API MiMo ການເບິ່ງເຫັນ ບໍ່ເຊັນເຊີ

Endpoint ຫຼາຍໂໝດລາຄາຖືກ ລາຄາຖືກຍ້ອນວ່າມີບາງຢ່າງຖືກຕັດອອກ, ແລະ ສິ່ງທີ່ຖືກຕັດອອກມັກເປັນສ່ວນທີ່ທ່ານເບິ່ງບໍ່ເຫັນ: ນ້ຳໜັກຖືກບີບໃຫ້ເຫຼືອສາມຫຼືສີ່ bit, ແລະ ໂມເດວຍັງຕອບຢ່າງໝັ້ນໃຈກ່ຽວກັບຕາຕະລາງທີ່ມັນອ່ານແທ້ໆບໍ່ໄດ້ອີກຕໍ່ໄປ. MiMo-V2.5 ຄືຕົວຢ່າງກົງກັນຂ້າມໃນແຄຕາລັອກຂອງພວກເຮົາ — ຢູ່ລາຄາຕ່ຳສຸດ ແລະ ຢູ່ລະດັບຄວາມແມ່ນຢຳສູງສຸດພ້ອມກັນ, ຍ້ອນວ່າພື້ນຖານທີ່ມັນສືບເຊື້ອສາຍມາຖືກສ້າງໃຫ້ນ້ອຍ ແລະ ໜາແໜ້ນ ແທນທີ່ຈະໃຫຍ່ ແລະ sparse.

01MiMo ມາຈາກໃສ: ໂມເດວການໃຫ້ເຫດຜົນກ່ອນ, ໂມເດວການເບິ່ງເຫັນທີສອງ

ຕະກູນ MiMo ຄືໂຄງການຄົ້ນຄວ້ານ້ຳໜັກເປີດຂອງ Xiaomi, ແລະ ຂໍ້ໂຕ້ແຍ້ງພື້ນຖານຂອງມັນບໍ່ທັນສະໄໝ: ຄວາມສາມາດການໃຫ້ເຫດຜົນຖືກກຳນົດໃນລະຫວ່າງ pretraining, ບໍ່ແມ່ນຕິດເພີ່ມພາຍຫຼັງດ້ວຍ RL. ວຽກສ່ວນຫຼາຍຄືວິສະວະກຳຂໍ້ມູນ — Xiaomi ສ້າງການດຶງຂໍ້ຄວາມ ແລະ ການກອງໃໝ່ເພື່ອເພີ່ມຄວາມໜາແໜ້ນຂອງຮູບແບບການໃຫ້ເຫດຜົນໃນຄໍພັດ, ສ້າງຂໍ້ມູນການໃຫ້ເຫດຜົນສັງເຄາະໃນຂະໜາດໃຫຍ່, ແລະ ຝຶກລ່ວງໜ້າ MiMo-7B-Base ດ້ວຍປະມານ 25 ລ້ານລ້ານ token ພາຍໃຕ້ການປະສົມສາມຂັ້ນຕອນ, ດ້ວຍ Multiple-Token Prediction ເປັນຈຸດປະສົງເສີມທີ່ເຮັດໜ້າທີ່ຄູ່ໃນເວລາ inference ເປັນ decoder ແບບຄາດເດົາ (ອັດຕາການຍອມຮັບໃກ້ 90%, ຕາມ Xiaomi).

Posttraining ຖືກອອກແບບໃຫ້ຮັດກຸມໂດຍຕັ້ງໃຈ: ບັນຫາຄະນິດສາດ ແລະ ໂຄດ 130,000 ຂໍ້ ດ້ວຍລາງວັນຄວາມແມ່ນຢຳອີງກົດເທົ່ານັ້ນ, ບໍ່ມີໂມເດວລາງວັນທີ່ຮຽນຮູ້, ດ້ວຍເຫດຜົນວ່າໂມເດວລາງວັນແບບ neural ຄືພື້ນຜິວທີ່ຖືກ hack ໄດ້. ລາງວັນທີ່ພິສູດຢືນຢັນໄດ້ບໍ່ສາມາດຖືກຫຼອກລວງໄດ້. MiMo-7B-RL ໃຫ້ຕົວເລກທີ່ບໍ່ສົມສ່ວນກັບຂະໜາດຂອງມັນ — Xiaomi ລາຍງານ 68.2% ໃນ AIME 2024, 95.8% ໃນ MATH-500, 57.8% ໃນ LiveCodeBench v5 ທີ່ pass@1, ທຽບເທົ່າ o1-mini ຂອງ OpenAI. ນັ້ນຄືຮູບຮ່າງຂອງໂມເດວທີ່ທ່ານກຳລັງເອີ້ນ: ກະທັດຮັດ, ຝຶກຢ່າງໜາແໜ້ນ, ປັບແຕ່ງໃຫ້ແກ້ໄຂຜ່ານບັນຫາ ແທນທີ່ຈະຈື່ຈຳຄຳຕອບ — ແລະ ນິໄສນັ້ນຢູ່ລອດເຂົ້າໄປໃນລູກຫຼານຫຼາຍໂໝດ.

02MiMo ຮຽນຮູ້ທີ່ຈະເບິ່ງແນວໃດ: ໂຄງສ້າງ MiMo-VL

MiMo-VL ຄືສາຂາພາສາ-ການເບິ່ງເຫັນ, ແລະ ໂຄງສ້າງຂອງມັນໃຫ້ຄວາມຮູ້. Xiaomi ປະກອບສ່ວນສາມສ່ວນ: encoder ViT ຄວາມລະອຽດແບບທຳມະຊາດ ທີ່ຮັກສາລາຍລະອຽດລະອຽດແທນທີ່ຈະບັງຄັບໃຫ້ທຸກຮູບພາບຜ່ານຕາຂ່າຍຄວາມລະອຽດຕ່ຳຄົງທີ່, projector MLP ທີ່ເລີ່ມຕົ້ນແບບສຸ່ມເຂົ້າໄປໃນພື້ນທີ່ latent ຂອງໂມເດວພາສາ, ແລະ — ສຳຄັນທີ່ສຸດ — ໂຄງກະດູກສັນຫຼັງການໃຫ້ເຫດຜົນ MiMo ເປັນໂມເດວພາສາ. ລະບົບການເບິ່ງເຫັນສືບທອດ decoder ທີ່ຄິດຫຼາຍຂັ້ນຕອນໄດ້ດີຢູ່ແລ້ວ ແທນທີ່ຈະເປັນອັນທີ່ດີພຽງແຕ່ໃນການໃສ່ຄຳບັນຍາຍ.

ການຝຶກແລ່ນໃນສີ່ຂັ້ນຕອນ pretraining — projector warmup, ການປັບຂະໜານພາສາ-ການເບິ່ງເຫັນ, pretraining ຫຼາຍໂໝດທົ່ວໄປ, long-context SFT — ຕະຫຼອດປະມານ 2.4 ລ້ານລ້ານ token, ຈາກນັ້ນ Mixed On-policy Reinforcement Learning (MORL), ລວມຄວາມແມ່ນຢຳການຮັບຮູ້, ຄວາມແມ່ນຢຳ visual grounding, ຄວາມຖືກຕ້ອງການໃຫ້ເຫດຜົນ, ແລະ ຄວາມມັກຂອງມະນຸດ/AI ເຂົ້າໄປໃນວົງຈອນ on-policy ດຽວ. ບົດລາຍງານຊື່ສັດວ່າການ optimize ທັງໝົດນັ້ນພ້ອມກັນບໍ່ໝັ້ນຄົງ — ການອະທິບາຍທີ່ຊື່ສັດກວ່າເອກະສານຫຼາຍໂໝດສ່ວນຫຼາຍ.

ຜົນທີ່ເຜີຍແຜ່ອອກມາແຂງແກ່ນສຳລັບຈຳນວນພາຣາມິເຕີ. Xiaomi ລາຍງານວ່າ MiMo-VL-7B-RL ຊະນະ Qwen2.5-VL-7B ໃນ 35 ຈາກ 40 ວຽກ, 59.4 ໃນ OlympiadBench (ເໜືອໂມເດວທີ່ໃຫຍ່ເຖິງ 78B), ແລະ 56.1 ໃນ OSWorld-G ສຳລັບ GUI grounding, ນຳໜ້າຕົວແທນ interface ທີ່ສ້າງມາສະເພາະ. ການອັບເດດ 2508 ພາຍຫຼັງດັນ MMMU ເກີນ 70 ເປັນຄັ້ງທຳອິດໃນຊຸດ (70.6), ໄປຮອດ 94.4 ໃນ ChartQA, 92.5 ໃນ ScreenSpot-v2 ແລະ 70.8 ໃນ VideoMME, ແລະ ເພີ່ມສະວິດຄວບຄຸມການຄິດເພື່ອໃຫ້ຮ່ອງຮອຍການໃຫ້ເຫດຜົນປິດໄດ້ຕໍ່ຄຳຂໍ.

03W8A16 ໝາຍຄວາມວ່າຫຍັງ, ແລະ ເປັນຫຍັງມັນສຳຄັນສຳລັບການເບິ່ງເຫັນຫຼາຍກວ່າຂໍ້ຄວາມ

ທຸກໂມເດວເທິງເກດເວय์ ມີຄຳຕໍ່ທ້າຍ quantization. ມັນບໍ່ແມ່ນການຕົກແຕ່ງ — ມັນບອກທ່ານວ່າມີຫຍັງຖືກແລກປ່ຽນເພື່ອເຮັດໃຫ້ໂມເດວໃຫ້ບໍລິການໄດ້.

ຄຳຕໍ່ທ້າຍ	ມັນຄືຫຍັງ	ເປັນຫຍັງຈຶ່ງໃຊ້
3BIT-REAP	ນ້ຳໜັກ 3-bit ບວກ REAP, ວິທີການຕັດຜູ້ຊ່ຽວຊານທີ່ລຶບຜູ້ຊ່ຽວຊານທີ່ຖືກຈັດເສັ້ນທາງໜ້ອຍອອກຈາກໂມເດວ MoE ກ່ອນ quantize	ວິທີດຽວທີ່ຈະໃສ່ ແລະ ໃຫ້ບໍລິການພື້ນຖານໃຫຍ່ທີ່ສຸດດ້ວຍຄວາມໄວທີ່ສົມເຫດສົມຜົນ
W4A16-AUTOROUND-REAP	ນ້ຳໜັກ 4-bit, ການເປີດໃຊ້ 16-bit, quantize ດ້ວຍ AutoRound — ການປັດເສດທີ່ຮຽນຮູ້ໄດ້ທີ່ຟື້ນຄືນຄວາມແມ່ນຢຳເໜືອການປັດເສດແບບໃກ້ທີ່ສຸດທຳມະດາ — ບວກກັບການຕັດ REAP	ຈຸດກາງສຳລັບພື້ນຖານໃຫຍ່ທີ່ບໍ່ຕ້ອງການການບີບອັດຮຸນແຮງ
W8A16	ນ້ຳໜັກ 8-bit, ການເປີດໃຊ້ 16-bit — ລະດັບຄວາມແມ່ນຢຳສູງສຸດທີ່ພວກເຮົາໃຫ້ບໍລິການ	ໃຊ້ໃນບ່ອນທີ່ພື້ນຖານນ້ອຍພໍທີ່ບໍ່ຕ້ອງການການບີບອັດຮຸນແຮງ

MiMo-V2.5 ໄດ້ແຖວທີສາມນັ້ນຍ້ອນຄວາມກະທັດຮັດ: ພື້ນຖານທີ່ໜາແໜ້ນໃນຊັ້ນນີ້ບໍ່ຕ້ອງການບີບໃຫ້ເຫຼືອສາມ bit ເພື່ອໃຫ້ພໍດີ, ດັ່ງນັ້ນທ່ານສາມາດຮັກສາແປດໄວ້ໄດ້, ແລະ ນ້ຳໜັກທີ່ທ່ານສຸ່ມມາຍັງໃກ້ຄຽງກັບອັນທີ່ຖືກຝຶກ. ນັ້ນສຳຄັນຢ່າງບໍ່ສົມສ່ວນສຳລັບວຽກຮູບພາບ, ດ້ວຍເຫດຜົນທາງໂຄງສ້າງ. ໃນ decoder ຂໍ້ຄວາມຢ່າງດຽວ, embedding ທີ່ເບີ່ງເບນພາຍໃຕ້ quantization ຈະຖືກຈັດ context ໃໝ່ໂດຍຊັ້ນ attention ພາຍຫຼັງຫຼາຍສິບຊັ້ນ — ໂອກາດຟື້ນຄືນຫຼາຍຄັ້ງ. stack ການເບິ່ງເຫັນບໍ່ມີຄວາມຫຼວມແບບນັ້ນ: ຂໍ້ມູນທາງສາຍຕາຜ່ານ encoder ດຽວ ແລະ projector ແຄບດຽວກ່ອນຮອດ decoder, ແລະ ທຸກຢ່າງພາຍຫຼັງນັ້ນຂຶ້ນກັບສິ່ງທີ່ຄໍຂວດນັ້ນຜະລິດອອກມາ. ສັນຍານລະອຽດ — 3 ທຽບກັບ 8 ໃນ scan ຄວາມຄົມຊັດຕ່ຳ, pixel ທີ່ແທ້ຈິງທີ່ແທ່ງຈົບຢູ່ແກນຕາຕະລາງ, ຂອບເຂດຂອງອົງປະກອບ UI ທີ່ທ່ານຖືກຂໍໃຫ້ຄລິກ — ຢູ່ໃນລາຍລະອຽດນ້ຳໜັກຂະໜາດຕ່ຳທີ່ການ quantize ຮຸນແຮງຖິ້ມກ່ອນ.

ໂມເດວການເບິ່ງເຫັນ 3-bit ບໍ່ລົ້ມເຫຼວແບບດັງ; ມັນລົ້ມເຫຼວແບບງຽບໆ, ຜະລິດຄຳອະທິບາຍທີ່ຄ່ອງແຄ້ວຂອງເອກະສານທີ່ມີສອງໂຕເລກສະຫຼັບກັນໃນຍອດລວມ. ຄວາມແມ່ນຢຳນ້ຳໜັກທີ່ສູງກວ່າຄືການປະກັນທີ່ຖືກທີ່ສຸດຕໍ່ຄວາມລົ້ມເຫຼວນັ້ນ, ແລະ ທີ່ນີ້ມັນຟຣີ — ທ່ານຈ່າຍລາຄາຕ່ຳສຸດຢູ່ດີ.

04ລາຄາຕ່ຳສຸດ, ໃນສະພາບການ

ໂມເດວສີ່ໂຕໃນແຄຕາລັອກສິບສອງໂຕຂອງພວກເຮົາຢູ່ທີ່ລາຄາຕ່ຳສຸດ $0.50 ເຂົ້າ / $2.00 ອອກ ຕໍ່ລ້ານ token. ມີພຽງໂຕດຽວທີ່ຮັບຮູບພາບ. ນີ້ຄືບ່ອນທີ່ໂມເດວທີ່ມີການເບິ່ງເຫັນຕົກຢູ່ໃນດ້ານລາຄາຜົນຜະລິດ, ຕົວເລກທີ່ຄອບງຳໃບບິນຈິງສ່ວນຫຼາຍ:

ລາຄາຜົນຜະລິດເປັນ USD ຕໍ່ 1M token, ອັດຕາລາຍການ Shannon AI Gateway, ກັນຍາ 2026. ຄວາມຍາວແຖບແມ່ນທຽບກັບໂມເດວການເບິ່ງເຫັນທີ່ແພງທີ່ສຸດໃນແຄຕາລັອກ.

ທຽບກັບ Kimi-K3 — ໂມເດວການເບິ່ງເຫັນລະດັບເພດານ, ແລະ ແຂງແກ່ນກວ່າແທ້ໆ — MiMo-V2.5 ຖືກກວ່າປະມານ 9.6 ເທົ່າໃນຜົນຜະລິດ ແລະ 7.7 ເທົ່າໃນ input. ນັ້ນບໍ່ແມ່ນຄຳອ້າງເລື່ອງຄວາມທຽບເທົ່າກັນ; ມັນຄືການໂຕ້ແຍ້ງກ່ຽວກັບຮູບຮ່າງຂອງວຽກ. ທີ່ພາບໜຶ່ງແສນຮູບຕໍ່ເດືອນ, ໂມເດວລະດັບເພດານບໍ່ຄຸ້ມຄ່າ ແລະ ໂມເດວລະດັບພື້ນຄຸ້ມຄ່າ, ແລະ ຄຳຖາມທີ່ຊື່ສັດຄືວ່າໂມເດວລະດັບພື້ນຜ່ານມາດຕະຖານຄວາມແມ່ນຢຳຂອງທ່ານບໍ — ບໍ່ແມ່ນວ່າມັນຊະນະເບັນມາກ.

05MiMo-V2.5 ທຽບກັບ MiniMax-M3: ໂມເດວການເບິ່ງເຫັນລາຄາຖືກສອງໂຕ, ປຽບທຽບຢ່າງຊື່ສັດ

ສອງໂຕນີ້ເທົ່າກັນທຸກປະການໃນລາຄາ, context, ແລະ ໜ້າ endpoint. ພວກມັນສະຫຼັບກັນໃຊ້ບໍ່ໄດ້: ລະດັບ quantization ຄືຕົວແທນສຳລັບການເດີມພັນສອງແບບທີ່ຕ່າງກັນກ່ຽວກັບສິ່ງທີ່ເຮັດໃຫ້ໂມເດວການເບິ່ງເຫັນມີປະໂຫຍດ.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
ເຂົ້າ / ອອກ ຕໍ່ 1M	$0.50 / $2.00	$0.50 / $2.00
ຄວາມແມ່ນຢຳນ້ຳໜັກ	8-bit	3-bit + ການຕັດຜູ້ຊ່ຽວຊານ
ຂະໜາດພື້ນຖານ	ກະທັດຮັດ, ໜາແໜ້ນ	ໃຫຍ່, MoE sparse
ການເບິ່ງເຫັນ	ມີ	ມີ
ໜ້າຕ່າງ context	262,144	262,144
Schema · ເຄື່ອງມື · ການສະຕຣີມ	ມີ	ມີ

ເລືອກ MiMo-V2.5 ເມື່ອຮູບພາບຄືສ່ວນທີ່ຍາກ: OCR ໜາແໜ້ນເທິງ scan ທີ່ບໍ່ສົມບູນ, ການດຶງຕົວເລກຈາກຕາຕະລາງ ແລະ ຕາຕະລາງຂໍ້ມູນ, screenshot ແລະ UI grounding, ການອ່ານຂໍ້ຄວາມນ້ອຍ, ການແຍກຄວາມແຕກຕ່າງລະຫວ່າງຮູບຖ່າຍຜະລິດຕະພັນທີ່ຄ້າຍກັນເກືອບໝົດ — ຫຍັງກໍຕາມທີ່ໂຕເລກສະຫຼັບກັນຄືຂໍ້ບົກພ່ອງ ບໍ່ແມ່ນຄວາມຜິດພາດເລັກນ້ອຍ. ທ່ານຕ້ອງການເສັ້ນທາງທີ່ມີຄວາມແມ່ນຢຳສູງສຸດຈາກ pixel ໄປ token, ແລະ ນ້ຳໜັກ 8-bit ຄືວິທີທີ່ທ່ານໄດ້ມັນມາທີ່ລາຄານີ້.

ເລືອກ MiniMax-M3 ເມື່ອຮູບພາບຄືສ່ວນທີ່ງ່າຍ. ພື້ນຖານ sparse ໃຫຍ່ທີ່ຖືກບີບອັດເປັນ 3 bit ຍັງມີຄວາມຮູ້ໂລກ ແລະ ຄວາມກວ້າງການໃຫ້ເຫດຜົນຫຼາຍກວ່າໂມເດວໜາແໜ້ນກະທັດຮັດຈະມີໄດ້, ແມ່ນແຕ່ຫຼັງການຕັດ. ຖ້າວຽກຄື "ເບິ່ງຮູບນີ້ ແລະ ໃຫ້ເຫດຜົນຍາວກ່ຽວກັບສິ່ງທີ່ມັນໝາຍເຖິງ," ຫຼືຮູບພາບຄື input ໜຶ່ງໃນການສົນທະນາທີ່ເປັນຂໍ້ຄວາມສ່ວນຫຼາຍ, ພື້ນຖານທີ່ໃຫຍ່ກວ່າຄືເຄື່ອງມືທີ່ດີກວ່າ — ຄວາມແໜມຄົມທາງສາຍຕາທີ່ທ່ານແລກປ່ຽນອອກໄປບໍ່ແມ່ນຂໍ້ຈຳກັດທີ່ຜູກມັດ.

06MiMo-V2.5 ທຽບກັບ MiMo-V2.5-Pro: ພີ່ນ້ອງທີ່ແລກຕາເອົາຄວາມເລິກ

ນີ້ຄືການປຽບທຽບທີ່ສ້າງ support ticket ຫຼາຍທີ່ສຸດ, ດັ່ງນັ້ນມັນຄຸ້ມຄ່າທີ່ຈະເວົ້າກົງໆ. MiMo-V2.5-Pro-W8A16 ແລະ MiMo-V2.5-W8A16 ໃຊ້ລາຄາ, ໜ້າຕ່າງ context, ລະດັບຄວາມແມ່ນຢຳ, ແລະ ຊື່ຕະກູນຮ່ວມກັນ. Pro ບໍ່ຮັບຮູບພາບ. ມັນບໍ່ແມ່ນ superset. ມັນຄືການຈັດສັນງົບປະມານດຽວກັນທີ່ຕ່າງກັນ.

ການໃຫ້ບໍລິການໂມເດວຫຼາຍໂໝດໝາຍຄວາມວ່າຈ່າຍສຳລັບ vision tower ແລະ projector ຄຽງຄູ່ກັບ decoder — ທີ່ເປົ້າໝາຍຄ່າໃຊ້ຈ່າຍຄົງທີ່, ຄວາມສາມາດທີ່ບໍ່ໄດ້ໃຊ້ກັບໂມເດວພາສາເອງ. Pro ໃຊ້ທັງໝົດກັບຂໍ້ຄວາມ: ພື້ນຖານທີ່ໃຫຍ່ກວ່າດ້ວຍພື້ນທີ່ຫຼາຍກວ່າສຳລັບການຂຽນຍາວ, ການໃຫ້ເຫດຜົນຂະຫຍາຍ, ແລະ ໂຄດ. MiMo-V2.5 ໃຊ້ສ່ວນໜຶ່ງກັບການເບິ່ງເຫັນ.

ດັ່ງນັ້ນກົດການຕັດສິນໃຈຄືກ່ຽວກັບ input ຂອງທ່ານ, ບໍ່ແມ່ນຄວາມທະເຍີທະຍານຂອງທ່ານ. ຖ້າຄຳຂໍໃດກໍໄດ້ອາດມີ screenshot, ໜ້າ scan, ຕາຕະລາງ, ແຜນວາດ, ຫຼືຮູບຖ່າຍ, ທ່ານຕ້ອງການ MiMo-V2.5 — Pro ຈະປະຕິເສດ content block ນັ້ນ. ຖ້າທຸກຄຳຂໍເປັນຂໍ້ຄວາມ ແລະ ທ່ານໃຊ້ໂມເດວການເບິ່ງເຫັນຍ້ອນຄວາມເຄີຍຊິນ, ທ່ານກຳລັງປະຄຸນນະພາບພື້ນຖານໄວ້ໂດຍບໍ່ໄດ້ຫຍັງ: ໃຊ້ MiMo-V2.5-Pro ໃນລາຄາດຽວກັນ.

ຮູບແບບທີ່ຄຸ້ມຄ່າທີ່ຈະຢືມໃຊ້: ຈັດເສັ້ນທາງຕາມປະເພດເນື້ອຫາ. ຫຍັງກໍຕາມທີ່ມີສ່ວນຮູບພາບໄປທີ່ MiMo-V2.5-W8A16, ທຸກຢ່າງອື່ນໄປທີ່ MiMo-V2.5-Pro-W8A16. ຕະກູນດຽວກັນ, ລາຄາດຽວກັນ, ງົບ context ດຽວກັນ — ຕົວຈັດເສັ້ນທາງງ່າຍດາຍ ແລະ ບໍ່ມີໂມເດວຄ່າໃຊ້ຈ່າຍທີ່ຕ້ອງປັບປອງ.

07"ຄວາມເຂົ້າໃຈຮູບພາບບໍ່ເຊັນເຊີ" ໝາຍຄວາມວ່າຫຍັງແທ້

ບໍ່ມີຊັ້ນປະຕິເສດຢູ່ໜ້າໂມເດວນີ້ ແລະ ບໍ່ມີການກັ່ນຕອງເນື້ອຫາເທິງຜົນຜະລິດຂອງມັນ. ນັ້ນຄືການຕັດສິນໃຈຜະລິດຕະພັນທີ່ມີຜົນສະເພາະຕໍ່ວຽກຮູບພາບ: ໂມເດວອະທິບາຍສິ່ງທີ່ຢູ່ໃນກອບຮູບແທນທີ່ຈະປະຕິເສດອີງຕາມເນື້ອຫາ.

ນີ້ສຳຄັນຍ້ອນວ່າ API ການເບິ່ງເຫັນທີ່ຖືກກັ່ນຕອງບໍ່ເໝາະສົມທາງໂຄງສ້າງກັບໝວດວຽກທີ່ຖືກຕ້ອງຕາມກົດໝາຍທັງໝວດ. pipeline ການຄວບຄຸມຕ້ອງເບິ່ງເນື້ອຫາທີ່ມັນຄວບຄຸມ ແລະ ບອກວ່າມັນຄືຫຍັງ; ຕົວຈັດປະເພດທີ່ປະຕິເສດການກວດເບິ່ງສິ່ງທີ່ມັນຈັດປະເພດບໍ່ແມ່ນຕົວຈັດປະເພດ. ຄືກັນນີ້ໃຊ້ໄດ້ກັບບັນຊີວຽກຈິງທີ່ຍາວ:

• ເຄື່ອງມືຄວາມໄວ້ວາງໃຈ ແລະ ຄວາມປອດໄພ — ການໃສ່ປ້າຍພາບທີ່ API ກະແສຫຼັກຈະບໍ່ປະມວນຜົນແທ້ໆ, ເຊິ່ງແມ່ນພາບທີ່ຕ້ອງການປ້າຍຫຼາຍທີ່ສຸດ.
• ພາບການແພດ, ນິຕິວິທະຍາສາດ, ແລະ ອຸປະຕິເຫດ — ພາບຖ່າຍທາງຄລີນິກ, ການບາດເຈັບ, ແລະ ບ່ອນເກີດເຫດທີ່ຕົວກອງທົ່ວໄປປະຕິເສດວ່າໂຫດຮ້າຍ ບໍ່ວ່າໃຜເປັນຄົນຖາມ.
• ການຄົ້ນຄວ້າຄວາມປອດໄພ — ການອ່ານໜ້າ phishing, interface ອັນຕະລາຍ, ແລະ ພາບໜ້າຈໍທີ່ຖືກຈັບ ໂດຍໂມເດວບໍ່ຄ້ານຕໍ່ຫຼັກການ.
• ການຈັດປະເພດເນື້ອຫາຜູ້ໃຫຍ່ ແລະ ການເຮັດແຄຕາລັອກເອກະສານ — pipeline ທີ່ມີໄວ້ເພື່ອລະບຸເນື້ອຫາ ແລະ ບໍ່ສາມາດຈ້າງພາຍນອກໃຫ້ເບິ່ງແທນ, ບວກກັບຄໍລ້ັກຊັນປະຫວັດສາດທີ່ຕົວກອງຖືວ່າໃສ່ປ້າຍບໍ່ໄດ້.

ການເອົາຊັ້ນປະຕິເສດອອກ ເອົາອຸປະສັກທາງວິສະວະກຳອອກ, ບໍ່ແມ່ນທາງກົດໝາຍ. Shannon AI ດຳເນີນງານໂດຍ Shannon Lab LLC ໃນລັດນິວເມັກຊິໂກ, ສະຫະລັດ, ແລະ ການໃຊ້ API ຢູ່ພາຍໃຕ້ນະໂຍບາຍການໃຊ້ຢ່າງມີຄວາມຮັບຜິດຊອບຂອງພວກເຮົາ. ຜົນຜະລິດທີ່ບໍ່ຖືກກອງຄືຄວາມສາມາດ, ບໍ່ແມ່ນໃບອະນຸຍາດ.

08ການເອີ້ນມັນ: endpoint, ການປ້ອນຮູບພາບ, ແລະ ບ່ອນທີ່ມັນເໝາະສົມ

ໂມເດວຄື MiMo-V2.5-W8A16, ເອີ້ນໄດ້ໃນສາມພາສາຄຳຂໍຕໍ່ນ້ຳໜັກດຽວກັນ, ດັ່ງນັ້ນທ່ານຮັກສາ SDK ໃດກໍໄດ້ທີ່ທ່ານມີຢູ່ແລ້ວ:

• /v1/chat/completions — ເຂົ້າກັນໄດ້ກັບ OpenAI. ຮູບພາບເຂົ້າໄປເປັນສ່ວນເນື້ອຫາ image_url, ບໍ່ວ່າຈະເປັນ URL https ຫຼື base64 data URI.
• /v1/messages — ເຂົ້າກັນໄດ້ກັບ Anthropic. ຮູບພາບເຂົ້າໄປເປັນ content block image.
• /v1/responses — ພາສາແບບ Responses.

ການສະຕຣີມ ແລະ ການເອີ້ນເຄື່ອງມືເຮັດວຽກໄດ້ໃນທັງສາມ, ດັ່ງນັ້ນໂມເດວສາມາດເບິ່ງ screenshot ແລະ ເອີ້ນ function ກ່ຽວກັບສິ່ງທີ່ມັນເຫັນໃນຮອບດຽວ. Schema ຄຳຂໍ ແລະ ຄຳຕອບເຕັມຢູ່ໃນ ເອກະສານ API, ເຊິ່ງມີ playground ທີ່ທ່ານສາມາດວາງຮູບພາບເຂົ້າໄປກ່ອນຂຽນໂຄດໃດໆ.

MiMo-V2.5 ຮອງຮັບ json_schema ແລະ response_format ຢ່າງເຄັ່ງຄັດ — ຄວາມແຕກຕ່າງລະຫວ່າງ demo ແລະ pipeline. ສົ່ງໃບບິນພ້ອມ schema ທີ່ມີຊ່ອງທີ່ກຳນົດປະເພດສຳລັບຜູ້ຂາຍ, ວັນທີ, ລາຍການ, ແລະ ຍອດລວມ, ແລ້ວທ່ານໄດ້ object ທີ່ໂຄດຂອງທ່ານກວດສອບໄດ້ ແທນທີ່ຈະເປັນວັກທີ່ທ່ານຕ້ອງ regex ເອງ. ໂມເດວສອງໂຕໃນສິບສອງໂຕຂອງແຄຕາລັອກນີ້ຂາດການຮອງຮັບຜົນຜະລິດແບບມີໂຄງສ້າງເຕັມຮູບແບບ; ອັນນີ້ບໍ່ຂາດ, ແລະ ນັ້ນຄືເຫດຜົນທີ່ມັນເຮັດວຽກເປັນບໍລິການດຶງຂໍ້ມູນປະລິມານສູງ.

ໜ້າຕ່າງ context ຄື 262,144 token; ຜົນຜະລິດທີ່ຖືກສ້າງຖືກຈຳກັດທີ່ 16,384 token ຕໍ່ຄຳຂໍ. ຮູບພາບໃຊ້ token input ຕາມຄວາມລະອຽດ, ດັ່ງນັ້ນ scan ໜ້າຄວາມລະອຽດສູງກິນ context ໄວກວ່າຈຳນວນຄຳຂອງຂໍ້ຄວາມທຽບເທົ່າຫຼາຍ. ແບ່ງໜ້າເອກະສານຍາວແທນທີ່ຈະໂຫຼດ scan 300 ໜ້າໃນຄຳຂໍດຽວ, ແລະ ຖືວ່າຂອບເຂດຜົນຜະລິດຄືຂໍ້ຈຳກັດຈິງຕໍ່ການດຶງຂໍ້ມູນຢ່າງລະອຽດ — ແບ່ງຕາຕະລາງໜາແໜ້ນຕາມຂອບເຂດແຖວ ແທນທີ່ຈະໄດ້ຄຳຕອບທີ່ຖືກຕັດ.

ຕົວປັບ reasoning_effort ມີອິດທິພົນຈິງທີ່ນີ້ເນື່ອງຈາກສາຍພັນຂອງຕະກູນ. ຫຼຸດມັນລົງສຳລັບການຈັດປະເພດປະລິມານສູງ, ບ່ອນທີ່ຄຳຕອບຄືປ້າຍ ແລະ token ການຄິດເປັນຄ່າໃຊ້ຈ່າຍລ້ວນໆ; ເພີ່ມມັນຂຶ້ນສຳລັບການຕີຄວາມຕາຕະລາງ, ຄະນິດສາດທາງສາຍຕາ, ແລະ ການໃຫ້ເຫດຜົນແຜນວາດ, ບ່ອນທີ່ໂມເດວຕ້ອງລວມສິ່ງທີ່ມັນເຫັນຫຼາຍຢ່າງກ່ອນທີ່ຈະຕອບໄດ້.

ບ່ອນທີ່ມັນເໝາະສົມ, ແລະ ບ່ອນທີ່ບໍ່ເໝາະສົມ

ເໝາະສົມດີ. ການດຶງຂໍ້ມູນເອກະສານ ແລະ ໃບບິນປະລິມານສູງ; ວຽກໃກ້ຄຽງ OCR ເທິງ scan ທີ່ບໍ່ສົມບູນ; ການອ່ານຕາຕະລາງ, dashboard, ແລະ ຕາຕະລາງຂໍ້ມູນ; ຄວາມເຂົ້າໃຈ screenshot ແລະ UI grounding; ການໃສ່ tag ແຄຕາລັອກ ແລະ QA ທາງສາຍຕາ; pipeline ການຄວບຄຸມ — ວຽກຫຼາຍໂໝດໃດກໍໄດ້ທີ່ຄ່າໃຊ້ຈ່າຍຕໍ່ຄຳຂໍຜູກມັດ ແລະ ຄວາມແມ່ນຢຳລະອຽດຄືສິ່ງທີ່ທ່ານປະຕິເສດທີ່ຈະປະຖິ້ມ.

ບໍ່ເໝາະສົມ. ການໃຫ້ເຫດຜົນຫຼາຍໂໝດຄວາມຍາກລະດັບຊັ້ນນຳທີ່ຕ້ອງການໂມເດວທີ່ແຂງແກ່ນທີ່ສຸດບໍ່ວ່າລາຄາຈະເປັນແນວໃດ — ໜ້າທີ່ຂອງ Kimi-K3, ແລະ ມັນລາຄາເກືອບສິບເທົ່າດ້ວຍເຫດຜົນ. ການສ້າງຂໍ້ຄວາມຢ່າງດຽວ, ບ່ອນທີ່ MiMo-V2.5-Pro ໃຫ້ພື້ນຖານທີ່ດີກວ່າໃນລາຄາດຽວກັນ. ວຽກທີ່ອາໄສຄວາມຮູ້ໂລກແບບສາລານຸກົມ, ບ່ອນທີ່ພື້ນຖານ sparse ໃຫຍ່ແຊງໜ້າພື້ນຖານໜາແໜ້ນກະທັດຮັດ. ແລະ ຫຍັງກໍຕາມທີ່ຕ້ອງການ context ເກີນ 262K, ເຊິ່ງບໍ່ມີໂມເດວໃນນີ້ໃຫ້.

09ຄຳຖາມທີ່ພົບເລື້ອຍ

---

ແຫຼ່ງຂໍ້ມູນ: ບົດລາຍງານທາງເຕັກນິກ MiMo (arXiv 2505.07608) · ບົດລາຍງານທາງເຕັກນິກ MiMo-VL (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. ຕົວເລກເບັນມາກທັງໝົດຄືຂໍ້ມູນທີ່ Xiaomi ລາຍງານສຳລັບ checkpoint ທີ່ຖືກປ່ອຍອອກທີ່ຕັ້ງຊື່ຂ້າງເທິງ ແລະ ອະທິບາຍຕະກູນ, ບໍ່ແມ່ນຮູບແບບທີ່ແນ່ນອນເທິງ endpoint ນີ້. ລາຄາ, context, ແລະ ທຸງຄວາມສາມາດຄືຄ່າລາຍການ Shannon AI Gateway, ກັນຍາ 2026.