Цензурасыз MiMo көрүү API

Арзан мультимодалдык учтар бир нерсе кыркылгандыктан арзан, ал эми кыркылган нерсе адатта сиз көрө албаган бөлүк: салмактар үч же төрт битке кысылат, ал эми модель эми чындап окуй албаган диаграмма тууралуу дагы эле ишенимдүү жооп берет. MiMo-V2.5 — каталогубуздагы тескери мисал: баа түбүндө жана ошол эле учурда эң жогорку тактык деңгээлинде, анткени ал келип чыккан негиз алп жана сейрек эмес, кичине жана тыгыз курулган.

01MiMo кайдан келген: адегенде ой жүгүртүү модели, андан кийин көрүү модели

MiMo теги — Xiaomi'нин ачык салмактуу изилдөө программасы, ал эми анын негиздөөчү аргументи модалуу эмес: ой жүгүртүү жөндөмү кийин RL менен бекитилбестен, алдын ала үйрөтүү учурунда аныкталат. Иштин көбү — маалымат инженериясы: Xiaomi корпустагы ой жүгүртүү үлгүлөрүнүн тыгыздыгын жогорулатуу үчүн текст чыгарып алууну жана чыпкалоону кайра курду, синтетикалык ой жүгүртүү маалыматын масштабда жаратты жана MiMo-7B-Base'ди үч этаптуу аралашма астында болжол менен 25 триллион токенде алдын ала үйрөттү, чыгаруу учурунда спекулятивдик декодер катары кош кызмат аткарган көп токенди алдын ала айтуу кошумча максаты менен (Xiaomi боюнча кабыл алуу деңгээли 90%га жакын).

Кийинки үйрөтүү атайын кыска: 130 000 математика жана код маселеси, эреже боюнча тактык сыйлыктары гана, үйрөнүлгөн сыйлык модели жок — нейрондук сыйлык модели бузула турган бет деген ой менен. Текшерилүүчү сыйлыктарды сөз менен көндүрүүгө болбойт. MiMo-7B-RL өлчөмүнө туура келбеген сандарды көрсөтөт — Xiaomi pass@1 боюнча AIME 2024'тө 68,2%, MATH-500'дө 95,8%, LiveCodeBench v5'те 57,8% билдирет, OpenAI'дын o1-mini'сине дал келип. Сиз чакырып жаткан моделдин формасы ушул: жыйнактуу, тыгыз үйрөтүлгөн, жоопту эстеп калуудан көрө маселени чечип чыгууга тууралган — жана бул мүнөз мультимодалдык тукумдарына өтөт.

02MiMo кантип көрүүнү үйрөндү: MiMo-VL архитектурасы

MiMo-VL — көрүү-тил бутагы, ал эми анын курулушу үйрөтөрлүк. Xiaomi үч бөлүктү чогултту: ар бир сүрөттү туруктуу төмөн чечилиштеги торго мажбурлабай, майда деталды сактаган өз чечилишиндеги ViT энкодери, тил моделинин латенттик мейкиндигине кокус инициалдаштырылган MLP проектору жана — эң башкысы — тил модели катары MiMo ой жүгүртүү өзөгү. Көрүү системасы жөн гана жазуу түшүрүүгө жакшы эмес, көп кадамдуу ойлонууга мурдатан жакшы декодерди мураска алат.

Үйрөтүү болжол менен 2,4 триллион токен боюнча төрт алдын ала үйрөтүү этабында жүргөн — проекторду жылытуу, көрүү-тил тегиздөө, жалпы мультимодалдык алдын ала үйрөтүү, узун контексттүү SFT — андан соң Mixed On-policy Reinforcement Learning (MORL), ал кабылдоо тактыгын, визуалдык негиздөө тактыгын, ой жүгүртүүнүн тууралыгын жана адам/AI артыкчылыгын бир on-policy айланымга бүктөйт. Отчет булардын баарын бир эле убакта оптималдаштыруу туруксуз экенин ачык айтат — мультимодалдык макалалардын көбү сунуштагандан чынчылыраак чагылдыруу.

Жарыяланган натыйжалар параметр саны үчүн күчтүү. Xiaomi MiMo-VL-7B-RL'дин Qwen2.5-VL-7B'ни 40 тапшырманын 35инде утканын, OlympiadBench'те 59,4 (78B'ге чейинки моделдерден жогору) жана интерфейсти негиздөө үчүн OSWorld-G'де 56,1 алганын билдирет, атайын курулган интерфейс агенттеринен озуп. Кийинки 2508 жаңыртуусу серияда биринчи жолу MMMU'ну 70дөн ашырды (70,6), ChartQA'да 94,4, ScreenSpot-v2'де 92,5 жана VideoMME'де 70,8 алды жана ой жүгүртүү издерин ар бир сурамда өчүрүүгө мүмкүндүк берген ой башкаруу которгучун кошту.

03W8A16 эмнени билдирет жана ал эмне үчүн көрүү үчүн текстке караганда маанилүүрөөк

Шлюздагы ар бир модель кванттоо кошумчасын алып жүрөт. Ал жасалга эмес — моделди тейлөөгө жарактуу кылуу үчүн эмне алмаштырылганын айтат.

Кошумча	Бул эмне	Ал эмне үчүн колдонулат
3BIT-REAP	3 биттик салмактар плюс REAP — кванттоодон мурун MoE моделинен сейрек маршруттолгон эксперттерди алып салган эксперт кыскартуу ыкмасы	Эң чоң негиздерди акылга сыярлык ылдамдыкта батырып тейлөөнүн бирден-бир жолу
W4A16-AUTOROUND-REAP	4 биттик салмактар, 16 биттик активациялар, AutoRound менен кванттелген — эң жакынга түз тегеректөөгө караганда тактыкты калыбына келтирген үйрөнүлгөн тегеректөө — плюс REAP кыскартуусу	Өтө катуу кысууну талап кылбаган чоң негиздер үчүн ортоңку жол
W8A16	8 биттик салмактар, 16 биттик активациялар — тейлеген эң жогорку тактыктагы деңгээлибиз	Негиз агрессивдүү кысуу кереги жоктой кичине болгон жерде колдонулат

MiMo-V2.5 үчүнчү сапты жыйнактуулугу менен актайт: бул класстагы тыгыз негиз батыш үчүн үч битке чейин кысылуунун кереги жок, ошондуктан сегизди сактап калууга чамаңыз жетет, ал эми тандай турган салмактарыңыз үйрөтүлгөндөрүнө жакын калат. Бул сүрөт иши үчүн ашыкча маанилүү, түзүмдүк себеп менен. Текст гана декодеринде кванттоо астында четтеген эмбеддинг ондогон кийинки көңүл буруу катмары тарабынан кайра контекстке салынат — калыбына келүүгө көп мүмкүнчүлүк. Көрүү түзүлүшүндө мындай кеңдик жок: визуалдык маалымат декодерге жетээрден мурун бир энкодерден жана бир тар проектордон өтөт, ал эми андан кийинки нерселердин баары ошол тар жер эмне чыгарса, ошого шартталат. Майда сигнал — контрасты төмөн скандагы 3кө каршы 8, диаграмманын огунда тилке бүткөн так пиксель, басууну суранган интерфейс элементинин чеги — агрессивдүү кванттоо биринчи ыргытып жиберген чоңдугу кичине салмак деталында жашайт.

3 биттик көрүү модели үнү чыгып бузулбайт; ал үнсүз бузулуп, жалпы суммасында эки цифрасы алмашкан документтин чебер сүрөттөмөсүн берет. Салмактын жогорку тактыгы — ошол бузулууга каршы эң арзан камсыздандыруу, ал эми бул жерде ал бекер: түп бааны кайсы учурда болбосун төлөйсүз.

04Түп баа, контекстте

Он эки моделдик каталогубуздагы төрт модель миллион токенге $0.50 кирүү / $2.00 чыгуу деген баа түбүндө турат. Алардын болгону бирөө сүрөт кабыл алат. Мына, көрүүсү бар моделдер чыныгы эсептердин көбүндө үстөмдүк кылган сан болгон чыгуу чыгымы боюнча кайда турат:

Чыгуу баасы, 1M токенге АКШ доллары, Shannon AI шлюзүнүн прайс-тарифтери, 2026-жылдын сентябры. Тилкенин узундугу каталогдогу эң кымбат көрүү моделине салыштырмалуу.

Чектеги көрүү модели болгон жана чындап күчтүүрөөк Kimi-K3'кө каршы MiMo-V2.5 чыгууда болжол менен 9,6 эсе жана кирүүдө 7,7 эсе арзан. Бул барабардык доомоту эмес; бул жүктүн формасы тууралуу аргумент. Айына жүз миң сүрөттө чектеги модель чамага сыйбайт, ал эми түп модель сыят, ал эми чынчыл суроо — түп модель тактык чегиңизден өтөбү, бенчмаркты утабы деген эмес.

05MiMo-V2.5 менен MiniMax-M3: эки арзан көрүү моделин чынчыл салыштыруу

Бул экөө баа, контекст жана уч бети боюнча так тең турат. Алар алмаштырылуучу эмес: кванттоо деңгээли көрүү моделин пайдалуу кылган нерсе тууралуу эки башка ставканын көрсөткүчү.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
1M'ге кирүү / чыгуу	$0.50 / $2.00	$0.50 / $2.00
Салмак тактыгы	8 бит	3 бит + эксперт кыскартуу
Негиздин өлчөмү	Жыйнактуу, тыгыз	Чоң, сейрек MoE
Көрүү	Ооба	Ооба
Контекст терезеси	262,144	262,144
Схема · куралдар · агымдуу берүү	Ооба	Ооба

Оор жери сүрөт болгондо MiMo-V2.5'ти тандаңыз: кемчиликтүү скандардагы тыгыз OCR, диаграммалар менен таблицалардан сан чыгарып алуу, скриншот жана интерфейсти негиздөө, майда текст окуу, дээрлик бирдей товар сүрөттөрүн ажыратуу — алмашкан цифра косметикалык кемчилик эмес, кемтик болгон нерселердин баары. Сизге пикселден токенге чейин эң жогорку тактыктагы жол керек, ал эми 8 биттик салмактар — аны бул баада алуунун жолу.

Оңой жери сүрөт болгондо MiniMax-M3'тү тандаңыз. 3 битке кысылган чоң сейрек негиз кыскартылгандан кийин да жыйнактуу тыгыз модель камтый алгандан көбүрөөк дүйнөлүк билимди жана ой жүгүртүү кеңдигин кармайт. Эгер тапшырма «бул сүрөткө карап, ал эмнени билдирерин узакка ой жүгүрт» болсо же сүрөт негизинен тексттик маектеги бир кириш болсо, чоңураак негиз — жакшыраак курал: алмашып берген визуалдык курчтугуңуз чектөөчү шарт болгон эмес.

06MiMo-V2.5 менен MiMo-V2.5-Pro: көзүн тереңдикке алмашкан тектеш

Бул — эң көп колдоо тикетин жараткан салыштыруу, ошондуктан түз айткан оң. MiMo-V2.5-Pro-W8A16 менен MiMo-V2.5-W8A16 бааны, контекст терезесин, тактык деңгээлин жана үй-бүлө атын бөлүшөт. Pro сүрөт кабыл албайт. Ал үстөмдүк кылган топтом эмес. Ал — ошол эле бюджеттин башкача бөлүштүрүлүшү.

Мультимодалдык моделди тейлөө декодер менен катар көрүү мунарасына жана проекторго төлөө дегени — туруктуу чыгым максатында тил моделинин өзүнө жумшалбаган кубаттуулук. Pro баарын текстке жумшайт: узун формадагы жазууга, узартылган ой жүгүртүүгө жана кодго көбүрөөк орду бар чоңураак негиз. MiMo-V2.5 анын бир бөлүгүн көрүүгө жумшайт.

Демек, чечим эрежеси амбицияңыз тууралуу эмес, кириштериңиз тууралуу. Эгер каалаган сурам скриншотту, сканерленген баракты, диаграмманы, схеманы же сүрөттү камтышы мүмкүн болсо, сизге MiMo-V2.5 керек — Pro ал мазмун блогун четке кагат. Эгер ар бир сурам текст болсо жана көрүү моделине адат боюнча кайрылсаңыз, негиздин сапатын бекер эле үстөлдө калтырып жатасыз: так ошол тарифте MiMo-V2.5-Pro'ну алыңыз.

Уурдап кетүүгө арзырлык үлгү: мазмун түрү боюнча багыттаңыз. Сүрөт бөлүгү бар нерсенин баары MiMo-V2.5-W8A16'га, калганы MiMo-V2.5-Pro-W8A16'га кетет. Ошол эле үй-бүлө, ошол эле баа, ошол эле контекст бюджети — маршрутизатор жупуну жана ылайыкташтыра турган чыгым модели жок.

07«Цензурасыз сүрөт түшүнүү» чындыгында эмнени билдирет

Бул моделдин алдында баш тартуу катмары жок жана анын чыгуусунда мазмун чыпкасы жок. Бул — көрүү иши үчүн так кесепети бар продукт чечими: модель тема боюнча баш тартуунун ордуна кадрда эмне бар экенин сүрөттөйт.

Бул маанилүү, анткени чыпкаланган көрүү API'лери мыйзамдуу иштин бүтүндөй категориясы үчүн түзүмдүк жактан ылайыксыз. Модерация түтүгү өзү модерациялаган материалга карап, анын эмне экенин айтышы керек; классификациялаган нерсесин карагысы келбеген классификатор — классификатор эмес. Ошол эле чыныгы жумуштардын узун тизмесине тиешелүү:

• Ишеним жана коопсуздук куралдары — так эле негизги API иштетпей турган сүрөттөрдү белгилөө, ал эми ошолор белгилөөгө эң муктаж сүрөттөр.
• Медициналык, соттук-медициналык жана кырсык сүрөттөрү — жалпы чыпкалар ким сураганына карабай оор деп четке каккан клиникалык, жаракат жана окуя жайынын сүрөттөрү.
• Коопсуздук изилдөөсү — фишинг барактарын, зыяндуу интерфейстерди жана тартып алынган экрандарды модель негизине каршы турбай окуу.
• Чоңдорго арналган мазмунду классификациялоо жана архивдик каталогдоо — материалды аныктоо үчүн бар жана кароону сыртка бере албай турган түтүктөр, ошондой эле чыпкалар белгилөөгө болбойт деп эсептеген тарыхый жыйнактар.

Баш тартуу катмарын алып салуу укуктук эмес, инженердик тоскоолдукту алып салат. Shannon AI'ды Нью-Мексикодогу (АКШ) Shannon Lab LLC тейлейт, ал эми API'ди колдонуу биздин жоопкерчиликтүү колдонуу саясатыбыз менен жөнгө салынат. Чыпкаланбаган чыгуу — мүмкүнчүлүк, уруксат кагазы эмес.

08Аны чакыруу: учтар, сүрөт киргизүү жана орду

Модель — MiMo-V2.5-W8A16, ага ошол эле салмактарга каршы үч сурам диалекти аркылуу жетүүгө болот, ошондуктан учтагы SDK'ңызды сактайсыз:

• /v1/chat/completions — OpenAI'ге шайкеш. Сүрөттөр image_url мазмун бөлүктөрү катары, https URL же base64 маалымат URI түрүндө кирет.
• /v1/messages — Anthropic'ке шайкеш. Сүрөттөр image мазмун блоктору катары кирет.
• /v1/responses — Responses стилиндеги диалект.

Агымдуу берүү менен курал чакыруу үчөөндө тең иштейт, ошондуктан модель скриншотко карап, көргөнү тууралуу бир кезекте функция чакыра алат. Сурам менен жооптун толук схемалары API документтеринде, ал жерде код жазуудан мурун сүрөт коё турган аянтча да бар.

MiMo-V2.5 катаң json_schema менен response_format'ту колдойт — демо менен түтүктүн ортосундагы айырма. Ага чекти жана сатуучу, дата, сап элементтери, жалпы сумма үчүн типтелген талаалары бар схеманы бериңиз — жана кодуңуз текшере ала турган объектти аласыз, regex менен иштей турган абзацты эмес. Бул каталогдогу он эки моделдин экөөндө структураланган чыгуунун толук колдоосу жок; мунда бар, дал ошондуктан ал көлөмдүү чыгарып алуу кызматы катары иштейт.

Контекст терезеси — 262 144 токен; жаратылган чыгуу ар бир сурамга 16 384 токен менен чектелген. Сүрөттөр чечилиштин функциясы катары кириш токендерин жейт, ошондуктан жогорку чечилиштеги барак скандары ошол эле сөз санындагы текстке караганда контекстти алда канча тезирээк жутат. 300 барактуу сканды бир сурамга жүктөгөндүн ордуна узун документтерди баракка бөлүңүз жана чыгуу чегин толук чыгарып алууга чыныгы чектөө катары карап — кыркылган жооп алгандын ордуна тыгыз таблицаларды сап диапазону боюнча бөлүктөңүз.

Үй-бүлөнүн тегин эске алганда, reasoning_effort рычагы бул жерде чыныгы күчкө ээ. Жооп жарлык болуп, ой жүгүртүү токендери таза чыгым болгон көлөмдүү классификация үчүн аны төмөндөтүңүз; модель жооп берүүдөн мурун көргөн бир нече нерсени бириктириши керек болгон диаграмма чечмелөө, визуалдык математика жана схема боюнча ой жүгүртүү үчүн көтөрүңүз.

Ал кайда туура келет, кайда келбейт

Жакшы дал келүү. Көлөмдүү документ жана чек чыгарып алуу; кемчиликтүү скандардагы OCR'га жакын иш; диаграмма, панель жана таблица окуу; скриншот түшүнүү жана интерфейсти негиздөө; каталог тегдөө жана визуалдык суроо-жооп; модерация түтүктөрү — чакырууга келген чыгым чектөөчү болуп, майда деталдын тактыгы баш тартпай турган нерсе болгон каалаган мультимодалдык тапшырма.

Начар дал келүү. Баасына карабай эң күчтүү моделди талап кылган алдыңкы татаалдыктагы мультимодалдык ой жүгүртүү — Kimi-K3'түн жумушу, ал он эсеге жакын кымбат экени бекер эмес. Текст гана жаратуу, анда ошол эле тарифте MiMo-V2.5-Pro жакшыраак негиз берет. Энциклопедиялык дүйнөлүк билимге таянган иш, анда чоң сейрек негиз жыйнактуу тыгызынан озот. Жана 262K'дан ашык контекстти талап кылган нерсенин баары, аны бул жерде эч бир модель сунуштабайт.

09Көп берилүүчү суроолор

---

Булактар: MiMo техникалык отчету (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Бардык бенчмарк сандары жогоруда аталган чыгарылган чекпоинттер үчүн Xiaomi билдирген сандар жана алар бул учтагы так курулушту эмес, үй-бүлөнүн тегин сүрөттөйт. Баалар, контекст жана мүмкүнчүлүк желекчелери — Shannon AI шлюзүнүн прайс-маанилери, 2026-жылдын сентябры.