무검열 MiMo 비전 API

싼 멀티모달 엔드포인트가 싼 이유는 무언가를 잘라 냈기 때문이고, 잘려 나간 것은 대개 눈에 보이지 않는 부분입니다. 가중치가 3비트나 4비트로 짜부라지고, 모델은 더 이상 제대로 읽지도 못하는 차트에 대해 여전히 자신 있게 답합니다. MiMo-V2.5는 우리 카탈로그의 반례입니다. 가격은 바닥이면서 동시에 정밀도는 최상위 티어인데, 그 출신 파운데이션이 거대하고 희소한 대신 작고 조밀하게 만들어졌기 때문입니다.

01MiMo의 출신: 먼저 추론 모델, 그다음 비전 모델

MiMo 계열은 Xiaomi의 오픈 웨이트 연구 프로그램이며, 그 창립 주장은 유행과 거리가 멉니다. 추론 능력은 나중에 RL로 덧붙이는 것이 아니라 사전학습에서 정해진다는 것입니다. 작업의 대부분은 데이터 엔지니어링입니다. Xiaomi는 코퍼스에서 추론 패턴의 밀도를 높이기 위해 텍스트 추출과 필터링을 새로 짰고, 합성 추론 데이터를 대규모로 생성했으며, 3단계 혼합으로 MiMo-7B-Base를 약 25조 토큰에 사전학습했습니다. 여기에 보조 목표인 다중 토큰 예측이 붙었는데, 추론 시에는 추측 디코더 역할도 합니다(Xiaomi 기준 수용률 90% 근처).

사후 학습은 의도적으로 검소합니다. 수학·코드 문제 13만 개에 규칙 기반 정확도 보상만 쓰고 학습된 보상 모델은 쓰지 않는데, 신경망 보상 모델은 해킹당할 표면이라는 판단에서입니다. 검증 가능한 보상은 구슬릴 수 없습니다. MiMo-7B-RL은 크기에 어울리지 않는 수치를 냅니다. Xiaomi는 pass@1 기준으로 AIME 2024 68.2%, MATH-500 95.8%, LiveCodeBench v5 57.8%를 보고하며 이는 OpenAI o1-mini에 맞먹습니다. 여러분이 호출하는 모델의 성격이 그렇습니다. 작고, 조밀하게 학습되었으며, 답을 떠올리기보다 문제를 풀어 나가도록 조율되어 있습니다. 그 기질은 멀티모달 후손에게도 이어집니다.

02MiMo가 보는 법을 배운 과정: MiMo-VL 아키텍처

MiMo-VL은 비전-언어 분기이고, 그 구성 방식이 시사하는 바가 있습니다. Xiaomi는 세 부분을 조립했습니다. 모든 이미지를 고정된 저해상도 격자에 밀어 넣는 대신 세밀한 디테일을 보존하는 네이티브 해상도 ViT 인코더, 언어 모델의 잠재 공간으로 넘기는 무작위 초기화 MLP 프로젝터, 그리고 결정적으로 언어 모델 자리에 놓인 MiMo 추론 백본입니다. 이 비전 시스템은 캡셔닝만 잘하는 디코더가 아니라 이미 다단계 사고에 능한 디코더를 물려받습니다.

학습은 프로젝터 워밍업, 비전-언어 정렬, 일반 멀티모달 사전학습, 긴 컨텍스트 SFT의 네 사전학습 단계로 약 2.4조 토큰에 걸쳐 진행된 뒤, 혼합 온폴리시 강화학습(MORL)이 이어져 지각 정확도, 시각적 그라운딩 정밀도, 추론 정확성, 사람/AI 선호를 하나의 온폴리시 루프에 접었습니다. 보고서는 그 모두를 동시에 최적화하는 것이 불안정하다는 점을 솔직히 밝히는데, 대부분의 멀티모달 논문보다 정직한 태도입니다.

공개된 결과는 파라미터 수를 생각하면 강력합니다. Xiaomi는 MiMo-VL-7B-RL이 Qwen2.5-VL-7B를 40개 과제 중 35개에서 앞섰고, OlympiadBench 59.4(최대 78B 모델들보다 높음), GUI 그라운딩에서 OSWorld-G 56.1로 전용 인터페이스 에이전트를 앞질렀다고 보고합니다. 이후 2508 갱신은 시리즈 최초로 MMMU를 70 이상(70.6)으로 밀어 올렸고, ChartQA 94.4, ScreenSpot-v2 92.5, VideoMME 70.8에 도달했으며, 요청 단위로 추론 트레이스를 끌 수 있는 사고 제어 스위치를 추가했습니다.

03W8A16이 뜻하는 것과, 텍스트보다 비전에서 더 중요한 이유

게이트웨이의 모든 모델은 양자화 접미사를 답니다. 장식이 아니라, 모델을 서비스 가능하게 만들려고 무엇을 내주었는지 알려 줍니다.

접미사	정체	쓰는 이유
3BIT-REAP	3비트 가중치에, 양자화 전에 MoE 모델에서 라우팅이 드문 전문가를 잘라 내는 전문가 프루닝 기법 REAP을 더한 것	가장 거대한 파운데이션을 제정신인 속도로 담고 서비스할 유일한 방법
W4A16-AUTOROUND-REAP	4비트 가중치, 16비트 활성값에, 최근접 반올림보다 정확도를 되찾는 학습된 반올림 기법 AutoRound로 양자화하고 REAP 프루닝을 더한 것	극단적 압축까지는 필요 없는 대형 파운데이션의 중간 지대
W8A16	8비트 가중치, 16비트 활성값 — 우리가 제공하는 최고 충실도 티어	파운데이션이 충분히 작아 공격적 압축이 필요 없을 때 사용

MiMo-V2.5가 세 번째 줄에 앉는 이유는 작기 때문입니다. 이 급의 조밀한 파운데이션은 3비트까지 짜부라뜨리지 않아도 들어가므로 여덟 비트를 남길 여유가 있고, 여러분이 샘플링하는 가중치는 학습된 값에 가깝게 유지됩니다. 이것은 이미지 작업에서 유독 크게 작용하는데, 구조적인 이유가 있습니다. 텍스트 전용 디코더에서는 양자화로 흔들린 임베딩이 이후 수십 개의 어텐션 레이어에서 다시 문맥화됩니다. 되살릴 기회가 많은 것이죠. 비전 스택에는 그런 여유가 없습니다. 시각 정보는 디코더에 닿기 전에 하나의 인코더와 하나의 좁은 프로젝터를 통과하고, 그 뒤의 모든 것은 그 병목이 내놓은 결과에 조건화됩니다. 세밀한 신호 — 대비가 낮은 스캔에서 3과 8의 구분, 차트 축에서 막대가 끝나는 정확한 픽셀, 클릭하라고 지시받은 UI 요소의 경계 — 는 공격적 양자화가 가장 먼저 버리는 작은 크기의 가중치 디테일에 살고 있습니다.

3비트 비전 모델은 요란하게 실패하지 않습니다. 조용히 실패합니다. 문서를 유창하게 설명하면서 합계의 두 자리를 바꿔 놓는 식이죠. 가중치 정밀도를 높이는 것이 그 실패에 대한 가장 싼 보험이고, 여기서는 공짜입니다. 어느 쪽이든 최저가를 내니까요.

04맥락 속에서 본 최저가

열두 모델 카탈로그에서 넷이 100만 토큰당 입력 $0.50 / 출력 $2.00의 최저가에 있습니다. 그중 이미지를 받는 것은 하나뿐입니다. 대부분의 실제 청구서를 지배하는 숫자인 출력 비용으로 비전 모델들이 어디에 놓이는지 보면 이렇습니다.

2026년 9월 기준 Shannon AI 게이트웨이 정가, 100만 토큰당 출력 가격(USD). 막대 길이는 카탈로그에서 가장 비싼 비전 모델에 대한 상대값입니다.

천장급 비전 모델이자 실제로 더 강한 Kimi-K3와 비교하면 MiMo-V2.5는 출력에서 약 9.6배, 입력에서 약 7.7배 쌉니다. 동등하다는 주장이 아니라 워크로드의 형태에 관한 논거입니다. 한 달에 이미지 10만 장이면 천장 모델은 감당이 안 되고 최저가 모델은 감당이 됩니다. 솔직한 질문은 최저가 모델이 벤치마크에서 이기느냐가 아니라 여러분의 정확도 기준선을 넘느냐입니다.

05MiMo-V2.5 대 MiniMax-M3: 싼 비전 모델 둘을 솔직하게 비교하면

이 둘은 가격, 컨텍스트, 엔드포인트 표면이 정확히 같습니다. 그렇다고 서로 바꿔 쓸 수 있는 것은 아닙니다. 양자화 티어는 비전 모델을 쓸모 있게 만드는 것이 무엇인지에 대한 서로 다른 두 베팅을 대변합니다.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
100만당 입력 / 출력	$0.50 / $2.00	$0.50 / $2.00
가중치 정밀도	8비트	3비트 + 전문가 프루닝
파운데이션 크기	작고 조밀	크고 희소한 MoE
비전	지원	지원
컨텍스트 윈도우	262,144	262,144
스키마 · 툴 · 스트리밍	지원	지원

이미지가 어려운 부분이라면 MiMo-V2.5를 고르세요. 상태가 나쁜 스캔의 빽빽한 OCR, 차트와 표에서의 수치 추출, 스크린샷과 UI 그라운딩, 작은 글씨 읽기, 거의 똑같이 생긴 제품 사진 구분하기처럼 자릿수 하나가 바뀌면 미관 문제가 아니라 결함이 되는 모든 작업입니다. 픽셀에서 토큰까지 가장 충실도 높은 경로가 필요하고, 이 가격에서 그것을 얻는 방법이 8비트 가중치입니다.

이미지가 쉬운 부분이라면 MiniMax-M3를 고르세요. 3비트로 압축된 큰 희소 파운데이션은 프루닝 이후에도 작고 조밀한 모델이 담을 수 있는 것보다 많은 세계 지식과 추론의 폭을 지닙니다. 과제가 "이 사진을 보고 그것이 함의하는 바를 길게 추론하라"이거나 이미지가 거의 텍스트인 대화의 입력 하나일 뿐이라면, 더 큰 파운데이션이 더 나은 도구입니다. 내준 시각적 예민함은 애초에 제약이 아니었으니까요.

06MiMo-V2.5 대 MiMo-V2.5-Pro: 눈을 내주고 깊이를 얻은 형제

지원 티켓을 가장 많이 만들어 내는 비교이니 직설적으로 말하겠습니다. MiMo-V2.5-Pro-W8A16과 MiMo-V2.5-W8A16은 가격, 컨텍스트 윈도우, 정밀도 티어, 계열 이름을 공유합니다. Pro는 이미지를 받지 않습니다. 상위 호환이 아니라, 같은 예산을 다르게 배분한 것입니다.

멀티모달 모델을 서비스한다는 것은 디코더와 함께 비전 타워와 프로젝터의 비용까지 지불한다는 뜻이며, 고정된 비용 목표에서는 언어 모델 자체에 쓰지 못한 용량이 됩니다. Pro는 그 전부를 텍스트에 씁니다. 긴 글쓰기, 확장된 추론, 코드에 여유가 더 있는 큰 파운데이션이죠. MiMo-V2.5는 그 일부를 보는 능력에 씁니다.

그러므로 판단 기준은 야심이 아니라 여러분의 입력입니다. 어떤 요청이든 스크린샷, 스캔한 페이지, 차트, 도표, 사진을 담을 수 있다면 MiMo-V2.5가 필요합니다. Pro는 그 콘텐츠 블록을 거부합니다. 모든 요청이 텍스트인데 습관적으로 비전 모델을 집었다면 아무 대가 없이 파운데이션 품질을 버리는 셈이니, 같은 요율의 MiMo-V2.5-Pro를 쓰세요.

훔쳐 쓸 만한 패턴 하나. 콘텐츠 타입으로 라우팅하세요. 이미지 파트가 있는 것은 MiMo-V2.5-W8A16으로, 나머지는 전부 MiMo-V2.5-Pro-W8A16으로 보냅니다. 같은 계열, 같은 가격, 같은 컨텍스트 예산이므로 라우터는 사소하고 맞출 비용 모델도 없습니다.

07"무검열 이미지 이해"가 실제로 뜻하는 것

이 모델 앞에는 거절 레이어가 없고 출력에 콘텐츠 필터도 없습니다. 이는 비전 작업에 구체적인 결과를 낳는 제품 결정입니다. 모델은 소재를 근거로 거절하는 대신 프레임 안에 무엇이 있는지 설명합니다.

이것이 중요한 이유는, 필터가 걸린 비전 API가 정당한 작업 전체 범주에 구조적으로 맞지 않기 때문입니다. 모더레이션 파이프라인은 자신이 검열하는 자료를 보고 그것이 무엇인지 말해야 합니다. 자신이 분류하는 대상을 들여다보기를 거부하는 분류기는 분류기가 아닙니다. 실제 업무의 긴 목록에서도 마찬가지입니다.

• 신뢰·안전 도구 — 주류 API가 처리하지 않을 바로 그 이미지에 라벨을 붙이는 일이며, 그 이미지야말로 라벨이 가장 필요한 것들입니다.
• 의료·포렌식·사고 이미지 — 누가 요청하든 상관없이 일반 필터가 잔혹하다며 반려하는 임상, 부상, 현장 사진입니다.
• 보안 연구 — 모델이 전제부터 주춤하지 않고 피싱 페이지, 악성 인터페이스, 캡처된 화면을 읽는 일입니다.
• 성인 콘텐츠 분류와 아카이브 목록화 — 자료를 식별하려고 존재하기에 보는 일을 외주 줄 수 없는 파이프라인, 그리고 필터가 라벨 불가로 취급하는 역사적 컬렉션입니다.

거절 레이어를 없애는 것은 엔지니어링 장애물을 없애는 것이지 법적 장애물을 없애는 것이 아닙니다. Shannon AI는 미국 뉴멕시코주의 Shannon Lab LLC가 운영하며, API 사용에는 우리 책임 있는 이용 정책이 적용됩니다. 필터 없는 출력은 능력이지 허가증이 아닙니다.

08호출하기: 엔드포인트, 이미지 입력, 그리고 어디에 맞는가

모델은 MiMo-V2.5-W8A16이며, 같은 가중치를 향한 세 가지 요청 방언으로 호출할 수 있으니 이미 쓰던 SDK를 그대로 유지하면 됩니다.

• /v1/chat/completions — OpenAI 호환. 이미지는 https URL이나 base64 데이터 URI로 image_url 콘텐츠 파트에 넣습니다.
• /v1/messages — Anthropic 호환. 이미지는 image 콘텐츠 블록으로 넣습니다.
• /v1/responses — Responses 스타일 방언입니다.

스트리밍과 툴 호출은 셋 모두에서 동작하므로, 모델이 스크린샷을 보고 본 것에 대해 함수를 호출하는 일을 한 턴에 해낼 수 있습니다. 전체 요청·응답 스키마는 API 문서에 있고, 코드를 한 줄도 쓰기 전에 이미지를 붙여 넣어 볼 수 있는 플레이그라운드도 거기 있습니다.

MiMo-V2.5는 엄격한 json_schema와 response_format을 지원합니다. 데모와 파이프라인을 가르는 차이죠. 영수증 하나와 함께 판매처, 날짜, 품목, 합계에 타입이 붙은 스키마를 건네면, 정규식으로 훑어야 하는 문단이 아니라 코드가 검증할 수 있는 객체가 돌아옵니다. 이 카탈로그의 열두 모델 중 둘은 완전한 구조화 출력 지원이 없지만 이 모델은 있고, 그래서 대량 추출 서비스로 쓸 수 있습니다.

컨텍스트 윈도우는 262,144 토큰이고 생성 출력은 요청당 16,384 토큰으로 제한됩니다. 이미지는 해상도에 따라 입력 토큰을 소비하므로, 고해상도 페이지 스캔은 같은 단어 수의 텍스트보다 컨텍스트를 훨씬 빨리 먹습니다. 300쪽짜리 스캔을 한 요청에 밀어 넣기보다 긴 문서는 나눠 보내고, 출력 상한을 전수 추출에 대한 실제 제약으로 다루세요. 잘린 답을 받는 대신 빽빽한 표는 행 범위로 쪼개는 것이 낫습니다.

이 계열의 혈통을 생각하면 reasoning_effort 다이얼은 여기서 진짜 지렛대입니다. 답이 라벨 하나이고 사고 토큰이 순수 비용인 대량 분류에서는 낮추세요. 모델이 본 것 여럿을 결합해야 답할 수 있는 차트 해석, 시각적 수학, 도표 추론에서는 올리세요.

어디에 맞고 어디에 맞지 않는가

잘 맞는 곳. 대량 문서·영수증 추출, 상태가 나쁜 스캔에 대한 OCR 인접 작업, 차트·대시보드·표 읽기, 스크린샷 이해와 UI 그라운딩, 카탈로그 태깅과 시각 QA, 모더레이션 파이프라인 — 호출당 비용이 제약이면서 세밀한 정밀도만은 포기할 수 없는 모든 멀티모달 작업입니다.

맞지 않는 곳. 가격과 무관하게 가장 강한 모델이 필요한 최고 난도 멀티모달 추론은 Kimi-K3의 몫이고, 거의 열 배 비싼 데에는 이유가 있습니다. 텍스트 전용 생성이라면 같은 요율에 더 나은 파운데이션을 주는 MiMo-V2.5-Pro가 있습니다. 백과사전적 세계 지식에 기대는 작업이라면 큰 희소 파운데이션이 작고 조밀한 쪽을 앞섭니다. 그리고 262K를 넘는 컨텍스트가 필요한 작업은 여기 어떤 모델도 제공하지 않습니다.

09자주 묻는 질문

---

출처: MiMo 기술 보고서 (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. 모든 벤치마크 수치는 위에 명시한 공개 체크포인트에 대해 Xiaomi가 보고한 값이며, 이 엔드포인트의 정확한 빌드가 아니라 계열의 계보를 설명합니다. 가격, 컨텍스트, 기능 플래그는 2026년 9월 기준 Shannon AI 게이트웨이 정가 값입니다.