Necenzūruotas MiMo regos API

Pigūs daugiamodaliai galiniai taškai pigūs todėl, kad kažkas buvo nupjauta, ir nupjaunama paprastai ta dalis, kurios nematote: svoriai suspaudžiami iki trijų ar keturių bitų, o modelis vis tiek užtikrintai atsakinėja apie diagramą, kurios iš tikrųjų nebeįskaito. MiMo-V2.5 yra priešingas pavyzdys mūsų kataloge — vienu metu ties kainos grindimis ir aukščiausioje tikslumo pakopoje, nes pagrindas, iš kurio jis kilęs, buvo statytas mažas ir tankus, o ne milžiniškas ir retas.

01Iš kur kilęs MiMo: pirmiausia samprotavimo, tik paskui regos modelis

MiMo linija yra Xiaomi atvirų svorių tyrimų programa, o jos pamatinis teiginys nemadingas: samprotavimo gebėjimas nustatomas pirminio mokymo metu, o ne prisukamas vėliau su RL. Darbas daugiausia yra duomenų inžinerija — Xiaomi perstatė teksto ištraukimą ir filtravimą, kad korpuse pakiltų samprotavimo raštų tankis, dideliu mastu sugeneravo sintetinius samprotavimo duomenis ir MiMo-7B-Base iš anksto apmokė ant maždaug 25 trilijonų žetonų pagal trijų etapų mišinį, su kelių žetonų prognozavimu kaip pagalbiniu tikslu, kuris išvedimo metu kartu veikia kaip spekuliatyvus dekoderis (priėmimo dažnis, pagal Xiaomi, apie 90 %).

Papildomas apmokymas sąmoningai asketiškas: 130 000 matematikos ir kodo uždavinių su vien taisyklėmis grįstais tikslumo atlygiais, be išmokto atlygio modelio, remiantis tuo, kad neuroninis atlygio modelis yra paviršius, kurį galima apgauti. Patikrinamų atlygių prišnekinti neįmanoma. MiMo-7B-RL rodo savo dydžiui neproporcingus skaičius — Xiaomi nurodo 68,2 % AIME 2024, 95,8 % MATH-500 ir 57,8 % LiveCodeBench v5 pass@1, prilygstančius OpenAI o1-mini. Tokia yra modelio, kurį kviečiate, forma: kompaktiškas, tankiai apmokytas, derintas problemą išnarplioti, o ne prisiminti atsakymą — ir tas būdas išlieka daugiamodaliuose palikuoniuose.

02Kaip MiMo išmoko matyti: MiMo-VL architektūra

MiMo-VL yra regos ir kalbos šaka, o jos konstrukcija pamokoma. Xiaomi surinko tris dalis: savosios skiriamosios gebos ViT koduotuvą, kuris išsaugo smulkias detales, o ne verčia kiekvieną vaizdą per fiksuotą žemos raiškos tinklelį, atsitiktinai inicijuotą MLP projektorių į kalbos modelio latentinę erdvę ir — svarbiausia — MiMo samprotavimo kamieną kaip kalbos modelį. Regos sistema paveldi dekoderį, jau gerai mokantį kelių žingsnių mąstymą, o ne tokį, kuris moka vien antraštes.

Mokymas vyko keturiais pirminio mokymo etapais — projektoriaus įšilimas, regos ir kalbos derinimas, bendras daugiamodalis pirminis mokymas, ilgo konteksto SFT — per maždaug 2,4 trilijono žetonų, paskui mišrus on-policy sustiprinamasis mokymas (MORL), į vieną on-policy kilpą sujungiantis suvokimo tikslumą, vizualaus įžeminimo tikslumą, samprotavimo teisingumą ir žmogaus bei AI pirmenybes. Ataskaitoje atvirai pasakoma, kad visų šių dalykų optimizavimas vienu metu yra nestabilus — sąžiningesnis pateikimas nei daugumoje daugiamodalių straipsnių.

Paskelbti rezultatai stiprūs, atsižvelgiant į parametrų skaičių. Xiaomi praneša, kad MiMo-VL-7B-RL pranoksta Qwen2.5-VL-7B 35 iš 40 užduočių, surenka 59,4 OlympiadBench teste (virš modelių net iki 78 mlrd.) ir 56,1 OSWorld-G teste sąsajų įžeminimui, aplenkdamas tam skirtus sąsajų agentus. Vėlesnis 2508 atnaujinimas pirmą kartą serijoje MMMU pakėlė virš 70 (70,6), pasiekė 94,4 ChartQA, 92,5 ScreenSpot-v2 ir 70,8 VideoMME bei pridėjo mąstymo valdymo jungiklį, kad samprotavimo pėdsakus būtų galima išjungti kiekvienai užklausai.

03Ką reiškia W8A16 ir kodėl regai tai svarbiau nei tekstui

Kiekvienas vartų modelis turi kvantavimo priesagą. Tai ne papuošalas — ji pasako, kas buvo išmainyta, kad modelį būtų galima aptarnauti.

Priesaga	Kas tai yra	Kodėl naudojama
3BIT-REAP	3 bitų svoriai plius REAP — ekspertų genėjimo metodas, prieš kvantavimą pašalinantis retai maršrutizuojamus ekspertus iš MoE modelio	Vienintelis būdas didžiausius pagrindus sutalpinti ir aptarnauti protingu greičiu
W4A16-AUTOROUND-REAP	4 bitų svoriai, 16 bitų aktyvacijos, kvantuota su AutoRound — išmoktu apvalinimu, atgaunančiu tikslumą palyginti su naiviu apvalinimu iki artimiausio — plius REAP genėjimas	Vidurio kelias dideliems pagrindams, kuriems kraštutinio glaudinimo nereikia
W8A16	8 bitų svoriai, 16 bitų aktyvacijos — aukščiausios ištikimybės mūsų teikiama pakopa	Naudojama ten, kur pagrindas pakankamai mažas, kad agresyvaus glaudinimo nereikėtų

MiMo-V2.5 trečią eilutę užsitarnauja savo kompaktiškumu: tokios klasės tankiam pagrindui nereikia traiškymo iki trijų bitų, kad tilptų, todėl galite sau leisti pasilikti aštuonis, o svoriai, iš kurių imate mėginius, lieka arti tų, kurie buvo apmokyti. Darbui su vaizdais tai svarbu neproporcingai, dėl struktūrinės priežasties. Tik tekstiniame dekoderyje įdėtis, nuklydusi dėl kvantavimo, iš naujo kontekstualizuojama dešimčių vėlesnių dėmesio sluoksnių — daug progų atsigauti. Regos krūva tokios atsargos neturi: vizuali informacija eina per vieną koduotuvą ir vieną siaurą projektorių, kol pasiekia dekoderį, o visa toliau sąlygota to, ką pagamino šis siaurasis kaklelis. Smulkus signalas — 3 ar 8 mažo kontrasto nuskaitymo vaizde, tikslus pikselis, kur diagramos ašyje baigiasi stulpelis, sąsajos elemento, kurį prašoma spausti, riba — gyvena mažo dydžio svorių detalėje, kurią agresyvus kvantavimas išmeta pirmiausia.

3 bitų regos modelis žlunga ne garsiai; jis žlunga tyliai, pagamindamas sklandų dokumento aprašymą su dviem sukeistais skaitmenimis sumoje. Didesnis svorių tikslumas yra pigiausias draudimas nuo tokios nesėkmės, o čia jis nemokamas — grindų kainą mokate bet kuriuo atveju.

04Grindų kaina kontekste

Keturi mūsų dvylikos modelių katalogo modeliai stovi ties $0.50 įvestis / $2.00 išvestis už milijoną žetonų kainos grindimis. Vaizdus priima tik vienas iš jų. Štai kur pagal išvesties kainą — skaičių, dominuojantį daugumoje realių sąskaitų — atsiduria modeliai su rega:

Išvesties kaina JAV doleriais už 1 mln. žetonų, Shannon AI vartų kainoraščio tarifai, 2026 m. rugsėjis. Juostos ilgis santykinis brangiausio katalogo regos modelio atžvilgiu.

Palyginti su Kimi-K3 — lubų regos modeliu ir tikrai stipresniu — MiMo-V2.5 yra maždaug 9,6 karto pigesnis išvestyje ir 7,7 karto pigesnis įvestyje. Tai nėra lygiavertiškumo teiginys; tai argumentas apie darbo krūvio formą. Prie šimto tūkstančių vaizdų per mėnesį lubų modelis nėra įperkamas, o grindų modelis yra, ir sąžiningas klausimas yra, ar grindų modelis peržengia jūsų tikslumo kartelę, o ne ar jis laimi etaloną.

05MiMo-V2.5 prieš MiniMax-M3: du pigūs regos modeliai, sąžiningai palyginti

Šie du sutampa tiksliai kaina, kontekstu ir galinių taškų paviršiumi. Jie nėra pakeičiami vienas kitu: kvantavimo pakopa yra dviejų skirtingų statymų apie tai, kas daro regos modelį naudingą, atspindys.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Įvestis / išvestis už 1 mln.	$0.50 / $2.00	$0.50 / $2.00
Svorių tikslumas	8 bitai	3 bitai + ekspertų genėjimas
Pagrindo dydis	Kompaktiškas, tankus	Didelis, retas MoE
Rega	Taip	Taip
Konteksto langas	262 144	262 144
Schema · įrankiai · srautinis perdavimas	Taip	Taip

Rinkitės MiMo-V2.5, kai sunkiausia dalis yra vaizdas: tankus OCR netobuluose nuskaitymuose, skaičių ištraukimas iš diagramų ir lentelių, ekrano nuotraukų bei sąsajų įžeminimas, smulkaus teksto skaitymas, beveik identiškų prekių nuotraukų atskyrimas — viskas, kur sukeistas skaitmuo yra defektas, o ne kosmetinis trūkumas. Norite aukščiausios ištikimybės kelio nuo pikselių iki žetonų, o 8 bitų svoriai už tokią kainą kaip tik jį ir duoda.

Rinkitės MiniMax-M3, kai vaizdas yra lengvoji dalis. Didelis retas pagrindas, suglaudintas iki 3 bitų, vis tiek laiko daugiau pasaulio žinių ir samprotavimo platumo, nei gali kompaktiškas tankus modelis, net ir po genėjimo. Jei užduotis yra „pažiūrėk į šią nuotrauką ir ilgai samprotauk, ką ji reiškia“ arba vaizdas yra viena įvestis daugiausia tekstiniame pokalbyje, didesnis pagrindas yra geresnis instrumentas — regos aštrumas, kurio atsisakėte, nebuvo lemiamas apribojimas.

06MiMo-V2.5 prieš MiMo-V2.5-Pro: giminaitis, išmainęs akis į gylį

Šis palyginimas sukelia daugiausia pagalbos užklausų, todėl verta pasakyti tiesiai. MiMo-V2.5-Pro-W8A16 ir MiMo-V2.5-W8A16 dalijasi kaina, konteksto langu, tikslumo pakopa ir šeimos vardu. Pro nepriima vaizdų. Tai ne viršaibė. Tai kitoks to paties biudžeto paskirstymas.

Daugiamodalio modelio teikimas reiškia mokėjimą už regos bokštą ir projektorių šalia dekoderio — esant fiksuotam sąnaudų tikslui, tai pajėgumas, neišleistas pačiam kalbos modeliui. Pro visą jį išleidžia tekstui: didesniam pagrindui su daugiau erdvės ilgiems tekstams, išplėstiniam samprotavimui ir kodui. MiMo-V2.5 dalį jo išleidžia regėjimui.

Todėl sprendimo taisyklė yra apie jūsų įvestis, o ne apie ambicijas. Jei bet kurioje užklausoje gali būti ekrano nuotrauka, nuskaitytas puslapis, diagrama, schema ar nuotrauka, jums reikia MiMo-V2.5 — Pro tokį turinio bloką atmes. Jei kiekviena užklausa yra tekstinė, o regos modelio griebėtės iš įpročio, paliekate pagrindo kokybę ant stalo be jokios naudos: imkite MiMo-V2.5-Pro už tą patį tarifą.

Verta pasiskolinti schemą: maršrutizuokite pagal turinio tipą. Viskas su vaizdo dalimi eina į MiMo-V2.5-W8A16, visa kita — į MiMo-V2.5-Pro-W8A16. Ta pati šeima, ta pati kaina, tas pats konteksto biudžetas — maršrutizatorius trivialus, o jokio sąnaudų modelio derinti nereikia.

07Ką iš tikrųjų reiškia „necenzūruotas vaizdų supratimas“

Prieš šį modelį nėra atsisakymo sluoksnio, o jo išvesčiai nėra turinio filtro. Tai produkto sprendimas su konkrečia pasekme darbui su rega: modelis aprašo tai, kas kadre, o ne atsisako dėl temos.

Tai svarbu, nes filtruoti regos API struktūriškai netinka visai teisėto darbo kategorijai. Moderavimo konvejeris privalo pažiūrėti į medžiagą, kurią moderuoja, ir pasakyti, kas tai; klasifikatorius, atsisakantis apžiūrėti tai, ką klasifikuoja, nėra klasifikatorius. Tas pat galioja ilgam realių darbų sąrašui:

• Pasitikėjimo ir saugumo įrankiai — būtent tų vaizdų žymėjimas, kurių pagrindinio srauto API neapdoroja, o tai kaip tik tie vaizdai, kuriems žymėjimo labiausiai reikia.
• Medicininiai, teismo ekspertizės ir avarijų vaizdai — klinikinė, sužalojimų ir įvykio vietos fotografija, kurią bendriniai filtrai atmeta kaip vaizdingą, nesvarbu, kas prašo.
• Saugumo tyrimai — apgaulingų puslapių, kenkėjiškų sąsajų ir perimtų ekranų skaitymas modeliui nesipriešinant dėl prielaidos.
• Suaugusiųjų turinio klasifikavimas ir archyvų katalogavimas — konvejeriai, egzistuojantys medžiagai identifikuoti ir negalintys pažiūrėjimo atiduoti kitiems, plius istorinės kolekcijos, kurias filtrai laiko nežymėtinomis.

Atsisakymo sluoksnio pašalinimas pašalina inžinerinę kliūtį, o ne teisinę. Shannon AI valdo Shannon Lab LLC Naujojoje Meksikoje, JAV, o API naudojimą reglamentuoja mūsų Atsakingo naudojimo politika. Nefiltruota išvestis yra galimybė, o ne leidimo raštas.

08Kaip jį kviesti: galiniai taškai, vaizdų įvestis ir kur jis tinka

Modelis yra MiMo-V2.5-W8A16, pasiekiamas trimis užklausų dialektais prieš tuos pačius svorius, tad pasiliekate tą SDK, kurį jau turite:

• /v1/chat/completions — suderinamas su OpenAI. Vaizdai eina kaip image_url turinio dalys — arba https URL, arba base64 duomenų URI.
• /v1/messages — suderinamas su Anthropic. Vaizdai eina kaip image turinio blokai.
• /v1/responses — Responses stiliaus dialektas.

Srautinis perdavimas ir įrankių iškvietimas veikia visuose trijuose, todėl modelis gali pažiūrėti į ekrano nuotrauką ir tuo pačiu ėjimu iškviesti funkciją apie tai, ką pamatė. Visos užklausų ir atsakymų schemos yra API dokumentacijoje, kurioje taip pat yra bandymų aikštelė — į ją vaizdą galite įklijuoti dar neparašę nė eilutės kodo.

MiMo-V2.5 palaiko griežtą json_schema ir response_format — tai skirtumas tarp demonstracijos ir konvejerio. Paduokite jam čekį plius schemą su tipizuotais pardavėjo, datos, eilučių ir sumos laukais, ir gausite objektą, kurį jūsų kodas gali patikrinti, o ne pastraipą, kurią reikia gliaudyti reguliariosiomis išraiškomis. Du iš dvylikos šio katalogo modelių pilno struktūrizuotos išvesties palaikymo neturi; šis turi, ir kaip tik todėl jis tinka kaip didelės apimties ištraukimo paslauga.

Konteksto langas yra 262 144 žetonai; sugeneruota išvestis apribota 16 384 žetonais vienai užklausai. Vaizdai suvartoja įvesties žetonus priklausomai nuo skiriamosios gebos, todėl didelės raiškos puslapių nuskaitymai kontekstą suėda kur kas greičiau nei atitinkamas žodžių kiekis teksto. Ilgus dokumentus dalykite puslapiais, o ne kraukite 300 puslapių nuskaitymo į vieną užklausą, ir laikykite išvesties lubas realiu išsamaus ištraukimo apribojimu — tankias lenteles dalykite pagal eilučių intervalus, užuot gavę nukirstą atsakymą.

reasoning_effort rankenėlė čia turi tikrą svertą, atsižvelgiant į šeimos kilmę. Sumažinkite ją didelės apimties klasifikavimui, kur atsakymas yra žyma, o mąstymo žetonai — gryna sąnauda; padidinkite diagramų aiškinimui, vizualiai matematikai ir schemų samprotavimui, kur modelis prieš atsakydamas turi sujungti kelis matomus dalykus.

Kur jis tinka, o kur ne

Geri atvejai. Didelės apimties dokumentų ir čekių ištraukimas; OCR artimas darbas su netobulais nuskaitymais; diagramų, valdymo skydų ir lentelių skaitymas; ekrano nuotraukų supratimas ir sąsajų įžeminimas; katalogų žymėjimas ir vizualus klausimų atsakymas; moderavimo konvejeriai — bet kokia daugiamodalė užduotis, kur riboja kaina vienam kvietimui, o smulkių detalių tikslumo atsisakyti nesutinkate.

Prasti atvejai. Pažangos ribos sunkumo daugiamodalis samprotavimas, kuriam reikia stipriausio modelio bet kokia kaina — tai Kimi-K3 darbas, ir jis ne šiaip kainuoja beveik dešimt kartų daugiau. Tik tekstinis generavimas, kur MiMo-V2.5-Pro už tą patį tarifą duoda geresnį pagrindą. Darbas, besiremiantis enciklopedinėmis pasaulio žiniomis, kur didelis retas pagrindas aplenkia kompaktišką tankų. Ir viskas, kam reikia daugiau nei 262K konteksto, o to čia nesiūlo nė vienas modelis.

09Dažnai užduodami klausimai

---

Šaltiniai: MiMo techninė ataskaita (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Visus etalonų skaičius pateikė Xiaomi aukščiau įvardytiems išleistiems kontroliniams taškams, ir jie aprašo šeimos liniją, o ne tikslią šio galinio taško versiją. Kainos, kontekstas ir galimybių žymos yra Shannon AI vartų kainoraščio reikšmės, 2026 m. rugsėjis.