Onzenséiert MiMo-Vision-API

Bëlleg multimodal Endpunkte sinn bëlleg well eppes gestrach gouf, a wat gestrach gëtt ass meeschtens den Deel deen s du net gesäis: d'Gewiichter gi bis op dräi oder véier Bit gepresst, an de Modell äntwert weiderhin iwwerzeegt iwwer eng Grafik déi en tatsächlech net méi liese kann. MiMo-V2.5 ass d'Géigebeispill an eisem Katalog — gläichzäiteg um Präisbuedem an op der héchster Präzisiounsstuf, well d'Basis vun där en ofstaamt kleng an dicht gebaut gouf an net risseg a spuersam.

01Wou MiMo hierkënnt: als éischt e Raisonnéierungsmodell, als zweet e Vision-Modell

D'MiMo-Rei ass dem Xiaomi säin Open-Weights-Fuerschungsprogramm, a säi Grondargument ass onmodesch: d'Raisonnéierungsfäegkeet gëtt am Virtraining festgeluecht an net duerno mat RL ugeschrauft. D'Aarbecht ass meeschtens Datenengineering — Xiaomi huet d'Textextraktioun an d'Filterung nei gebaut, fir d'Dicht vu Raisonnéierungsmuster am Korpus ze hiewen, huet syntetesch Raisonnéierungsdaten am grousse Mooss generéiert, an huet MiMo-7B-Base op ronn 25 Billiounen Token ënner enger Mëschung a dräi Stufe virtrainéiert, mat der Multiple-Token-Prediktioun als Hilleftsziel dat zum Zäitpunkt vun der Inferenz och als spekulative Decoder déngt (Akzeptanzquot no bei 90 %, laut Xiaomi).

D'Nachtraining ass bewosst kaarg: 130,000 Mathematik- a Codeproblemer mat nëmme regelbaséierte Genauegkeetsbelounungen, ouni geléiert Belounungsmodell, mat der Begrënnung, datt e neuralt Belounungsmodell eng Fläch ass déi ee hacke kann. Iwwerpréifbar Beloununge kann ee net beschwätzen. MiMo-7B-RL setzt Zuelen déi net am Verhältnis zu senger Gréisst stinn — Xiaomi bericht 68.2 % op AIME 2024, 95.8 % op MATH-500, 57.8 % op LiveCodeBench v5 bei pass@1, gläich mam o1-mini vun OpenAI. Dat ass d'Form vum Modell deen s du uruffs: kompakt, dicht trainéiert, dorop ofgestëmmt e Problem duerchzeschaffen amplaz eng Äntwert ofzeruffen — an deen Temperament iwwerlieft an d'multimodal Nokommen.

02Wéi MiMo geléiert huet ze kucken: d'MiMo-VL-Architektur

MiMo-VL ass den Zweig fir Vision a Sprooch, a säi Bau ass léierräich. Xiaomi huet dräi Deeler zesummegesat: en ViT-Encoder op natiiver Opléisung deen de feine Detail behält amplaz all Bild duerch e fest niddregopgeléist Gitter ze zwéngen, e zoufälleg initialiséierte MLP-Projektor an de Latentraum vum Sproochmodell, an — entscheedend — de MiMo-Raisonnéierungsréckgrat als Sproochmodell. De Vision-System ierft en Decoder deen schonn am Denken iwwer méi Schrëtt gutt ass an net een deen nëmme gutt Bildtexter mécht.

D'Training ass a véier Virtrainingsstufe gelaf — Opwiermen vum Projektor, Ausriichtung vu Vision a Sprooch, allgemengt multimodalt Virtraining, SFT mat laangem Kontext — iwwer ronn 2.4 Billiounen Token, dono Mixed On-policy Reinforcement Learning (MORL), dat d'Wahrnehmungsgenauegkeet, d'Präzisioun vun der visueller Erdung, d'Richtegkeet vum Raisonnéieren an d'Preferenze vu Mënsch an AI an eng eenzeg On-Policy-Schleef faalt. De Bericht seet oppen, datt et onstabil ass, dat alles op eemol ze optiméieren — eng méi éierlech Formuléierung wéi déi meescht multimodal Pabeieren ubidden.

Déi publizéiert Resultater si staark fir d'Parameterzuel. Xiaomi bericht, datt MiMo-VL-7B-RL Qwen2.5-VL-7B op 35 vu 40 Aufgaben schléit, 59.4 op OlympiadBench (iwwer Modeller bis 78B), an 56.1 op OSWorld-G fir GUI-Erdung, virun eegens dofir gebauten Interface-Agenten. Déi spéider Opfrëschung 2508 huet MMMU fir d'éischt an der Serie iwwer 70 gedréckt (70.6), huet 94.4 op ChartQA, 92.5 op ScreenSpot-v2 an 70.8 op VideoMME erreecht, an huet e Schalter fir d'Denkkontroll derbäigesat, sou datt d'Raisonnéierungsspuere pro Ufro ausgeschalt kënne ginn.

03Wat W8A16 heescht, a firwat et fir Vision méi zielt wéi fir Text

All Modell um Gateway dréit e Quantiséierungssuffix. Et ass keng Dekoratioun — et seet dir, wat hierginn gouf fir de Modell servéierbar ze maachen.

Suffix	Wat et ass	Firwat et benotzt gëtt
3BIT-REAP	3-Bit-Gewiichter plus REAP, eng Method fir d'Expert-Pruning déi selten geroutet Experten aus engem MoE-Modell virum Quantiséiere falen léisst	Deen eenzege Wee fir déi ganz gréisste Basen op vernünftegem Tempo ze fassen an ze servéieren
W4A16-AUTOROUND-REAP	4-Bit-Gewiichter, 16-Bit-Aktivéierungen, mat AutoRound quantiséiert — geléiert Rondung déi Genauegkeet géint dat naiivt Ronne op de nächste Wäert zréckgewënnt — plus REAP-Pruning	Mëttelwee fir grouss Basen déi keng extrem Kompressioun brauchen
W8A16	8-Bit-Gewiichter, 16-Bit-Aktivéierungen — déi Stuf mat der héchster Tréischtheet déi mir servéieren	Benotzt wou d'Basis kleng genuch ass, sou datt aggressiv Kompressioun onnéideg ass

MiMo-V2.5 verdéngt déi drëtt Zeil doduerch, datt et kompakt ass: eng dicht Basis an dëser Klass muss net op dräi Bit gepresst ginn fir ze passen, also kanns du dir leeschten aacht ze behalen, an d'Gewiichter aus deenen s du sampels bleiwen no bei deenen déi trainéiert goufen. Dat zielt ongläich vill fir Billeraarbecht, aus engem strukturelle Grond. An engem Decoder nëmme mat Text gëtt eng Aabettung déi ënner der Quantiséierung ofdrëft vun Dosende vu spéidere Attention-Schichten nei kontextualiséiert — vill Chancen sech ze erhuelen. E Vision-Stack huet keng esou Loft: d'visuell Informatioun geet duerch een eenzegen Encoder an ee schmuele Projektor ier se den Decoder erreecht, an alles stroumof ass op dat bedéngt wat dee Flaschenhals produzéiert huet. Dat feinkäregt Signal — 3 géint 8 an engem kontrastaarme Scan, de genaue Pixel wou e Balken op enger Diagrammachs ophält, d'Grenz vun engem Interfaceelement op dat s du klicke solls — wunnt am klengfäerdege Gewiichtsdetail dat aggressiv Quantiséierung als éischt ewechgeheit.

E 3-Bit-Vision-Modell scheitert net haart; e scheitert roueg, andeems en eng flësseg Beschreiwung vun engem Dokument produzéiert mat zwou Zifferen an der Zomm vertosch. Méi héich Gewiichtspräzisioun ass déi bëllegst Versécherung géint dee Feeler, an hei ass se gratis — s du bezuels souwisou de Buedempräis.

04De Buedempräis am Kontext

Véier Modeller an eisem Katalog vun zwielef sëtzen um Präisbuedem vun $0.50 Input / $2.00 Output pro Millioun Token. Nëmmen ee vun hinnen hëlt Biller. Hei ass wou déi vision-fäeg Modeller bei den Outputkäschte landen, déi Zuel déi déi meescht richteg Rechnungen dominéiert:

Outputpräis an USD pro 1M Token, Lëschtetarifer vum Shannon-AI-Gateway, September 2026. D'Balkelängt ass relativ zum deiersten Vision-Modell am Katalog.

Géint Kimi-K3 — de Vision-Modell op der Ubierstgrenz, an e wierklech stäerkeren — ass MiMo-V2.5 ronn 9.6× bëlleger um Output an 7.7× bëlleger um Input. Dat ass keng Behaaptung vu Gläichwäertegkeet; et ass en Argument iwwer d'Form vun der Aarbechtslaascht. Bei honnertdausend Biller de Mount ass de Modell op der Ubierstgrenz net bezuelbar an de Buedemmodell jo, an déi éierlech Fro ass, ob de Buedemmodell deng Genauegkeetsschwell erreecht — an net ob en e Benchmark gewënnt.

05MiMo-V2.5 géint MiniMax-M3: déi zwee bëlleg Vision-Modeller, éierlech verglach

Déi zwee sinn genee gläich beim Präis, beim Kontext an op der Endpunktfläch. Si sinn net austauschbar: d'Quantiséierungsstuf ass e Stellvertrieder fir zwou verschidde Wetten doriwwer, wat e Vision-Modell nëtzlech mécht.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Input / Output pro 1M	$0.50 / $2.00	$0.50 / $2.00
Gewiichtspräzisioun	8 Bit	3 Bit + Expert-Pruning
Gréisst vun der Basis	Kompakt, dicht	Grouss, spuersamt MoE
Vision	Jo	Jo
Kontextfenster	262,144	262,144
Schema · Tools · Streaming	Jo	Jo

Wiel MiMo-V2.5, wann d'Bild den schwéieren Deel ass: dicht OCR op onperfekte Scannen, numeresch Extraktioun aus Grafiken an Tabellen, Erdung vu Screenshoten an Interfaces, kleng Text liesen, bal identesch Produktfotoen auserneenhalen — alles wou eng vertoschte Ziffer e Feeler ass a kee kosmeetesche Mangel. Du wëlls de treiste Wee vun de Pixele bis bei d'Token, an 8-Bit-Gewiichter si wéi s du dat zu dësem Präis kriss.

Wiel MiniMax-M3, wann d'Bild den einfachen Deel ass. Eng grouss spuersam Basis déi op 3 Bit kompriméiert gouf hält ëmmer nach méi Weltwëssen a Raisonnéierungsbreet wéi e kompakte dichte Modell et kann, souguer nom Pruning. Wann d'Aufgab „kuck déi Foto un a raisonnéier ausféierlech doriwwer wat se implizéiert“ ass, oder wann d'Bild een Input an enger haaptsächlech texteger Konversatioun ass, dann ass déi méi grouss Basis dat bessert Instrument — déi visuell Schäerft déi s du hierginn hues war net déi bindend Aschränkung.

06MiMo-V2.5 géint MiMo-V2.5-Pro: de Geschwëster dat d'Aen géint Déift getosch huet

Dat ass de Verglach deen déi meescht Supportticketen ausléist, also lount et sech direkt ze sinn. MiMo-V2.5-Pro-W8A16 a MiMo-V2.5-W8A16 deelen e Präis, e Kontextfenster, eng Präzisiounsstuf an e Familljennumm. Pro hëlt keng Biller un. Et ass keng Ausweitung. Et ass eng aner Verdeelung vum selwechte Budget.

E multimodale Modell ze servéieren heescht, en Vision-Tuerm an e Projektor nieft dem Decoder ze bezuelen — bei engem feste Käschteziel Kapazitéit déi net an de Sproochmodell selwer geet. Pro gëtt alles op den Text aus: eng méi grouss Basis mat méi Loft fir laang Texter, ausgedeenten Raisonnéieren a Code. MiMo-V2.5 gëtt en Deel dovunner op d'Kucken aus.

D'Entscheedungsreegel geet also ëm deng Inputen a net ëm deng Ambitiounen. Wann eng Ufro e Screenshot, eng gescannte Säit, eng Grafik, e Schema oder eng Foto enthale kann, da brauchs du MiMo-V2.5 — Pro wäert de Inhaltsblock ofleenen. Wann all Ufro Text ass an s du aus Gewunnecht no dem Vision-Modell gegraff hues, da léisst du ëmsoss Basisqualitéit leien: huel MiMo-V2.5-Pro zum identeschen Tarif.

E Muster dat een iwwerhuele soll: leed no Inhaltstyp weider. Alles mat engem Billerdeel geet op MiMo-V2.5-W8A16, alles anescht op MiMo-V2.5-Pro-W8A16. Déi selwecht Famill, dee selwechte Präis, dee selwechte Kontextbudget — de Router ass trivial an et gëtt kee Käschtemodell ofzegläichen.

07Wat „onzenséiert Billerverständnis“ tatsächlech heescht

Et gëtt keng Refus-Schicht virun dësem Modell a kee Inhaltsfilter op sengem Output. Dat ass eng Produktentscheedung mat enger spezifescher Konsequenz fir Vision-Aarbecht: de Modell beschreift wat am Bild ass amplaz nom Sujet ofzeleenen.

Dat zielt, well gefiltert Vision-APIe strukturell fir eng ganz Kategorie vu legitimer Aarbecht ongeeegent sinn. Eng Moderatiounspipeline muss dat Material ukucken dat se moderéiert a soen wat et ass; e Klassifikateur dee sech weigert dat ze ënnersichen wat en klasséiert ass kee Klassifikateur. Datselwecht gëllt fir eng laang Lëscht vu richtegen Aufgaben:

• Wierkzeuger fir Vertrauen a Sécherheet — genee déi Biller beschrëften déi eng gängeg API net veraarbecht, an dat sinn d'Biller déi et am meeschte brauchen.
• Medizinesch, forensesch an Onfallbiller — klinesch Fotografie, Fotoe vu Verletzungen a vun Onfallplazen déi allgemeng Filter als drastesch ofleenen, egal wien freet.
• Sécherheetsfuerschung — Phishingsäiten, béisaarteg Interfaces an opgeholl Bildschiermer liesen, ouni datt de Modell bei der Prämiss zécke bleift.
• Klassifikatioun vun Erwuessenen-Inhalter an archivistesch Katalogiséierung — Pipelinen déi et gëtt fir Material z'identifizéieren an déi d'Kucken net auslagere kënnen, plus historesch Sammlungen déi Filter als net beschrëftbar behandelen.

D'Refus-Schicht ewechzehuelen hëlt en technescht Hindernis ewech, a kee juristescht. Shannon AI gëtt vun Shannon Lab LLC zu New Mexico, USA, bedriwwen, an d'Notzung vun der API ass vun eiser Politik fir verantwortlech Notzung reglementéiert. Ongefiltert Output ass eng Fäegkeet a keng Erlaabnis.

08En uruffen: Endpunkten, Billerinput, a wou en hipasst

De Modell ass MiMo-V2.5-W8A16, op dräi Ufrodialekter géint déi selwecht Gewiichter erreechbar, sou datt s du de SDK behäls deen s du scho méchs:

• /v1/chat/completions — OpenAI-kompatibel. D'Biller kommen als image_url-Inhaltsdeeler eran, entweder als https-URL oder als base64-Daten-URI.
• /v1/messages — Anthropic-kompatibel. D'Biller kommen als image-Inhaltsblocken eran.
• /v1/responses — den Dialekt am Responses-Stil.

Streaming an Tool-Calling funktionéieren op allen dräi, sou datt de Modell e Screenshot ukucke kann an an enger Ronn eng Funktioun iwwer dat opruffe kann wat en gesinn huet. Déi voll Schemae fir Ufro an Äntwert stinn an der API-Dokumentatioun, wou och e Playground steet an deen s du e Bild erapechen kanns ier s du iergendee Code schreifs.

MiMo-V2.5 ënnerstëtzt strenge json_schema an response_format — den Ënnerscheed tëscht enger Demo an enger Pipeline. Gëff him eng Quittung plus e Schema mat typiséierte Felder fir Verkeefer, Datum, Positiounen an Zomm, an s du kriss en Objet zréck deen däi Code validéiere kann amplaz enger Paragraph déi s du mat Regex zerpléckste muss. Zwee vun den zwielef Modeller an dësem Katalog feelt d'voll Ënnerstëtzung fir strukturéierten Output; dësem hei net, an dofir funktionéiert en als Extraktiounsdéngscht mat groussem Volumen.

De Kontextfenster huet 262,144 Token; de generéierten Output ass op 16,384 Token pro Ufro gekappt. D'Biller verbrauchen Input-Token als Funktioun vun der Opléisung, an domat friessen héichopgeléiste Säitescannen de Kontext vill méi séier wéi eng gläichwäerteg Wuertzuel Text. Paginéier laang Dokumenter amplaz e Scan vu 300 Säiten an enger Ufro ze lueden, a behandel d'Outputkap als eng richteg Aschränkung fir exhaustiv Extraktioun — deel dicht Tabellen no Zeilebereich op amplaz eng ofgeschnidden Äntwert ze kréien.

De Knäppchen reasoning_effort huet hei richtege Hiewel, wéinst der Ofstamung vun der Famill. Dréi en erof fir Klassifikatioun am groussen Volumen, wou d'Äntwert eng Etikett ass an d'Denktoken reng Käschte sinn; dréi en erop fir d'Interpretatioun vu Grafiken, fir visuell Mathematik a fir d'Raisonnéieren iwwer Schemaen, wou de Modell e puer Saachen déi en gesäit kombinéiere muss ier en äntwere kann.

Wou en hipasst, a wou net

Gutt Passform. Extraktioun aus Dokumenter a Quittungen am groussen Volumen; OCR-noe Aarbecht op onperfekte Scannen; Grafiken, Dashboards an Tabelle liesen; Screenshoten verstoen an Interfaces erden; Katalogverschlagwuertung a visuellt Froebeäntwerten; Moderatiounspipelinen — all multimodal Aufgab wou d'Käschte pro Opruff binnen an d'Präzisioun am feinen Detail dat ass wat s du net hierginn wëlls.

Schlecht Passform. Multimodalt Raisonnéieren op Spëtzeschwieregkeet, wou et de stäerkste Modell brauch egal wéi den Präis ass — dat ass dem Kimi-K3 seng Aufgab, an et kascht aus engem Grond bal zéngmol esou vill. Textgeneratioun eleng, wou MiMo-V2.5-Pro zum selwechten Tarif eng besser Basis gëtt. Aarbecht déi sech op enzyklopedescht Weltwëssen stäipt, wou eng grouss spuersam Basis eng kompakt dicht iwwerhëlt. An alles wat méi wéi 262K Kontext brauch, wat hei kee Modell ubitt.

09Dacks gestallte Froen

---

Quellen: Techneschen MiMo-Bericht (arXiv 2505.07608) · Techneschen MiMo-VL-Bericht (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. All Benchmarkzuele si vum Xiaomi fir déi hei uewe benannten erausbruechte Checkpointe bericht a beschreiwen d'Ofstamung vun der Famill an net de genaue Build op dësem Endpunkt. D'Präisser, de Kontext an d'Fäegkeetsfändele sinn d'Lëschtewäerter vum Shannon-AI-Gateway, September 2026.