सेन्सर नगरिएको MiMo भिजन API

सस्ता मल्टिमोडल एन्डपोइन्ट सस्ता हुनुको कारण केही काटिएको हुनु हो, र काटिने भाग प्राय: तपाईंले देख्न नसक्ने हुन्छ: वेटलाई तीन वा चार बिटमा खाँदिन्छ, र मोडेलले अब पढ्नै नसक्ने चार्टबारे पनि आत्मविश्वासका साथ जवाफ दिइरहन्छ। हाम्रो क्याटलगमा MiMo-V2.5 त्यसको प्रतिउदाहरण हो — मूल्यको भुइँतल र शीर्ष परिशुद्धता तह दुवैमा एकैसाथ, किनभने यो जुन आधारबाट आएको हो त्यो विशाल र विरल नभई सानो र घना बनाइएको थियो।

01MiMo कहाँबाट आयो: पहिले तर्क मोडेल, अनि भिजन मोडेल

MiMo शृङ्खला Xiaomi को खुला-वेट अनुसन्धान कार्यक्रम हो, र यसको संस्थापक तर्क चलनविपरीत छ: तर्क क्षमता प्रि-ट्रेनिङ मै निर्धारण हुन्छ, पछि RL ले जोडिने कुरा होइन। काम मुख्यतः डेटा इन्जिनियरिङ हो — Xiaomi ले सङ्ग्रहमा तर्क ढाँचाको घनत्व बढाउन पाठ निकासी र फिल्टरिङ पुन:निर्माण गर्‍यो, स्केलमा सिंथेटिक तर्क डेटा उत्पादन गर्‍यो, र तीन-चरणको मिश्रण अन्तर्गत MiMo-7B-Base लाई करिब 25 ट्रिलियन टोकनमा प्रि-ट्रेन गर्‍यो, साथै Multiple-Token Prediction लाई सहायक उद्देश्य बनायो जुन इन्फरेन्सको समयमा अनुमानित डिकोडरका रूपमा पनि काम गर्छ (Xiaomi का अनुसार स्वीकृति दर 90% नजिक)।

पोस्ट-ट्रेनिङ जानीबुझी मितव्ययी छ: 130,000 गणित र कोड समस्या मा नियम-आधारित शुद्धता पुरस्कार मात्र, कुनै सिकिएको रिवार्ड मोडेल छैन, यस तर्कमा कि न्युरल रिवार्ड मोडेल ह्याक गर्न मिल्ने सतह हो। प्रमाणित गर्न सकिने पुरस्कारलाई फकाउन सकिँदैन। MiMo-7B-RL ले आफ्नो आकारको अनुपातभन्दा बढी सङ्ख्या ल्याउँछ — Xiaomi ले pass@1 मा AIME 2024 मा 68.2%, MATH-500 मा 95.8%, LiveCodeBench v5 मा 57.8% रिपोर्ट गर्छ, जुन OpenAI को o1-mini सँग बराबरी हो। तपाईंले बोलाउने मोडेलको आकार त्यही हो: सुगठित, घना रूपमा तालिम पाएको, जवाफ सम्झनुभन्दा समस्या छिचोल्न ट्युन गरिएको — र त्यो स्वभाव मल्टिमोडल सन्ततिसम्म बाँचिरहन्छ।

02MiMo ले देख्न कसरी सिक्यो: MiMo-VL वास्तुकला

MiMo-VL भिजन-भाषा हाँगा हो, र यसको निर्माण शिक्षाप्रद छ। Xiaomi ले तीन भाग जोड्यो: हरेक तस्बिरलाई निश्चित न्यून-रिजोल्युसनको ग्रिडमा कोच्नुको सट्टा सूक्ष्म विवरण जोगाउने नेटिभ-रिजोल्युसन ViT एन्कोडर, भाषा मोडेलको लेटेन्ट स्थानमा लैजाने अनियमित रूपमा सुरु गरिएको MLP प्रोजेक्टर, र — निर्णायक रूपमा — भाषा मोडेलका रूपमा MiMo तर्क ब्याकबोन। भिजन प्रणालीले क्याप्सनिङमा मात्र राम्रो होइन, पहिल्यै बहु-चरण सोचाइमा राम्रो भइसकेको डिकोडर उत्तराधिकारमा पाउँछ।

तालिम चार प्रि-ट्रेनिङ चरणमा चल्यो — प्रोजेक्टर वार्मअप, भिजन-भाषा एलाइनमेन्ट, सामान्य मल्टिमोडल प्रि-ट्रेनिङ, लामो-सन्दर्भ SFT — करिब 2.4 ट्रिलियन टोकन भरि, अनि Mixed On-policy Reinforcement Learning (MORL), जसले बोध शुद्धता, दृश्य ग्राउन्डिङ परिशुद्धता, तर्कको शुद्धता, र मानव/AI प्राथमिकतालाई एउटै अन-पोलिसी लुपमा मिसाउँछ। प्रतिवेदन खुलेर भन्छ कि ती सबै एकैचोटि अनुकूलन गर्नु अस्थिर हुन्छ — अधिकांश मल्टिमोडल पेपरले दिनेभन्दा इमानदार प्रस्तुति।

प्यारामिटर सङ्ख्याका हिसाबले प्रकाशित नतिजा बलिया छन्। Xiaomi ले MiMo-VL-7B-RL ले 40 मध्ये 35 कार्य मा Qwen2.5-VL-7B लाई उछिनेको, OlympiadBench मा 59.4 (78B सम्मका मोडेलभन्दा माथि), र GUI ग्राउन्डिङका लागि OSWorld-G मा 56.1 पाएको रिपोर्ट गर्छ, जुन विशेष रूपमै बनाइएका इन्टरफेस एजेन्टभन्दा अगाडि छ। पछिल्लो 2508 अद्यावधिकले शृङ्खलामा पहिलो पटक MMMU लाई 70 भन्दा माथि (70.6) पुर्‍यायो, ChartQA मा 94.4, ScreenSpot-v2 मा 92.5 र VideoMME मा 70.8 पुग्यो, र प्रति अनुरोध तर्क ट्रेस बन्द गर्न मिल्ने सोचाइ-नियन्त्रण स्विच थप्यो।

03W8A16 को अर्थ, र यो पाठभन्दा भिजनका लागि किन बढी महत्त्वपूर्ण छ

गेटवेका हरेक मोडेलले क्वान्टाइजेसन प्रत्यय बोक्छन्। यो सजावट होइन — मोडेललाई सेवा दिन योग्य बनाउन के साटियो भन्ने यसले बताउँछ।

प्रत्यय	यो के हो	यो किन प्रयोग हुन्छ
3BIT-REAP	3-बिट वेट र REAP, जुन क्वान्टाइज गर्नुअघि MoE मोडेलबाट बिरलै राउट हुने विशेषज्ञ हटाउने विशेषज्ञ-प्रुनिङ विधि हो	सबैभन्दा ठूला आधारलाई समझदार गतिमा अटाउने र सेवा दिने एउटै उपाय
W4A16-AUTOROUND-REAP	4-बिट वेट, 16-बिट एक्टिभेसन, AutoRound ले क्वान्टाइज गरिएको — सिकिएको राउन्डिङ जसले साधारण नजिकको-पूर्णाङ्क राउन्डिङभन्दा शुद्धता फिर्ता ल्याउँछ — साथै REAP प्रुनिङ	चरम सङ्कुचन नचाहिने ठूला आधारका लागि बीचको बाटो
W8A16	8-बिट वेट, 16-बिट एक्टिभेसन — हामीले सेवा दिने सर्वोच्च निष्ठाको तह	आधार यति सानो हुँदा प्रयोग गरिन्छ कि आक्रामक सङ्कुचन आवश्यक पर्दैन

MiMo-V2.5 सुगठित भएर तेस्रो पङ्क्ति कमाउँछ: यस वर्गको घना आधारलाई अट्न तीन बिटमा खाँद्नु पर्दैन, त्यसैले आठ राख्ने सामर्थ्य हुन्छ, र तपाईंले स्याम्पल गर्ने वेट तालिम पाएकाकै नजिक रहन्छन्। संरचनात्मक कारणले त्यो तस्बिर कामका लागि असमानुपातिक रूपमा महत्त्वपूर्ण छ। पाठ-मात्रको डिकोडरमा क्वान्टाइजेसनले बरालेको एम्बेडिङलाई पछिका दर्जनौं अटेन्सन तहले पुन:सन्दर्भ दिन्छन् — सुधारका धेरै मौका। भिजन स्ट्याकसँग त्यस्तो फुर्सद हुँदैन: दृश्य सूचना डिकोडरसम्म पुग्नुअघि एउटै एन्कोडर र एउटै साँघुरो प्रोजेक्टरबाट जान्छ, र तलका सबै कुरा त्यही अवरोधले उत्पादन गरेको कुरामा सर्त तोकिन्छन्। सूक्ष्म सङ्केत — कम-कन्ट्रास्टको स्क्यानमा 3 कि 8, चार्टको अक्षमा बार ठ्याक्कै कुन पिक्सेलमा टुङ्गिन्छ, तपाईंलाई क्लिक गर्न भनिएको UI तत्त्वको सिमाना — त्यो कम-परिमाणको वेट विवरणमा बस्छ, जुन आक्रामक क्वान्टाइजेसनले सबैभन्दा पहिले फ्याँक्छ।

3-बिटको भिजन मोडेल चर्को गरी असफल हुँदैन; यो मौन रूपमा असफल हुन्छ, र कागजातको सरल वर्णन दिन्छ जसमा जम्मामा दुई अङ्क सट्टापट्टा भएका हुन्छन्। उच्च वेट परिशुद्धता त्यस असफलता विरुद्धको सबैभन्दा सस्तो बिमा हो, र यहाँ त्यो नि:शुल्क छ — जे भए पनि तपाईं भुइँतल मूल्य नै तिर्नुहुन्छ।

04सन्दर्भसहित भुइँतल मूल्य

हाम्रो बाह्र-मोडेलको क्याटलगमा चार मोडेल प्रति दस लाख टोकन $0.50 इनपुट / $2.00 आउटपुट को भुइँतलमा बस्छन्। तीमध्ये एउटैले तस्बिर लिन्छ। अधिकांश वास्तविक बिलमा हावी हुने सङ्ख्या, अर्थात् आउटपुट लागतमा भिजन-सक्षम मोडेल कहाँ पर्छन्, यहाँ छ:

प्रति 1M टोकन USD मा आउटपुट मूल्य, Shannon AI गेटवेका सूची दर, सेप्टेम्बर 2026। बारको लम्बाइ क्याटलगको सबैभन्दा महँगो भिजन मोडेलको सापेक्षमा छ।

सिलिङको भिजन मोडेल र साँच्चै बलियो मोडेल Kimi-K3 विरुद्ध, MiMo-V2.5 आउटपुटमा करिब 9.6× सस्तो र इनपुटमा 7.7× सस्तो छ। त्यो बराबरीको दाबी होइन; कार्यभारको आकारबारेको तर्क हो। महिनाको एक लाख तस्बिरमा, सिलिङको मोडेल किन्न सकिँदैन र भुइँतलको सकिन्छ, र इमानदार प्रश्न भुइँतलको मोडेलले तपाईंको शुद्धता रेखा नाघ्छ कि नाघ्दैन भन्ने हो — बेन्चमार्क जित्छ कि जित्दैन भन्ने होइन।

05MiMo-V2.5 विरुद्ध MiniMax-M3: दुई सस्ता भिजन मोडेलको इमानदार तुलना

यी दुई मूल्य, सन्दर्भ र एन्डपोइन्ट सतहमा ठ्याक्कै बराबरी छन्। तर यी साटासाट गर्न मिल्ने होइनन्: क्वान्टाइजेसन तह भिजन मोडेललाई के कुराले उपयोगी बनाउँछ भन्ने दुई फरक दाउको प्रतिनिधि हो।

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
प्रति 1M इनपुट / आउटपुट	$0.50 / $2.00	$0.50 / $2.00
वेट परिशुद्धता	8-बिट	3-बिट + विशेषज्ञ प्रुनिङ
आधारको आकार	सुगठित, घना	ठूलो, विरल MoE
भिजन	छ	छ
सन्दर्भ विन्डो	262,144	262,144
स्किमा · टुल · स्ट्रिमिङ	छ	छ

तस्बिर नै कठिन भाग हुँदा MiMo-V2.5 छान्नुहोस्: अपूर्ण स्क्यानमा घना OCR, चार्ट र तालिकाबाट सङ्ख्यात्मक निकासी, स्क्रिनसट तथा UI ग्राउन्डिङ, साना अक्षर पढाइ, झन्डै उस्तै देखिने उत्पादनका फोटो छुट्याउने — जहाँ सट्टापट्टा भएको अङ्क सजावटी त्रुटि नभई दोष हो। तपाईंलाई पिक्सेलदेखि टोकनसम्मको सर्वोच्च निष्ठाको बाटो चाहिन्छ, र यस मूल्यमा त्यो पाउने उपाय 8-बिट वेट हो।

तस्बिर सजिलो भाग हुँदा MiniMax-M3 छान्नुहोस्। 3 बिटमा सङ्कुचित ठूलो विरल आधारले प्रुनिङपछि पनि सुगठित घना मोडेलले सक्नेभन्दा बढी संसार-ज्ञान र तर्कको फैलावट बोक्छ। कार्य "यो फोटो हेर र यसले के अर्थ लगाउँछ भनी लामो तर्क गर" हो, वा तस्बिर प्रायः-पाठ कुराकानीको एउटा इनपुट मात्र हो भने, ठूलो आधार नै राम्रो उपकरण हो — तपाईंले साटेको दृश्य तीक्ष्णता बाध्यकारी बन्धन थिएन।

06MiMo-V2.5 विरुद्ध MiMo-V2.5-Pro: आँखा साटेर गहिराइ लिने सहोदर

यही तुलनाले सबैभन्दा धेरै सहयोग टिकट उत्पादन गर्छ, त्यसैले स्पष्ट हुनु उचित छ। MiMo-V2.5-Pro-W8A16 र MiMo-V2.5-W8A16 ले मूल्य, सन्दर्भ विन्डो, परिशुद्धता तह र परिवारको नाम बाँड्छन्। Pro ले तस्बिर स्वीकार गर्दैन। यो सुपरसेट होइन। यो उही बजेटको फरक बाँडफाँट हो।

मल्टिमोडल मोडेल सेवा दिनुको अर्थ डिकोडरसँगै भिजन टावर र प्रोजेक्टरको पनि मूल्य तिर्नु हो — निश्चित लागत लक्ष्यमा, त्यो क्षमता भाषा मोडेलमै खर्च हुँदैन। Pro ले सबै पाठमै खर्च गर्छ: लामो-रूपको लेखन, विस्तारित तर्क र कोडका लागि बढी ठाउँ भएको ठूलो आधार। MiMo-V2.5 ले त्यसको केही अंश दृष्टिमा खर्च गर्छ।

त्यसैले निर्णय नियम तपाईंका महत्त्वाकाङ्क्षाबारे होइन, तपाईंका इनपुट बारे हो। कुनै पनि अनुरोधमा स्क्रिनसट, स्क्यान गरिएको पृष्ठ, चार्ट, रेखाचित्र वा फोटो हुन सक्छ भने तपाईंलाई MiMo-V2.5 चाहिन्छ — Pro ले त्यो सामग्री ब्लक अस्वीकार गर्छ। हरेक अनुरोध पाठ हो र तपाईंले बानीले भिजन मोडेल छान्नुभयो भने, तपाईं व्यर्थमै आधारको गुणस्तर छाड्दै हुनुहुन्छ: उही दरमा MiMo-V2.5-Pro लिनुहोस्।

चोर्न लायक एउटा ढाँचा: सामग्रीको प्रकारअनुसार राउट गर्नुहोस्। तस्बिर भाग भएको जुनसुकै MiMo-V2.5-W8A16 मा, बाँकी सबै MiMo-V2.5-Pro-W8A16 मा। उही परिवार, उही मूल्य, उही सन्दर्भ बजेट — राउटर सामान्य हुन्छ र मिलाउनुपर्ने कुनै लागत मोडेल हुँदैन।

07"सेन्सर नगरिएको तस्बिर बुझाइ" को वास्तविक अर्थ

यो मोडेलअगाडि कुनै अस्वीकृति तह छैन र यसको आउटपुटमा कुनै सामग्री फिल्टर छैन। त्यो भिजन कामका लागि निश्चित परिणाम भएको उत्पादन निर्णय हो: मोडेलले विषयवस्तुका आधारमा अस्वीकार गर्नुको सट्टा फ्रेममा जे छ त्यही वर्णन गर्छ।

यो महत्त्वपूर्ण छ किनभने फिल्टर गरिएका भिजन API वैध कामको पूरै एउटा कोटीका लागि संरचनात्मक रूपमै अनुपयुक्त हुन्छन्। मोडेरेसन पाइपलाइनले आफूले मोडेरेट गर्ने सामग्री हेर्नै पर्छ र त्यो के हो भन्नै पर्छ; आफूले वर्गीकरण गर्ने कुरा हेर्न अस्वीकार गर्ने क्लासिफायर क्लासिफायर नै होइन। वास्तविक कामको लामो सूचीभरि यही लागू हुन्छ:

• ट्रस्ट एन्ड सेफ्टी उपकरण — मूलधारका API ले प्रशोधन नगर्ने ठ्याक्कै त्यही तस्बिर लेबल गर्ने, जुन लेबल गर्न सबैभन्दा बढी जरुरी तस्बिर हो।
• चिकित्सकीय, फोरेन्सिक र दुर्घटनाका तस्बिर — क्लिनिकल, चोटपटक र घटनास्थलका तस्बिर, जसलाई सामान्य फिल्टरले कसले सोधेको हो भन्ने नहेरी बीभत्स भनेर अस्वीकार गर्छन्।
• सुरक्षा अनुसन्धान — फिसिङ पृष्ठ, दुर्भावनापूर्ण इन्टरफेस र क्याप्चर गरिएका स्क्रिन पढ्ने, मोडेलले आधारमै आपत्ति नजनाईकनै।
• वयस्क-सामग्री वर्गीकरण र अभिलेख सूचीकरण — सामग्री पहिचान गर्नकै लागि बनेका र हेर्ने काम अरूलाई सुम्पन नसक्ने पाइपलाइन, थपमा फिल्टरले लेबल गर्नै नमिल्ने ठान्ने ऐतिहासिक सङ्ग्रह।

अस्वीकृति तह हटाउनुले इन्जिनियरिङको अवरोध हटाउँछ, कानुनी अवरोध होइन। Shannon AI लाई New Mexico, USA मा Shannon Lab LLC ले सञ्चालन गर्छ, र API को प्रयोग हाम्रो जिम्मेवार प्रयोग नीतिद्वारा सञ्चालित हुन्छ। फिल्टर नगरिएको आउटपुट क्षमता हो, अनुमतिपत्र होइन।

08बोलाउने तरिका: एन्डपोइन्ट, तस्बिर इनपुट, र यो कहाँ मिल्छ

मोडेल MiMo-V2.5-W8A16 हो, जुन उही वेट विरुद्ध तीन अनुरोध बोलीमा पुग्न सकिन्छ, त्यसैले तपाईंसँग पहिल्यै जुन SDK छ त्यही राख्नुहुन्छ:

• /v1/chat/completions — OpenAI-अनुकूल। तस्बिर image_url सामग्री भागका रूपमा जान्छन्, या त https URL या base64 डेटा URI का रूपमा।
• /v1/messages — Anthropic-अनुकूल। तस्बिर image सामग्री ब्लकका रूपमा जान्छन्।
• /v1/responses — Responses-शैलीको बोली।

स्ट्रिमिङ र टुल कलिङ तीनैमा काम गर्छन्, त्यसैले मोडेलले एउटै टर्नमा स्क्रिनसट हेरेर देखेको कुराबारे फङ्सन बोलाउन सक्छ। पूर्ण अनुरोध र प्रतिक्रिया स्किमा API कागजात मा छन्, जसले कुनै कोड लेख्नुअघि नै तस्बिर टाँस्न मिल्ने प्लेग्राउन्ड पनि राख्छ।

MiMo-V2.5 ले कडा json_schema र response_format समर्थन गर्छ — डेमो र पाइपलाइनबीचको फरक यही हो। यसलाई एउटा रसिद र विक्रेता, मिति, लाइन आइटम तथा जम्माका लागि टाइप गरिएका फिल्ड भएको स्किमा दिनुहोस्, अनि तपाईंले regex गर्नुपर्ने अनुच्छेद होइन, तपाईंको कोडले प्रमाणित गर्न सक्ने वस्तु फिर्ता पाउनुहुन्छ। यस क्याटलगका बाह्रमध्ये दुई मोडेलमा पूर्ण संरचित-आउटपुट समर्थन छैन; यसमा छ, र त्यसैले यो उच्च-मात्राको निकासी सेवाका रूपमा काम गर्छ।

सन्दर्भ विन्डो 262,144 टोकन छ; उत्पादित आउटपुट प्रति अनुरोध 16,384 टोकन मा सीमित छ। तस्बिरले रिजोल्युसनको आधारमा इनपुट टोकन खपत गर्छन्, त्यसैले उच्च-रिजोल्युसनका पृष्ठ स्क्यानले बराबर शब्द सङ्ख्याको पाठभन्दा धेरै छिटो सन्दर्भ खान्छन्। 300-पृष्ठको स्क्यान एउटै अनुरोधमा लोड गर्नुको सट्टा लामा कागजात पृष्ठ-पृष्ठ गर्नुहोस्, र आउटपुट सीमालाई विस्तृत निकासीमाथिको साँचो बन्धन ठान्नुहोस् — टुक्रिएको जवाफ पाउनुको सट्टा घना तालिकालाई पङ्क्ति दायराअनुसार टुक्र्याउनुहोस्।

परिवारको वंशावली हेर्दा reasoning_effort नबको यहाँ साँचो प्रभाव छ। उच्च-मात्राको वर्गीकरणका लागि घटाउनुहोस्, जहाँ जवाफ एउटा लेबल हो र सोचाइ टोकन शुद्ध लागत हुन्; चार्ट व्याख्या, दृश्य गणित र रेखाचित्र तर्कका लागि बढाउनुहोस्, जहाँ मोडेलले जवाफ दिनुअघि देखेका धेरै कुरा जोड्नुपर्छ।

यो कहाँ मिल्छ, र कहाँ मिल्दैन

राम्रो मिल्ने। उच्च-मात्राको कागजात र रसिद निकासी; अपूर्ण स्क्यानमा OCR-नजिकको काम; चार्ट, ड्यासबोर्ड र तालिका पढाइ; स्क्रिनसट बुझाइ र UI ग्राउन्डिङ; क्याटलग ट्यागिङ र दृश्य QA; मोडेरेसन पाइपलाइन — जुनसुकै मल्टिमोडल कार्य जहाँ प्रति-कल लागत बाँधिन्छ र सूक्ष्म-विवरणको परिशुद्धता तपाईं छाड्नै चाहनुहुन्न।

नमिल्ने। मूल्य जेसुकै भए पनि सबैभन्दा बलियो मोडेल चाहिने अग्रपंक्ति-कठिनाइको मल्टिमोडल तर्क — त्यो Kimi-K3 को काम हो, र यसको मूल्य कारणसहित झन्डै दस गुणा बढी पर्छ। पाठ-मात्रको जेनेरेसन, जहाँ MiMo-V2.5-Pro ले उही दरमा राम्रो आधार दिन्छ। विश्वकोशीय संसार-ज्ञानमा भर पर्ने काम, जहाँ ठूलो विरल आधारले सुगठित घनालाई उछिन्छ। र 262K भन्दा बढी सन्दर्भ चाहिने जुनसुकै काम, जुन यहाँ कुनै मोडेलले दिँदैन।

09बारम्बार सोधिने प्रश्न

---

स्रोत: MiMo प्राविधिक प्रतिवेदन (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508। सबै बेन्चमार्क आँकडा माथि नामित जारी चेकपोइन्टका लागि Xiaomi ले रिपोर्ट गरेका हुन् र परिवारको वंश वर्णन गर्छन्, यस एन्डपोइन्टको ठ्याक्कै बिल्ड होइन। मूल्य, सन्दर्भ र क्षमता फ्ल्याग सेप्टेम्बर 2026 का Shannon AI गेटवे सूची मान हुन्।