Нецензурирано MiMo API со вид

Евтините мултимодални крајни точки се евтини затоа што нешто е отсечено, а тоа што се сече обично е делот што не можеш да го видиш: тежините се стиснати на три или четири бита, а моделот сепак самоуверено одговара за графикон што веќе всушност не може да го прочита. MiMo-V2.5 е контра-примерот во нашиот каталог — истовремено на ценовниот под и на врвното ниво на прецизност, зашто фундаментот од кој потекнува е граден мал и густ, а не огромен и редок.

01Од каде доаѓа MiMo: прво модел за расудување, потоа модел со вид

Линијата MiMo е истражувачката програма на Xiaomi со отворени тежини, а нејзиниот основачки аргумент е немоден: способноста за расудување се поставува при претренирањето, а не се прицврстува подоцна со поттикнато учење. Работата е главно инженеринг на податоци — Xiaomi ги преизгради извлекувањето и филтрирањето текст за да ја крене густината на обрасци за расудување во корпусот, генерираше синтетички податоци за расудување во голем обем и го претренира MiMo-7B-Base на приближно 25 трилиони токени под трифазна мешавина, со предвидување повеќе токени како помошна цел што при извршување служи и како спекулативен декодер (стапка на прифаќање близу 90%, според Xiaomi).

Пост-тренирањето е намерно аскетско: 130.000 математички и програмерски задачи со само правилно-базирани награди за точност, без научен модел на награда, врз расудувањето дека невронски модел на награда е површина што може да се злоупотреби. Проверливите награди не се даваат на убедување. MiMo-7B-RL објавува бројки несразмерни со својата големина — Xiaomi пријавува 68,2% на AIME 2024, 95,8% на MATH-500, 57,8% на LiveCodeBench v5 при pass@1, изедначувајќи се со o1-mini на OpenAI. Тоа е обликот на моделот што го повикуваш: компактен, густо трениран, нагоден да изработи проблем наместо да се сети на одговор — а тој темперамент преживува и кај мултимодалните потомци.

02Како MiMo научи да гледа: архитектурата на MiMo-VL

MiMo-VL е визуелно-јазичната гранка, а нејзината конструкција е поучна. Xiaomi состави три дела: ViT енкодер со родна резолуција што ги чува фините детали наместо да ја турка секоја слика низ фиксна мрежа со ниска резолуција, случајно иницијализиран MLP проектор во латентниот простор на јазичниот модел, и — клучно — основата за расудување на MiMo како јазичен модел. Системот за вид наследува декодер што веќе е добар во размислување во повеќе чекори, а не декодер што е добар само во опишување слики.

Тренирањето течело во четири фази претренирање — загревање на проекторот, визуелно-јазично усогласување, општо мултимодално претренирање, надгледувано дотренирање со долг контекст — низ приближно 2,4 трилиони токени, потоа мешано поттикнато учење на политиката (MORL), што ги вклопува точноста на перцепцијата, прецизноста на визуелното заземјување, исправноста на расудувањето и човечката/AI претпочитка во една јамка на политиката. Извештајот отворено кажува дека оптимизирањето на сето тоа наеднаш е нестабилно — почесно врамување отколку што нудат повеќето мултимодални трудови.

Објавените резултати се силни за тој број параметри. Xiaomi пријавува дека MiMo-VL-7B-RL го надминува Qwen2.5-VL-7B на 35 од 40 задачи, со 59,4 на OlympiadBench (над модели до 78 милијарди) и 56,1 на OSWorld-G за заземјување во графички интерфејс, пред наменски градени агенти за интерфејси. Подоцнежното освежување 2508 го крена MMMU над 70 за прв пат во серијата (70,6), достигна 94,4 на ChartQA, 92,5 на ScreenSpot-v2 и 70,8 на VideoMME, и додаде прекинувач за контрола на размислувањето за да можат трагите од расудување да се исклучат по барање.

03Што значи W8A16 и зошто е поважно за видот отколку за текстот

Секој модел на портата носи наставка за квантизација. Таа не е украс — ти кажува што е разменето за да стане моделот послужлив.

Наставка	Што е тоа	Зошто се користи
3BIT-REAP	3-битни тежини плус REAP, метод за поткастрување експерти што ги отфрла ретко рутираните експерти од MoE модел пред квантизацијата	Единствениот начин најголемите фундаменти да соберат и да се послужуваат со разумна брзина
W4A16-AUTOROUND-REAP	4-битни тежини, 16-битни активации, квантизирани со AutoRound — научено заокружување што враќа точност во однос на наивното заокружување на најблиску — плус REAP поткастрување	Средно решение за големи фундаменти на кои не им треба екстремна компресија
W8A16	8-битни тежини, 16-битни активации — нивото со највисока верност што го послужуваме	Се користи таму каде фундаментот е доволно мал за агресивната компресија да е непотребна

MiMo-V2.5 го заслужува третиот ред со тоа што е компактен: густ фундамент од оваа класа не мора да се здроби на три бита за да собере, па можеш да си дозволиш да задржиш осум, а тежините од кои семплираш остануваат блиску до оние што биле тренирани. Тоа е несразмерно важно за работа со слики, од структурна причина. Кај декодер само за текст, вложување што дрејфа под квантизацијата подоцна повторно го контекстуализираат десетици слоја внимание — многу шанси за опоравување. Стекот за вид нема таква слобода: визуелната информација минува низ еден енкодер и еден тесен проектор пред да стигне до декодерот, а сè понатаму е условено со тоа што го произвело тоа тесно грло. Ситнозрнестиот сигнал — 3 наспроти 8 во скен со низок контраст, точниот пиксел каде завршува столбот на оската на графиконот, границата на елемент од интерфејсот на кој треба да кликнеш — живее во деталот на тежините со мала големина што агресивната квантизација прв го отфрла.

3-битен модел со вид не откажува гласно; откажува тивко, произведувајќи течен опис на документ со две цифри заменети во збирот. Повисоката прецизност на тежините е најевтиното осигурување против тоа откажување, а тука е бесплатно — ја плаќаш подната цена во секој случај.

04Подната цена, во контекст

Четири модели во нашиот каталог од дванаесет седат на ценовниот под од 0,50 долари влез / 2,00 долари излез на милион токени. Само еден од нив прима слики. Еве каде паѓаат моделите со вид по цена на излез, бројката што доминира во повеќето вистински сметки:

Цена на излез во долари на 1M токени, каталошки стапки на портата Shannon AI, септември 2026 година. Должината на лентата е релативна спрема најскапиот модел со вид во каталогот.

Наспроти Kimi-K3 — таванскиот модел со вид, и навистина посилен — MiMo-V2.5 е приближно 9,6× поевтин на излез и 7,7× поевтин на влез. Тоа не е тврдење за еднаквост; тоа е аргумент за обликот на оптоварувањето. При сто илјади слики месечно, таванскиот модел не е достапен, а подниот е, и чесното прашање е дали подниот модел ја поминува твојата летва за точност — а не дали победува на репер.

05MiMo-V2.5 наспроти MiniMax-M3: двата евтини модела со вид, чесно споредени

Овие два се изедначени точно по цена, контекст и површина на крајните точки. Тие не се заменливи: нивото на квантизација е показател за две различни обложувања за тоа што прави еден модел со вид корисен.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Влез / излез на 1M	$0.50 / $2.00	$0.50 / $2.00
Прецизност на тежините	8 бита	3 бита + поткастрување експерти
Големина на фундаментот	Компактен, густ	Голем, редок MoE
Вид	Да	Да
Контекстен прозорец	262,144	262,144
Шема · алатки · стриминг	Да	Да

Избери MiMo-V2.5 кога сликата е тешкиот дел: густ OCR врз несовршени скенови, извлекување бројки од графикони и табели, заземјување во снимки од екран и интерфејси, читање ситен текст, разликување речиси идентични фотографии на производи — сè каде заменета цифра е дефект, а не козметичка мана. Сакаш патека со највисока верност од пиксели до токени, а 8-битните тежини се начинот да ја добиеш по оваа цена.

Избери MiniMax-M3 кога сликата е лесниот дел. Голем редок фундамент компресиран на 3 бита сепак држи повеќе знаење за светот и поширок дофат во расудувањето отколку што може компактен густ модел, дури и по поткаструвањето. Ако задачата е „погледни ја оваа фотографија и расудувај опширно што подразбира“, или ако сликата е еден влез во претежно текстуален разговор, поголемиот фундамент е подобриот инструмент — визуелната острина што ја разменил не беше врзувачкото ограничување.

06MiMo-V2.5 наспроти MiMo-V2.5-Pro: роднината што ги размени очите за длабочина

Ова е споредбата што генерира најмногу тикети за поддршка, па вреди да се биде отворен. MiMo-V2.5-Pro-W8A16 и MiMo-V2.5-W8A16 делат цена, контекстен прозорец, ниво на прецизност и семејно име. Pro не прима слики. Тој не е надмножество. Тој е поинаква распределба на истиот буџет.

Послужувањето мултимодален модел значи плаќање за кула за вид и проектор покрај декодерот — при фиксна цел за трошок, тоа е капацитет што не е потрошен на самиот јазичен модел. Pro сето го троши на текст: поголем фундамент со повеќе простор за долго пишување, продолжено расудување и код. MiMo-V2.5 дел од него троши на вид.

Значи правилото за одлука е за твоите влезови, а не за твоите амбиции. Ако кое било барање може да содржи снимка од екран, скенирана страница, графикон, дијаграм или фотографија, ти треба MiMo-V2.5 — Pro ќе го отфрли тој блок содржина. Ако секое барање е текст, а по моделот со вид си посегнал по навика, оставаш квалитет на фундаментот на маса за ништо: земи MiMo-V2.5-Pro по идентична стапка.

Образец вреден за крадење: рутирај по тип на содржина. Сè со дел со слика оди кон MiMo-V2.5-W8A16, сè друго кон MiMo-V2.5-Pro-W8A16. Исто семејство, иста цена, ист буџет за контекст — рутерот е тривијален и нема ценовен модел за усогласување.

07Што всушност значи „нецензурирано разбирање слики“

Пред овој модел нема слој за одбивање и нема филтер на содржината врз неговиот излез. Тоа е одлука за производот со конкретна последица за работата со вид: моделот опишува што има во кадарот наместо да одбива врз основа на темата.

Ова е важно затоа што филтрираните API со вид се структурно несоодветни за цела една категорија легитимна работа. Процес за модерација мора да го погледне материјалот што го модерира и да каже што е тоа; класификатор што одбива да го испита тоа што го класифицира не е класификатор. Истото важи низ долг список вистински работи:

• Алатки за доверба и безбедност — означување токму на сликите што главните API нема да ги обработат, а тоа се сликите на кои најмногу им треба означување.
• Медицински, форензички слики и слики од несреќи — клиничка фотографија, фотографија на повреди и на местото на настанот што општите филтри ги одбиваат како сурови без оглед кој прашува.
• Безбедносно истражување — читање фишинг страници, злонамерни интерфејси и снимени екрани без моделот да се противи на претпоставката.
• Класификација на содржина за возрасни и архивско каталогизирање — процеси што постојат за да идентификуваат материјал и не можат да го предадат гледањето на друг, плус историски збирки што филтрите ги третираат како необележливи.

Отстранувањето на слојот за одбивање отстранува инженерска пречка, а не правна. Со Shannon AI управува Shannon Lab LLC во Ново Мексико, САД, а користењето на API-то е уредено со нашата Политика за одговорна употреба. Нефилтрираниот излез е способност, а не дозвола.

08Како се повикува: крајни точки, влез со слика и каде се вклопува

Моделот е MiMo-V2.5-W8A16, достапен на три дијалекти на барање наспроти истите тежини, па го задржуваш SDK-то што веќе го имаш:

• /v1/chat/completions — компатибилен со OpenAI. Сликите одат како делови од содржината image_url, било како https URL или како base64 data URI.
• /v1/messages — компатибилен со Anthropic. Сликите одат како блокови содржина image.
• /v1/responses — дијалектот во стил на Responses.

Стримингот и повикувањето алатки работат на сите три, па моделот може да погледне снимка од екран и да повика функција за тоа што го видел во еден круг. Целосните шеми на барањата и одговорите се во API документацијата, каде има и игралиште во кое можеш да залепиш слика пред да напишеш каков било код.

MiMo-V2.5 поддржува строг json_schema и response_format — разликата меѓу демо и продукциски процес. Дај му сметка плус шема со типизирани полиња за добавувач, датум, ставки и вкупно, и добиваш назад објект што твојот код може да го потврди наместо пасус што мора да го обработуваш со регуларни изрази. Два од дванаесетте модели во овој каталог немаат целосна поддршка за структуриран излез; овој има, и токму затоа работи како услуга за извлекување со голем обем.

Контекстниот прозорец е 262.144 токени; генерираниот излез е ограничен на 16.384 токени по барање. Сликите трошат влезни токени во зависност од резолуцијата, па скеновите на страници со висока резолуција го јадат контекстот далеку побрзо од еквивалентен број зборови текст. Дели ги долгите документи по страници наместо да вчитуваш скен од 300 страници во едно барање, и третирај го ограничувањето на излезот како вистинско ограничување за исцрпно извлекување — дели ги густите табели по опсег редови наместо да добиеш скратен одговор.

Копчето reasoning_effort има вистинска моќ овде со оглед на потеклото на семејството. Спушти го за класификација со голем обем, каде одговорот е ознака, а токените за размислување се чист трошок; крени го за толкување графикони, визуелна математика и расудување за дијаграми, каде моделот мора да спои неколку работи што ги гледа пред да може да одговори.

Каде се вклопува, а каде не

Добри вклопувања. Извлекување од документи и сметки со голем обем; работа блиска до OCR врз несовршени скенови; читање графикони, контролни табли и табели; разбирање снимки од екран и заземјување во интерфејси; означување каталози и визуелно одговарање прашања; процеси за модерација — секоја мултимодална задача каде цената по повик е ограничувањето, а прецизноста на фините детали е тоа од што одбиваш да се откажеш.

Слаби вклопувања. Мултимодално расудување со врвна тежина што бара најсилен модел без оглед на цената — тоа е работа на Kimi-K3, и чини речиси десетпати повеќе со причина. Генерирање само текст, каде MiMo-V2.5-Pro дава подобар фундамент по иста стапка. Работа што се потпира на енциклопедиско знаење за светот, каде голем редок фундамент го надминува компактниот густ. И сè што бара повеќе од 262K контекст, што тука не го нуди ниту еден модел.

09Често поставувани прашања

---

Извори: технички извештај за MiMo (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Сите бројки од репери се објавени од Xiaomi за именуваните контролни точки погоре и ја опишуваат семејната лоза, а не точната верзија на оваа крајна точка. Цените, контекстот и ознаките за можности се каталошки вредности на портата Shannon AI, септември 2026 година.