Цензургүй MiMo Харааны API

Хямд олон горимт endpoint-ууд хямд байдгийн шалтгаан нь ямар нэг зүйл хасагдсанд байдаг бөгөөд хасагддаг зүйл нь ихэвчлэн таны харж чадахгүй хэсэг: жингүүд гурав эсвэл дөрвөн бит хүртэл шахагдсан байдаг ч загвар нь одоо үнэндээ уншиж чадахаа больсон графикийн талаар итгэлтэйгээр хариулсаар байдаг. MiMo-V2.5 бол манай каталог дахь эсрэг жишээ — үнийн доод хязгаар болон хамгийн дээд нарийвчлалын түвшинд нэгэн зэрэг байдаг, учир нь түүний удам гарсан суурь загвар нь асар том, сийрэг биш, харин жижиг, нягтаар бүтээгдсэн.

01MiMo хаанаас гаралтай вэ: эхлээд дүгнэлтийн загвар, дараа нь харааны загвар

MiMo шугам бол Xiaomi-ийн нээлттэй жинтэй судалгааны хөтөлбөр бөгөөд түүний үндсэн аргумент нь моод биш: дүгнэх чадвар нь дараа нь RL-ээр залгагддаггүй, урьдчилсан сургалтын үед тогтдог. Ажлын ихэнх нь өгөгдлийн инженерчлэл — Xiaomi корпус дахь дүгнэлтийн хэв маягийн нягтралыг нэмэгдүүлэхийн тулд текст задлан авалт ба шүүлтийг дахин бүтээж, синтетик дүгнэлтийн өгөгдлийг том хэмжээнд үүсгэж, MiMo-7B-Base-ийг ойролцоогоор 25 триллион токен дээр гурван үе шаттай холимогоор урьдчилан сургасан бөгөөд дүгнэлтийн үед таамаглалт декодер болж хоёр дахин ажилладаг Multiple-Token Prediction-г туслах зорилго болгосон (Xiaomi-ийн мэдээлснээр хүлээн авалтын түвшин 90%-д ойр).

Сургалтын дараах үе шат нь зориудаар хатуу чанга: 130,000 математик ба кодын бодлого дээр зөвхөн дүрэмд суурилсан нарийвчлалын шагналтайгаар, сурсан шагналын загваргүйгээр, учир нь мэдрэлийн шагналын загвар бол эвдэж болох гадаргуу гэсэн үндэслэлээр. Шалгаж болох шагналыг чихэрлэг үгээр ятгаж болохгүй. MiMo-7B-RL нь хэмжээндээ үл нийцэх тоонуудыг гаргадаг — Xiaomi AIME 2024 дээр 68.2%, MATH-500 дээр 95.8%, LiveCodeBench v5 дээр pass@1-ээр 57.8% гэж мэдээлдэг бөгөөд энэ нь OpenAI-н o1-mini-тэй тэнцэж байна. Таны дуудаж буй загварын хэлбэр яг тийм юм: авсаархан, нягтаар сургагдсан, хариултыг санахаас илүү бодлогыг дамжин ажиллахаар тохируулагдсан — мөн тэр зан чанар олон горимт үр удамд нь дамжин үлддэг.

02MiMo хэрхэн харж сурсан бэ: MiMo-VL архитектур

MiMo-VL бол хараа-хэлний салбар бөгөөд түүний бүтээц нь сургамжтай. Xiaomi гурван хэсгийг угсарсан: зураг бүрийг тогтмол бага нягтралын тор руу шахахын оронд нарийн ширийн зүйлийг хадгалдаг төрөлх нягтралын ViT кодлогч, хэлний загварын далд орон зай руу оруулах санамсаргүйгээр эхлүүлсэн MLP төсөөлөгч, мөн хамгийн чухал нь хэлний загвар болох MiMo дүгнэлтийн нуруу. Харааны систем нь зөвхөн тайлбар бичихдээ сайн биш, олон алхамт бодолд аль хэдийн сайн болсон декодерыг өвлөн авдаг.

Сургалт нь урьдчилсан сургалтын дөрвөн үе шатаар — төсөөлөгчийн дулаацуулалт, хараа-хэлний зэрэгцүүлэлт, ерөнхий олон горимт урьдчилсан сургалт, урт контекстын SFT — ойролцоогоор 2.4 триллион токен даяар явагдаж, дараа нь мэдрэхүйн нарийвчлал, харааны газарчлалын нарийвчлал, дүгнэлтийн зөв байдал, хүн/AI-н сонголтыг нэг бодлого дээрх гүйлгээнд нэгтгэсэн Mixed On-policy Reinforcement Learning (MORL) хийсэн. Тайлан нь эдгээрийг бүгдийг нэг зэрэг оновчлох нь тогтворгүй гэдгийг шулуухан хүлээн зөвшөөрдөг — ихэнх олон горимт өгүүллүүдээс илүү үнэнч томьёолол.

Нийтлэгдсэн үр дүн нь параметрийн тоондоо тохирохгүй хүчтэй. Xiaomi MiMo-VL-7B-RL нь 40 даалгаврын 35 дээр Qwen2.5-VL-7B-г давсан, OlympiadBench дээр 59.4 (78B хүртэлх загваруудаас дээгүүр), GUI газарчлалын OSWorld-G дээр 56.1 оноотойгоор тусгайлан бүтээгдсэн интерфейсийн агентуудаас түрүүлсэн гэж мэдээлдэг. Дараах 2508 шинэчлэлт нь цувралын түүхэнд анх удаа MMMU-г 70-аас давуулж (70.6), ChartQA дээр 94.4, ScreenSpot-v2 дээр 92.5, VideoMME дээр 70.8 оноонд хүрч, дүгнэлтийн ул мөрийг хүсэлт тутамд унтраах боломжтой бодлын хяналтын шилжүүлэгч нэмсэн.

03W8A16 гэж юу гэсэн үг вэ, мөн энэ яагаад текстээс илүү хараанд чухал вэ

Gateway дээрх загвар бүр квантчилалын дагавар үүрдэг. Энэ бол чимэглэл биш — загварыг үйлчлүүлэх боломжтой болгохын тулд юуг солилцсоныг хэлдэг.

Дагавар	Энэ юу вэ	Яагаад хэрэглэгддэг вэ
3BIT-REAP	3 битийн жин, дээрээс нь квантчилахаас өмнө MoE загвараас ховор чиглүүлэгддэг мэргэжилтнүүдийг хаядаг REAP мэргэжилтэн хасах арга	Хамгийн том суурь загваруудыг эрүүл хурдаар багтааж, үйлчлүүлэх цорын ганц арга
W4A16-AUTOROUND-REAP	4 битийн жин, 16 битийн идэвхжүүлэлт, энгийн хамгийн ойрд нь бүхэлчлэхээс илүү нарийвчлалыг эргүүлж авдаг сурсан бүхэлчлэл болох AutoRound-оор квантчлагдсан, дээрээс нь REAP хасалт	Хэт шахалт шаардахгүй том суурь загваруудын дунд шийдэл
W8A16	8 битийн жин, 16 битийн идэвхжүүлэлт — бидний үйлчилдэг хамгийн өндөр нарийвчлалын түвшин	Суурь загвар нь түрэмгий шахалт шаардахааргүй жижиг үед хэрэглэгддэг

MiMo-V2.5 гурав дахь мөрийг авсаархан байснаараа олж авдаг: энэ ангиллын нягт суурь загварыг багтаахын тулд гурван бит хүртэл дарах шаардлагагүй тул та наймыг нь хадгалж чадах бөгөөд таны түүвэрлэж буй жингүүд сургагдсан жингүүддээ ойр үлддэг. Энэ нь бүтцийн шалтгаанаар зургийн ажилд үл харьцангуй чухал. Зөвхөн текстийн декодерт квантчилалын улмаас хазайсан шигтгээ дараагийн олон арван анхаарлын давхаргаар дахин контекстжинэ — сэргэх олон боломж. Харааны стект ийм чөлөө байхгүй: харааны мэдээлэл декодерт хүрэхийн өмнө ганц кодлогч, ганц нарийхан төсөөлөгчөөр дамждаг бөгөөд түүнээс доош бүх зүйл тэр нарийн хүзүүний гаргасан зүйлээр нөхцөлддөг. Нарийн ширхэгтэй дохио — бага ялгаралтай скан дээрх 3 ба 8-ын ялгаа, графикийн тэнхлэг дээр багана дуусах яг тэр пиксел, таныг дарахыг хүссэн UI элементийн зах — түрэмгий квантчилал эхэлж хаядаг бага хэмжээний жингийн нарийн ширийн зүйлд амьдардаг.

3 битийн хараатай загвар чанга алдаа гаргадаггүй; чимээгүйхэн алдаа гаргадаг бөгөөд нийт дүн дээр хоёр цифр байраа сольсон баримт бичгийн уран яруу тайлбар гаргадаг. Жингийн өндөр нарийвчлал бол тэр алдаанаас хамгаалах хамгийн хямд даатгал бөгөөд энд энэ нь үнэгүй — та ямар ч байсан доод үнийг төлж байгаа.

04Доод үнэ, контекстийн хамт

Манай арван хоёр загварын каталогийн дөрөв нь сая токен тутамд $0.50 оролт / $2.00 гаралтын үнийн доод хязгаар дээр байрладаг. Тэдгээрийн ердөө нэг нь зураг хүлээж авдаг. Ихэнх бодит нэхэмжлэхэд давамгайлдаг тоо болох гаралтын зардал дээр хараатай загварууд хаана байрлаж байна вэ:

1M токен тутмын гаралтын үнэ ам.доллараар, Shannon AI Gateway-ийн жагсаалтын тариф, 2026 оны 9 сар. Баганын урт нь каталог дахь хамгийн үнэтэй хараатай загвартай харьцангуй.

Дээд түвшний хараатай загвар бөгөөд үнэхээр илүү хүчтэй болох Kimi-K3-тай харьцуулахад MiMo-V2.5 нь гаралт дээр ойролцоогоор 9.6 дахин хямд, оролт дээр 7.7 дахин хямд. Энэ бол тэнцүү гэсэн мэдэгдэл биш; энэ бол ажлын ачааллын хэлбэрийн тухай аргумент юм. Сард зуун мянган зурагт дээд түвшний загварыг төлж дийлэхгүй, доод түвшнийхийг төлж дийлнэ, мөн үнэнч асуулт нь доод түвшний загвар таны нарийвчлалын шалгуурыг давж байна уу гэдэг болохоос жишиг тест ялж байна уу гэдэг биш юм.

05MiMo-V2.5 ба MiniMax-M3: хоёр хямд хараатай загварыг үнэнчээр харьцуулбал

Эдгээр хоёр нь үнэ, контекст, endpoint-ын гадаргуугаараа яг тэнцдэг. Тэд харилцан солигдох боломжгүй: квантчилалын түвшин нь хараатай загварыг юу ашигтай болгодог тухай хоёр өөр бооцооны төлөөлөл юм.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
1M тутмын оролт / гаралт	$0.50 / $2.00	$0.50 / $2.00
Жингийн нарийвчлал	8 бит	3 бит + мэргэжилтэн хасалт
Суурь загварын хэмжээ	Авсаархан, нягт	Том, сийрэг MoE
Хараа	Тийм	Тийм
Контекстын цонх	262,144	262,144
Схем · хэрэгсэл · стриминг	Тийм	Тийм

Зураг нь хэцүү хэсэг байх үед MiMo-V2.5-г сонго: төгс бус скан дээрх нягт OCR, график ба хүснэгтээс тоон утга задлан авах, дэлгэцийн зураг ба UI газарчлал, жижиг текст унших, бараг ижилхэн бүтээгдэхүүний зургуудыг ялгах — байраа сольсон цифр нь гоо сайхны согог биш, гэмтэл болдог бүх зүйл. Танд пикселээс токен хүртэлх хамгийн өндөр нарийвчлалтай зам хэрэгтэй бөгөөд 8 битийн жин бол үүнийг энэ үнээр авах арга юм.

Зураг нь амархан хэсэг байх үед MiniMax-M3-г сонго. 3 бит хүртэл шахагдсан том сийрэг суурь загвар нь хасалтын дараа ч авсаархан нягт загварын чадахаас илүү дэлхийн мэдлэг ба дүгнэлтийн өргөнийг агуулсаар байдаг. Хэрэв даалгавар нь «энэ зургийг хараад юу гэсэн үг болохыг дэлгэрэнгүй дүгнэ» бол, эсвэл зураг нь голдуу текстийн яриан дахь нэг оролт бол том суурь загвар илүү сайн хэрэгсэл болно — таны солилцсон харааны хурц байдал нь хязгаарлагч нөхцөл байгаагүй.

06MiMo-V2.5 ба MiMo-V2.5-Pro: нүдээ гүн байдалд солисон эгч загвар

Энэ бол хамгийн олон дэмжлэгийн хүсэлт төрүүлдэг харьцуулалт тул шулуухан хэлэх нь зүйтэй. MiMo-V2.5-Pro-W8A16 ба MiMo-V2.5-W8A16 нь үнэ, контекстын цонх, нарийвчлалын түвшин, гэр бүлийн нэрээ хуваалцдаг. Pro нь зураг хүлээж авдаггүй. Энэ нь дээд багц биш. Энэ бол ижил төсвийн өөр хуваарилалт юм.

Олон горимт загварыг үйлчлүүлнэ гэдэг нь декодерын хажуугаар харааны цамхаг ба төсөөлөгчийн төлбөрийг төлнө гэсэн үг — тогтмол зардлын зорилтод хэлний загварт өөрт нь зарцуулагдаагүй багтаамж. Pro бүхнийг текстэд зарцуулдаг: урт хэлбэрийн бичиглэл, өргөтгөсөн дүгнэлт, кодод илүү зайтай том суурь загвар. MiMo-V2.5 үүний нэг хэсгийг харахад зарцуулдаг.

Тиймээс шийдвэрийн дүрэм бол таны амбицын тухай биш, таны оролтын тухай юм. Хэрэв аль нэг хүсэлт дэлгэцийн зураг, сканнердсан хуудас, график, диаграмм эсвэл гэрэл зураг агуулж болох бол танд MiMo-V2.5 хэрэгтэй — Pro тэр агуулгын блокийг татгалзана. Хэрэв хүсэлт бүр текст байгаад та зуршлаараа хараатай загварыг сонгосон бол суурь загварын чанарыг үнэгүй ширээн дээр орхиж байна: ижил тарифаар MiMo-V2.5-Pro-г ав.

Хулгайлах нь зүйтэй хэв маяг: агуулгын төрлөөр чиглүүл. Зургийн хэсэгтэй бүх зүйл MiMo-V2.5-W8A16 руу, бусад бүхэн MiMo-V2.5-Pro-W8A16 руу. Ижил гэр бүл, ижил үнэ, ижил контекстын төсөв — чиглүүлэгч нь энгийн бөгөөд тохируулах зардлын загвар байхгүй.

07«Цензургүй зураг ойлголт» үнэндээ юу гэсэн үг вэ

Энэ загварын өмнө татгалзах давхарга байхгүй, гаралтад нь агуулгын шүүлт байхгүй. Энэ бол харааны ажилд тодорхой үр дагавартай бүтээгдэхүүний шийдвэр юм: загвар нь сэдвээс шалтгаалан татгалзахын оронд кадранд юу байгааг тайлбарладаг.

Энэ нь чухал, учир нь шүүлттэй хараатай API-ууд хууль ёсны ажлын бүхэл ангилалд бүтцийн хувьд тохирдоггүй. Модерацийн дамжлага нь модерацлаж буй материалаа хараад юу болохыг нь хэлэх ёстой; ангилж буй зүйлээ шалгахаас татгалздаг ангилагч бол ангилагч биш. Ижил зүйл бодит ажлуудын урт жагсаалтад үйлчилнэ:

• Итгэл ба аюулгүй байдлын хэрэгсэл — үндсэн урсгалын API боловсруулахгүй яг тэр дүрсийг шошголох, тэр нь хамгийн их шошго шаарддаг дүрс байдаг.
• Эмнэлгийн, шүүх шинжилгээний, ослын дүрс — хэн асууж байгаагаас үл хамааран ерөнхий шүүлтүүрүүд график гэж татгалздаг эмнэлгийн, гэмтлийн, үйл явдлын газрын гэрэл зураг.
• Аюулгүй байдлын судалгаа — фишингийн хуудас, хортой интерфейс, барьж авсан дэлгэцүүдийг загвар үндэслэлээс нь болж дургүйцэхгүйгээр унших.
• Насанд хүрэгчдийн агуулгын ангилал ба архивын каталогжуулалт — материалыг тодорхойлохын тулд оршин байдаг бөгөөд харах ажлаа гадагш нь өгч чадахгүй дамжлагууд, түүнчлэн шүүлтүүрүүд шошголох боломжгүй гэж үздэг түүхэн цуглуулгууд.

Татгалзах давхаргыг хасах нь эрх зүйн бус, инженерийн саадыг хасдаг. Shannon AI-г АНУ-ын Нью-Мексико муж дахь Shannon Lab LLC ажиллуулдаг бөгөөд API-н хэрэглээ манай Хариуцлагатай Хэрэглээний Бодлогоор зохицуулагддаг. Шүүлтгүй гаралт бол зөвшөөрлийн бичиг биш, чадвар юм.

08Дуудах нь: endpoint-ууд, зургийн оролт, мөн энэ хаана тохирох вэ

Загвар нь MiMo-V2.5-W8A16 бөгөөд ижил жингүүд рүү гурван хүсэлтийн аялгуугаар хандах боломжтой тул та аль хэдийн байгаа SDK-гаа хадгална:

• /v1/chat/completions — OpenAI-той нийцтэй. Зургууд image_url агуулгын хэсэг болж, https URL эсвэл base64 өгөгдлийн URI хэлбэрээр ордог.
• /v1/messages — Anthropic-той нийцтэй. Зургууд image агуулгын блок болж ордог.
• /v1/responses — Responses маягийн аялгуу.

Стриминг ба хэрэгсэл дуудалт гурвуулан дээр ажилладаг тул загвар дэлгэцийн зургийг хараад харсан зүйлийнхээ талаар нэг ээлжинд функц дуудаж чадна. Хүсэлт ба хариултын бүрэн схемүүд нь API баримт бичигт байгаа бөгөөд тэнд мөн та код бичихээсээ өмнө зураг буулгаж болох туршилтын талбар байдаг.

MiMo-V2.5 нь хатуу json_schema ба response_format-ыг дэмждэг — энэ бол демо ба дамжлага хоёрын ялгаа. Түүнд баримт, түүнчлэн худалдагч, огноо, мөрийн зүйлс, нийт дүнгийн төрөлжсөн талбартай схем өгвөл та regex хийх ёстой догол мөрийн оронд кодоо шалгаж чадах объект буцааж авна. Энэ каталогийн арван хоёр загварын хоёр нь бүрэн бүтэцтэй гаралтын дэмжлэггүй; энэ бол тийм биш бөгөөд яг үүний учир энэ нь их эзлэхүүнтэй задлан авах үйлчилгээ болж ажилладаг.

Контекстын цонх нь 262,144 токен; үүсгэсэн гаралт нь хүсэлт тутамд 16,384 токен-оор хязгаарлагддаг. Зургууд нягтралын функцээр оролтын токен иддэг тул өндөр нягтралтай хуудасны скан нь тэнцүү үгийн тоотой текстээс хамаагүй хурдан контекст залгидаг. 300 хуудасны сканыг нэг хүсэлтэд ачаалахын оронд урт баримт бичгийг хуудаслаарай, мөн гаралтын хязгаарыг иж бүрэн задлан авалтын бодит хязгаарлалт гэж үзээрэй — таслагдсан хариулт авахын оронд нягт хүснэгтүүдийг мөрийн мужаар хэсэглээрэй.

Гэр бүлийн угсааг харгалзан үзэхэд reasoning_effort тохируулга энд бодит хөшүүрэгтэй. Хариулт нь шошго байдаг, бодох токенууд нь цэвэр зардал болдог их эзлэхүүнтэй ангилалд түүнийг бууруул; загвар хариулахаасаа өмнө харсан хэд хэдэн зүйлээ нэгтгэх ёстой график тайлбарлах, харааны математик, диаграммын дүгнэлтэд түүнийг өсгө.

Хаана тохирох, хаана тохирохгүй вэ

Сайн тохирох нь. Их эзлэхүүнтэй баримт бичиг ба баримтын задлан авалт; төгс бус скан дээрх OCR-т ойр ажил; график, хяналтын самбар, хүснэгт унших; дэлгэцийн зураг ойлголт ба UI газарчлал; каталог шошголох ба харааны асуулт хариулт; модерацийн дамжлагууд — дуудлага тутмын зардал хязгаарлагч бөгөөд нарийн ширийн зүйлийн нарийвчлалаас татгалзахыг хүсэхгүй байгаа аливаа олон горимт даалгавар.

Муу тохирох нь. Үнээс үл хамааран хамгийн хүчтэй загварыг шаарддаг тэргүүн эгнээний хүндрэлтэй олон горимт дүгнэлт — энэ бол Kimi-K3-ын ажил бөгөөд шалтгаантайгаар бараг арав дахин үнэтэй. Ижил тарифаар MiMo-V2.5-Pro илүү сайн суурь загвар өгдөг зөвхөн текстийн үүсгэлт. Том сийрэг суурь загвар авсаархан нягт загварыг гүйцэж түрүүлдэг нэвтэрхий толь бичгийн дэлхийн мэдлэгт түшиглэсэн ажил. Мөн 262K-аас илүү контекст шаардах бүх зүйл, үүнийг эндхийн ямар ч загвар санал болгодоггүй.

09Түгээмэл асуултууд

---

Эх сурвалж: MiMo техникийн тайлан (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Бүх жишиг тестийн тоо баримтыг дээр нэрлэсэн гаргасан шалгалтын цэгүүдийн хувьд Xiaomi мэдээлсэн бөгөөд эдгээр нь энэ endpoint дээрх яг тэр бүтээцийг биш, гэр бүлийн угсааг тодорхойлдог. Үнэ, контекст, боломжийн тэмдэглэгээ нь 2026 оны 9 сарын Shannon AI Gateway-ийн жагсаалтын утгууд юм.