Ongecensureerde MiMo vision API

Goedkope multimodale endpoints zijn goedkoop omdat er iets is weggesneden, en wat wordt weggesneden is meestal het deel dat u niet kunt zien: de gewichten worden tot drie of vier bits samengeperst, en het model antwoordt nog steeds vol vertrouwen over een grafiek die het eigenlijk niet meer kan lezen. MiMo-V2.5 is het tegenvoorbeeld in onze catalogus — tegelijk op de prijsbodem én op het hoogste precisieniveau, omdat het basismodel waarvan het afstamt klein en dicht is gebouwd in plaats van enorm en ijl.

01Waar MiMo vandaan komt: eerst een redeneermodel, dan pas een vision-model

De MiMo-lijn is het onderzoeksprogramma met open gewichten van Xiaomi, en het uitgangspunt ervan is niet in de mode: redeneervermogen wordt vastgelegd tijdens de pretraining, en wordt er niet achteraf met RL op geschroefd. Het werk is grotendeels data-engineering — Xiaomi bouwde tekstextractie en -filtering opnieuw op om de dichtheid van redeneerpatronen in het corpus te verhogen, genereerde op grote schaal synthetische redeneerdata, en pretrainde MiMo-7B-Base op ruwweg 25 biljoen tokens onder een mengsel in drie fasen, met Multiple-Token Prediction als hulpdoelstelling die tijdens inferentie tevens dienstdoet als speculatieve decoder (acceptatiegraad van bijna 90%, volgens Xiaomi).

De posttraining is bewust sober: 130,000 wiskunde- en codeproblemen met uitsluitend regelgebaseerde beloningen voor juistheid, geen geleerd beloningsmodel, vanuit de redenering dat een neuraal beloningsmodel een aanvalsvlak is. Verifieerbare beloningen laten zich niet ompraten. MiMo-7B-RL zet cijfers neer die niet in verhouding staan tot zijn omvang — Xiaomi rapporteert 68.2% op AIME 2024, 95.8% op MATH-500 en 57.8% op LiveCodeBench v5 bij pass@1, gelijk aan o1-mini van OpenAI. Dat is de vorm van het model dat u aanroept: compact, dicht getraind, afgestemd op het doorwerken van een probleem in plaats van het ophalen van een antwoord — en dat karakter blijft behouden in de multimodale nakomelingen.

02Hoe MiMo leerde zien: de architectuur van MiMo-VL

MiMo-VL is de vision-language-tak, en de opbouw ervan is leerzaam. Xiaomi zette drie onderdelen bij elkaar: een ViT-encoder op native resolutie die fijn detail bewaart in plaats van elke afbeelding door een vast raster met lage resolutie te persen, een willekeurig geïnitialiseerde MLP-projector naar de latente ruimte van het taalmodel, en — cruciaal — de MiMo-redeneerruggengraat als taalmodel. Het vision-systeem erft een decoder die al goed is in denken in meerdere stappen, in plaats van een die alleen goed is in het schrijven van onderschriften.

De training verliep in vier pretrainingsfasen — opwarmen van de projector, vision-language-uitlijning, algemene multimodale pretraining, SFT met lange context — over ruwweg 2.4 biljoen tokens, gevolgd door Mixed On-policy Reinforcement Learning (MORL), dat nauwkeurigheid van waarneming, precisie van visuele verankering, correctheid van redeneren en voorkeur van mens en AI in één on-policy lus samenbrengt. Het rapport is er eerlijk over dat het optimaliseren van dat alles tegelijk instabiel is — een oprechtere weergave dan de meeste multimodale artikelen bieden.

De gepubliceerde resultaten zijn sterk voor het aantal parameters. Xiaomi rapporteert dat MiMo-VL-7B-RL Qwen2.5-VL-7B verslaat op 35 van de 40 taken, 59.4 op OlympiadBench haalt (boven modellen tot 78B), en 56.1 op OSWorld-G voor GUI-verankering, vóór speciaal daarvoor gebouwde interface-agents. De latere 2508-vernieuwing bracht MMMU voor het eerst in de reeks boven de 70 (70.6), haalde 94.4 op ChartQA, 92.5 op ScreenSpot-v2 en 70.8 op VideoMME, en voegde een schakelaar voor denkbesturing toe zodat redeneersporen per verzoek uitgezet kunnen worden.

03Wat W8A16 betekent, en waarom het voor vision meer uitmaakt dan voor tekst

Elk model op de gateway draagt een kwantisatiesuffix. Dat is geen decoratie — het vertelt u wat er is ingeleverd om het model serveerbaar te maken.

Suffix	Wat het is	Waarom het gebruikt wordt
3BIT-REAP	Gewichten van 3 bits plus REAP, een snoeimethode die zelden aangeroepen experts uit een MoE-model verwijdert vóór het kwantiseren	De enige manier om de allergrootste basismodellen te laten passen en op verstandige snelheid te serveren
W4A16-AUTOROUND-REAP	Gewichten van 4 bits, activaties van 16 bits, gekwantiseerd met AutoRound — geleerd afronden dat nauwkeurigheid terugwint ten opzichte van naïef afronden naar de dichtstbijzijnde waarde — plus REAP-snoeien	Middenweg voor grote basismodellen die geen extreme compressie nodig hebben
W8A16	Gewichten van 8 bits, activaties van 16 bits — het niveau met de hoogste getrouwheid dat wij serveren	Gebruikt waar het basismodel klein genoeg is dat agressieve compressie onnodig is

MiMo-V2.5 verdient de derde rij door compact te zijn: een dicht basismodel in deze klasse hoeft niet tot drie bits geplet te worden om te passen, dus kunt u zich veroorloven er acht te houden, en de gewichten waaruit u bemonstert blijven dicht bij de gewichten die getraind zijn. Dat telt onevenredig zwaar voor beeldwerk, om een structurele reden. In een decoder die alleen tekst verwerkt, wordt een embedding die onder kwantisatie afdrijft opnieuw in context geplaatst door tientallen latere attentielagen — vele kansen om te herstellen. Een vision-stack heeft die speling niet: visuele informatie passeert één encoder en één smalle projector voordat ze de decoder bereikt, en alles stroomafwaarts is geconditioneerd op wat dat knelpunt heeft opgeleverd. Fijnmazig signaal — 3 tegenover 8 in een scan met weinig contrast, de exacte pixel waar een staaf eindigt op de as van een grafiek, de rand van een UI-element waarop u moet klikken — zit in het detail van gewichten met lage magnitude, en dat gooit agressieve kwantisatie als eerste weg.

Een vision-model van 3 bits faalt niet luidruchtig; het faalt stil, met een vloeiende beschrijving van een document waarin twee cijfers in het totaal verwisseld zijn. Hogere precisie van de gewichten is de goedkoopste verzekering tegen dat falen, en hier is die gratis — u betaalt hoe dan ook de bodemprijs.

04De bodemprijs, in context

Vier modellen in onze catalogus van twaalf zitten op de prijsbodem van $0.50 invoer / $2.00 uitvoer per miljoen tokens. Slechts één daarvan neemt afbeeldingen aan. Hier ziet u waar de modellen met vision landen op uitvoerkosten, het getal dat de meeste echte rekeningen domineert:

Uitvoerprijs in USD per 1M tokens, lijsttarieven van de Shannon AI Gateway, september 2026. De lengte van de balk is relatief ten opzichte van het duurste vision-model in de catalogus.

Tegenover Kimi-K3 — het vision-model aan de bovenkant, en werkelijk een sterker model — is MiMo-V2.5 ruwweg 9.6× goedkoper op uitvoer en 7.7× goedkoper op invoer. Dat is geen claim van gelijkwaardigheid; het is een argument over de vorm van uw werklast. Bij honderdduizend afbeeldingen per maand is het topmodel onbetaalbaar en het bodemmodel wel betaalbaar, en de eerlijke vraag is of het bodemmodel uw nauwkeurigheidsdrempel haalt — niet of het een benchmark wint.

05MiMo-V2.5 versus MiniMax-M3: de twee goedkope vision-modellen, eerlijk vergeleken

Deze twee zijn exact gelijk in prijs, context en endpoint-oppervlak. Ze zijn niet uitwisselbaar: het kwantisatieniveau staat voor twee verschillende weddenschappen over wat een vision-model bruikbaar maakt.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Invoer / uitvoer per 1M	$0.50 / $2.00	$0.50 / $2.00
Precisie van de gewichten	8 bits	3 bits + snoeien van experts
Omvang basismodel	Compact, dicht	Groot, ijl MoE
Vision	Ja	Ja
Contextvenster	262,144	262,144
Schema · tools · streaming	Ja	Ja

Kies MiMo-V2.5 wanneer de afbeelding het moeilijke deel is: dichte OCR op imperfecte scans, numerieke extractie uit grafieken en tabellen, verankering in schermafbeeldingen en interfaces, het lezen van kleine tekst, het onderscheiden van vrijwel identieke productfoto's — alles waarbij een verwisseld cijfer een defect is en geen cosmetische smet. U wilt het pad met de hoogste getrouwheid van pixels naar tokens, en gewichten van 8 bits zijn hoe u dat voor deze prijs krijgt.

Kies MiniMax-M3 wanneer de afbeelding het makkelijke deel is. Een groot, ijl basismodel dat tot 3 bits is samengeperst bevat nog altijd meer wereldkennis en redeneerbreedte dan een compact, dicht model kan bevatten, zelfs na het snoeien. Is de taak "kijk naar deze foto en redeneer uitvoerig over wat ze impliceert", of is de afbeelding één invoer in een overwegend tekstueel gesprek, dan is het grotere basismodel het betere instrument — de visuele scherpte die u hebt ingeleverd was niet de bindende beperking.

06MiMo-V2.5 versus MiMo-V2.5-Pro: het verwante model dat ogen inruilde voor diepgang

Dit is de vergelijking die de meeste supporttickets oplevert, dus het loont om ronduit te zijn. MiMo-V2.5-Pro-W8A16 en MiMo-V2.5-W8A16 delen een prijs, een contextvenster, een precisieniveau en een familienaam. Pro accepteert geen afbeeldingen. Het is geen superset. Het is een andere verdeling van hetzelfde budget.

Een multimodaal model serveren betekent betalen voor een vision tower en een projector naast de decoder — bij een vast kostendoel is dat capaciteit die niet aan het taalmodel zelf besteed wordt. Pro besteedt alles aan tekst: een groter basismodel met meer ruimte voor lange teksten, uitgebreid redeneren en code. MiMo-V2.5 besteedt een deel ervan aan zicht.

De beslisregel gaat dus over uw invoer, niet over uw ambities. Kan een verzoek een schermafbeelding, een gescande pagina, een grafiek, een diagram of een foto bevatten, dan hebt u MiMo-V2.5 nodig — Pro zal het contentblok weigeren. Is elk verzoek tekst en greep u uit gewoonte naar het vision-model, dan laat u voor niets kwaliteit van het basismodel liggen: neem MiMo-V2.5-Pro tegen hetzelfde tarief.

Een patroon dat het stelen waard is: routeer op inhoudstype. Alles met een beeldonderdeel gaat naar MiMo-V2.5-W8A16, al het overige naar MiMo-V2.5-Pro-W8A16. Dezelfde familie, dezelfde prijs, hetzelfde contextbudget — de router is triviaal en er is geen kostenmodel om te verzoenen.

07Wat "ongecensureerd beeldbegrip" werkelijk betekent

Er zit geen weigeringslaag voor dit model en geen inhoudsfilter op de uitvoer. Dat is een productbeslissing met een specifiek gevolg voor vision-werk: het model beschrijft wat er in beeld is in plaats van te weigeren op grond van het onderwerp.

Dat telt omdat gefilterde vision-API's structureel ongeschikt zijn voor een hele categorie legitiem werk. Een moderatiepijplijn moet naar het materiaal kijken dat ze modereert en zeggen wat het is; een classificator die weigert te bekijken wat ze classificeert, is geen classificator. Hetzelfde geldt voor een lange lijst echte taken:

• Gereedschap voor trust and safety — precies dat beeldmateriaal labelen dat een gangbare API niet verwerkt, en dat is nu juist het materiaal dat het hardst gelabeld moet worden.
• Medisch, forensisch en ongevalsbeeldmateriaal — klinische foto's, letselfoto's en opnamen van plaatsen delict die generieke filters als schokkend afwijzen, ongeacht wie het vraagt.
• Veiligheidsonderzoek — phishingpagina's, kwaadaardige interfaces en vastgelegde schermen lezen zonder dat het model terugdeinst voor de premisse.
• Classificatie van materiaal voor volwassenen en archiefcatalogisering — pijplijnen die bestaan om materiaal te identificeren en het kijken niet kunnen uitbesteden, plus historische collecties die filters als niet-labelbaar behandelen.

Het weghalen van de weigeringslaag haalt een technische hindernis weg, geen juridische. Shannon AI wordt geëxploiteerd door Shannon Lab LLC in New Mexico, VS, en het gebruik van de API valt onder ons beleid voor verantwoord gebruik. Ongefilterde uitvoer is een mogelijkheid, geen vrijbrief.

08Aanroepen: endpoints, beeldinvoer en waar het past

Het model is MiMo-V2.5-W8A16, bereikbaar via drie verzoekdialecten tegen dezelfde gewichten, zodat u de SDK houdt die u al hebt:

• /v1/chat/completions — OpenAI-compatibel. Afbeeldingen gaan erin als image_url-contentonderdelen, hetzij als https-URL, hetzij als base64-data-URI.
• /v1/messages — Anthropic-compatibel. Afbeeldingen gaan erin als image-contentblokken.
• /v1/responses — het dialect in Responses-stijl.

Streaming en tool calling werken op alle drie, dus het model kan naar een schermafbeelding kijken en in dezelfde beurt een functie aanroepen over wat het zag. Volledige schema's voor verzoek en antwoord staan in de API-documentatie, waar ook een playground staat waarin u een afbeelding kunt plakken voordat u code schrijft.

MiMo-V2.5 ondersteunt strikt json_schema en response_format — het verschil tussen een demo en een pijplijn. Geef het een bon plus een schema met getypeerde velden voor leverancier, datum, regelposten en totaal, en u krijgt een object terug dat uw code kan valideren in plaats van een alinea waar u een regex op moet loslaten. Twee van de twaalf modellen in deze catalogus hebben geen volledige ondersteuning voor gestructureerde uitvoer; dit model wel, en daarom werkt het als extractiedienst met hoog volume.

Het contextvenster is 262,144 tokens; de gegenereerde uitvoer is begrensd op 16,384 tokens per verzoek. Afbeeldingen verbruiken invoertokens als functie van de resolutie, dus paginascans met hoge resolutie eten context veel sneller op dan een gelijkwaardig aantal woorden tekst. Verdeel lange documenten in pagina's in plaats van een scan van 300 pagina's in één verzoek te laden, en behandel de uitvoerlimiet als een echte beperking op uitputtende extractie — hak dichte tabellen op per rijbereik in plaats van een afgekapt antwoord te krijgen.

De knop reasoning_effort heeft hier echte hefboomwerking, gezien de afkomst van de familie. Draai hem omlaag voor classificatie met hoog volume, waar het antwoord een label is en denk-tokens pure kosten zijn; draai hem omhoog voor het interpreteren van grafieken, visuele wiskunde en het redeneren over diagrammen, waar het model verschillende dingen die het ziet moet combineren voordat het kan antwoorden.

Waar het past, en waar niet

Goede toepassingen. Extractie van documenten en bonnen met hoog volume; OCR-achtig werk op imperfecte scans; het lezen van grafieken, dashboards en tabellen; het begrijpen van schermafbeeldingen en verankering in interfaces; het taggen van catalogi en visuele QA; moderatiepijplijnen — elke multimodale taak waarbij de kosten per aanroep knellen en precisie op fijn detail is wat u niet wilt opgeven.

Slechte toepassingen. Multimodaal redeneren op grensverleggend niveau waarvoor u het sterkste model nodig hebt ongeacht de prijs — dat is het werk van Kimi-K3, en het kost niet voor niets bijna tien keer zoveel. Tekst-only generatie, waar MiMo-V2.5-Pro tegen hetzelfde tarief een beter basismodel geeft. Werk dat leunt op encyclopedische wereldkennis, waar een groot, ijl basismodel een compact, dicht model voorbijstreeft. En alles dat meer dan 262K context nodig heeft, wat geen enkel model hier biedt.

09Veelgestelde vragen

---

Bronnen: Technisch rapport MiMo (arXiv 2505.07608) · Technisch rapport MiMo-VL (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Alle benchmarkcijfers zijn door Xiaomi gerapporteerd voor de hierboven genoemde uitgebrachte checkpoints en beschrijven de familielijn, niet de exacte build op dit endpoint. Prijzen, context en capaciteitsvlaggen zijn lijstwaarden van de Shannon AI Gateway, september 2026.