സെൻസർ ചെയ്യാത്ത MiMo വിഷൻ API
8-ബിറ്റ് വെയ്റ്റ് കൃത്യതയെ ഇമേജ് ഗ്രഹണത്തോട് ചേർക്കുന്ന ഞങ്ങളുടെ കാറ്റലോഗിലെ ഒരേയൊരു മോഡലാണ് ഇത് — ടെക്സ്റ്റ്-മാത്രം തറ മോഡലുകൾക്ക് ചെലവാകുന്ന അതേ വില: ദശലക്ഷം ടോക്കണിന് $0.50 ഇൻ / $2.00 ഔട്ട്.
TL;DR
Shannon AI ഗേറ്റ്‌വേയിലെ MiMo ജോടിയിലെ വിഷൻ ശേഷിയുള്ള അംഗമാണ് MiMo-V2.5-W8A16, Xiaomi-യുടെ MiMo നിരയിൽ നിന്ന് ഇറങ്ങിവന്നത് — അതിലേക്ക് ഒരു വിഷൻ ടവർ ഘടിപ്പിച്ച, യുക്തിചിന്ത-ആദ്യ ലാംഗ്വേജ് മോഡൽ — ഞങ്ങളുടെ സ്വന്തം GPU ക്ലസ്റ്ററിൽ ഞങ്ങളുടെ ഏറ്റവും ഉയർന്ന-കൃത്യതാ ക്വാണ്ടൈസേഷൻ തട്ടായ W8A16-ൽ നൽകുന്നു. 262,144-ടോക്കൺ സന്ദർഭം, 16,384 പരമാവധി ഔട്ട്പുട്ട് ടോക്കൺ, ടൂൾ കോളിംഗ്, കർശനമായ JSON സ്കീമ, സ്ട്രീമിംഗ്, ഒരു reasoning_effort ഡയൽ. നിരസന പാളിയില്ല, ഔട്ട്പുട്ട് ഫിൽട്ടറില്ല. നിരയിലെ ഏറ്റവും വിലകുറഞ്ഞ വിഷനിൽ MiniMax-M3-നൊപ്പം ഇത് ഒപ്പം നിൽക്കുന്നു, കൃത്യതയിൽ അതിനെ മറികടക്കുന്നു.
വിലകുറഞ്ഞ മൾട്ടിമോഡൽ എൻഡ്‌പോയിന്റുകൾ വിലകുറഞ്ഞതാകുന്നത് എന്തോ ഒന്ന് വെട്ടിക്കുറച്ചതുകൊണ്ടാണ്, വെട്ടിക്കുറയ്ക്കുന്നത് സാധാരണയായി നിങ്ങൾക്ക് കാണാൻ കഴിയാത്ത ഭാഗമാണ്: വെയ്റ്റുകൾ മൂന്നോ നാലോ ബിറ്റിലേക്ക് ഞെരുക്കുന്നു, മോഡൽ ഇപ്പോഴും ആത്മവിശ്വാസത്തോടെ അത് ഇനി യഥാർത്ഥത്തിൽ വായിക്കാൻ കഴിയാത്ത ഒരു ചാർട്ടിനെക്കുറിച്ച് ഉത്തരം നൽകുന്നു. ഞങ്ങളുടെ കാറ്റലോഗിലെ എതിർ-ഉദാഹരണമാണ് MiMo-V2.5 — വിലയുടെ തറയിലും ഒപ്പം ഉയർന്ന കൃത്യതാ തട്ടിലും ഒരേസമയം, കാരണം അത് ഇറങ്ങിവന്ന അടിത്തറ വളരെ വലുതും സ്പാഴ്സുമായതിന് പകരം ചെറുതും ഡെൻസുമായി നിർമ്മിച്ചതാണ്.
01MiMo എവിടെ നിന്ന്: ആദ്യം ഒരു യുക്തിചിന്താ മോഡൽ, പിന്നെ ഒരു വിഷൻ മോഡൽ
MiMo നിര Xiaomi-യുടെ ഓപ്പൺ-വെയ്റ്റ്സ് ഗവേഷണ പ്രോഗ്രാമാണ്, അതിന്റെ സ്ഥാപക വാദം ഫാഷനബിളല്ല: യുക്തിചിന്താ ശേഷി പ്രീട്രെയിനിംഗിനിടെ നിശ്ചയിക്കപ്പെടുന്നു, RL ഉപയോഗിച്ച് പിന്നീട് ഒട്ടിച്ചുവയ്ക്കുന്നതല്ല. ജോലി കൂടുതലും ഡാറ്റ എഞ്ചിനീയറിംഗാണ് — കോർപ്പസിലെ യുക്തിചിന്താ പാറ്റേണുകളുടെ സാന്ദ്രത ഉയർത്താൻ Xiaomi ടെക്സ്റ്റ് എക്സ്ട്രാക്ഷനും ഫിൽട്ടറിംഗും പുനർനിർമ്മിച്ചു, വലിയ തോതിൽ സിന്തറ്റിക് യുക്തിചിന്താ ഡാറ്റ ജനറേറ്റ് ചെയ്തു, ഒരു മൂന്ന്-ഘട്ട മിശ്രിതത്തിന് കീഴിൽ ഏകദേശം 25 ട്രില്യൺ ടോക്കണിൽ MiMo-7B-Base പ്രീട്രെയിൻ ചെയ്തു, ഒരു ഓക്സിലിയറി ലക്ഷ്യമായി അനുമാന സമയത്ത് ഒരു സ്പെക്യുലേറ്റീവ് ഡീകോഡറായി (Xiaomi-യുടെ കണക്കിൽ, ഏകദേശം 90% സ്വീകാര്യതാ നിരക്ക്) പ്രവർത്തിക്കുന്ന Multiple-Token Prediction-ഓടെ.
പോസ്റ്റ്-ട്രെയിനിംഗ് ബോധപൂർവം ലളിതമാണ്: 130,000 ഗണിത, കോഡ് പ്രശ്നങ്ങൾ, നിയമ-അടിസ്ഥാന കൃത്യതാ റിവാർഡുകൾ മാത്രം, ഒരു ന്യൂറൽ റിവാർഡ് മോഡലും ഇല്ല, ഒരു ന്യൂറൽ റിവാർഡ് മോഡൽ ഹാക്ക് ചെയ്യാവുന്ന ഒരു ഉപരിതലമാണ് എന്ന യുക്തിയിൽ. പരിശോധിക്കാവുന്ന റിവാർഡുകളെ മധുരവാക്ക് പറഞ്ഞ് പറ്റിക്കാൻ കഴിയില്ല. MiMo-7B-RL അതിന്റെ വലുപ്പത്തിന് ആനുപാതികമല്ലാത്ത സംഖ്യകൾ പോസ്റ്റ് ചെയ്യുന്നു — AIME 2024-ൽ 68.2%, MATH-500-ൽ 95.8%, pass@1-ൽ LiveCodeBench v5-ൽ 57.8% Xiaomi റിപ്പോർട്ട് ചെയ്യുന്നു, OpenAI-യുടെ o1-mini-യോട് പൊരുത്തപ്പെട്ടുകൊണ്ട്. നിങ്ങൾ വിളിക്കുന്ന മോഡലിന്റെ രൂപം അതാണ്: ചെറുതും, സാന്ദ്രമായി പരിശീലിപ്പിച്ചതും, ഒരു ഉത്തരം ഓർത്തെടുക്കുന്നതിനെക്കാൾ ഒരു പ്രശ്നത്തിലൂടെ പ്രവർത്തിക്കാൻ ട്യൂൺ ചെയ്തതും — ആ സ്വഭാവം മൾട്ടിമോഡൽ പിൻഗാമികളിലേക്ക് അതിജീവിക്കുന്നു.
02MiMo എങ്ങനെ കാണാൻ പഠിച്ചു: MiMo-VL ആർക്കിടെക്ചർ
MiMo-VL ആണ് വിഷൻ-ലാംഗ്വേജ് ശാഖ, അതിന്റെ നിർമ്മാണം പ്രബോധനപരമാണ്. Xiaomi മൂന്ന് ഭാഗങ്ങൾ കൂട്ടിച്ചേർത്തു: ഓരോ ഇമേജും ഒരു നിശ്ചിത കുറഞ്ഞ-റെസലൂഷൻ ഗ്രിഡിലൂടെ നിർബന്ധിക്കുന്നതിന് പകരം സൂക്ഷ്മ വിശദാംശം സംരക്ഷിക്കുന്ന ഒരു നേറ്റീവ്-റെസലൂഷൻ ViT എൻകോഡർ, ലാംഗ്വേജ് മോഡലിന്റെ ലേറ്റന്റ് സ്പേസിലേക്ക് ക്രമരഹിതമായി ആരംഭിച്ച ഒരു MLP പ്രൊജക്ടർ, — നിർണ്ണായകമായി — ലാംഗ്വേജ് മോഡലായി MiMo യുക്തിചിന്താ ബാക്ക്‌ബോൺ. ക്യാപ്ഷനിംഗിൽ മാത്രം നല്ലതായ ഒന്നിന് പകരം ബഹുഘട്ട ചിന്തയിൽ ഇതിനകം നല്ലതായ ഒരു ഡീകോഡർ വിഷൻ സംവിധാനം പാരമ്പര്യമായി സ്വീകരിക്കുന്നു.
നാല് പ്രീട്രെയിനിംഗ് ഘട്ടങ്ങളിലായി — പ്രൊജക്ടർ വാമപ്പ്, വിഷൻ-ലാംഗ്വേജ് അലൈൻമെന്റ്, പൊതു മൾട്ടിമോഡൽ പ്രീട്രെയിനിംഗ്, ദീർഘ-സന്ദർഭ SFT — ഏകദേശം 2.4 ട്രില്യൺ ടോക്കണിലുടനീളം പരിശീലനം നടന്നു, പിന്നെ Mixed On-policy Reinforcement Learning (MORL), ഗ്രഹണ കൃത്യത, ദൃശ്യ ഗ്രൗണ്ടിംഗ് കൃത്യത, യുക്തിചിന്താ ശരിയത, മനുഷ്യ/AI മുൻഗണന എന്നിവ ഒരു ഓൺ-പോളിസി ലൂപ്പിലേക്ക് ഒരുമിച്ച് ചേർത്തു. ഇവയെല്ലാം ഒരുമിച്ച് ഒപ്റ്റിമൈസ് ചെയ്യുന്നത് അസ്ഥിരമാണെന്ന് റിപ്പോർട്ട് തുറന്നു പറയുന്നു — മിക്ക മൾട്ടിമോഡൽ പേപ്പറുകളും നൽകുന്നതിനെക്കാൾ സത്യസന്ധമായ ഒരു രൂപീകരണം.
പാരാമീറ്റർ എണ്ണത്തിന് പ്രസിദ്ധീകരിച്ച ഫലങ്ങൾ ശക്തമാണ്. 40-ൽ 35 ജോലികളിലും MiMo-VL-7B-RL Qwen2.5-VL-7B-നെ മറികടക്കുന്നു എന്ന് Xiaomi റിപ്പോർട്ട് ചെയ്യുന്നു, OlympiadBench-ൽ 59.4 (78B വരെയുള്ള മോഡലുകൾക്ക് മുകളിൽ), GUI ഗ്രൗണ്ടിംഗിന് OSWorld-G-ൽ 56.1, ഉദ്ദേശ്യപൂർവം നിർമ്മിച്ച ഇന്റർഫേസ് ഏജന്റുകൾക്ക് മുന്നിൽ. പിന്നീടുള്ള 2508 പുതുക്കൽ പരമ്പരയിൽ ആദ്യമായി MMMU 70-ന് മുകളിലേക്ക് (70.6) തള്ളി, ChartQA-ൽ 94.4-ഉം ScreenSpot-v2-ൽ 92.5-ഉം VideoMME-ൽ 70.8-ഉം എത്തി, ഓരോ അഭ്യർത്ഥനയ്ക്കും യുക്തിചിന്താ ട്രെയ്സുകൾ ഓഫ് ചെയ്യാവുന്ന ഒരു ചിന്താ-നിയന്ത്രണ സ്വിച്ചും ചേർത്തു.
പതിപ്പ് അവകാശവാദങ്ങളെക്കുറിച്ചുള്ള ഒരു കുറിപ്പ്
മുകളിലെ ഓരോ കണക്കും താഴെയുള്ള സ്രോതസ്സ് ബ്ലോക്കിൽ ലിങ്ക് ചെയ്ത, ഒരു നിശ്ചിത പുറത്തിറങ്ങിയ ചെക്ക്‌പോയിന്റിനുള്ള Xiaomi-യുടെ സ്വന്തം പ്രസിദ്ധീകരിച്ച സംഖ്യയാണ്. ഞങ്ങളുടെ കാറ്റലോഗ് എൻട്രി ആ പരമ്പരയിലെ ഒരു പിന്നീടുള്ള പോയിന്റാണ്. മോഡൽ എവിടെ നിന്ന് വരുന്നു, കുടുംബം എന്ത് ചെയ്യാൻ നിർമ്മിച്ചതാണ് എന്നാണ് ഞങ്ങൾ വിവരിക്കുന്നത് — നിങ്ങൾ വിളിക്കുന്ന ബിൽഡിലേക്ക് ആ കൃത്യമായ സ്കോറുകൾ കൈമാറും എന്ന് അവകാശപ്പെടുന്നില്ല. നിങ്ങളുടെ സ്വന്തം ജോലിഭാരം ബെഞ്ച്മാർക്ക് ചെയ്യുക; അതിനാണ് വിലയുടെ തറ.
03W8A16 എന്നാൽ എന്താണ്, ടെക്സ്റ്റിനെക്കാൾ വിഷനിൽ അത് പ്രധാനമാകുന്നത് എന്തുകൊണ്ട്
ഗേറ്റ്‌വേയിലെ ഓരോ മോഡലും ഒരു ക്വാണ്ടൈസേഷൻ ഉപസർഗ്ഗം വഹിക്കുന്നു. അത് അലങ്കാരമല്ല — മോഡലിനെ നൽകാൻ കഴിയുന്നതാക്കാൻ എന്താണ് വ്യാപാരം ചെയ്തതെന്ന് അത് പറയുന്നു.
| ഉപസർഗ്ഗം | അതെന്താണ് | ഉപയോഗിക്കപ്പെടുന്നത് എന്തുകൊണ്ട് |
|---|---|---|
| 3BIT-REAP | 3-ബിറ്റ് വെയ്റ്റുകൾ പുറമേ REAP, ക്വാണ്ടൈസ് ചെയ്യുന്നതിന് മുമ്പ് ഒരു MoE മോഡലിൽ നിന്ന് അപൂർവ്വമായി റൂട്ട് ചെയ്യപ്പെടുന്ന എക്സ്പെർട്ടുകളെ ഒഴിവാക്കുന്ന ഒരു എക്സ്പെർട്ട്-പ്രൂണിംഗ് രീതി | ഏറ്റവും വലിയ അടിത്തറകൾ ന്യായമായ വേഗതയിൽ ഒതുക്കി നൽകാനുള്ള ഒരേയൊരു വഴി |
| W4A16-AUTOROUND-REAP | 4-ബിറ്റ് വെയ്റ്റുകൾ, 16-ബിറ്റ് ആക്ടിവേഷനുകൾ, AutoRound-ൽ ക്വാണ്ടൈസ് ചെയ്തത് — നിഷ്കളങ്കമായ round-to-nearest-നെക്കാൾ കൃത്യത വീണ്ടെടുക്കുന്ന പഠിച്ചെടുത്ത റൗണ്ടിംഗ് — പുറമേ REAP പ്രൂണിംഗ് | അതിതീവ്ര കംപ്രഷൻ ആവശ്യമില്ലാത്ത വലിയ അടിത്തറകൾക്കുള്ള നടുവിലെ വഴി |
| W8A16 | 8-ബിറ്റ് വെയ്റ്റുകൾ, 16-ബിറ്റ് ആക്ടിവേഷനുകൾ — ഞങ്ങൾ നൽകുന്ന ഏറ്റവും ഉയർന്ന-കൃത്യതാ തട്ട് | ആക്രമണോത്സുകമായ കംപ്രഷൻ ആവശ്യമില്ലാത്തത്ര ചെറിയ അടിത്തറയാകുമ്പോൾ ഉപയോഗിക്കുന്നു |
കോംപാക്റ്റ് ആയിരിക്കുന്നതിലൂടെ മൂന്നാം വരി MiMo-V2.5 അർഹിക്കുന്നു: ഈ ക്ലാസിലെ ഒരു ഡെൻസ് അടിത്തറയ്ക്ക് ഒതുങ്ങാൻ മൂന്ന് ബിറ്റിലേക്ക് ഞെരുക്കൽ ആവശ്യമില്ല, അതിനാൽ എട്ട് നിലനിർത്താൻ നിങ്ങൾക്ക് താങ്ങാൻ കഴിയും, നിങ്ങൾ സാംപിൾ ചെയ്യുന്ന വെയ്റ്റുകൾ പരിശീലിപ്പിക്കപ്പെട്ടവയോട് അടുത്ത് നിൽക്കുന്നു. ഇമേജ് ജോലിക്ക് അത് ആനുപാതികമല്ലാതെ പ്രധാനമാണ്, ഒരു ഘടനാപരമായ കാരണത്താൽ. ഒരു ടെക്സ്റ്റ്-മാത്രം ഡീകോഡറിൽ, ക്വാണ്ടൈസേഷനിൽ വ്യതിചലിക്കുന്ന ഒരു എംബെഡിംഗ് പിന്നീടുള്ള ഡസൻ കണക്കിന് അറ്റൻഷൻ ലെയറുകൾ വീണ്ടും സന്ദർഭവൽക്കരിക്കുന്നു — വീണ്ടെടുക്കാൻ പല അവസരങ്ങൾ. ഒരു വിഷൻ സ്റ്റാക്കിന് അത്തരം അയവില്ല: ഡീകോഡറിലെത്തുന്നതിന് മുമ്പ് ദൃശ്യ വിവരം ഒരൊറ്റ എൻകോഡറിലൂടെയും ഒരൊറ്റ ഇടുങ്ങിയ പ്രൊജക്ടറിലൂടെയും കടന്നുപോകുന്നു, ഡൗൺസ്ട്രീമുള്ള എല്ലാം ആ കുപ്പിക്കഴുത്ത് ഉണ്ടാക്കിയതിനെ ആശ്രയിച്ചിരിക്കുന്നു. കുറഞ്ഞ-കോൺട്രാസ്റ്റ് സ്കാനിലെ 3-ഉം 8-ഉം തമ്മിലുള്ള വ്യത്യാസം, ഒരു ചാർട്ട് ആക്സിസിൽ ഒരു ബാർ അവസാനിക്കുന്ന കൃത്യമായ പിക്സൽ, ക്ലിക്ക് ചെയ്യാൻ ആവശ്യപ്പെടുന്ന ഒരു UI എലമെന്റിന്റെ അതിർത്തി — ഇവയെല്ലാം സൂക്ഷ്മതല സിഗ്നൽ ആണ്, ആക്രമണോത്സുകമായ ക്വാണ്ടൈസേഷൻ ആദ്യം ഉപേക്ഷിക്കുന്ന കുറഞ്ഞ-വ്യാപ്തി വെയ്റ്റ് വിശദാംശത്തിലാണ് അത് ജീവിക്കുന്നത്.
ഒരു 3-ബിറ്റ് വിഷൻ മോഡൽ ഉച്ചത്തിൽ പരാജയപ്പെടുന്നില്ല; അത് നിശ്ശബ്ദമായി പരാജയപ്പെടുന്നു, ആകെ തുകയിൽ രണ്ട് അക്കങ്ങൾ മാറിപ്പോയ ഒരു ഡോക്യുമെന്റിന്റെ ഒഴുക്കുള്ള ഒരു വിവരണം ഉണ്ടാക്കുന്നു. ഉയർന്ന വെയ്റ്റ് കൃത്യതയാണ് ആ പരാജയത്തിനെതിരായ ഏറ്റവും വിലകുറഞ്ഞ ഇൻഷുറൻസ്, ഇവിടെ അത് സൗജന്യമാണ് — ഏതായാലും നിങ്ങൾ തറ വില നൽകുന്നു.
04തറനിരക്ക്, സന്ദർഭത്തിൽ
ഞങ്ങളുടെ പന്ത്രണ്ട്-മോഡൽ കാറ്റലോഗിലെ നാല് മോഡലുകൾ ദശലക്ഷം ടോക്കണിന് $0.50 ഇൻപുട്ട് / $2.00 ഔട്ട്പുട്ട് എന്ന വില തറയിലാണ്. അവയിലൊന്ന് മാത്രമേ ഇമേജുകൾ എടുക്കുന്നുള്ളൂ. മിക്ക യഥാർത്ഥ ബില്ലുകളിലും ആധിപത്യം സ്ഥാപിക്കുന്ന സംഖ്യയായ ഔട്ട്പുട്ട് ചെലവിൽ വിഷൻ ശേഷിയുള്ള മോഡലുകൾ എവിടെ ഇറങ്ങുന്നു എന്നിതാ:
ഔട്ട്പുട്ട് വില USD-യിൽ ദശലക്ഷം ടോക്കണിന്, Shannon AI ഗേറ്റ്‌വേ ലിസ്റ്റ് നിരക്കുകൾ, 2026 സെപ്റ്റംബർ. ബാർ നീളം കാറ്റലോഗിലെ ഏറ്റവും ചെലവേറിയ വിഷൻ മോഡലിനോട് ആപേക്ഷികമാണ്.
Kimi-K3-ക്കെതിരെ — പരിധിയിലെ വിഷൻ മോഡൽ, യഥാർത്ഥത്തിൽ ശക്തമായത് — MiMo-V2.5 ഔട്ട്പുട്ടിൽ ഏകദേശം 9.6× വിലകുറഞ്ഞതും ഇൻപുട്ടിൽ 7.7× വിലകുറഞ്ഞതുമാണ്. അത് തുല്യതയുടെ ഒരു അവകാശവാദമല്ല; ജോലിഭാരത്തിന്റെ രൂപത്തെക്കുറിച്ചുള്ള ഒരു വാദമാണ്. ഒരു മാസം ഒരു ലക്ഷം ഇമേജുകളിൽ, പരിധി മോഡൽ താങ്ങാൻ കഴിയാത്തതും തറ മോഡൽ താങ്ങാൻ കഴിയുന്നതുമാണ്, തറ മോഡൽ നിങ്ങളുടെ കൃത്യതാ ബാർ കടക്കുന്നുണ്ടോ എന്നതാണ് സത്യസന്ധമായ ചോദ്യം — അത് ഒരു ബെഞ്ച്മാർക്ക് ജയിക്കുന്നുണ്ടോ എന്നതല്ല.
05MiMo-V2.5 vs MiniMax-M3: രണ്ട് വിലകുറഞ്ഞ വിഷൻ മോഡലുകൾ, സത്യസന്ധമായി താരതമ്യം ചെയ്തത്
ഈ രണ്ടും വില, സന്ദർഭം, എൻഡ്‌പോയിന്റ് ഉപരിതലം എന്നിവയിൽ കൃത്യമായി ഒപ്പം നിൽക്കുന്നു. അവ പരസ്പരം മാറ്റാവുന്നവയല്ല: ഒരു വിഷൻ മോഡലിനെ ഉപകാരപ്രദമാക്കുന്നത് എന്താണ് എന്നതിനെക്കുറിച്ചുള്ള രണ്ട് വ്യത്യസ്ത പന്തയങ്ങൾക്കുള്ള ഒരു പ്രോക്സിയാണ് ക്വാണ്ടൈസേഷൻ തട്ട്.
| MiMo-V2.5 · W8A16 | MiniMax-M3 · 3BIT-REAP | |
|---|---|---|
| 1M-ന് ഇൻപുട്ട് / ഔട്ട്പുട്ട് | $0.50 / $2.00 | $0.50 / $2.00 |
| വെയ്റ്റ് കൃത്യത | 8-ബിറ്റ് | 3-ബിറ്റ് + എക്സ്പെർട്ട് പ്രൂണിംഗ് |
| അടിത്തറ വലുപ്പം | കോംപാക്റ്റ്, ഡെൻസ് | വലുത്, സ്പാഴ്സ് MoE |
| വിഷൻ | ഉവ്വ് | ഉവ്വ് |
| സന്ദർഭ ജാലകം | 262,144 | 262,144 |
| സ്കീമ · ടൂളുകൾ · സ്ട്രീമിംഗ് | ഉവ്വ് | ഉവ്വ് |
ഇമേജ് ആണ് കടുപ്പമുള്ള ഭാഗം എങ്കിൽ MiMo-V2.5 തിരഞ്ഞെടുക്കുക: അപൂർണ്ണമായ സ്കാനുകളിലെ ഇടതൂർന്ന OCR, ചാർട്ടുകളിൽ നിന്നും പട്ടികകളിൽ നിന്നുമുള്ള സംഖ്യാ എക്സ്ട്രാക്ഷൻ, സ്ക്രീൻഷോട്ടും UI ഗ്രൗണ്ടിംഗും, ചെറിയ-ടെക്സ്റ്റ് വായന, ഏറെക്കുറെ സമാനമായ ഉൽപ്പന്ന ഫോട്ടോകൾ വേർതിരിക്കൽ — ഒരു മാറിയ അക്കം ഒരു സൗന്ദര്യപരമായ ന്യൂനതയെക്കാൾ ഒരു തകരാറാകുന്ന എന്തും. പിക്സലുകളിൽ നിന്ന് ടോക്കണുകളിലേക്കുള്ള ഏറ്റവും ഉയർന്ന-കൃത്യതയുള്ള പാതയാണ് നിങ്ങൾക്ക് വേണ്ടത്, ഈ വിലയിൽ അത് നേടാനുള്ള വഴിയാണ് 8-ബിറ്റ് വെയ്റ്റുകൾ.
ഇമേജ് ആണ് എളുപ്പമുള്ള ഭാഗം എങ്കിൽ MiniMax-M3 തിരഞ്ഞെടുക്കുക. 3 ബിറ്റിലേക്ക് കംപ്രസ് ചെയ്ത ഒരു വലിയ സ്പാഴ്സ് അടിത്തറ, പ്രൂണിംഗിന് ശേഷവും ഒരു കോംപാക്റ്റ് ഡെൻസ് മോഡലിന് കഴിയുന്നതിനെക്കാൾ കൂടുതൽ ലോക അറിവും യുക്തിചിന്താ വ്യാപ്തിയും വഹിക്കുന്നു. ജോലി "ഈ ഫോട്ടോ നോക്കി അത് സൂചിപ്പിക്കുന്നതിനെക്കുറിച്ച് ദൈർഘ്യമേറിയ യുക്തിചിന്ത നടത്തുക" ആണെങ്കിൽ, അല്ലെങ്കിൽ ഇമേജ് കൂടുതലും-ടെക്സ്റ്റ് സംഭാഷണത്തിലെ ഒരു ഇൻപുട്ടാണെങ്കിൽ, വലിയ അടിത്തറയാണ് മെച്ചമായ ഉപകരണം — നിങ്ങൾ വ്യാപാരം ചെയ്ത ദൃശ്യ മൂർച്ച ബന്ധിക്കുന്ന പരിമിതി ആയിരുന്നില്ല.
06MiMo-V2.5 vs MiMo-V2.5-Pro: കണ്ണുകൾ ആഴത്തിന് വേണ്ടി വ്യാപാരം ചെയ്ത സഹോദരൻ
ഏറ്റവും കൂടുതൽ സപ്പോർട്ട് ടിക്കറ്റുകൾ ഉണ്ടാക്കുന്ന താരതമ്യമാണ് ഇത്, അതിനാൽ നേരെ പറയേണ്ടതാണ്. MiMo-V2.5-Pro-W8A16-ഉം MiMo-V2.5-W8A16-ഉം ഒരു വില, ഒരു സന്ദർഭ ജാലക, ഒരു കൃത്യതാ തട്ട്, ഒരു കുടുംബപ്പേര് പങ്കിടുന്നു. Pro ഇമേജുകൾ സ്വീകരിക്കുന്നില്ല. അതൊരു സൂപ്പർസെറ്റല്ല. അതേ ബജറ്റിന്റെ വ്യത്യസ്തമായ ഒരു വിഹിതമാണ്.
ഒരു മൾട്ടിമോഡൽ മോഡൽ നൽകുക എന്നാൽ ഡീകോഡറിനൊപ്പം ഒരു വിഷൻ ടവറിനും പ്രൊജക്ടറിനും പണം നൽകുക എന്നാണ് — ഒരു നിശ്ചിത ചെലവ് ലക്ഷ്യത്തിൽ, ലാംഗ്വേജ് മോഡലിൽ തന്നെ ചെലവഴിക്കാത്ത ശേഷി. Pro അതെല്ലാം ടെക്സ്റ്റിൽ ചെലവഴിക്കുന്നു: നീണ്ട-രൂപ എഴുത്ത്, വിപുലീകൃത യുക്തിചിന്ത, കോഡ് എന്നിവയ്ക്ക് കൂടുതൽ ഇടമുള്ള വലിയ അടിത്തറ. MiMo-V2.5 അതിന്റെ ഒരു ഭാഗം കാഴ്ചയിൽ ചെലവഴിക്കുന്നു.
അതിനാൽ തീരുമാന നിയമം നിങ്ങളുടെ ഇൻപുട്ടുകളെക്കുറിച്ചാണ്, നിങ്ങളുടെ ലക്ഷ്യങ്ങളെക്കുറിച്ചല്ല. ഏതൊരു അഭ്യർത്ഥനയിലും ഒരു സ്ക്രീൻഷോട്ട്, ഒരു സ്കാൻ ചെയ്ത പേജ്, ഒരു ചാർട്ട്, ഒരു ഡയഗ്രം, അല്ലെങ്കിൽ ഒരു ഫോട്ടോഗ്രാഫ് ഉൾപ്പെടാമെങ്കിൽ, നിങ്ങൾക്ക് MiMo-V2.5 വേണം — Pro ഉള്ളടക്ക ബ്ലോക്ക് നിരസിക്കും. എല്ലാ അഭ്യർത്ഥനയും ടെക്സ്റ്റാണെങ്കിൽ, ശീലം കൊണ്ട് നിങ്ങൾ വിഷൻ മോഡലിലേക്ക് എത്തിയതാണെങ്കിൽ, ഒന്നിനും വേണ്ടി മേശപ്പുറത്ത് അടിത്തറ ഗുണനിലവാരം നിങ്ങൾ ഉപേക്ഷിക്കുകയാണ്: അതേ നിരക്കിൽ MiMo-V2.5-Pro എടുക്കുക.
മോഷ്ടിക്കാൻ മൂല്യമുള്ള ഒരു പാറ്റേൺ: ഉള്ളടക്ക തരം അനുസരിച്ച് റൂട്ട് ചെയ്യുക. ഒരു ഇമേജ് ഭാഗമുള്ള എന്തും MiMo-V2.5-W8A16-ലേക്കും, ബാക്കിയെല്ലാം MiMo-V2.5-Pro-W8A16-ലേക്കും പോകുന്നു. അതേ കുടുംബം, അതേ വില, അതേ സന്ദർഭ ബജറ്റ് — റൂട്ടർ നിസ്സാരമാണ്, പൊരുത്തപ്പെടുത്താൻ ഒരു ചെലവ് മോഡലും ഇല്ല.
07"സെൻസർ ചെയ്യാത്ത ഇമേജ് ഗ്രഹണം" യഥാർത്ഥത്തിൽ അർത്ഥമാക്കുന്നത്
ഈ മോഡലിന് മുന്നിൽ ഒരു നിരസന പാളിയില്ല, അതിന്റെ ഔട്ട്പുട്ടിന് ഒരു ഉള്ളടക്ക ഫിൽട്ടറുമില്ല. വിഷൻ ജോലിക്ക് ഒരു നിശ്ചിത അനന്തരഫലമുള്ള ഒരു ഉൽപ്പന്ന തീരുമാനമാണ് അത്: വിഷയത്തിന്റെ അടിസ്ഥാനത്തിൽ നിരസിക്കുന്നതിന് പകരം ഫ്രെയിമിലുള്ളത് മോഡൽ വിവരിക്കുന്നു.
ഫിൽട്ടർ ചെയ്ത വിഷൻ API-കൾ നിയമാനുസൃതമായ ജോലിയുടെ ഒരു മുഴുവൻ വിഭാഗത്തിനും ഘടനാപരമായി ചേരാത്തതിനാൽ ഇത് പ്രധാനമാണ്. ഒരു മോഡറേഷൻ പൈപ്പ്‌ലൈൻ അത് മോഡറേറ്റ് ചെയ്യുന്ന വസ്തുക്കൾ നോക്കി അതെന്താണെന്ന് പറയണം; താൻ വർഗ്ഗീകരിക്കുന്ന കാര്യം പരിശോധിക്കാൻ വിസമ്മതിക്കുന്ന ഒരു ക്ലാസിഫയർ ഒരു ക്ലാസിഫയറല്ല. യഥാർത്ഥ ജോലികളുടെ ഒരു നീണ്ട പട്ടികയിലുടനീളം ഇത് ബാധകമാണ്:
- ട്രസ്റ്റ്-ആൻഡ്-സേഫ്റ്റി ഉപകരണങ്ങൾ — ഒരു മുഖ്യധാരാ API പ്രോസസ്സ് ചെയ്യാത്ത ദൃശ്യങ്ങൾ കൃത്യമായി ലേബൽ ചെയ്യൽ, ലേബലിംഗ് ഏറ്റവും ആവശ്യമുള്ള ദൃശ്യങ്ങൾ അതാണ്.
- മെഡിക്കൽ, ഫോറൻസിക്, അപകട ദൃശ്യങ്ങൾ — ചോദിക്കുന്നത് ആരായാലും പൊതു ഫിൽട്ടറുകൾ ഗ്രാഫിക് ആയി നിരസിക്കുന്ന ക്ലിനിക്കൽ, പരിക്ക്, സംഭവസ്ഥല ഫോട്ടോഗ്രഫി.
- സുരക്ഷാ ഗവേഷണം — മോഡൽ മുൻധാരണയിൽ പിന്മാറാതെ ഫിഷിംഗ് പേജുകൾ, ക്ഷുദ്ര ഇന്റർഫേസുകൾ, പിടിച്ചെടുത്ത സ്ക്രീനുകൾ വായിക്കൽ.
- മുതിർന്നവർക്കുള്ള-ഉള്ളടക്ക വർഗ്ഗീകരണവും ആർക്കൈവൽ കാറ്റലോഗിംഗും — വസ്തുക്കൾ തിരിച്ചറിയാൻ നിലനിൽക്കുന്ന, നോട്ടം ഔട്ട്‌സോഴ്‌സ് ചെയ്യാൻ കഴിയാത്ത പൈപ്പ്‌ലൈനുകൾ, പുറമേ ഫിൽട്ടറുകൾ ലേബൽ ചെയ്യാൻ കഴിയാത്തതായി കാണുന്ന ചരിത്ര ശേഖരങ്ങളും.
നിരസന പാളി നീക്കുന്നത് ഒരു നിയമപരമായ തടസ്സമല്ല, ഒരു എഞ്ചിനീയറിംഗ് തടസ്സമാണ് നീക്കുന്നത്. Shannon AI ന്യൂ മെക്സിക്കോ, യുഎസ്എയിലെ Shannon Lab LLC ആണ് പ്രവർത്തിപ്പിക്കുന്നത്, API-യുടെ ഉപയോഗം ഞങ്ങളുടെ ഉത്തരവാദിത്ത ഉപയോഗ നയത്തിന് വിധേയമാണ്. ഫിൽട്ടർ ചെയ്യാത്ത ഔട്ട്പുട്ട് ഒരു ശേഷിയാണ്, അനുവാദ സ്ലിപ്പല്ല.
08ഇത് വിളിക്കൽ: എൻഡ്‌പോയിന്റുകൾ, ഇമേജ് ഇൻപുട്ട്, എവിടെ ചേരുന്നു
MiMo-V2.5-W8A16 ആണ് മോഡൽ, അതേ വെയ്റ്റുകൾക്കെതിരെ മൂന്ന് അഭ്യർത്ഥന ഭാഷാഭേദങ്ങളിലൂടെ എത്തിച്ചേരാം, അതിനാൽ നിങ്ങൾക്ക് ഇതിനകം ഉള്ള SDK നിലനിർത്താം:
/v1/chat/completions— OpenAI-അനുയോജ്യം. ഇമേജുകൾ ഒരു https URL ആയോ base64 ഡാറ്റ URI ആയോimage_urlഉള്ളടക്ക ഭാഗങ്ങളായി പോകുന്നു./v1/messages— Anthropic-അനുയോജ്യം. ഇമേജുകൾimageഉള്ളടക്ക ബ്ലോക്കുകളായി പോകുന്നു./v1/responses— Responses-ശൈലിയിലുള്ള ഭാഷാഭേദം.
മൂന്നിലും സ്ട്രീമിംഗും ടൂൾ കോളിംഗും പ്രവർത്തിക്കുന്നു, അതിനാൽ ഒരു ടേണിൽ ഒരു സ്ക്രീൻഷോട്ട് നോക്കിയത് എന്താണെന്നതിനെക്കുറിച്ച് ഒരു ഫംഗ്ഷൻ വിളിക്കാൻ മോഡലിന് കഴിയും. പൂർണ്ണ അഭ്യർത്ഥന, പ്രതികരണ സ്കീമകൾ API ഡോക്യുമെന്റേഷനിൽ ഉണ്ട്, കോഡ് എഴുതുന്നതിന് മുമ്പ് ഒരു ഇമേജ് പേസ്റ്റ് ചെയ്യാവുന്ന ഒരു പ്ലേഗ്രൗണ്ടും അതിലുണ്ട്.
കർശനമായ json_schema-യും response_format-ഉം MiMo-V2.5 പിന്തുണയ്ക്കുന്നു — ഒരു ഡെമോയും ഒരു പൈപ്പ്‌ലൈനും തമ്മിലുള്ള വ്യത്യാസം. വെണ്ടർ, തീയതി, ലൈൻ ഇനങ്ങൾ, ആകെ തുക എന്നിവയ്ക്ക് ടൈപ്പ് ചെയ്ത ഫീൽഡുകളുള്ള ഒരു സ്കീമയോടൊപ്പം ഒരു രസീത് കൈമാറുക, നിങ്ങൾക്ക് regex ചെയ്യേണ്ട ഒരു ഖണ്ഡികയ്ക്ക് പകരം നിങ്ങളുടെ കോഡിന് സാധൂകരിക്കാവുന്ന ഒരു ഒബ്ജക്റ്റ് തിരികെ ലഭിക്കും. ഈ കാറ്റലോഗിലെ പന്ത്രണ്ട് മോഡലുകളിൽ രണ്ടെണ്ണത്തിന് പൂർണ്ണ ഘടനാപരമായ-ഔട്ട്പുട്ട് പിന്തുണ ഇല്ല; ഇതിന് ഉണ്ട്, ഇത് ഒരു ഉയർന്ന-അളവ് എക്സ്ട്രാക്ഷൻ സേവനമായി പ്രവർത്തിക്കുന്നത് അതുകൊണ്ടാണ്.
സന്ദർഭ ജാലക 262,144 ടോക്കൺ ആണ്; ജനറേറ്റ് ചെയ്ത ഔട്ട്പുട്ട് അഭ്യർത്ഥനയ്ക്ക് 16,384 ടോക്കണിൽ പരിധി വച്ചിരിക്കുന്നു. ഇമേജുകൾ റെസലൂഷന്റെ ഒരു ഫംഗ്ഷനായി ഇൻപുട്ട് ടോക്കണുകൾ ഉപയോഗിക്കുന്നു, അതിനാൽ ഉയർന്ന-റെസലൂഷൻ പേജ് സ്കാനുകൾ ടെക്സ്റ്റിന്റെ തുല്യമായ വാക്ക് എണ്ണത്തെക്കാൾ വളരെ വേഗം സന്ദർഭം തിന്നുന്നു. ഒരു 300-പേജ് സ്കാൻ ഒരു അഭ്യർത്ഥനയിൽ ലോഡ് ചെയ്യുന്നതിന് പകരം നീണ്ട ഡോക്യുമെന്റുകൾ പേജാക്കുക, ഔട്ട്പുട്ട് പരിധിയെ സമഗ്രമായ എക്സ്ട്രാക്ഷനിലെ ഒരു യഥാർത്ഥ പരിമിതിയായി കാണുക — ഒരു ചുരുക്കിയ ഉത്തരം കിട്ടുന്നതിന് പകരം വരി ശ്രേണി അനുസരിച്ച് ഇടതൂർന്ന പട്ടികകൾ ചങ്കുകളാക്കുക.
കുടുംബത്തിന്റെ പാരമ്പര്യം കണക്കിലെടുക്കുമ്പോൾ reasoning_effort ഡയലിന് ഇവിടെ യഥാർത്ഥ സ്വാധീനമുണ്ട്. ഉയർന്ന-അളവ് വർഗ്ഗീകരണത്തിന് അത് താഴ്ത്തുക, അവിടെ ഉത്തരം ഒരു ലേബലാണ്, ചിന്താ ടോക്കണുകൾ ശുദ്ധമായ ചെലവാണ്; ചാർട്ട് വ്യാഖ്യാനം, ദൃശ്യ ഗണിതം, ഡയഗ്രം യുക്തിചിന്ത എന്നിവയ്ക്ക് അത് ഉയർത്തുക, അവിടെ ഉത്തരം നൽകുന്നതിന് മുമ്പ് താൻ കാണുന്ന പല കാര്യങ്ങളെ മോഡൽ സംയോജിപ്പിക്കണം.
ചേരുന്നിടം, ചേരാത്തിടം
നല്ല യോജിപ്പുകൾ. ഉയർന്ന-അളവ് ഡോക്യുമെന്റ്, രസീത് എക്സ്ട്രാക്ഷൻ; അപൂർണ്ണമായ സ്കാനുകളിലെ OCR-അടുത്ത ജോലി; ചാർട്ട്, ഡാഷ്ബോർഡ്, പട്ടിക വായന; സ്ക്രീൻഷോട്ട് ഗ്രഹണവും UI ഗ്രൗണ്ടിംഗും; കാറ്റലോഗ് ടാഗിംഗും ദൃശ്യ QA-യും; മോഡറേഷൻ പൈപ്പ്‌ലൈനുകൾ — കോളിന് ചെലവ് ബന്ധിക്കുന്നതും സൂക്ഷ്മ-വിശദാംശ കൃത്യത നിങ്ങൾ വിട്ടുകൊടുക്കാൻ വിസമ്മതിക്കുന്നതുമായ ഏതൊരു മൾട്ടിമോഡൽ ജോലിയും.
മോശം യോജിപ്പുകൾ. വിലയെ പരിഗണിക്കാതെ ഏറ്റവും ശക്തമായ മോഡൽ ആവശ്യമുള്ള ഫ്രോണ്ടിയർ-കടുപ്പമുള്ള മൾട്ടിമോഡൽ യുക്തിചിന്ത — Kimi-K3-യുടെ ജോലി, ഒരു കാരണത്താൽ അതിന് ഏകദേശം പത്തിരട്ടി ചെലവാകുന്നു. ടെക്സ്റ്റ്-മാത്രം ജനറേഷൻ, അതേ നിരക്കിൽ MiMo-V2.5-Pro മെച്ചമായ ഒരു അടിത്തറ നൽകുന്നിടത്ത്. വിജ്ഞാനകോശ ലോക അറിവിനെ ആശ്രയിക്കുന്ന ജോലി, ഒരു വലിയ സ്പാഴ്സ് അടിത്തറ ഒരു കോംപാക്റ്റ് ഡെൻസ് മോഡലിനെ മറികടക്കുന്നിടത്ത്. ഇവിടെ ഒരു മോഡലും നൽകാത്ത 262K-ൽ കൂടുതൽ സന്ദർഭം ആവശ്യമുള്ള എന്തും.
MiMo, MiMo-VL പരമ്പരയിലെ പേരിട്ട ഒരു ചെക്ക്‌പോയിന്റിന്, മുകളിലെ ഓരോ പ്രസിദ്ധീകരിച്ച കണക്കും Xiaomi-യുടെ സ്വന്തമാണ്. ഞങ്ങളുടെ സംഗ്രഹത്തിന് പകരം പ്രാഥമിക വസ്തുക്കൾ വായിക്കുക.
09പതിവ് ചോദ്യങ്ങൾ
എന്താണ് സെൻസർ ചെയ്യാത്ത MiMo വിഷൻ API?
Shannon AI ഗേറ്റ്‌വേയിലെ MiMo-V2.5 W8A16 മോഡലാണ് അത്: Xiaomi-യുടെ MiMo പരമ്പരയിലെ വിഷൻ ശേഷിയുള്ള മോഡൽ, 8-ബിറ്റ് വെയ്റ്റ് കൃത്യതയിൽ 262,144-ടോക്കൺ സന്ദർഭത്തോടെയും നിരസന പാളിയോ ഔട്ട്പുട്ട് ഫിൽട്ടറോ ഇല്ലാതെയും ഞങ്ങളുടെ സ്വന്തം GPU ക്ലസ്റ്ററിൽ നൽകുന്നു. /v1/chat/completions, /v1/messages, /v1/responses എന്നിവയിൽ ദശലക്ഷം ഇൻപുട്ട് ടോക്കണിന് $0.50, ദശലക്ഷം ഔട്ട്പുട്ട് ടോക്കണിന് $2.00 എന്ന നിരക്കിൽ ഇത് ഇമേജും ടെക്സ്റ്റും സ്വീകരിക്കുന്നു.
ഇമേജുകൾ യഥാർത്ഥത്തിൽ കാണാൻ കഴിയുന്ന ഏറ്റവും വിലകുറഞ്ഞ സെൻസർ ചെയ്യാത്ത മോഡൽ ഏതാണ്?
ദശലക്ഷം ടോക്കണിന് $0.50 ഇൻപുട്ട് / $2.00 ഔട്ട്പുട്ട് എന്ന തറനിരക്കിൽ രണ്ടെണ്ണം ഒപ്പം നിൽക്കുന്നു: MiMo-V2.5 W8A16-ഉം MiniMax-M3 3BIT-REAP-ഉം. 8-ബിറ്റ് വെയ്റ്റുകളിൽ രണ്ടിലും ഉയർന്ന-കൃത്യതയുള്ളത് MiMo-V2.5 ആണ്, വിശദാംശ-സെൻസിറ്റീവ് ഇമേജ് ജോലിക്കുള്ള സുരക്ഷിതമായ സ്ഥിരസ്ഥിതി. MiniMax-M3 3 ബിറ്റിലേക്ക് കംപ്രസ് ചെയ്ത വളരെ വലിയ ഒരു അടിത്തറ പ്രവർത്തിപ്പിക്കുന്നു, ഓരോ-പിക്സൽ കൃത്യതയെക്കാൾ ലോക അറിവിന്റെ വ്യാപ്തിക്ക് മുൻഗണന നൽകുന്നു.
W8A16 എന്നാൽ എന്താണ്, വിഷന് അത് പ്രധാനമാകുന്നത് എന്തുകൊണ്ട്?
16-ബിറ്റ് ആക്ടിവേഷനുകളോടെ 8-ബിറ്റ് വെയ്റ്റുകളാണ് W8A16 അർത്ഥമാക്കുന്നത്, Shannon കാറ്റലോഗിലെ ഏറ്റവും ഉയർന്ന-കൃത്യതാ തട്ട്, ആക്രമണോത്സുകമായ കംപ്രഷൻ ആവശ്യമില്ലാത്തത്ര ചെറിയ അടിത്തറയാകുമ്പോൾ ഉപയോഗിക്കുന്നു. വിഷനുവേണ്ടി ഇത് പ്രധാനമാകുന്നത്, ഒരു വിഷൻ ടവറും അതിന്റെ പ്രൊജക്ടറും ഒരു ഇടുങ്ങിയ പാതയിലൂടെ സൂക്ഷ്മതല വിശദാംശം വഹിക്കുന്നു എന്നതുകൊണ്ടാണ്, അവിടെ അവതരിപ്പിക്കപ്പെടുന്ന പിശകുകൾ ഒരു നേരിയ മങ്ങിയ ടെക്സ്റ്റ് എംബെഡിംഗ് പലപ്പോഴും ചെയ്യുന്നത് പോലെ പിന്നീട് വീണ്ടെടുക്കാവുന്നതല്ല.
MiMo-V2.5 MiMo-V2.5-Pro-യിൽ നിന്ന് എങ്ങനെ വ്യത്യാസപ്പെട്ടിരിക്കുന്നു?
അതേ വില, അതേ 262,144-ടോക്കൺ സന്ദർഭം, അതേ W8A16 തട്ട്, പക്ഷേ അതേ മോഡലല്ല. MiMo-V2.5 ഇമേജുകൾ സ്വീകരിക്കുന്നു; MiMo-V2.5-Pro സ്വീകരിക്കുന്നില്ല, പകരം ആ സേവന ബജറ്റ് ഒരു വലിയ ടെക്സ്റ്റ് അടിത്തറയിൽ ചെലവഴിക്കുന്നു. ഇൻപുട്ടുകളിൽ സ്ക്രീൻഷോട്ടുകൾ, ഡോക്യുമെന്റുകൾ, ചാർട്ടുകൾ അല്ലെങ്കിൽ ഫോട്ടോഗ്രാഫുകൾ ഉൾപ്പെടുമ്പോൾ MiMo-V2.5 ഉപയോഗിക്കുക; ടെക്സ്റ്റ്-മാത്രം ജോലിക്ക് അതേ നിരക്കിൽ Pro ഉപയോഗിക്കുക.
സെൻസർ ചെയ്യാത്ത MiMo വിഷൻ മോഡൽ JSON സ്കീമയും ടൂൾ കോളിംഗും പിന്തുണയ്ക്കുന്നുണ്ടോ?
ഉവ്വ്. MiMo-V2.5 W8A16 കർശനമായ json_schema ഘടനാപരമായ ഔട്ട്പുട്ട്, response_format, ടൂൾ കോളിംഗ്, സ്ട്രീമിംഗ്, ഒരു reasoning_effort നിയന്ത്രണം എന്നിവ പിന്തുണയ്ക്കുന്നു. ഒരു എക്സ്ട്രാക്ഷൻ ബാക്കെൻഡായി ഇത് ഉപയോഗക്ഷമമാക്കുന്നത് അതാണ്: ഒരു ഇമേജ് കൈമാറുക, നിങ്ങൾക്ക് പാഴ്സ് ചെയ്യേണ്ട ഗദ്യത്തിന് പകരം സാധൂകരിച്ച ഒരു ഒബ്ജക്റ്റ് തിരികെ ലഭിക്കും.
ഒരു ഇമേജ് അയയ്ക്കുക
8-ബിറ്റ് വിഷൻ, 262K സന്ദർഭം, നിരസന പാളിയില്ല — ടെക്സ്റ്റ്-മാത്രം മോഡലിന്റെ വിലയിൽ.
API ഡോക്യുമെന്റേഷൻ വായിക്കുക എല്ലാ 12 മോഡലുകളും ബ്രൗസ് ചെയ്യുകമോഡൽ ഐഡി: MiMo-V2.5-W8A16 · ഞങ്ങളുടെ ഉത്തരവാദിത്ത ഉപയോഗ നയത്തിന് വിധേയം
സ്രോതസ്സുകൾ: MiMo സാങ്കേതിക റിപ്പോർട്ട് (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. എല്ലാ ബെഞ്ച്മാർക്ക് കണക്കുകളും മുകളിൽ പേരിട്ട പുറത്തിറങ്ങിയ ചെക്ക്‌പോയിന്റുകൾക്ക് Xiaomi-റിപ്പോർട്ട് ചെയ്തതും കുടുംബ പരമ്പരയെ വിവരിക്കുന്നതുമാണ്, ഈ എൻഡ്‌പോയിന്റിലെ കൃത്യമായ ബിൽഡിനെയല്ല. വിലകൾ, സന്ദർഭം, ശേഷി ഫ്ലാഗുകൾ 2026 സെപ്റ്റംബർ വരെയുള്ള Shannon AI ഗേറ്റ്‌വേ ലിസ്റ്റ് മൂല്യങ്ങളാണ്.