯಕೀಯ, ಫೊರೆನ್ಸಿಕ್, ಮತ್ತು ಅಪಘಾತ ಚಿತ್ರಣ — ಯಾರು ಕೇಳುತ್ತಿದ್ದಾರೆ ಎಂಬುದನ್ನು ಲೆಕ್ಕಿಸದೆ ಸಾಮಾನ್ಯ ಫಿಲ್ಟರ್‌ಗಳು ಗ್ರಾಫಿಕ್ ಎಂದು ತಿರಸ್ಕರಿಸುವ ಕ್ಲಿನಿಕಲ್, ಗಾಯ, ಮತ್ತು ದೃಶ್ಯ ಛಾಯಾಗ್ರಹಣ.
- ಭದ್ರತಾ ಸಂಶೋಧನೆ — ಮಾಡೆಲ್ ಪ್ರಮೇಯಕ್ಕೆ ಹಿಂಜರಿಯದೆ ಫಿಶಿಂಗ್ ಪುಟಗಳು, ದುರುದ್ದೇಶಪೂರಿತ ಇಂಟರ್ಫೇಸ್‌ಗಳು, ಮತ್ತು ಸೆರೆಹಿಡಿದ ಸ್ಕ್ರೀನ್‌ಗಳನ್ನು ಓದುವುದು.
- ವಯಸ್ಕ-ವಿಷಯ ವರ್ಗೀಕರಣ ಮತ್ತು ಆರ್ಕೈವಲ್ ಕ್ಯಾಟಲಾಗಿಂಗ್ — ವಸ್ತುವನ್ನು ಗುರುತಿಸಲು ಇರುವ, ನೋಡುವ ಕೆಲಸವನ್ನು ಹೊರಗುತ್ತಿಗೆ ನೀಡಲಾಗದ ಪೈಪ್‌ಲೈನ್‌ಗಳು, ಜೊತೆಗೆ ಫಿಲ್ಟರ್‌ಗಳು ಲೇಬಲ್ ಮಾಡಲಾಗದೆಂದು ಪರಿಗಣಿಸುವ ಐತಿಹಾಸಿಕ ಸಂಗ್ರಹಗಳು.
ನಿರಾಕರಣೆ ಪದರವನ್ನು ತೆಗೆಯುವುದೆಂದರೆ ಎಂಜಿನಿಯರಿಂಗ್ ಅಡಚಣೆಯನ್ನು ತೆಗೆಯುವುದು, ಕಾನೂನಿನ ಅಡಚಣೆಯನ್ನಲ್ಲ. Shannon AI ಅನ್ನು Shannon Lab LLC ನ್ಯೂ ಮೆಕ್ಸಿಕೊ, USA ನಲ್ಲಿ ನಿರ್ವಹಿಸುತ್ತದೆ, ಮತ್ತು API ಬಳಕೆ ನಮ್ಮ ಜವಾಬ್ದಾರಿಯುತ ಬಳಕೆ ನೀತಿಯಿಂದ ನಿಯಂತ್ರಿಸಲ್ಪಡುತ್ತದೆ. ಫಿಲ್ಟರ್ ಮಾಡದ ಔಟ್‌ಪುಟ್ ಒಂದು ಸಾಮರ್ಥ್ಯ, ಅನುಮತಿ ಚೀಟಿ ಅಲ್ಲ.
08ಇದನ್ನು ಕರೆಯುವುದು: ಎಂಡ್‌ಪಾಯಿಂಟ್‌ಗಳು, ಚಿತ್ರ ಇನ್‌ಪುಟ್, ಮತ್ತು ಅದು ಎಲ್ಲಿ ಸೂಕ್ತ
ಮಾಡೆಲ್ MiMo-V2.5-W8A16, ಅದೇ ವೈಟ್ಸ್ ವಿರುದ್ಧ ಮೂರು ವಿನಂತಿ ಶೈಲಿಗಳಲ್ಲಿ ತಲುಪಬಹುದಾಗಿದೆ, ಆದ್ದರಿಂದ ನಿಮ್ಮಲ್ಲಿ ಈಗಾಗಲೇ ಇರುವ SDK ಅನ್ನೇ ಇರಿಸಿಕೊಳ್ಳಿ:
/v1/chat/completions— OpenAI-ಹೊಂದಾಣಿಕೆ. ಚಿತ್ರಗಳು https URL ಆಗಿ ಅಥವಾ base64 data URI ಆಗಿimage_urlವಿಷಯ ಭಾಗಗಳಾಗಿ ಹೋಗುತ್ತವೆ./v1/messages— Anthropic-ಹೊಂದಾಣಿಕೆ. ಚಿತ್ರಗಳುimageವಿಷಯ ಬ್ಲಾಕ್‌ಗಳಾಗಿ ಹೋಗುತ್ತವೆ./v1/responses— Responses-ಶೈಲಿಯ ದ್ವಾಂದ್ವಿಕ.
ಸ್ಟ್ರೀಮಿಂಗ್ ಮತ್ತು ಟೂಲ್ ಕಾಲಿಂಗ್ ಮೂರರಲ್ಲೂ ಕೆಲಸ ಮಾಡುತ್ತವೆ, ಆದ್ದರಿಂದ ಮಾಡೆಲ್ ಸ್ಕ್ರೀನ್‌ಶಾಟ್ ಅನ್ನು ನೋಡಿ ಅದು ನೋಡಿದ್ದರ ಬಗ್ಗೆ ಒಂದೇ ಸುತ್ತಿನಲ್ಲಿ ಫಂಕ್ಷನ್ ಕರೆಯಬಹುದು. ಪೂರ್ಣ ವಿನಂತಿ ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆ schema ಗಳು API ದಾಖಲಾತಿಯಲ್ಲಿವೆ, ಅಲ್ಲಿ ಯಾವುದೇ ಕೋಡ್ ಬರೆಯುವ ಮೊದಲು ಚಿತ್ರವನ್ನು ಪೇಸ್ಟ್ ಮಾಡಬಹುದಾದ ಪ್ಲೇಗ್ರೌಂಡ್ ಕೂಡ ಇದೆ.
MiMo-V2.5 ಕಠಿಣ json_schema ಮತ್ತು response_format ಎರಡನ್ನೂ ಬೆಂಬಲಿಸುತ್ತದೆ — ಡೆಮೊ ಮತ್ತು ಪೈಪ್‌ಲೈನ್ ನಡುವಿನ ವ್ಯತ್ಯಾಸ. ಅದಕ್ಕೆ ರಸೀದಿಯ ಜೊತೆಗೆ ವೆಂಡರ್, ದಿನಾಂಕ, ಸಾಲುಗಳು, ಮತ್ತು ಒಟ್ಟು ಮೊತ್ತಕ್ಕೆ ಟೈಪ್ ಮಾಡಿದ ಫೀಲ್ಡ್‌ಗಳ ಜೊತೆ schema ಕೊಡಿ, ಮತ್ತು ನೀವು regex ಮಾಡಬೇಕಾದ ಪ್ಯಾರಾಗ್ರಾಫ್ ಬದಲಿಗೆ ನಿಮ್ಮ ಕೋಡ್ ಪರಿಶೀಲಿಸಬಹುದಾದ ಆಬ್ಜೆಕ್ಟ್ ಸಿಗುತ್ತದೆ. ಈ ಕ್ಯಾಟಲಾಗ್‌ನ ಹನ್ನೆರಡು ಮಾಡೆಲ್‌ಗಳಲ್ಲಿ ಎರಡಕ್ಕೆ ಪೂರ್ಣ ರಚನಾತ್ಮಕ-ಔಟ್‌ಪುಟ್ ಬೆಂಬಲ ಇಲ್ಲ; ಇದಕ್ಕೆ ಇದೆ, ಮತ್ತು ಅದೇ ಇದು ಹೆಚ್ಚಿನ-ಪ್ರಮಾಣದ ಹೊರತೆಗೆಯುವಿಕೆ ಸೇವೆಯಾಗಿ ಕೆಲಸ ಮಾಡಲು ಕಾರಣ.
ಸಂದರ್ಭ ವಿಂಡೋ 262,144 ಟೋಕನ್‌ಗಳು; ಉತ್ಪಾದಿಸಿದ ಔಟ್‌ಪುಟ್ ಪ್ರತಿ ವಿನಂತಿಗೆ 16,384 ಟೋಕನ್‌ಗಳಿಗೆ ಮಿತಿಗೊಳಿಸಲ್ಪಟ್ಟಿದೆ. ಚಿತ್ರಗಳು ರೆಸಲ್ಯೂಶನ್‌ನ ಫಂಕ್ಷನ್ ಆಗಿ ಇನ್‌ಪುಟ್ ಟೋಕನ್‌ಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳುತ್ತವೆ, ಆದ್ದರಿಂದ ಹೈ-ರೆಸಲ್ಯೂಶನ್ ಪುಟ ಸ್ಕ್ಯಾನ್‌ಗಳು ಸಮಾನ ಪದ ಎಣಿಕೆಯ ಪಠ್ಯಕ್ಕಿಂತ ಸಂದರ್ಭವನ್ನು ಬಹಳ ವೇಗವಾಗಿ ತಿನ್ನುತ್ತವೆ. ಒಂದೇ ವಿನಂತಿಯಲ್ಲಿ 300-ಪುಟ ಸ್ಕ್ಯಾನ್ ಲೋಡ್ ಮಾಡುವ ಬದಲು ದೀರ್ಘ ದಾಖಲೆಗಳನ್ನು ಪುಟ ಮಾಡಿ, ಮತ್ತು ಔಟ್‌ಪುಟ್ ಮಿತಿಯನ್ನು ಸಂಪೂರ್ಣ ಹೊರತೆಗೆಯುವಿಕೆಯ ಮೇಲಿನ ನಿಜವಾದ ನಿರ್ಬಂಧವಾಗಿ ಪರಿಗಣಿಸಿ — ಟ್ರಂಕೇಟ್ ಆದ ಉತ್ತರ ಪಡೆಯುವ ಬದಲು ಸಾಲಿನ ವ್ಯಾಪ್ತಿಯಿಂದ ದಟ್ಟ ಟೇಬಲ್‌ಗಳನ್ನು ಚಂಕ್ ಮಾಡಿ.
ಕುಟುಂಬದ ವಂಶಾವಳಿಯನ್ನು ಗಮನಿಸಿದರೆ reasoning_effort ಡಯಲ್‌ಗೆ ಇಲ್ಲಿ ನಿಜವಾದ ಲಿವರೇಜ್ ಇದೆ. ಹೆಚ್ಚಿನ-ಪ್ರಮಾಣದ ವರ್ಗೀಕರಣಕ್ಕೆ ಅದನ್ನು ಕಡಿಮೆ ಮಾಡಿ, ಅಲ್ಲಿ ಉತ್ತರ ಒಂದು ಲೇಬಲ್ ಮತ್ತು ಥಿಂಕಿಂಗ್ ಟೋಕನ್‌ಗಳು ಶುದ್ಧ ವೆಚ್ಚ; ಚಾರ್ಟ್ ವ್ಯಾಖ್ಯಾನ, ದೃಶ್ಯ ಗಣಿತ, ಮತ್ತು ಡಯಾಗ್ರಾಮ್ ರೀಸನಿಂಗ್‌ಗೆ ಅದನ್ನು ಹೆಚ್ಚಿಸಿ, ಅಲ್ಲಿ ಮಾಡೆಲ್ ಉತ್ತರಿಸುವ ಮೊದಲು ತಾನು ನೋಡುವ ಹಲವು ವಿಷಯಗಳನ್ನು ಸಂಯೋಜಿಸಬೇಕು.
ಎಲ್ಲಿ ಸೂಕ್ತ, ಮತ್ತು ಎಲ್ಲಿ ಅಲ್ಲ
ಉತ್ತಮ ಹೊಂದಾಣಿಕೆಗಳು. ಹೆಚ್ಚಿನ-ಪ್ರಮಾಣದ ದಾಖಲೆ ಮತ್ತು ರಸೀದಿ ಹೊರತೆಗೆಯುವಿಕೆ; ಅಪೂರ್ಣ ಸ್ಕ್ಯಾನ್‌ಗಳ ಮೇಲೆ OCR-ಸಂಬಂಧಿತ ಕೆಲಸ; ಚಾರ್ಟ್, ಡ್ಯಾಶ್‌ಬೋರ್ಡ್, ಮತ್ತು ಟೇಬಲ್ ಓದುವಿಕೆ; ಸ್ಕ್ರೀನ್‌ಶಾಟ್ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಮತ್ತು UI ಗ್ರೌಂಡಿಂಗ್; ಕ್ಯಾಟಲಾಗ್ ಟ್ಯಾಗಿಂಗ್ ಮತ್ತು ದೃಶ್ಯ QA; ಮಾಡರೇಶನ್ ಪೈಪ್‌ಲೈನ್‌ಗಳು — ಪ್ರತಿ-ಕರೆ ವೆಚ್ಚ ನಿರ್ಬಂಧಿಸುವ ಮತ್ತು ಸೂಕ್ಷ್ಮ-ವಿವರ ನಿಖರತೆ ನೀವು ಬಿಟ್ಟುಕೊಡಲು ನಿರಾಕರಿಸುವಂಥ ಯಾವುದೇ ಮಲ್ಟಿಮೋಡಲ್ ಕೆಲಸ.
ಕಳಪೆ ಹೊಂದಾಣಿಕೆಗಳು. ಬೆಲೆಯನ್ನು ಲೆಕ್ಕಿಸದೆ ಅತಿ ಬಲಿಷ್ಠ ಮಾಡೆಲ್ ಬೇಕಾಗುವ ಫ್ರಂಟಿಯರ್-ಕಷ್ಟದ ಮಲ್ಟಿಮೋಡಲ್ ರೀಸನಿಂಗ್ — ಇದು Kimi-K3 ಯ ಕೆಲಸ, ಮತ್ತು ಒಂದು ಕಾರಣಕ್ಕಾಗಿ ಅದು ಸುಮಾರು ಹತ್ತು ಪಟ್ಟು ಹೆಚ್ಚು ವೆಚ್ಚವಾಗುತ್ತದೆ. ಪಠ್ಯ-ಮಾತ್ರ ಉತ್ಪಾದನೆ, ಅಲ್ಲಿ MiMo-V2.5-Pro ಅದೇ ದರದಲ್ಲಿ ಉತ್ತಮ ಫೌಂಡೇಶನ್ ನೀಡುತ್ತದೆ. ಎನ್ಸೈಕ್ಲೋಪೀಡಿಕ್ ಲೋಕ ಜ್ಞಾನದ ಮೇಲೆ ಆಧಾರಿತ ಕೆಲಸ, ಅಲ್ಲಿ ದೊಡ್ಡ ಸ್ಪಾರ್ಸ್ ಫೌಂಡೇಶನ್ ಕಾಂಪ್ಯಾಕ್ಟ್ ಡೆನ್ಸ್ ಒಂದನ್ನು ಮೀರಿಸುತ್ತದೆ. ಮತ್ತು 262K ಗಿಂತ ಹೆಚ್ಚಿನ ಸಂದರ್ಭ ಬೇಕಾಗುವ ಯಾವುದಾದರೂ, ಇಲ್ಲಿನ ಯಾವುದೇ ಮಾಡೆಲ್ ಅದನ್ನು ನೀಡುವುದಿಲ್ಲ.
ಮೇಲಿನ ಪ್ರತಿ ಪ್ರಕಟಿತ ಅಂಕಿ Xiaomi ಯ ಸ್ವಂತ, MiMo ಮತ್ತು MiMo-VL ಸರಣಿಯಲ್ಲಿ ಹೆಸರಿಸಲಾದ ಚೆಕ್‌ಪಾಯಿಂಟ್‌ಗೆ. ನಮ್ಮ ಸಾರಾಂಶದ ಬದಲು ಮೂಲ ವಸ್ತುವನ್ನೇ ಓದಿ.
09ಪದೇ ಪದೇ ಕೇಳಲಾಗುವ ಪ್ರಶ್ನೆಗಳು
ಸೆನ್ಸಾರ್ ರಹಿತ MiMo ದೃಷ್ಟಿ API ಎಂದರೇನು?
ಇದು Shannon AI ಗೇಟ್‌ವೇಯಲ್ಲಿ MiMo-V2.5 W8A16 ಮಾಡೆಲ್: Xiaomi ಯ MiMo ವಂಶಾವಳಿಯ ದೃಷ್ಟಿ-ಸಾಮರ್ಥ್ಯದ ಮಾಡೆಲ್, ನಮ್ಮದೇ GPU ಕ್ಲಸ್ಟರ್‌ನಲ್ಲಿ 8-ಬಿಟ್ ವೈಟ್ ನಿಖರತೆಯಲ್ಲಿ 262,144-ಟೋಕನ್ ಸಂದರ್ಭದೊಂದಿಗೆ ಮತ್ತು ನಿರಾಕರಣೆ ಪದರ ಅಥವಾ ಔಟ್‌ಪುಟ್ ಫಿಲ್ಟರ್ ಇಲ್ಲದೆ ಸೇವೆ ನೀಡಲಾಗಿದೆ. ಇದು /v1/chat/completions, /v1/messages ಮತ್ತು /v1/responses ಮೇಲೆ ಪ್ರತಿ ಮಿಲಿಯನ್ ಇನ್‌ಪುಟ್ ಟೋಕನ್‌ಗೆ $0.50 ಮತ್ತು ಪ್ರತಿ ಮಿಲಿಯನ್ ಔಟ್‌ಪುಟ್ ಟೋಕನ್‌ಗೆ $2.00 ದರದಲ್ಲಿ ಚಿತ್ರಗಳು ಮತ್ತು ಪಠ್ಯವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ.
ಚಿತ್ರಗಳನ್ನು ನಿಜವಾಗಿ ನೋಡಬಲ್ಲ ಅಗ್ಗದ ಸೆನ್ಸಾರ್ ರಹಿತ ಮಾಡೆಲ್ ಯಾವುದು?
ಪ್ರತಿ ಮಿಲಿಯನ್ ಟೋಕನ್‌ಗೆ $0.50 ಇನ್‌ಪುಟ್ / $2.00 ಔಟ್‌ಪುಟ್ ಬೆಲೆ ನೆಲಮಟ್ಟದಲ್ಲಿ ಎರಡು ಸಮಬಲವಾಗಿವೆ: MiMo-V2.5 W8A16 ಮತ್ತು MiniMax-M3 3BIT-REAP. 8-ಬಿಟ್ ವೈಟ್ಸ್‌ನಲ್ಲಿ MiMo-V2.5 ಎರಡರಲ್ಲಿ ಹೆಚ್ಚಿನ-ನಿಖರತೆಯದ್ದು, ವಿವರ-ಸೂಕ್ಷ್ಮ ಚಿತ್ರ ಕೆಲಸಕ್ಕೆ ಸುರಕ್ಷಿತ ಡೀಫಾಲ್ಟ್. MiniMax-M3 3 ಬಿಟ್‌ಗಳಿಗೆ ಸಂಕುಚಿತಗೊಳಿಸಿದ ಬಹಳ ದೊಡ್ಡ ಫೌಂಡೇಶನ್ ಅನ್ನು ಚಲಾಯಿಸುತ್ತದೆ, ಪ್ರತಿ-ಪಿಕ್ಸೆಲ್ ನಿಷ್ಠೆಗಿಂತ ಲೋಕ ಜ್ಞಾನದ ವಿಸ್ತಾರವನ್ನು ಒಲವು ಮಾಡುತ್ತದೆ.
W8A16 ಎಂದರೆ ಏನು ಮತ್ತು ದೃಷ್ಟಿಗೆ ಅದು ಏಕೆ ಮುಖ್ಯ?
W8A16 ಎಂದರೆ 16-ಬಿಟ್ ಆಕ್ಟಿವೇಶನ್‌ಗಳ ಜೊತೆ 8-ಬಿಟ್ ವೈಟ್ಸ್, Shannon ಕ್ಯಾಟಲಾಗ್‌ನಲ್ಲಿ ಅತ್ಯುನ್ನತ-ನಿಷ್ಠೆಯ ಶ್ರೇಣಿ, ಆಕ್ರಮಣಕಾರಿ ಸಂಕುಚನ ಅನಗತ್ಯವಾಗುವಷ್ಟು ಫೌಂಡೇಶನ್ ಚಿಕ್ಕದಾಗಿರುವಲ್ಲಿ ಬಳಸಲಾಗುತ್ತದೆ. ದೃಷ್ಟಿಗೆ ಅದು ಮುಖ್ಯ ಏಕೆಂದರೆ ದೃಷ್ಟಿ ಟವರ್ ಮತ್ತು ಅದರ ಪ್ರೊಜೆಕ್ಟರ್ ಕಿರಿದಾದ ಮಾರ್ಗದ ಮೂಲಕ ಸೂಕ್ಷ್ಮ-ಗ್ರಾನ್ಯುಲಾರ್ ವಿವರವನ್ನು ಸಾಗಿಸುತ್ತವೆ, ಮತ್ತು ಅಲ್ಲಿ ಪರಿಚಯಿಸಲಾದ ದೋಷಗಳು ಸ್ವಲ್ಪ ಅಸ್ಪಷ್ಟ ಪಠ್ಯ ಎಂಬೆಡಿಂಗ್ ಸಾಮಾನ್ಯವಾಗಿ ಇರುವಂತೆ ನಂತರ ಚೇತರಿಸಿಕೊಳ್ಳಬಹುದಾದದ್ದಲ್ಲ.
MiMo-V2.5 MiMo-V2.5-Pro ಗಿಂತ ಹೇಗೆ ಭಿನ್ನ?
ಅದೇ ಬೆಲೆ, ಅದೇ 262,144-ಟೋಕನ್ ಸಂದರ್ಭ, ಅದೇ W8A16 ಶ್ರೇಣಿ, ಆದರೆ ಅದೇ ಮಾಡೆಲ್ ಅಲ್ಲ. MiMo-V2.5 ಚಿತ್ರಗಳನ್ನು ಸ್ವೀಕರಿಸುತ್ತದೆ; MiMo-V2.5-Pro ಸ್ವೀಕರಿಸುವುದಿಲ್ಲ, ಬದಲಿಗೆ ಆ ಸೇವಾ ಬಜೆಟ್ ಅನ್ನು ದೊಡ್ಡ ಪಠ್ಯ ಫೌಂಡೇಶನ್‌ಗೆ ಖರ್ಚು ಮಾಡುತ್ತದೆ. ಇನ್‌ಪುಟ್‌ಗಳು ಸ್ಕ್ರೀನ್‌ಶಾಟ್‌ಗಳು, ದಾಖಲೆಗಳು, ಚಾರ್ಟ್‌ಗಳು ಅಥವಾ ಫೋಟೋಗ್ರಾಫ್‌ಗಳನ್ನು ಒಳಗೊಂಡಾಗ MiMo-V2.5 ಬಳಸಿ; ಅದೇ ದರದಲ್ಲಿ ಪಠ್ಯ-ಮಾತ್ರ ಕೆಲಸಕ್ಕೆ Pro ಬಳಸಿ.
ಸೆನ್ಸಾರ್ ರಹಿತ MiMo ದೃಷ್ಟಿ ಮಾಡೆಲ್ JSON schema ಮತ್ತು ಟೂಲ್ ಕಾಲಿಂಗ್ ಬೆಂಬಲಿಸುತ್ತದೆಯೇ?
ಹೌದು. MiMo-V2.5 W8A16 ಕಠಿಣ json_schema ರಚನಾತ್ಮಕ ಔಟ್‌ಪುಟ್, response_format, ಟೂಲ್ ಕಾಲಿಂಗ್, ಸ್ಟ್ರೀಮಿಂಗ್ ಮತ್ತು reasoning_effort ನಿಯಂತ್ರಣವನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ. ಅದೇ ಇದನ್ನು ಹೊರತೆಗೆಯುವಿಕೆ ಬ್ಯಾಕೆಂಡ್ ಆಗಿ ಬಳಸಬಹುದಾಗಿಸುತ್ತದೆ: ಅದಕ್ಕೆ ಚಿತ್ರ ಕೊಡಿ ಮತ್ತು ನೀವು ಪಾರ್ಸ್ ಮಾಡಬೇಕಾದ ಗದ್ಯದ ಬದಲು ಪರಿಶೀಲಿಸಿದ ಆಬ್ಜೆಕ್ಟ್ ಪಡೆಯಿರಿ.
ಅದಕ್ಕೆ ಚಿತ್ರ ಕಳುಹಿಸಿ
8-ಬಿಟ್ ದೃಷ್ಟಿ, 262K ಸಂದರ್ಭ, ನಿರಾಕರಣೆ ಪದರ ಇಲ್ಲ — ಪಠ್ಯ-ಮಾತ್ರ ಮಾಡೆಲ್‌ನ ಬೆಲೆಯಲ್ಲಿ.
API ದಾಖಲಾತಿ ಓದಿ ಎಲ್ಲಾ 12 ಮಾಡೆಲ್‌ಗಳನ್ನು ಬ್ರೌಸ್ ಮಾಡಿಮಾಡೆಲ್ id: MiMo-V2.5-W8A16 · ನಮ್ಮ ಜವಾಬ್ದಾರಿಯುತ ಬಳಕೆ ನೀತಿಯಿಂದ ನಿಯಂತ್ರಿಸಲ್ಪಡುತ್ತದೆ
ಮೂಲಗಳು: MiMo ತಾಂತ್ರಿಕ ವರದಿ (arXiv 2505.07608) · MiMo-VL ತಾಂತ್ರಿಕ ವರದಿ (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. ಎಲ್ಲಾ ಬೆಂಚ್‌ಮಾರ್ಕ್ ಅಂಕಿಗಳು ಮೇಲೆ ಹೆಸರಿಸಲಾದ ಬಿಡುಗಡೆಯಾದ ಚೆಕ್‌ಪಾಯಿಂಟ್‌ಗಳಿಗೆ Xiaomi-ವರದಿ ಮಾಡಿದವು ಮತ್ತು ಕುಟುಂಬದ ವಂಶಾವಳಿಯನ್ನು ವಿವರಿಸುತ್ತವೆ, ಈ ಎಂಡ್‌ಪಾಯಿಂಟ್‌ನ ನಿಖರ ಬಿಲ್ಡ್ ಅಲ್ಲ. ಬೆಲೆಗಳು, ಸಂದರ್ಭ, ಮತ್ತು ಸಾಮರ್ಥ್ಯ ಫ್ಲ್ಯಾಗ್‌ಗಳು Shannon AI ಗೇಟ್‌ವೇಯ ಪಟ್ಟಿ ಮೌಲ್ಯಗಳು, ಸೆಪ್ಟೆಂಬರ್ 2026.