असेन्सॉर्ड MiMo व्हिजन API

स्वस्त मल्टिमोडल एंडपॉइंट स्वस्त असतात कारण त्यात काहीतरी कापलेले असते, आणि जे कापले जाते ते सहसा तुम्हाला न दिसणारेच असते: वेट्स तीन-चार बिटवर पिळली जातात, आणि मॉडेल तरीही आपण आता प्रत्यक्षात वाचूही न शकणाऱ्या तक्त्याबद्दल आत्मविश्वासाने उत्तर देते. आमच्या कॅटलॉगमधले याचे प्रतिउदाहरण म्हणजे MiMo-V2.5 — किमतीच्या तळावर आणि एकाच वेळी सर्वोच्च अचूकतेच्या स्तरावरही, कारण ज्यातून ते उतरले आहे तो आधार प्रचंड व विरळ नव्हे तर लहान व घन बांधलेला होता.

01MiMo कुठून येते: आधी रिझनिंग मॉडेल, मग व्हिजन मॉडेल

MiMo रांग हा Xiaomi चा ओपन-वेट्स संशोधन कार्यक्रम आहे, आणि त्याचा पायाभूत युक्तिवाद प्रचलित फॅशनविरुद्ध आहे: रिझनिंग क्षमता पूर्व-प्रशिक्षणातच ठरते, नंतर RL ने वरून ठोकली जात नाही. हे काम बहुतांश डेटा अभियांत्रिकीचे आहे — संग्रहातल्या रिझनिंग आकृतिबंधांची घनता वाढवण्यासाठी Xiaomi ने मजकूर काढणे व चाळणे नव्याने बांधले, मोठ्या प्रमाणावर सिंथेटिक रिझनिंग डेटा तयार केला, आणि तीन-टप्पी मिश्रणाखाली MiMo-7B-Base चे साधारण 25 ट्रिलियन टोकनवर पूर्व-प्रशिक्षण घेतले, सोबत सहायक उद्दिष्ट म्हणून Multiple-Token Prediction, जे इन्फरन्सच्या वेळी सट्टेबाज डिकोडर म्हणूनही काम करते (Xiaomi नुसार स्वीकार दर 90% च्या जवळ).

पोस्ट-ट्रेनिंग जाणीवपूर्वक काटकसरीचे आहे: 1,30,000 गणित व कोड प्रश्न, फक्त नियम-आधारित अचूकता बक्षिसांसह, कोणतेही शिकलेले रिवॉर्ड मॉडेल नाही — कारण न्यूरल रिवॉर्ड मॉडेल हा फोडण्याजोगा पृष्ठभाग असतो. पडताळण्याजोग्या बक्षिसांना गोड बोलून फसवता येत नाही. MiMo-7B-RL आपल्या आकाराच्या प्रमाणाबाहेरचे आकडे देते — Xiaomi AIME 2024 वर 68.2%, MATH-500 वर 95.8%, LiveCodeBench v5 वर pass@1 ला 57.8% नोंदवते, जे OpenAI च्या o1-mini शी बरोबरी करते. तुम्ही जे मॉडेल बोलावता त्याचा आकार असा आहे: सुटसुटीत, घनतेने प्रशिक्षित, उत्तर आठवण्याऐवजी प्रश्न सोडवत जाण्यासाठी जुळवलेले — आणि हा स्वभाव मल्टिमोडल वंशजांतही टिकतो.

02MiMo ला पाहायला कसे शिकवले: MiMo-VL ची वास्तुरचना

MiMo-VL ही व्हिजन-भाषा शाखा आहे, आणि तिची बांधणी बोधप्रद आहे. Xiaomi ने तीन भाग जुळवले: प्रत्येक प्रतिमेला ठरावीक कमी-रिझोल्यूशन जाळीतून ढकलण्याऐवजी सूक्ष्म तपशील टिकवणारा मूळ-रिझोल्यूशनचा ViT एन्कोडर, भाषा मॉडेलच्या सुप्त अवकाशात नेणारा यादृच्छिकपणे आरंभित MLP प्रोजेक्टर, आणि — निर्णायकपणे — भाषा मॉडेल म्हणून MiMo रिझनिंग खोड. या व्हिजन प्रणालीला नुसते कॅप्शन लिहिण्यात चांगला नव्हे, तर बहु-टप्पी विचारात आधीच चांगला असलेला डिकोडर वारशाने मिळतो.

प्रशिक्षण चार पूर्व-प्रशिक्षण टप्प्यांत चालले — प्रोजेक्टर वॉर्मअप, व्हिजन-भाषा अलाइनमेंट, सर्वसाधारण मल्टिमोडल पूर्व-प्रशिक्षण, दीर्घ-संदर्भ SFT — साधारण 2.4 ट्रिलियन टोकनवर, त्यानंतर Mixed On-policy Reinforcement Learning (MORL), ज्यात आकलनाची अचूकता, दृश्य ग्राउंडिंगची नेमकेपणा, तर्काची शुद्धता, आणि माणूस/AI ची पसंती हे सर्व एकाच ऑन-पॉलिसी लूपमध्ये दुमडले गेले. हे सर्व एकाच वेळी अनुकूल करणे अस्थिर असते हे अहवाल स्पष्टपणे कबूल करतो — बहुतेक मल्टिमोडल शोधनिबंधांपेक्षा अधिक प्रामाणिक मांडणी.

पॅरामीटर संख्येच्या मानाने प्रकाशित निकाल सशक्त आहेत. Xiaomi नोंदवते की MiMo-VL-7B-RL 40 पैकी 35 कामांवर Qwen2.5-VL-7B ला हरवते, OlympiadBench वर 59.4 मिळवते (78B पर्यंतच्या मॉडेलच्या वर), आणि GUI ग्राउंडिंगसाठी OSWorld-G वर 56.1, जे खास त्यासाठी बांधलेल्या इंटरफेस एजंटच्याही पुढे. नंतरच्या 2508 ताज्या आवृत्तीने या मालिकेत पहिल्यांदाच MMMU 70 च्या पुढे नेले (70.6), ChartQA वर 94.4, ScreenSpot-v2 वर 92.5 आणि VideoMME वर 70.8 गाठले, आणि प्रति विनंती रिझनिंग ट्रेस बंद करता येईल असा विचार-नियंत्रणाचा स्विच जोडला.

03W8A16 म्हणजे काय, आणि मजकुरापेक्षा व्हिजनसाठी ते अधिक का महत्त्वाचे

गेटवेवरचे प्रत्येक मॉडेल क्वांटायझेशन प्रत्यय वागवते. तो सजावट नाही — मॉडेल सर्व्ह करण्याजोगे बनवण्यासाठी काय अदलाबदल केली गेली ते तो सांगतो.

प्रत्यय	तो काय आहे	तो का वापरला जातो
3BIT-REAP	3-bit वेट्स अधिक REAP — MoE मॉडेलमधून क्वांटाइझ करण्याआधी क्वचित राउट होणारे एक्सपर्ट काढून टाकणारी एक्सपर्ट-प्रूनिंग पद्धत	अतिशय मोठे आधार शहाण्यासुरत्या वेगात बसवून सर्व्ह करण्याचा एकमेव मार्ग
W4A16-AUTOROUND-REAP	4-bit वेट्स, 16-bit ॲक्टिव्हेशन, AutoRound ने क्वांटाइझ केलेले — शिकलेले राउंडिंग, जे भाबड्या जवळच्या-पूर्णांकापेक्षा अचूकता परत मिळवते — अधिक REAP छाटणी	टोकाच्या कॉम्प्रेशनची गरज नसलेल्या मोठ्या आधारांसाठी मधली वाट
W8A16	8-bit वेट्स, 16-bit ॲक्टिव्हेशन — आम्ही सर्व्ह करत असलेला सर्वोच्च विश्वासार्हतेचा स्तर	आधार इतका लहान असेल की आक्रमक कॉम्प्रेशनची गरजच नाही, तिथे वापरला जातो

सुटसुटीत असल्यामुळे MiMo-V2.5 तिसरी ओळ कमावते: या वर्गातल्या घन आधाराला बसण्यासाठी तीन बिटवर चिरडावे लागत नाही, त्यामुळे आठ ठेवणे परवडते, आणि तुम्ही ज्यातून नमुना घेता ती वेट्स प्रशिक्षित झालेल्या वेट्सच्या जवळ राहतात. रचनात्मक कारणामुळे इमेज कामासाठी हे विषम प्रमाणात महत्त्वाचे आहे. फक्त-मजकूर डिकोडरमध्ये क्वांटायझेशनमुळे भरकटलेल्या एम्बेडिंगला पुढच्या डझनभर अटेन्शन स्तरांकडून पुन्हा संदर्भ मिळतो — सावरण्याच्या अनेक संधी. व्हिजन रचनाक्रमाला असा सैलपणा नाही: दृश्य माहिती डिकोडरपर्यंत पोहोचण्याआधी एकाच एन्कोडर आणि एकाच अरुंद प्रोजेक्टरमधून जाते, आणि पुढचे सर्व काही त्या अडचणीच्या नाकातून बाहेर पडलेल्यावरच अवलंबून असते. सूक्ष्म संकेत — कमी विरोधाभास असलेल्या स्कॅनमधला 3 की 8, तक्त्याच्या अक्षावर पट्टी नेमकी कोणत्या पिक्सेलवर संपते, तुम्हाला ज्यावर क्लिक करायला सांगितले त्या UI घटकाची सीमा — हे सर्व लहान परिमाणाच्या वेट तपशिलात राहते, आणि आक्रमक क्वांटायझेशन सर्वात आधी तेच फेकून देते.

3-bit व्हिजन मॉडेल आवाज करत फसत नाही; ते मुकाट फसते, आणि दस्तऐवजाचे ओघवते वर्णन देताना एकूण रकमेतले दोन अंक उलटसुलट करते. त्या अपयशाविरुद्धचा सर्वात स्वस्त विमा म्हणजे अधिक वेट अचूकता, आणि इथे तो फुकट आहे — तुम्ही कोणत्याही परिस्थितीत तळाचीच किंमत देता.

04तळाची किंमत, संदर्भासह

आमच्या बारा-मॉडेलच्या कॅटलॉगमधली चार मॉडेल प्रति दशलक्ष टोकन $0.50 इनपुट / $2.00 आउटपुट या किमतीच्या तळावर बसतात. त्यांपैकी फक्त एकच प्रतिमा स्वीकारते. बहुतेक खऱ्या बिलांवर वरचढ ठरणाऱ्या आउटपुट खर्चावर व्हिजन-सक्षम मॉडेल कुठे उतरतात ते इथे:

प्रति 1M टोकन USD मधली आउटपुट किंमत, Shannon AI गेटवेचे यादी-दर, सप्टेंबर 2026. पट्टीची लांबी कॅटलॉगमधल्या सर्वात महाग व्हिजन मॉडेलच्या सापेक्ष आहे.

कमाल मर्यादेचे व्हिजन मॉडेल आणि खरोखर अधिक सशक्त असलेल्या Kimi-K3 च्या तुलनेत MiMo-V2.5 आउटपुटवर साधारण 9.6× स्वस्त आणि इनपुटवर 7.7× स्वस्त आहे. हा समकक्षतेचा दावा नाही; हा कामाच्या आकाराबद्दलचा युक्तिवाद आहे. महिन्याला एक लाख प्रतिमांवर कमाल मर्यादेचे मॉडेल परवडत नाही आणि तळाचे परवडते, आणि प्रामाणिक प्रश्न असा की तळाचे मॉडेल तुमची अचूकतेची मर्यादा ओलांडते का — बेंचमार्क जिंकते का हा नव्हे.

05MiMo-V2.5 विरुद्ध MiniMax-M3: दोन स्वस्त व्हिजन मॉडेलची प्रामाणिक तुलना

किंमत, संदर्भ आणि एंडपॉइंट पृष्ठभागावर ही दोन्ही नेमकी बरोबरीत आहेत. ती अदलाबदल करण्याजोगी नाहीत: व्हिजन मॉडेल उपयुक्त कशामुळे होते याबद्दलच्या दोन वेगळ्या डावांचे प्रतिनिधित्व क्वांटायझेशनचा स्तर करतो.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
प्रति 1M इनपुट / आउटपुट	$0.50 / $2.00	$0.50 / $2.00
वेट अचूकता	8-bit	3-bit + एक्सपर्ट छाटणी
आधाराचा आकार	सुटसुटीत, घन	मोठे, विरळ MoE
व्हिजन	होय	होय
संदर्भ विंडो	262,144	262,144
स्कीमा · टूल · स्ट्रीमिंग	होय	होय

प्रतिमा हाच कठीण भाग असेल तेव्हा MiMo-V2.5 निवडा: अपूर्ण स्कॅनवरचे दाट OCR, तक्ते व कोष्टकांमधून संख्यात्मक माहिती काढणे, स्क्रीनशॉट व UI ग्राउंडिंग, बारीक मजकूर वाचणे, जवळजवळ सारखी दिसणारी उत्पादन छायाचित्रे वेगळी ओळखणे — जिथे उलटसुलट झालेला एक अंक हा सौंदर्यदोष नसून बिघाड असतो असे काहीही. पिक्सेलपासून टोकनपर्यंतचा सर्वाधिक विश्वासार्ह मार्ग तुम्हाला हवा असतो, आणि या किमतीत तो 8-bit वेट्समधूनच मिळतो.

प्रतिमा हाच सोपा भाग असेल तेव्हा MiniMax-M3 निवडा. 3 बिटवर संकुचित केलेला मोठा विरळ आधार, छाटणीनंतरही, सुटसुटीत घन मॉडेलपेक्षा अधिक जगाचे ज्ञान आणि तर्काचा आवाका धरून ठेवतो. काम “या छायाचित्राकडे पाहा आणि त्यातून काय सूचित होते यावर सविस्तर तर्क कर” असे असेल, किंवा प्रतिमा ही मुख्यतः मजकुराच्या संभाषणातला एक इनपुट असेल, तर मोठा आधार हेच अधिक चांगले साधन आहे — तुम्ही सोडून दिलेली दृश्य तीक्ष्णता हे बंधन नव्हतेच.

06MiMo-V2.5 विरुद्ध MiMo-V2.5-Pro: डोळ्यांच्या बदल्यात खोली घेणारे भावंड

याच तुलनेवर सर्वाधिक सपोर्ट तिकिटे येतात, म्हणून स्पष्ट बोलणे योग्य. MiMo-V2.5-Pro-W8A16 आणि MiMo-V2.5-W8A16 यांची किंमत, संदर्भ विंडो, अचूकतेचा स्तर आणि कुटुंबाचे नाव समान आहे. Pro प्रतिमा स्वीकारत नाही. तो वरचा संच नाही. तेच अंदाजपत्रक वेगळ्या पद्धतीने वाटलेले आहे.

मल्टिमोडल मॉडेल सर्व्ह करणे म्हणजे डिकोडरसोबत व्हिजन मनोरा आणि प्रोजेक्टरचेही पैसे मोजणे — ठरावीक खर्च-लक्ष्यावर, म्हणजे भाषा मॉडेलवर न खर्चलेली क्षमता. Pro ते सर्व मजकुरावर खर्च करते: लांबलचक लेखन, विस्तारित रिझनिंग आणि कोडसाठी अधिक मोकळीक असलेला मोठा आधार. MiMo-V2.5 त्यातला काही भाग दृष्टीवर खर्च करते.

त्यामुळे निर्णयाचा नियम तुमच्या महत्त्वाकांक्षांबद्दल नव्हे तर तुमच्या इनपुट बद्दल आहे. कोणत्याही विनंतीत स्क्रीनशॉट, स्कॅन केलेले पान, तक्ता, आकृती किंवा छायाचित्र असू शकत असेल, तर तुम्हाला MiMo-V2.5 लागते — Pro तो कंटेंट ब्लॉक नाकारेल. प्रत्येक विनंती मजकुराची असेल आणि सवयीने तुम्ही व्हिजन मॉडेलकडे वळला असाल, तर तुम्ही फुकटच आधाराची गुणवत्ता सोडून देत आहात: त्याच दरात MiMo-V2.5-Pro घ्या.

चोरून वापरण्याजोगा एक आकृतिबंध: कंटेंट प्रकारानुसार राउट करा. इमेज भाग असलेले काहीही MiMo-V2.5-W8A16 कडे, बाकी सर्व MiMo-V2.5-Pro-W8A16 कडे. तेच कुटुंब, तीच किंमत, तेच संदर्भ अंदाजपत्रक — राउटर क्षुल्लक असतो आणि जुळवायला वेगळे खर्च-प्रारूपही नसते.

07“असेन्सॉर्ड इमेज आकलन” म्हणजे प्रत्यक्षात काय

या मॉडेलसमोर नकार स्तर नाही आणि त्याच्या आउटपुटवर कंटेंट फिल्टर नाही. हा उत्पादनाचा निर्णय आहे आणि व्हिजनच्या कामासाठी त्याचा ठरावीक परिणाम आहे: मॉडेल विषयावरून नकार देण्याऐवजी चौकटीत जे आहे त्याचे वर्णन करते.

हे महत्त्वाचे आहे कारण फिल्टर लावलेली व्हिजन API रचनेनेच वैध कामाच्या एका संपूर्ण श्रेणीसाठी अनुपयुक्त असतात. मॉडरेशन पाइपलाइनला ती जे मॉडरेट करते ते पाहावेच लागते आणि ते काय आहे ते सांगावेच लागते; जे वर्गीकृत करायचे तेच पाहायला नकार देणारा वर्गीकारक हा वर्गीकारकच नाही. खऱ्या कामांच्या लांब यादीला हेच लागू आहे:

• ट्रस्ट अँड सेफ्टीची साधने — नेमक्या त्याच प्रतिमांना लेबल लावणे ज्यांच्यावर मुख्य प्रवाहातले API प्रक्रियाच करत नाही, आणि नेमक्या त्याच प्रतिमांना लेबलची सर्वाधिक गरज असते.
• वैद्यकीय, न्यायवैद्यक आणि अपघाताच्या प्रतिमा — क्लिनिकल, दुखापतीची आणि घटनास्थळाची छायाचित्रे, जी कोण विचारत आहे याची पर्वा न करता सर्वसाधारण फिल्टर भडक म्हणून नाकारतात.
• सुरक्षा संशोधन — फिशिंग पाने, दुष्ट इंटरफेस आणि टिपलेल्या स्क्रीन वाचणे, आणि मॉडेलने गृहितकावर आढेवेढे न घेणे.
• प्रौढ-सामग्रीचे वर्गीकरण आणि संग्रहाचे सूचीकरण — ज्या पाइपलाइन सामग्री ओळखण्यासाठीच अस्तित्वात आहेत आणि ज्यांना पाहण्याचे काम बाहेर देता येत नाही, अधिक फिल्टर ज्यांना लेबल न लावण्याजोगे मानतात असे ऐतिहासिक संग्रह.

नकार स्तर काढून टाकल्याने अभियांत्रिकीचा अडथळा दूर होतो, कायदेशीर अडथळा नव्हे. Shannon AI चे संचालन न्यू मेक्सिको, अमेरिका येथील Shannon Lab LLC करते, आणि API च्या वापरावर आमचे जबाबदार वापर धोरण लागू आहे. फिल्टरविरहित आउटपुट ही क्षमता आहे, परवानगीची चिठ्ठी नव्हे.

08ते कॉल करणे: एंडपॉइंट, इमेज इनपुट, आणि ते कुठे बसते

मॉडेल आहे MiMo-V2.5-W8A16, आणि त्याच वेट्सविरुद्ध तीन विनंती-बोलींवर ते उपलब्ध आहे, त्यामुळे तुमच्याकडे जो SDK आधीच आहे तोच ठेवा:

• /v1/chat/completions — OpenAI-सुसंगत. प्रतिमा image_url कंटेंट भाग म्हणून जातात, https URL किंवा base64 डेटा URI म्हणून.
• /v1/messages — Anthropic-सुसंगत. प्रतिमा image कंटेंट ब्लॉक म्हणून जातात.
• /v1/responses — Responses-शैलीची बोली.

तिन्हींवर स्ट्रीमिंग आणि टूल कॉलिंग चालते, त्यामुळे मॉडेल एकाच फेरीत स्क्रीनशॉट पाहून त्याने जे पाहिले त्याबद्दल फंक्शन बोलावू शकते. विनंती व प्रतिसादाच्या संपूर्ण स्कीमा API दस्तऐवजांमध्ये आहेत, जिथे एक प्लेग्राउंडही आहे — कोणताही कोड लिहिण्याआधी तुम्ही तिथे प्रतिमा चिकटवून पाहू शकता.

MiMo-V2.5 काटेकोर json_schema आणि response_format ला पाठिंबा देते — डेमो आणि पाइपलाइन यातला हाच फरक. विक्रेता, तारीख, ओळींतल्या नोंदी आणि एकूण रकमेसाठी टाइप केलेली फील्ड असलेली स्कीमा आणि एक पावती त्याला द्या, आणि तुम्हाला regex लावावा लागणारा परिच्छेद नव्हे तर तुमचा कोड पडताळू शकेल अशी वस्तू परत मिळते. या कॅटलॉगमधल्या बारापैकी दोन मॉडेलना पूर्ण संरचित-आउटपुट पाठिंबा नाही; या मॉडेलला आहे, आणि म्हणूनच ते मोठ्या प्रमाणावरची माहिती-काढणी सेवा म्हणून चालते.

संदर्भ विंडो 262,144 टोकन आहे; निर्माण होणारे आउटपुट प्रति विनंती 16,384 टोकन वर मर्यादित आहे. प्रतिमा रिझोल्यूशनच्या प्रमाणात इनपुट टोकन खातात, त्यामुळे उच्च-रिझोल्यूशनचे पानांचे स्कॅन तेवढ्याच शब्दसंख्येच्या मजकुरापेक्षा कितीतरी वेगाने संदर्भ खातात. 300 पानांचा स्कॅन एकाच विनंतीत टाकण्याऐवजी लांब दस्तऐवज पानांत विभागा, आणि सर्वंकष माहिती-काढणीवरचे खरे बंधन म्हणून आउटपुट मर्यादेकडे पाहा — छाटलेले उत्तर मिळवण्याऐवजी दाट कोष्टके ओळींच्या पल्ल्यानुसार तुकड्यांत घ्या.

या कुटुंबाच्या वंशावळीमुळे reasoning_effort ची तबकडी इथे खरा लीव्हर आहे. मोठ्या प्रमाणावरच्या वर्गीकरणासाठी ती खाली आणा, जिथे उत्तर म्हणजे एक लेबल असते आणि विचारांचे टोकन निव्वळ खर्च असतात; तक्त्यांचा अर्थ लावणे, दृश्य गणित आणि आकृत्यांवरच्या तर्कासाठी ती वाढवा, जिथे उत्तर देण्याआधी मॉडेलला दिसणाऱ्या अनेक गोष्टी जोडाव्या लागतात.

ते कुठे बसते, आणि कुठे नाही

चांगली जुळणी. मोठ्या प्रमाणावरची दस्तऐवज व पावती माहिती-काढणी; अपूर्ण स्कॅनवरचे OCR-सदृश काम; तक्ते, डॅशबोर्ड आणि कोष्टके वाचणे; स्क्रीनशॉट आकलन आणि UI ग्राउंडिंग; कॅटलॉग टॅगिंग व दृश्य प्रश्नोत्तरे; मॉडरेशन पाइपलाइन — म्हणजे प्रति-कॉल खर्च बंधनकारक असलेले आणि सूक्ष्म तपशिलाची अचूकता तुम्ही सोडायला तयार नसलेले कोणतेही मल्टिमोडल काम.

वाईट जुळणी. किंमत काहीही असो, सर्वात सशक्त मॉडेल लागणारे आघाडीच्या अवघडपणाचे मल्टिमोडल रिझनिंग — ते Kimi-K3 चे काम आहे, आणि ते जवळजवळ दहापट महाग असण्याला कारण आहे. फक्त-मजकूर निर्मिती, जिथे त्याच दरात MiMo-V2.5-Pro अधिक चांगला आधार देते. ज्ञानकोशीय जगाच्या ज्ञानावर टेकलेले काम, जिथे मोठा विरळ आधार सुटसुटीत घन आधाराला मागे टाकतो. आणि 262K पेक्षा जास्त संदर्भ लागणारे काहीही, जे इथले कोणतेही मॉडेल देत नाही.

09वारंवार विचारले जाणारे प्रश्न

---

स्रोत: MiMo तांत्रिक अहवाल (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. सर्व बेंचमार्क आकडे वर नावानिशी दिलेल्या प्रसिद्ध चेकपॉइंटसाठी Xiaomi-नोंदित आहेत आणि ते या एंडपॉइंटवरच्या नेमक्या बिल्डचे नव्हे तर कुटुंबाच्या वंशावळीचे वर्णन करतात. किंमत, संदर्भ आणि क्षमता-ध्वज ही Shannon AI गेटवेची यादी-मूल्ये आहेत, सप्टेंबर 2026.