Usensurert MiMo-syns-API

Billige multimodale endepunkter er billige fordi noe er kuttet, og det som kuttes er som regel den delen du ikke ser: vektene er klemt ned til tre eller fire bits, og modellen svarer fortsatt selvsikkert om et diagram den ikke lenger faktisk kan lese. MiMo-V2.5 er moteksempelet i katalogen vår — på prisgulvet og på det høyeste presisjonsnivået samtidig, fordi grunnmodellen den stammer fra ble bygget liten og tett i stedet for enorm og sparsom.

01Hvor MiMo kommer fra: en resonneringsmodell først, en synsmodell etterpå

MiMo-linjen er Xiaomis forskningsprogram med åpne vekter, og grunnpåstanden er umoderne: resonneringsevnen settes under førtreningen, ikke skrus på i etterkant med RL. Arbeidet er stort sett dataarbeid — Xiaomi bygde om tekstuttrekk og filtrering for å heve tettheten av resonneringsmønstre i korpuset, genererte syntetiske resonneringsdata i stor skala og førtrente MiMo-7B-Base på omtrent 25 billioner tokens under en tretrinns blanding, med Multiple-Token Prediction som et hjelpemål som under inferens også fungerer som en spekulativ dekoder (akseptrate nær 90 %, ifølge Xiaomi).

Ettertreningen er bevisst nøktern: 130,000 matematikk- og kodeoppgaver med kun regelbaserte nøyaktighetsbelønninger, ingen lært belønningsmodell, ut fra resonnementet at en nevral belønningsmodell er en flate som lar seg utnytte. Verifiserbare belønninger lar seg ikke snakke rundt. MiMo-7B-RL leverer tall ute av proporsjon med størrelsen sin — Xiaomi rapporterer 68.2 % på AIME 2024, 95.8 % på MATH-500 og 57.8 % på LiveCodeBench v5 ved pass@1, på linje med OpenAIs o1-mini. Det er formen på modellen du kaller: kompakt, tett trent, innstilt på å arbeide seg gjennom et problem heller enn å hente frem et svar — og det temperamentet overlever inn i de multimodale etterkommerne.

02Slik lærte MiMo å se: MiMo-VL-arkitekturen

MiMo-VL er syns- og språkgrenen, og oppbyggingen er lærerik. Xiaomi satte sammen tre deler: en ViT-koder med nativ oppløsning som bevarer fin detalj i stedet for å presse hvert bilde gjennom et fast lavoppløst rutenett, en tilfeldig initialisert MLP-projektor inn i språkmodellens latente rom, og — helt avgjørende — MiMo-resonneringsryggraden som språkmodell. Synssystemet arver en dekoder som allerede er god på flertrinnstenkning, i stedet for en som bare er god på bildetekster.

Treningen gikk i fire førtreningstrinn — oppvarming av projektoren, syns- og språkjustering, generell multimodal førtrening, SFT med lang kontekst — over omtrent 2,4 billioner tokens, deretter Mixed On-policy Reinforcement Learning (MORL), som folder persepsjonsnøyaktighet, presisjon i visuell forankring, riktig resonnering og preferanser fra mennesker og AI inn i én on-policy-sløyfe. Rapporten er åpen om at det er ustabilt å optimere alt dette samtidig — en ærligere innramming enn de fleste multimodale artikler tilbyr.

De publiserte resultatene er sterke for parameterantallet. Xiaomi rapporterer at MiMo-VL-7B-RL slår Qwen2.5-VL-7B på 35 av 40 oppgaver, 59.4 på OlympiadBench (over modeller opp til 78B) og 56.1 på OSWorld-G for GUI-forankring, foran spesialbygde grensesnittagenter. Den senere 2508-oppdateringen dyttet MMMU over 70 for første gang i serien (70.6), nådde 94.4 på ChartQA, 92.5 på ScreenSpot-v2 og 70.8 på VideoMME, og la til en tenkebryter så resonneringsspor kan slås av per forespørsel.

03Hva W8A16 betyr, og hvorfor det teller mer for syn enn for tekst

Hver modell på gatewayen bærer en kvantiseringsendelse. Den er ikke pynt — den forteller deg hva som ble byttet bort for å gjøre modellen mulig å servere.

Endelse	Hva det er	Hvorfor den brukes
3BIT-REAP	3-bits vekter pluss REAP, en beskjæringsmetode som fjerner sjelden rutede eksperter fra en MoE-modell før kvantisering	Den eneste måten å få plass til og servere de aller største grunnmodellene i fornuftig fart
W4A16-AUTOROUND-REAP	4-bits vekter, 16-bits aktiveringer, kvantisert med AutoRound — lært avrunding som gjenvinner nøyaktighet mot naiv avrunding til nærmeste — pluss REAP-beskjæring	Mellomting for store grunnmodeller som ikke trenger ekstrem komprimering
W8A16	8-bits vekter, 16-bits aktiveringer — det høyeste troskapsnivået vi serverer	Brukes der grunnmodellen er liten nok til at aggressiv komprimering er unødvendig

MiMo-V2.5 fortjener den tredje raden ved å være kompakt: en tett grunnmodell i denne klassen trenger ikke å knuses ned til tre bits for å få plass, så du har råd til å beholde åtte, og vektene du trekker fra holder seg nær dem som ble trent. Det teller uforholdsmessig mye for bildearbeid, av en strukturell grunn. I en ren tekstdekoder blir en innbygging som driver under kvantisering satt i ny sammenheng av dusinvis av senere oppmerksomhetslag — mange sjanser til å rette seg opp. En synsstakk har ingen slik slakk: visuell informasjon passerer gjennom én koder og én smal projektor før den når dekoderen, og alt nedstrøms er betinget av det den flaskehalsen produserte. Finkornet signal — 3 mot 8 i en skanning med lav kontrast, det nøyaktige pikselet der en søyle slutter på en diagramakse, kanten av et grensesnittelement du blir bedt om å klikke på — bor i vektdetaljene med lav størrelse, som aggressiv kvantisering kaster først.

En 3-bits synsmodell feiler ikke høylytt; den feiler stille, og produserer en flytende beskrivelse av et dokument med to sifre byttet om i totalsummen. Høyere vektpresisjon er den billigste forsikringen mot den feilen, og her er den gratis — du betaler gulvprisen uansett.

04Gulvprisen, satt i sammenheng

Fire modeller i katalogen vår på tolv ligger på prisgulvet $0.50 inn / $2.00 ut per million tokens. Bare én av dem tar bilder. Slik ligger de synskapable modellene an på utdatakostnad, tallet som dominerer de fleste reelle regninger:

Utdatapris i USD per 1M tokens, listepriser på Shannon AI Gateway, september 2026. Søylelengden er relativ til den dyreste synsmodellen i katalogen.

Mot Kimi-K3 — takmodellen for syn, og en genuint sterkere en — er MiMo-V2.5 omtrent 9,6× billigere på utdata og 7,7× billigere på inndata. Det er ingen påstand om likeverd; det er et argument om formen på arbeidsmengden. Ved hundre tusen bilder i måneden har du ikke råd til takmodellen, men til gulvmodellen, og det ærlige spørsmålet er om gulvmodellen klarer nøyaktighetskravet ditt — ikke om den vinner en benchmark.

05MiMo-V2.5 mot MiniMax-M3: de to billige synsmodellene, ærlig sammenlignet

Disse to ligger nøyaktig likt på pris, kontekst og endepunktsflate. De er ikke utbyttbare: kvantiseringsnivået er en indikator på to ulike veddemål om hva som gjør en synsmodell nyttig.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Inn / ut per 1M	$0.50 / $2.00	$0.50 / $2.00
Vektpresisjon	8 bits	3 bits + ekspertbeskjæring
Størrelse på grunnmodell	Kompakt, tett	Stor, sparsom MoE
Syn	Ja	Ja
Kontekstvindu	262,144	262,144
Skjema · verktøy · strømming	Ja	Ja

Velg MiMo-V2.5 når bildet er den vanskelige delen: tett OCR på ufullkomne skanninger, uttrekk av tall fra diagrammer og tabeller, forankring i skjermbilder og grensesnitt, lesing av liten skrift, å skille nesten identiske produktbilder fra hverandre — alt der et ombyttet siffer er en defekt og ikke en skjønnhetsfeil. Du vil ha den mest troverdige banen fra piksler til tokens, og 8-bits vekter er slik du får den til denne prisen.

Velg MiniMax-M3 når bildet er den enkle delen. En stor sparsom grunnmodell komprimert til 3 bits rommer fortsatt mer verdenskunnskap og resonneringsbredde enn en kompakt tett modell kan, selv etter beskjæring. Hvis oppgaven er «se på dette fotografiet og resonner utførlig om hva det innebærer», eller bildet er én inndata i en hovedsakelig tekstbasert samtale, er den større grunnmodellen det bedre instrumentet — synsskarpheten du byttet bort var ikke den bindende begrensningen.

06MiMo-V2.5 mot MiMo-V2.5-Pro: søskenet som byttet øyne mot dybde

Dette er sammenligningen som skaper flest supporthenvendelser, så det er verdt å være direkte. MiMo-V2.5-Pro-W8A16 og MiMo-V2.5-W8A16 deler pris, kontekstvindu, presisjonsnivå og familienavn. Pro tar ikke imot bilder. Den er ikke et supersett. Den er en annen fordeling av det samme budsjettet.

Å servere en multimodal modell betyr å betale for et synstårn og en projektor ved siden av dekoderen — ved et fast kostnadsmål er det kapasitet som ikke brukes på selve språkmodellen. Pro bruker alt på tekst: en større grunnmodell med mer takhøyde for lang skriving, utstrakt resonnering og kode. MiMo-V2.5 bruker en del av det på syn.

Så beslutningsregelen handler om inndataene dine, ikke ambisjonene dine. Hvis en forespørsel kan inneholde et skjermbilde, en skannet side, et diagram, en figur eller et fotografi, trenger du MiMo-V2.5 — Pro vil avvise innholdsblokken. Hvis hver forespørsel er tekst og du grep etter synsmodellen av vane, gir du fra deg kvalitet i grunnmodellen uten å få noe igjen: ta MiMo-V2.5-Pro til samme sats.

Et mønster verdt å stjele: rut etter innholdstype. Alt med en bildedel går til MiMo-V2.5-W8A16, alt annet til MiMo-V2.5-Pro-W8A16. Samme familie, samme pris, samme kontekstbudsjett — ruteren er triviell og det finnes ingen kostnadsmodell å forene.

07Hva «usensurert bildeforståelse» faktisk betyr

Det finnes ikke noe avvisningslag foran denne modellen og ikke noe innholdsfilter på utdataene. Det er en produktbeslutning med en bestemt konsekvens for synsarbeid: modellen beskriver hva som er i bildeutsnittet i stedet for å avslå ut fra temaet.

Dette betyr noe fordi filtrerte syns-API-er strukturelt sett er uegnet for en hel kategori legitimt arbeid. En modereringsrørledning må se på materialet den modererer og si hva det er; en klassifikator som nekter å undersøke det den klassifiserer, er ingen klassifikator. Det samme gjelder over en lang liste ekte oppgaver:

• Verktøy for tillit og sikkerhet — å merke nøyaktig de bildene et vanlig API ikke vil behandle, som er de bildene som mest trenger merking.
• Medisinske, rettsmedisinske og ulykkesrelaterte bilder — klinisk foto, skadefoto og åstedsfoto som generiske filtre avviser som grafisk uansett hvem som spør.
• Sikkerhetsforskning — å lese phishing-sider, ondsinnede grensesnitt og fangede skjermer uten at modellen steiler på premisset.
• Klassifisering av voksent innhold og arkivkatalogisering — rørledninger som finnes for å identifisere materiale og ikke kan sette bort selve det å se, pluss historiske samlinger som filtre behandler som umulige å merke.

Å fjerne avvisningslaget fjerner en teknisk hindring, ikke en juridisk. Shannon AI drives av Shannon Lab LLC i New Mexico, USA, og bruk av API-et er underlagt vår policy for ansvarlig bruk. Ufiltrerte utdata er en evne, ikke en tillatelseslapp.

08Slik kaller du den: endepunkter, bilder som inndata, og hvor den passer

Modellen er MiMo-V2.5-W8A16, tilgjengelig på tre forespørselsdialekter mot de samme vektene, så du beholder det SDK-et du allerede har:

• /v1/chat/completions — OpenAI-kompatibel. Bilder legges inn som image_url-innholdsdeler, enten som en https-URL eller en base64-data-URI.
• /v1/messages — Anthropic-kompatibel. Bilder legges inn som image-innholdsblokker.
• /v1/responses — dialekten i Responses-stil.

Strømming og verktøykall virker på alle tre, så modellen kan se på et skjermbilde og kalle en funksjon om det den så, i én tur. Fulle skjemaer for forespørsel og svar finnes i API-dokumentasjonen, som også har en lekeplass du kan lime et bilde inn i før du skriver kode.

MiMo-V2.5 støtter strengt json_schema og response_format — forskjellen mellom en demo og en rørledning. Gi den en kvittering pluss et skjema med typede felter for leverandør, dato, linjeposter og total, og du får tilbake et objekt koden din kan validere i stedet for et avsnitt du må kjøre regex på. To av de tolv modellene i denne katalogen mangler full støtte for strukturert utdata; denne gjør ikke det, og det er derfor den fungerer som en uttrekkstjeneste i stort volum.

Kontekstvinduet er 262,144 tokens; generert utdata er begrenset til 16,384 tokens per forespørsel. Bilder bruker inn-tokens som en funksjon av oppløsning, så høyoppløste sideskanninger spiser kontekst langt raskere enn et tilsvarende ordantall tekst. Del opp lange dokumenter i sider heller enn å laste en skanning på 300 sider i én forespørsel, og behandle utdatataket som en reell begrensning på uttømmende uttrekk — del opp tette tabeller etter radområde i stedet for å få et avkortet svar.

reasoning_effort-bryteren har reell effekt her, gitt familiens bakgrunn. Skru den ned til klassifisering i stort volum, der svaret er en merkelapp og tenketokens er ren kostnad; skru den opp til tolkning av diagrammer, visuell matematikk og resonnering om figurer, der modellen må kombinere flere ting den ser før den kan svare.

Hvor den passer, og hvor den ikke gjør det

Gode treff. Uttrekk fra dokumenter og kvitteringer i stort volum; OCR-nært arbeid på ufullkomne skanninger; lesing av diagrammer, dashbord og tabeller; forståelse av skjermbilder og forankring i grensesnitt; katalogmerking og visuell QA; modereringsrørledninger — enhver multimodal oppgave der kostnaden per kall er bindende og presisjon på detaljnivå er det du nekter å gi slipp på.

Dårlige treff. Multimodal resonnering på fronten som krever den sterkeste modellen uansett pris — det er Kimi-K3s jobb, og den koster nesten ti ganger mer av en grunn. Ren tekstgenerering, der MiMo-V2.5-Pro gir en bedre grunnmodell til samme sats. Arbeid som lener seg på encyklopedisk verdenskunnskap, der en stor sparsom grunnmodell løper fra en kompakt tett. Og alt som trenger mer enn 262K kontekst, som ingen modell her tilbyr.

09Ofte stilte spørsmål

---

Kilder: Teknisk MiMo-rapport (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Alle benchmarktall er rapportert av Xiaomi for de utgitte sjekkpunktene nevnt over og beskriver familieslekten, ikke den nøyaktige byggingen på dette endepunktet. Priser, kontekst og egenskapsflagg er listeverdier på Shannon AI Gateway, september 2026.