API Visi MiMo Tanpa Tapisan

Titik akhir multimodal yang murah itu murah kerana sesuatu telah dipotong, dan yang dipotong biasanya bahagian yang anda tidak nampak: pemberatnya diramas kepada tiga atau empat bit, dan model itu masih menjawab dengan yakin tentang carta yang sebenarnya tidak lagi boleh dibacanya. MiMo-V2.5 ialah contoh sebaliknya dalam katalog kami — pada lantai harga dan pada tingkat ketepatan teratas serentak, kerana asas yang diturunkannya dibina kecil dan padat dan bukan gergasi dan jarang.

01Dari mana MiMo datang: model penaakulan dahulu, model visi kemudian

Barisan MiMo ialah program penyelidikan pemberat terbuka Xiaomi, dan hujah asasnya tidak bergaya: keupayaan menaakul ditetapkan semasa pralatihan, bukan dicantum kemudian dengan RL. Kerjanya kebanyakannya kejuruteraan data — Xiaomi membina semula pengekstrakan dan penapisan teks untuk menaikkan ketumpatan corak penaakulan dalam korpus, menjana data penaakulan sintetik pada skala, dan mempralatih MiMo-7B-Base pada kira-kira 25 trilion token di bawah campuran tiga peringkat, dengan Ramalan Berbilang Token sebagai objektif tambahan yang turut berperanan pada masa inferens sebagai penyahkod spekulatif (kadar penerimaan hampir 90%, menurut Xiaomi).

Pasca latihan sengaja bersahaja: 130,000 masalah matematik dan kod dengan ganjaran ketepatan berasaskan peraturan sahaja, tiada model ganjaran terpelajar, atas alasan bahawa model ganjaran neural ialah permukaan yang akan digodam. Ganjaran yang boleh disahkan tidak boleh dipujuk. MiMo-7B-RL mencatat angka yang tidak berkadar dengan saiznya — Xiaomi melaporkan 68.2% pada AIME 2024, 95.8% pada MATH-500, 57.8% pada LiveCodeBench v5 pada pass@1, setanding o1-mini daripada OpenAI. Itulah bentuk model yang anda panggil: padat, dilatih dengan tumpat, ditala untuk menyelesaikan sesuatu masalah dan bukan mengingat semula jawapan — dan perangai itu terselamat masuk ke dalam keturunan multimodalnya.

02Bagaimana MiMo belajar melihat: seni bina MiMo-VL

MiMo-VL ialah cabang bahasa-visi, dan pembinaannya mendidik. Xiaomi menghimpunkan tiga bahagian: pengekod ViT resolusi asli yang mengekalkan perincian halus dan bukan memaksa setiap imej melalui grid resolusi rendah yang tetap, projektor MLP yang dimulakan secara rawak ke dalam ruang laten model bahasa, dan — yang kritikal — tulang belakang penaakulan MiMo sebagai model bahasanya. Sistem visinya mewarisi penyahkod yang sudah pandai berfikir berbilang langkah dan bukan yang sekadar pandai membuat kapsyen.

Latihan berjalan dalam empat peringkat pralatihan — pemanasan projektor, penjajaran bahasa-visi, pralatihan multimodal am, SFT konteks panjang — merentasi kira-kira 2.4 trilion token, kemudian Pembelajaran Pengukuhan Atas-Dasar Bercampur (MORL), melipat ketepatan persepsi, kejituan pendasaran visual, kebetulan penaakulan, dan keutamaan manusia/AI ke dalam satu gelung atas-dasar. Laporannya berterus terang bahawa mengoptimumkan kesemuanya sekali gus itu tidak stabil — bingkaian yang lebih jujur daripada apa yang kebanyakan kertas multimodal tawarkan.

Keputusan yang diterbitkan kuat bagi kiraan parameternya. Xiaomi melaporkan MiMo-VL-7B-RL mengalahkan Qwen2.5-VL-7B pada 35 daripada 40 tugas, 59.4 pada OlympiadBench (mengatasi model sehingga 78B), dan 56.1 pada OSWorld-G untuk pendasaran GUI, mendahului ejen antara muka yang dibina khas. Penyegaran 2508 yang kemudian menolak MMMU melepasi 70 buat kali pertama dalam siri itu (70.6), mencapai 94.4 pada ChartQA, 92.5 pada ScreenSpot-v2 dan 70.8 pada VideoMME, serta menambah suis kawalan pemikiran supaya jejak penaakulan boleh dimatikan setiap permintaan.

03Apa maksud W8A16, dan mengapa ia lebih penting untuk visi berbanding teks

Setiap model pada get laluan membawa akhiran kuantuman. Ia bukan hiasan — ia memberitahu anda apa yang ditukar untuk menjadikan model itu boleh disajikan.

Akhiran	Apa dia	Mengapa ia digunakan
3BIT-REAP	Pemberat 3-bit berserta REAP, kaedah pemangkasan pakar yang menggugurkan pakar yang jarang dihalakan daripada model MoE sebelum mengkuantum	Satu-satunya cara untuk memuatkan dan menyajikan asas yang paling besar sekali pada kelajuan yang waras
W4A16-AUTOROUND-REAP	Pemberat 4-bit, pengaktifan 16-bit, dikuantumkan dengan AutoRound — pembundaran terpelajar yang memulihkan ketepatan berbanding pembundaran-terdekat yang naif — berserta pemangkasan REAP	Jalan tengah untuk asas besar yang tidak perlukan pemampatan melampau
W8A16	Pemberat 8-bit, pengaktifan 16-bit — tingkat kesetiaan tertinggi yang kami sajikan	Digunakan di tempat asasnya cukup kecil sehingga pemampatan agresif tidak perlu

MiMo-V2.5 mendapat baris ketiga itu dengan menjadi padat: asas padat dalam kelas ini tidak perlu diramas kepada tiga bit untuk muat, jadi anda mampu mengekalkan lapan, dan pemberat yang anda sampel daripadanya kekal hampir dengan yang dilatih. Itu penting secara tidak seimbang untuk kerja imej, atas sebab struktur. Dalam penyahkod teks sahaja, benaman yang hanyut di bawah kuantuman dikonteks semula oleh berpuluh lapisan perhatian kemudian — banyak peluang untuk pulih. Tindanan visi tiada kelonggaran sebegitu: maklumat visual melalui satu pengekod dan satu projektor sempit sebelum ia sampai kepada penyahkod, dan segala di hiliran disyaratkan pada apa yang leher botol itu hasilkan. Isyarat halus — 3 berbanding 8 dalam imbasan berkontras rendah, piksel tepat tempat bar berakhir pada paksi carta, sempadan elemen UI yang anda diminta klik — hidup dalam perincian pemberat bermagnitud rendah yang kuantuman agresif buang dahulu.

Model visi 3-bit tidak gagal dengan kuat; ia gagal dengan senyap, menghasilkan penerangan dokumen yang lancar dengan dua digit tertukar dalam jumlahnya. Ketepatan pemberat yang lebih tinggi ialah insurans termurah terhadap kegagalan itu, dan di sini ia percuma — anda membayar harga lantai bagaimanapun.

04Harga lantai, dalam konteks

Empat model dalam katalog dua belas model kami duduk pada lantai harga $0.50 input / $2.00 output setiap juta token. Hanya satu daripadanya menerima imej. Inilah tempat model berkemampuan visi mendarat pada kos output, angka yang menguasai kebanyakan bil sebenar:

Harga output dalam USD setiap 1J token, kadar senarai Get Laluan Shannon AI, September 2026. Panjang bar adalah relatif kepada model visi termahal dalam katalog.

Berbanding Kimi-K3 — model visi siling, dan yang benar-benar lebih kuat — MiMo-V2.5 lebih kurang 9.6× lebih murah pada output dan 7.7× lebih murah pada input. Itu bukan dakwaan kesetaraan; ia hujah tentang bentuk beban kerja. Pada seratus ribu imej sebulan, model siling itu tidak mampu dibeli dan model lantai mampu, dan soalan jujurnya ialah sama ada model lantai itu melepasi paras ketepatan anda — bukan sama ada ia memenangi penanda aras.

05MiMo-V2.5 lawan MiniMax-M3: dua model visi murah, dibandingkan dengan jujur

Kedua-duanya seri tepat pada harga, konteks, dan permukaan titik akhir. Ia bukan boleh ditukar ganti: tingkat kuantuman ialah proksi bagi dua pertaruhan berbeza tentang apa yang menjadikan model visi berguna.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Input / output setiap 1J	$0.50 / $2.00	$0.50 / $2.00
Ketepatan pemberat	8-bit	3-bit + pemangkasan pakar
Saiz asas	Padat, tumpat	Besar, MoE jarang
Visi	Ya	Ya
Tetingkap konteks	262,144	262,144
Skema · alat · penstriman	Ya	Ya

Pilih MiMo-V2.5 apabila imej itulah bahagian sukarnya: OCR padat pada imbasan yang tidak sempurna, pengekstrakan berangka daripada carta dan jadual, pendasaran tangkap layar dan UI, pembacaan teks kecil, membezakan gambar produk yang hampir serupa — apa jua yang digit tertukar itu kecacatan dan bukan kelemahan kosmetik. Anda mahu laluan berkesetiaan tertinggi daripada piksel kepada token, dan pemberat 8-bit ialah cara anda mendapatkannya pada harga ini.

Pilih MiniMax-M3 apabila imej itu bahagian mudahnya. Asas jarang yang besar yang dimampatkan kepada 3 bit masih menyimpan lebih banyak pengetahuan dunia dan keluasan penaakulan daripada yang model padat kecil boleh, walaupun selepas dipangkas. Jika tugasnya ialah "lihat gambar ini dan taakullah panjang lebar tentang apa yang ia sirat", atau imej itu satu input dalam perbualan yang kebanyakannya teks, asas yang lebih besar ialah instrumen yang lebih baik — ketajaman visual yang anda tukar itu bukan kekangan yang mengikat.

06MiMo-V2.5 lawan MiMo-V2.5-Pro: adik-beradik yang menukar mata untuk kedalaman

Inilah perbandingan yang menjana paling banyak tiket sokongan, jadi berbaloi untuk berterus terang. MiMo-V2.5-Pro-W8A16 dan MiMo-V2.5-W8A16 berkongsi harga, tetingkap konteks, tingkat ketepatan, dan nama keluarga. Pro tidak menerima imej. Ia bukan superset. Ia peruntukan yang berbeza bagi belanjawan yang sama.

Menyajikan model multimodal bermakna membayar untuk menara visi dan projektor bersama penyahkod — pada sasaran kos yang tetap, kapasiti yang tidak dibelanjakan pada model bahasa itu sendiri. Pro membelanjakan kesemuanya pada teks: asas yang lebih besar dengan lebih ruang untuk penulisan bentuk panjang, penaakulan lanjutan, dan kod. MiMo-V2.5 membelanjakan sebahagiannya pada penglihatan.

Jadi peraturan keputusannya tentang input anda, bukan cita-cita anda. Jika mana-mana permintaan boleh mengandungi tangkap layar, halaman yang diimbas, carta, rajah, atau gambar foto, anda perlukan MiMo-V2.5 — Pro akan menolak blok kandungan itu. Jika setiap permintaan ialah teks dan anda mencapai model visi kerana kebiasaan, anda meninggalkan kualiti asas di atas meja tanpa apa-apa: ambil MiMo-V2.5-Pro pada kadar yang sama.

Satu corak yang berbaloi dicuri: halakan mengikut jenis kandungan. Apa jua yang ada bahagian imej pergi kepada MiMo-V2.5-W8A16, semua yang lain kepada MiMo-V2.5-Pro-W8A16. Keluarga sama, harga sama, belanjawan konteks sama — penghalanya remeh dan tiada model kos untuk diselaraskan.

07Apa sebenarnya maksud "pemahaman imej tanpa tapisan"

Tiada lapisan penolakan di hadapan model ini dan tiada penapis kandungan pada outputnya. Itu keputusan produk dengan akibat yang khusus untuk kerja visi: model menerangkan apa yang ada dalam bingkai dan bukan menolak berdasarkan subjeknya.

Ini penting kerana API visi yang ditapis secara struktur tidak sesuai untuk satu kategori penuh kerja yang sah. Saluran paip penyederhanaan mesti melihat bahan yang disederhanakannya dan menyatakan apa dia; pengelas yang enggan memeriksa benda yang dikelaskannya bukanlah pengelas. Perkara sama terpakai merentasi senarai panjang kerja sebenar:

• Perkakas amanah dan keselamatan — melabelkan tepat imejan yang API arus perdana tidak akan proses, iaitu imejan yang paling perlukan pelabelan.
• Imejan perubatan, forensik, dan kemalangan — fotografi klinikal, kecederaan, dan tempat kejadian yang penapis generik tolak sebagai grafik tidak kira siapa yang bertanya.
• Penyelidikan keselamatan — membaca halaman pancingan data, antara muka berniat jahat, dan skrin yang ditangkap tanpa model itu teragak-agak pada premisnya.
• Pengelasan kandungan dewasa dan pengkatalogan arkib — saluran paip yang wujud untuk mengenal pasti bahan dan tidak boleh menyerahkan tugas melihat itu, berserta koleksi sejarah yang penapis anggap tidak boleh dilabel.

Membuang lapisan penolakan membuang halangan kejuruteraan, bukan halangan undang-undang. Shannon AI dikendalikan oleh Shannon Lab LLC di New Mexico, USA, dan penggunaan API ditadbir oleh Dasar Penggunaan Bertanggungjawab kami. Output tanpa tapis ialah keupayaan, bukan surat kebenaran.

08Memanggilnya: titik akhir, input imej, dan di mana ia sesuai

Modelnya ialah MiMo-V2.5-W8A16, boleh dicapai pada tiga dialek permintaan terhadap pemberat yang sama, jadi anda kekalkan SDK mana pun yang anda sudah ada:

• /v1/chat/completions — serasi OpenAI. Imej masuk sebagai bahagian kandungan image_url, sama ada sebagai URL https atau URI data base64.
• /v1/messages — serasi Anthropic. Imej masuk sebagai blok kandungan image.
• /v1/responses — dialek bergaya Responses.

Penstriman dan panggilan alat berfungsi pada ketiga-tiganya, jadi model boleh melihat tangkap layar dan memanggil fungsi tentang apa yang dilihatnya dalam satu giliran. Skema permintaan dan respons penuh ada dalam dokumentasi API, yang turut menghoskan taman permainan yang anda boleh tampal imej ke dalamnya sebelum menulis apa-apa kod.

MiMo-V2.5 menyokong json_schema ketat dan response_format — beza antara demo dan saluran paip. Serahkan resit kepadanya berserta skema dengan medan bertaip untuk pembekal, tarikh, item baris, dan jumlah, dan anda dapat kembali objek yang kod anda boleh sahkan dan bukan perenggan yang terpaksa anda regex. Dua daripada dua belas model dalam katalog ini kekurangan sokongan output berstruktur penuh; yang ini tidak, dan itulah sebab ia berfungsi sebagai perkhidmatan pengekstrakan bervolum tinggi.

Tetingkap konteks ialah 262,144 token; output yang dijana dihadkan pada 16,384 token setiap permintaan. Imej menggunakan token input sebagai fungsi resolusi, jadi imbasan halaman resolusi tinggi memakan konteks jauh lebih pantas daripada kiraan perkataan teks yang setara. Halamankan dokumen panjang dan bukan memuatkan imbasan 300 halaman dalam satu permintaan, dan layanilah had output itu sebagai kekangan sebenar pada pengekstrakan menyeluruh — ketulkan jadual padat mengikut julat baris dan bukan mendapat jawapan yang terpangkas.

Tombol reasoning_effort ada tuas sebenar di sini memandangkan salasilah keluarga itu. Turunkannya untuk pengelasan bervolum tinggi, di mana jawapannya satu label dan token pemikiran itu kos semata-mata; naikkannya untuk tafsiran carta, matematik visual, dan penaakulan rajah, di mana model mesti menggabungkan beberapa perkara yang dilihatnya sebelum ia boleh menjawab.

Di mana ia sesuai, dan di mana tidak

Padanan yang baik. Pengekstrakan dokumen dan resit bervolum tinggi; kerja bersebelahan OCR pada imbasan yang tidak sempurna; pembacaan carta, papan pemuka, dan jadual; pemahaman tangkap layar dan pendasaran UI; penandaan katalog dan QA visual; saluran paip penyederhanaan — apa jua tugas multimodal yang kos setiap panggilan mengikat dan ketepatan perincian halus ialah yang anda enggan lepaskan.

Padanan yang lemah. Penaakulan multimodal berkesukaran terdepan yang memerlukan model terkuat tidak kira harga — itu kerja Kimi-K3, dan ia berkos hampir sepuluh kali ganda atas sebab. Penjanaan teks sahaja, di mana MiMo-V2.5-Pro memberi asas yang lebih baik pada kadar yang sama. Kerja yang bersandar pada pengetahuan dunia ensiklopedik, di mana asas jarang yang besar memintas asas padat yang kecil. Dan apa jua yang perlukan lebih daripada 262K konteks, yang tiada model di sini tawarkan.

09Soalan lazim

---

Sumber: Laporan teknikal MiMo (arXiv 2505.07608) · Laporan Teknikal MiMo-VL (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Semua angka penanda aras dilaporkan Xiaomi bagi pusat semak yang dikeluarkan seperti dinamakan di atas dan menerangkan keturunan keluarga, bukan binaan tepat pada titik akhir ini. Harga, konteks, dan bendera keupayaan ialah nilai senarai Get Laluan Shannon AI, September 2026.