Necenzēts MiMo redzes API

Lēti multimodāli galapunkti ir lēti tāpēc, ka kaut kas ir nogriezts, un nogriezts parasti ir tas, ko jūs neredzat: svari ir saspiesti līdz trim vai četriem bitiem, un modelis joprojām pārliecināti atbild par diagrammu, ko tas patiesībā vairs nespēj izlasīt. MiMo-V2.5 ir pretpiemērs mūsu katalogā — vienlaikus pie cenu grīdas un augstākajā precizitātes līmenī, jo pamatmodelis, no kura tas cēlies, tika būvēts mazs un blīvs, nevis milzīgs un rets.

01No kurienes nāk MiMo: vispirms spriešanas modelis, tikai tad redzes modelis

MiMo līnija ir Xiaomi atvērto svaru pētniecības programma, un tās dibinošais arguments ir nemodīgs: spriešanas spēja tiek nolikta iepriekštreniņā, nevis pēc tam pieskrūvēta ar RL. Darbs galvenokārt ir datu inženierija — Xiaomi pārbūvēja teksta izgūšanu un filtrēšanu, lai korpusā paceltu spriešanas rakstu blīvumu, mērogā ģenerēja sintētiskus spriešanas datus un iepriekštrenēja MiMo-7B-Base uz aptuveni 25 triljoniem tokenu trīspakāpju sajaukumā, ar daudztokenu prognozēšanu kā palīgmērķi, kas izsecināšanas laikā vienlaikus kalpo par spekulatīvu dekodētāju (pieņemšanas īpatsvars tuvu 90%, pēc Xiaomi datiem).

Pēctreniņš ir apzināti askētisks: 130,000 matemātikas un koda uzdevumu ar tikai uz noteikumiem balstītiem precizitātes atalgojumiem, bez iemācīta atalgojuma modeļa, ar pamatojumu, ka neironu atalgojuma modelis ir virsma, ko var uzlauzt. Pārbaudāmus atalgojumus nevar pierunāt. MiMo-7B-RL uzrāda skaitļus, kas nav samērojami ar tā izmēru — Xiaomi ziņo 68.2% uz AIME 2024, 95.8% uz MATH-500, 57.8% uz LiveCodeBench v5 pie pass@1, līdzinoties OpenAI o1-mini. Tāda ir tā modeļa forma, ko jūs izsaucat: kompakts, blīvi trenēts, noskaņots problēmu izstrādāt, nevis atbildi atcerēties — un šis raksturs pāriet arī multimodālajos pēctečos.

02Kā MiMo iemācījās redzēt: MiMo-VL arhitektūra

MiMo-VL ir redzes un valodas atzars, un tā uzbūve ir pamācoša. Xiaomi salika trīs daļas: iedzimtas izšķirtspējas ViT kodētāju, kas saglabā smalku detaļu, nevis dzen katru attēlu caur fiksētu zemas izšķirtspējas režģi, nejauši inicializētu MLP projektoru valodas modeļa latentajā telpā un — izšķiroši — MiMo spriešanas mugurkaulu kā valodas modeli. Redzes sistēma manto dekodētāju, kas jau ir labs daudzsoļu domāšanā, nevis tādu, kas ir labs tikai parakstu veidošanā.

Treniņš noritēja četrās iepriekštreniņa pakāpēs — projektora iesildīšana, redzes un valodas saskaņošana, vispārīgs multimodāls iepriekštreniņš, gara konteksta SFT — pār aptuveni 2.4 triljoniem tokenu, tad jauktā uz politiku balstītā pastiprināšanas mācīšanās (MORL), kas vienā uz politiku balstītā ciklā salika uztveres precizitāti, vizuālās iezemēšanas precizitāti, spriešanas pareizību un cilvēku/AI preferences. Ziņojums atklāti atzīst, ka visu šo vienlaicīga optimizēšana ir nestabila — godīgāks ietvarojums, nekā piedāvā vairums multimodālo rakstu.

Publicētie rezultāti parametru skaitam ir spēcīgi. Xiaomi ziņo, ka MiMo-VL-7B-RL pārspēj Qwen2.5-VL-7B 35 no 40 uzdevumiem, iegūst 59.4 uz OlympiadBench (virs modeļiem līdz 78B) un 56.1 uz OSWorld-G saskarņu iezemēšanā, apsteidzot speciāli būvētus saskarņu aģentus. Vēlākā 2508 atsvaidzināšana pirmo reizi sērijā aizveda MMMU pāri 70 (70.6), sasniedza 94.4 uz ChartQA, 92.5 uz ScreenSpot-v2 un 70.8 uz VideoMME, kā arī pievienoja domāšanas vadības slēdzi, lai spriešanas pēdas varētu izslēgt katram pieprasījumam atsevišķi.

03Ko nozīmē W8A16 un kāpēc redzei tas nozīmē vairāk nekā tekstam

Katrs vārtejas modelis nes kvantēšanas piedēkli. Tā nav dekorācija — tā pasaka, kas tika atdots, lai modeli padarītu pasniedzamu.

Piedēklis	Kas tas ir	Kāpēc to izmanto
3BIT-REAP	3 bitu svari plus REAP — ekspertu atzarošanas metode, kas pirms kvantēšanas no MoE modeļa izmet reti maršrutētus ekspertus	Vienīgais veids, kā pašus lielākos pamatmodeļus ietilpināt un pasniegt saprātīgā ātrumā
W4A16-AUTOROUND-REAP	4 bitu svari, 16 bitu aktivācijas, kvantēti ar AutoRound — iemācītu noapaļošanu, kas atgūst precizitāti pār naivu noapaļošanu uz tuvāko — plus REAP atzarošana	Vidusceļš lieliem pamatmodeļiem, kuriem galēja saspiešana nav vajadzīga
W8A16	8 bitu svari, 16 bitu aktivācijas — augstākās precizitātes līmenis, ko pasniedzam	Izmanto tur, kur pamatmodelis ir pietiekami mazs, lai agresīva saspiešana nebūtu vajadzīga

MiMo-V2.5 trešo rindu nopelna ar kompaktumu: šīs klases blīvam pamatmodelim, lai ietilptu, nevajag saspiešanu līdz trim bitiem, tāpēc varat atļauties paturēt astoņus, un svari, no kuriem izlozējat, paliek tuvi tiem, kas tika trenēti. Attēlu darbam tas nozīmē nesamērīgi daudz, un tam ir strukturāls iemesls. Tikai teksta dekodētājā iegulums, kas kvantēšanā aizdreifē, tiek pārkontekstualizēts desmitiem vēlāko uzmanības slāņu — daudz iespēju atgūties. Redzes stekam šādas rezerves nav: vizuālā informācija iet caur vienu kodētāju un vienu šauru projektoru, pirms tā sasniedz dekodētāju, un viss tālāk ir nosacīts ar to, ko šis pudeles kakls izdeva. Smalkais signāls — 3 pret 8 zema kontrasta skenējumā, precīzais pikselis, kur uz diagrammas ass beidzas stabiņš, saskarnes elementa robeža, kurā jums liek klikšķināt — dzīvo maza lieluma svaru detaļā, ko agresīva kvantēšana izmet pirmo.

3 bitu redzes modelis nekļūdās skaļi; tas kļūdās klusi, radot plūstošu dokumenta aprakstu ar diviem cipariem, kas kopsummā samainīti vietām. Augstāka svaru precizitāte ir lētākā apdrošināšana pret šo kļūmi, un šeit tā ir bez maksas — grīdas cenu jūs maksājat tā vai tā.

04Grīdas cena kontekstā

Četri modeļi mūsu divpadsmit modeļu katalogā atrodas pie cenu grīdas $0.50 ievadē / $2.00 izvadē uz miljonu tokenu. Tikai viens no tiem pieņem attēlus. Lūk, kur modeļi ar redzi nonāk izvades izmaksās — skaitlī, kas dominē vairumā īstu rēķinu:

Izvades cena USD uz 1M tokenu, Shannon AI vārtejas cenrāža likmes, 2026. gada septembris. Joslas garums ir attiecināts pret dārgāko redzes modeli katalogā.

Pret Kimi-K3 — griestu redzes modeli un patiešām stiprāku — MiMo-V2.5 ir aptuveni 9.6× lētāks izvadē un 7.7× lētāks ievadē. Tas nav apgalvojums par līdzvērtību; tas ir arguments par darba slodzes formu. Pie simts tūkstošiem attēlu mēnesī griestu modelis nav pa kabatai, bet grīdas modelis ir, un godīgais jautājums ir, vai grīdas modelis pārvar jūsu precizitātes latiņu — nevis vai tas uzvar etalonā.

05MiMo-V2.5 pret MiniMax-M3: divi lētie redzes modeļi, godīgi salīdzināti

Šie divi ir precīzi vienādi cenā, kontekstā un galapunktu virsmā. Tie nav savstarpēji aizvietojami: kvantēšanas līmenis ir aizstājējrādītājs divām dažādām likmēm par to, kas redzes modeli padara noderīgu.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Ievade / izvade uz 1M	$0.50 / $2.00	$0.50 / $2.00
Svaru precizitāte	8 biti	3 biti + ekspertu atzarošana
Pamatmodeļa izmērs	Kompakts, blīvs	Liels, rets MoE
Redze	Jā	Jā
Konteksta logs	262,144	262,144
Shēma · rīki · straumēšana	Jā	Jā

Izvēlieties MiMo-V2.5, kad attēls ir grūtā daļa: blīvs OCR uz nepilnīgiem skenējumiem, skaitlisku vērtību izvilkšana no diagrammām un tabulām, ekrānuzņēmumu un saskarņu iezemēšana, sīka teksta lasīšana, gandrīz identisku produktu fotogrāfiju atšķiršana — visur, kur samainīts cipars ir defekts, nevis kosmētiska nepilnība. Jums vajag visaugstākās precizitātes ceļu no pikseļiem uz tokeniem, un 8 bitu svari ir veids, kā par šo cenu to iegūt.

Izvēlieties MiniMax-M3, kad attēls ir vieglā daļa. Liels rets pamatmodelis, saspiests līdz 3 bitiem, joprojām tur vairāk pasaules zināšanu un spriešanas plašuma nekā kompakts blīvs modelis, pat pēc atzarošanas. Ja uzdevums ir „paskaties uz šo fotogrāfiju un plaši spried par to, ko tā nozīmē”, vai attēls ir viena ievade galvenokārt teksta sarunā, lielākais pamatmodelis ir labākais instruments — vizuālā asuma atdošana nebija saistošais ierobežojums.

06MiMo-V2.5 pret MiMo-V2.5-Pro: radinieks, kas acis samainīja pret dziļumu

Šis ir salīdzinājums, kas rada visvairāk atbalsta pieteikumu, tāpēc ir vērts būt tiešiem. MiMo-V2.5-Pro-W8A16 un MiMo-V2.5-W8A16 dala cenu, konteksta logu, precizitātes līmeni un saimes vārdu. Pro nepieņem attēlus. Tas nav virskopa. Tas ir cits tā paša budžeta sadalījums.

Multimodāla modeļa pasniegšana nozīmē maksāt par redzes torni un projektoru līdzās dekodētājam — pie fiksēta izmaksu mērķa tā ir jauda, kas netiek iztērēta pašam valodas modelim. Pro visu iztērē tekstam: lielāks pamatmodelis ar vairāk rezerves gara formāta rakstīšanai, izvērstai spriešanai un kodam. MiMo-V2.5 daļu no tā tērē redzei.

Tāpēc lēmuma noteikums ir par jūsu ievadēm, nevis par jūsu ambīcijām. Ja kāds pieprasījums var saturēt ekrānuzņēmumu, skenētu lappusi, diagrammu, shēmu vai fotogrāfiju, jums vajag MiMo-V2.5 — Pro šo satura bloku noraidīs. Ja katrs pieprasījums ir teksts un jūs pēc redzes modeļa sniedzāties aiz ieraduma, jūs par velti atstājat uz galda pamatmodeļa kvalitāti: ņemiet MiMo-V2.5-Pro par identisku likmi.

Aina, ko vērts nozagt: maršrutējiet pēc satura veida. Viss, kam ir attēla daļa, iet uz MiMo-V2.5-W8A16, viss pārējais uz MiMo-V2.5-Pro-W8A16. Tā pati saime, tā pati cena, tas pats konteksta budžets — maršrutētājs ir triviāls, un nav nekāda izmaksu modeļa, ko saskaņot.

07Ko patiesībā nozīmē „necenzēta attēlu saprašana”

Šī modeļa priekšā nav atteikuma slāņa, un tā izvadei nav satura filtra. Tas ir produkta lēmums ar konkrētām sekām redzes darbā: modelis apraksta to, kas ir kadrā, nevis atsaka, balstoties uz tēmu.

Tas ir svarīgi tāpēc, ka filtrēti redzes API strukturāli nav piemēroti veselai likumīga darba kategorijai. Moderācijas konveijeram ir jāpaskatās uz materiālu, ko tas moderē, un jāpasaka, kas tas ir; klasifikators, kas atsakās apskatīt to, ko klasificē, nav klasifikators. Tas pats attiecas uz garu īstu darbu sarakstu:

• Uzticības un drošības rīki — birkošana tieši tiem attēliem, ko plaša patēriņa API neapstrādās, un tie ir attēli, kuriem birkošana visvairāk vajadzīga.
• Medicīniski, tiesu ekspertīzes un negadījumu attēli — klīniskā, traumu un notikuma vietas fotogrāfija, ko vispārīgi filtri noraida kā drastisku neatkarīgi no tā, kas jautā.
• Drošības pētniecība — pikšķerēšanas lapu, ļaunprātīgu saskarņu un tvertu ekrānu lasīšana, modelim nepretojoties pieņēmumam.
• Pieaugušo satura klasifikācija un arhīvu katalogizēšana — konveijeri, kas pastāv, lai identificētu materiālu, un kas skatīšanos nevar deleģēt tālāk, plus vēsturiskas kolekcijas, ko filtri uzskata par nebirkojamām.

Atteikuma slāņa noņemšana noņem inženierijas šķērsli, nevis juridisku. Shannon AI uztur Shannon Lab LLC Ņūmeksikā, ASV, un API lietošanu regulē mūsu atbildīgas lietošanas politika. Nefiltrēta izvade ir spēja, nevis atļaujas zīmīte.

08Kā to izsaukt: galapunkti, attēlu ievade un kur tas iederas

Modelis ir MiMo-V2.5-W8A16, sasniedzams trīs pieprasījumu dialektos pret tiem pašiem svariem, tāpēc paturat to SDK, kas jums jau ir:

• /v1/chat/completions — ar OpenAI saderīgs. Attēli iet iekšā kā image_url satura daļas, vai nu kā https URL, vai kā base64 datu URI.
• /v1/messages — ar Anthropic saderīgs. Attēli iet iekšā kā image satura bloki.
• /v1/responses — Responses stila dialekts.

Straumēšana un rīku izsaukšana darbojas visos trīs, tāpēc modelis vienā gājienā var paskatīties uz ekrānuzņēmumu un izsaukt funkciju par to, ko tas redzēja. Pilnas pieprasījumu un atbilžu shēmas ir API dokumentācijā, kur ir arī izmēģinājumu vide, kurā attēlu var ielīmēt, pirms rakstāt kaut vienu koda rindu.

MiMo-V2.5 atbalsta stingru json_schema un response_format — starpību starp demonstrāciju un konveijeru. Padodiet tam čeku plus shēmu ar tipizētiem laukiem pārdevējam, datumam, pozīcijām un kopsummai, un saņemsiet atpakaļ objektu, ko jūsu kods var validēt, nevis rindkopu, kas jāapstrādā ar regulārajām izteiksmēm. Diviem no divpadsmit šī kataloga modeļiem trūkst pilna strukturētas izvades atbalsta; šim netrūkst, un tieši tāpēc tas darbojas kā lielapjoma ekstrakcijas pakalpojums.

Konteksta logs ir 262,144 tokeni; ģenerētā izvade ir ierobežota ar 16,384 tokeniem uz pieprasījumu. Attēli patērē ievades tokenus atkarībā no izšķirtspējas, tāpēc augstas izšķirtspējas lappušu skenējumi kontekstu ēd daudz ātrāk nekā līdzvērtīgs vārdu skaits tekstā. Sadaliet garus dokumentus pa lappusēm, nevis ielādējiet 300 lappušu skenējumu vienā pieprasījumā, un izvades griestus uztveriet kā īstu ierobežojumu izsmeļošai ekstrakcijai — blīvas tabulas dalieties pa rindu diapazoniem, nevis saņemiet apcirstu atbildi.

reasoning_effort grozāmpogai šeit ir īsts sviras spēks, ņemot vērā saimes izcelsmi. Nogrieziet to lielapjoma klasifikācijai, kur atbilde ir birka un domāšanas tokeni ir tīras izmaksas; paceliet to diagrammu interpretācijai, vizuālai matemātikai un shēmu spriešanai, kur modelim jāsavieno vairākas redzētās lietas, pirms tas var atbildēt.

Kur tas iederas un kur ne

Labi der. Lielapjoma dokumentu un čeku ekstrakcija; OCR tuvs darbs uz nepilnīgiem skenējumiem; diagrammu, informācijas paneļu un tabulu lasīšana; ekrānuzņēmumu saprašana un saskarņu iezemēšana; kataloga birkošana un vizuāla atbildēšana uz jautājumiem; moderācijas konveijeri — jebkurš multimodāls uzdevums, kur izmaksas uz izsaukumu ir ierobežojums un smalkās detaļas precizitāte ir tas, no kā atteikties negribat.

Slikti der. Priekšpulka grūtības multimodāla spriešana, kurai vajag stiprāko modeli neatkarīgi no cenas — tas ir Kimi-K3 darbs, un tas ne velti maksā gandrīz desmit reizes vairāk. Tikai teksta ģenerēšana, kur MiMo-V2.5-Pro par to pašu likmi dod labāku pamatmodeli. Darbs, kas balstās uz enciklopēdiskām pasaules zināšanām, kur liels rets pamatmodelis apsteidz kompaktu blīvu. Un viss, kam vajag vairāk nekā 262K konteksta, ko šeit nepiedāvā neviens modelis.

09Biežāk uzdotie jautājumi

---

Avoti: MiMo tehniskais ziņojums (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Visi etalonu skaitļi ir Xiaomi ziņoti par augstāk nosauktajiem izlaistajiem kontrolpunktiem un apraksta saimes cilti, nevis precīzo būvi uz šī galapunkta. Cenas, konteksts un iespēju karodziņi ir Shannon AI vārtejas cenrāža vērtības, 2026. gada septembris.