ਬਿਨਾਂ ਸੈਂਸਰ MiMo ਵਿਜ਼ਨ API
ਸਾਡੀ ਸੂਚੀ ਵਿੱਚ ਇੱਕੋ-ਇੱਕ ਮਾਡਲ ਜੋ 8-ਬਿੱਟ ਵਜ਼ਨ ਸ਼ੁੱਧਤਾ ਨੂੰ ਚਿੱਤਰ ਸਮਝ ਨਾਲ ਜੋੜਦਾ ਹੈ — ਅਤੇ ਇਸਦੀ ਕੀਮਤ ਬਿਲਕੁਲ ਓਨੀ ਹੀ ਹੈ ਜਿੰਨੀ ਸਿਰਫ਼-ਲਿਖਤ ਵਾਲੇ ਸਭ ਤੋਂ ਸਸਤੇ ਮਾਡਲਾਂ ਦੀ: ਪ੍ਰਤੀ ਦਸ ਲੱਖ ਟੋਕਨ $0.50 ਅੰਦਰ / $2.00 ਬਾਹਰ।
ਸੰਖੇਪ
MiMo-V2.5-W8A16 Shannon AI ਗੇਟਵੇ ਉੱਤੇ MiMo ਜੋੜੇ ਦਾ ਉਹ ਮੈਂਬਰ ਹੈ ਜੋ ਵਿਜ਼ਨ-ਸਮਰਥਿਤ ਹੈ, Xiaomi ਦੀ MiMo ਲੜੀ ਤੋਂ ਉੱਤਰਿਆ — ਇੱਕ ਤਰਕ-ਪਹਿਲ ਭਾਸ਼ਾ ਮਾਡਲ ਜਿਸ ਉੱਤੇ ਵਿਜ਼ਨ ਟਾਵਰ ਜੋੜਿਆ ਗਿਆ ਹੈ — ਅਤੇ W8A16 ਉੱਤੇ ਪਰੋਸਿਆ ਗਿਆ, ਸਾਡਾ ਸਭ ਤੋਂ ਵੱਧ ਵਫ਼ਾਦਾਰੀ ਵਾਲਾ ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ ਦਰਜਾ, ਸਾਡੇ ਆਪਣੇ GPU ਕਲੱਸਟਰ ਉੱਤੇ। 262,144-ਟੋਕਨ ਸੰਦਰਭ, ਵੱਧ ਤੋਂ ਵੱਧ 16,384 ਆਊਟਪੁੱਟ ਟੋਕਨ, ਟੂਲ ਕਾਲਿੰਗ, ਸਖ਼ਤ JSON ਸਕੀਮਾ, ਸਟ੍ਰੀਮਿੰਗ, ਅਤੇ reasoning_effort ਹੱਥਾ। ਕੋਈ ਇਨਕਾਰ ਪਰਤ ਨਹੀਂ, ਕੋਈ ਆਊਟਪੁੱਟ ਫਿਲਟਰ ਨਹੀਂ। ਇਹ ਕਤਾਰ ਵਿੱਚ ਸਭ ਤੋਂ ਸਸਤੇ ਵਿਜ਼ਨ ਲਈ MiniMax-M3 ਨਾਲ ਬਰਾਬਰੀ ਕਰਦਾ ਹੈ ਅਤੇ ਸ਼ੁੱਧਤਾ ਵਿੱਚ ਇਸਨੂੰ ਪਛਾੜਦਾ ਹੈ।
ਸਸਤੇ ਮਲਟੀਮੋਡਲ ਐਂਡਪੁਆਇੰਟ ਸਸਤੇ ਇਸ ਲਈ ਹੁੰਦੇ ਹਨ ਕਿਉਂਕਿ ਕੁਝ ਕੱਟਿਆ ਗਿਆ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਜੋ ਕੱਟਿਆ ਜਾਂਦਾ ਹੈ ਉਹ ਆਮ ਤੌਰ ਉੱਤੇ ਉਹ ਹਿੱਸਾ ਹੁੰਦਾ ਹੈ ਜੋ ਤੁਸੀਂ ਵੇਖ ਨਹੀਂ ਸਕਦੇ: ਵਜ਼ਨ ਤਿੰਨ ਜਾਂ ਚਾਰ ਬਿੱਟਾਂ ਤੱਕ ਨਿਚੋੜੇ ਜਾਂਦੇ ਹਨ, ਅਤੇ ਮਾਡਲ ਫਿਰ ਵੀ ਭਰੋਸੇ ਨਾਲ ਉਸ ਚਾਰਟ ਬਾਰੇ ਜਵਾਬ ਦਿੰਦਾ ਹੈ ਜਿਸਨੂੰ ਉਹ ਹੁਣ ਸਹੀ ਢੰਗ ਨਾਲ ਪੜ੍ਹ ਹੀ ਨਹੀਂ ਸਕਦਾ। MiMo-V2.5 ਸਾਡੀ ਸੂਚੀ ਵਿੱਚ ਉਲਟੀ ਮਿਸਾਲ ਹੈ — ਇੱਕੋ ਵੇਲੇ ਸਭ ਤੋਂ ਹੇਠਲੀ ਕੀਮਤ ਅਤੇ ਸਭ ਤੋਂ ਉੱਚੇ ਸ਼ੁੱਧਤਾ ਦਰਜੇ ਉੱਤੇ, ਕਿਉਂਕਿ ਜਿਸ ਬੁਨਿਆਦ ਤੋਂ ਇਹ ਉੱਤਰਿਆ ਹੈ ਉਹ ਵਿਸ਼ਾਲ ਅਤੇ ਵਿਰਲੀ ਦੀ ਥਾਂ ਛੋਟੀ ਅਤੇ ਸੰਘਣੀ ਬਣਾਈ ਗਈ ਸੀ।
01MiMo ਕਿੱਥੋਂ ਆਉਂਦਾ ਹੈ: ਪਹਿਲਾਂ ਤਰਕ ਮਾਡਲ, ਫਿਰ ਵਿਜ਼ਨ ਮਾਡਲ
MiMo ਲੜੀ Xiaomi ਦਾ ਖੁੱਲ੍ਹੇ-ਵਜ਼ਨ ਵਾਲਾ ਖੋਜ ਪ੍ਰੋਗਰਾਮ ਹੈ, ਅਤੇ ਇਸਦੀ ਬੁਨਿਆਦੀ ਦਲੀਲ ਗੈਰ-ਰਵਾਇਤੀ ਹੈ: ਤਰਕ ਦੀ ਸਮਰੱਥਾ ਪੂਰਵ-ਸਿਖਲਾਈ ਦੌਰਾਨ ਹੀ ਤੈਅ ਹੁੰਦੀ ਹੈ, ਬਾਅਦ ਵਿੱਚ RL ਨਾਲ ਜੋੜੀ ਨਹੀਂ ਜਾਂਦੀ। ਇਹ ਕੰਮ ਜ਼ਿਆਦਾਤਰ ਡਾਟਾ ਇੰਜੀਨੀਅਰਿੰਗ ਹੈ — Xiaomi ਨੇ ਕਾਰਪਸ ਵਿੱਚ ਤਰਕ ਦੇ ਨਮੂਨਿਆਂ ਦੀ ਘਣਤਾ ਵਧਾਉਣ ਲਈ ਲਿਖਤ ਕੱਢਣ ਅਤੇ ਫਿਲਟਰ ਕਰਨ ਦਾ ਤਰੀਕਾ ਦੁਬਾਰਾ ਬਣਾਇਆ, ਵੱਡੇ ਪੱਧਰ ਉੱਤੇ ਸਿੰਥੈਟਿਕ ਤਰਕ ਡਾਟਾ ਤਿਆਰ ਕੀਤਾ, ਅਤੇ MiMo-7B-Base ਨੂੰ ਲਗਭਗ 25 ਖਰਬ ਟੋਕਨਾਂ ਉੱਤੇ ਤਿੰਨ-ਪੜਾਵੀ ਮਿਸ਼ਰਣ ਹੇਠ ਪੂਰਵ-ਸਿਖਲਾਈ ਦਿੱਤੀ, ਨਾਲੇ Multiple-Token Prediction ਨੂੰ ਸਹਾਇਕ ਉਦੇਸ਼ ਵਜੋਂ ਵਰਤਿਆ ਜੋ ਇਨਫ਼ਰੈਂਸ ਵੇਲੇ ਸਪੈਕੁਲੇਟਿਵ ਡੀਕੋਡਰ ਵਜੋਂ ਵੀ ਕੰਮ ਕਰਦਾ ਹੈ (Xiaomi ਮੁਤਾਬਕ ਸਵੀਕਾਰ ਦਰ ਲਗਭਗ 90%)।
ਸਿਖਲਾਈ ਤੋਂ ਬਾਅਦ ਵਾਲੀ ਪ੍ਰਕਿਰਿਆ ਜਾਣ-ਬੁੱਝ ਕੇ ਸਾਦੀ ਰੱਖੀ ਗਈ: 130,000 ਗਣਿਤ ਅਤੇ ਕੋਡ ਸਮੱਸਿਆਵਾਂ ਸਿਰਫ਼ ਨਿਯਮ-ਅਧਾਰਿਤ ਸ਼ੁੱਧਤਾ ਇਨਾਮਾਂ ਨਾਲ, ਕੋਈ ਸਿੱਖਿਆ ਹੋਇਆ ਇਨਾਮ ਮਾਡਲ ਨਹੀਂ, ਇਸ ਦਲੀਲ ਉੱਤੇ ਕਿ ਨਿਊਰਲ ਇਨਾਮ ਮਾਡਲ ਧੋਖਾ ਦਿੱਤੇ ਜਾਣ ਵਾਲੀ ਥਾਂ ਹੈ। ਤਸਦੀਕਯੋਗ ਇਨਾਮਾਂ ਨੂੰ ਮਿੱਠੀਆਂ ਗੱਲਾਂ ਨਾਲ ਭਰਮਾਇਆ ਨਹੀਂ ਜਾ ਸਕਦਾ। MiMo-7B-RL ਆਪਣੇ ਆਕਾਰ ਦੇ ਹਿਸਾਬ ਨਾਲ ਬੇਮੇਲ ਅੰਕ ਦਿੰਦਾ ਹੈ — Xiaomi AIME 2024 ਉੱਤੇ 68.2%, MATH-500 ਉੱਤੇ 95.8%, ਅਤੇ pass@1 ਉੱਤੇ LiveCodeBench v5 ਉੱਤੇ 57.8% ਦੱਸਦਾ ਹੈ, ਜੋ OpenAI ਦੇ o1-mini ਦੇ ਬਰਾਬਰ ਹੈ। ਇਹੀ ਉਸ ਮਾਡਲ ਦਾ ਖ਼ਾਕਾ ਹੈ ਜਿਸਨੂੰ ਤੁਸੀਂ ਸੱਦ ਰਹੇ ਹੋ: ਸੰਖੇਪ, ਸੰਘਣੀ ਸਿਖਲਾਈ ਵਾਲਾ, ਜਵਾਬ ਯਾਦ ਕਰਨ ਦੀ ਥਾਂ ਸਮੱਸਿਆ ਵਿੱਚੋਂ ਲੰਘਣ ਲਈ ਢਾਲਿਆ ਗਿਆ — ਅਤੇ ਇਹ ਸੁਭਾਅ ਮਲਟੀਮੋਡਲ ਵਾਰਸਾਂ ਵਿੱਚ ਵੀ ਬਚਿਆ ਰਹਿੰਦਾ ਹੈ।
02MiMo ਨੇ ਵੇਖਣਾ ਕਿਵੇਂ ਸਿੱਖਿਆ: MiMo-VL ਢਾਂਚਾ
MiMo-VL ਵਿਜ਼ਨ-ਭਾਸ਼ਾ ਵਾਲੀ ਸ਼ਾਖਾ ਹੈ, ਅਤੇ ਇਸਦੀ ਬਣਤਰ ਸਿੱਖਣ ਯੋਗ ਹੈ। Xiaomi ਨੇ ਤਿੰਨ ਹਿੱਸੇ ਜੋੜੇ: ਇੱਕ ਮੂਲ-ਰੈਜ਼ੋਲੂਸ਼ਨ ViT ਇਨਕੋਡਰ ਜੋ ਹਰ ਚਿੱਤਰ ਨੂੰ ਇੱਕ ਨਿਸਚਿਤ ਘੱਟ-ਰੈਜ਼ੋਲੂਸ਼ਨ ਗਰਿੱਡ ਵਿੱਚੋਂ ਜ਼ਬਰਦਸਤੀ ਲੰਘਾਉਣ ਦੀ ਥਾਂ ਬਰੀਕ ਵੇਰਵਾ ਬਚਾਈ ਰੱਖਦਾ ਹੈ, ਇੱਕ ਬੇਤਰਤੀਬੇ-ਸ਼ੁਰੂ ਕੀਤਾ MLP ਪ੍ਰੋਜੈਕਟਰ ਜੋ ਭਾਸ਼ਾ ਮਾਡਲ ਦੀ ਗੁਪਤ ਥਾਂ ਵਿੱਚ ਜਾਂਦਾ ਹੈ, ਅਤੇ — ਸਭ ਤੋਂ ਅਹਿਮ — ਭਾਸ਼ਾ ਮਾਡਲ ਵਜੋਂ MiMo ਤਰਕ ਬੁਨਿਆਦ। ਵਿਜ਼ਨ ਸਿਸਟਮ ਨੂੰ ਵਿਰਾਸਤ ਵਿੱਚ ਅਜਿਹਾ ਡੀਕੋਡਰ ਮਿਲਦਾ ਹੈ ਜੋ ਪਹਿਲਾਂ ਹੀ ਕਈ-ਪੜਾਵੀ ਸੋਚ-ਵਿਚਾਰ ਵਿੱਚ ਚੰਗਾ ਹੈ, ਨਾ ਕਿ ਸਿਰਫ਼ ਵਰਣਨ ਲਿਖਣ ਵਿੱਚ ਚੰਗਾ ਹੋਵੇ।
ਸਿਖਲਾਈ ਚਾਰ ਪੂਰਵ-ਸਿਖਲਾਈ ਪੜਾਵਾਂ ਵਿੱਚ ਚੱਲੀ — ਪ੍ਰੋਜੈਕਟਰ ਵਾਰਮਅੱਪ, ਵਿਜ਼ਨ-ਭਾਸ਼ਾ ਅਲਾਈਨਮੈਂਟ, ਆਮ ਮਲਟੀਮੋਡਲ ਪੂਰਵ-ਸਿਖਲਾਈ, ਲੰਮੇ-ਸੰਦਰਭ SFT — ਲਗਭਗ 2.4 ਖਰਬ ਟੋਕਨਾਂ ਉੱਤੇ, ਫਿਰ Mixed On-policy Reinforcement Learning (MORL), ਜੋ ਧਾਰਨਾ ਦੀ ਸ਼ੁੱਧਤਾ, ਵਿਜ਼ੁਅਲ ਗਰਾਊਂਡਿੰਗ ਦੀ ਸ਼ੁੱਧਤਾ, ਤਰਕ ਦੀ ਸ਼ੁੱਧਤਾ, ਅਤੇ ਮਨੁੱਖੀ/AI ਪਸੰਦ ਨੂੰ ਇੱਕੋ ਆਨ-ਪਾਲਿਸੀ ਲੂਪ ਵਿੱਚ ਸਮੇਟਦਾ ਹੈ। ਰਿਪੋਰਟ ਖੁੱਲ੍ਹ ਕੇ ਮੰਨਦੀ ਹੈ ਕਿ ਇਨ੍ਹਾਂ ਸਭ ਨੂੰ ਇੱਕੋ ਵੇਲੇ ਅਨੁਕੂਲ ਕਰਨਾ ਅਸਥਿਰ ਹੈ — ਬਹੁਤੇ ਮਲਟੀਮੋਡਲ ਪੇਪਰਾਂ ਨਾਲੋਂ ਵੱਧ ਇਮਾਨਦਾਰ ਪੇਸ਼ਕਾਰੀ।
ਪ੍ਰਕਾਸ਼ਿਤ ਨਤੀਜੇ ਪੈਰਾਮੀਟਰ ਗਿਣਤੀ ਦੇ ਹਿਸਾਬ ਨਾਲ ਮਜ਼ਬੂਤ ਹਨ। Xiaomi ਦੱਸਦਾ ਹੈ ਕਿ MiMo-VL-7B-RL 40 ਵਿੱਚੋਂ 35 ਕੰਮਾਂ ਉੱਤੇ Qwen2.5-VL-7B ਨੂੰ ਪਛਾੜਦਾ ਹੈ, OlympiadBench ਉੱਤੇ 59.4 (78B ਤੱਕ ਦੇ ਮਾਡਲਾਂ ਤੋਂ ਉੱਪਰ), ਅਤੇ GUI ਗਰਾਊਂਡਿੰਗ ਲਈ OSWorld-G ਉੱਤੇ 56.1, ਖ਼ਾਸ ਇੰਟਰਫ਼ੇਸ ਏਜੰਟਾਂ ਤੋਂ ਵੀ ਅੱਗੇ। ਬਾਅਦ ਵਾਲੇ 2508 ਅੱਪਡੇਟ ਨੇ ਲੜੀ ਵਿੱਚ ਪਹਿਲੀ ਵਾਰ MMMU ਨੂੰ 70 ਤੋਂ ਪਾਰ (70.6) ਪਹੁੰਚਾਇਆ, ChartQA ਉੱਤੇ 94.4, ScreenSpot-v2 ਉੱਤੇ 92.5 ਅਤੇ VideoMME ਉੱਤੇ 70.8 ਹਾਸਲ ਕੀਤਾ, ਅਤੇ ਇੱਕ ਸੋਚ-ਕੰਟਰੋਲ ਸਵਿੱਚ ਜੋੜਿਆ ਤਾਂ ਜੋ ਤਰਕ ਦੀਆਂ ਲੜੀਆਂ ਪ੍ਰਤੀ ਬੇਨਤੀ ਬੰਦ ਕੀਤੀਆਂ ਜਾ ਸਕਣ।
ਵਰਜਨ ਦੇ ਦਾਅਵਿਆਂ ਬਾਰੇ ਇੱਕ ਟਿੱਪਣੀ
ਉੱਪਰਲਾ ਹਰ ਅੰਕੜਾ Xiaomi ਵੱਲੋਂ ਦੱਸਿਆ ਗਿਆ ਖ਼ੁਦ ਦਾ ਅੰਕ ਹੈ, ਕਿਸੇ ਖ਼ਾਸ ਜਾਰੀ ਕੀਤੇ ਚੈੱਕਪੁਆਇੰਟ ਲਈ, ਜੋ ਹੇਠਾਂ ਸਰੋਤ ਬਲਾਕ ਵਿੱਚ ਜੋੜਿਆ ਹੋਇਆ ਹੈ। ਸਾਡੀ ਸੂਚੀ ਵਾਲੀ ਐਂਟਰੀ ਉਸ ਵੰਸ਼ ਵਿੱਚ ਬਾਅਦ ਦਾ ਇੱਕ ਬਿੰਦੂ ਹੈ। ਅਸੀਂ ਦੱਸ ਰਹੇ ਹਾਂ ਕਿ ਮਾਡਲ ਕਿੱਥੋਂ ਆਉਂਦਾ ਹੈ ਅਤੇ ਇਹ ਪਰਿਵਾਰ ਕੀ ਕਰਨ ਲਈ ਬਣਾਇਆ ਗਿਆ ਹੈ — ਇਹ ਦਾਅਵਾ ਨਹੀਂ ਕਿ ਇਹ ਬਿਲਕੁਲ ਓਹੀ ਅੰਕ ਉਸ ਬਿਲਡ ਵਿੱਚ ਵੀ ਮਿਲਣਗੇ ਜਿਸਨੂੰ ਤੁਸੀਂ ਸੱਦਦੇ ਹੋ। ਆਪਣੇ ਕੰਮ ਉੱਤੇ ਖ਼ੁਦ ਬੈਂਚਮਾਰਕ ਕਰੋ; ਸਭ ਤੋਂ ਹੇਠਲੀ ਕੀਮਤ ਇਸੇ ਲਈ ਹੈ।
03W8A16 ਦਾ ਮਤਲਬ ਕੀ ਹੈ, ਅਤੇ ਇਹ ਲਿਖਤ ਨਾਲੋਂ ਵਿਜ਼ਨ ਲਈ ਵੱਧ ਕਿਉਂ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ
ਗੇਟਵੇ ਦੇ ਹਰ ਮਾਡਲ ਦੇ ਨਾਂ ਪਿੱਛੇ ਇੱਕ ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ ਪਿਛੇਤਰ ਲੱਗਿਆ ਹੁੰਦਾ ਹੈ। ਇਹ ਸਜਾਵਟ ਨਹੀਂ — ਇਹ ਦੱਸਦਾ ਹੈ ਕਿ ਮਾਡਲ ਨੂੰ ਪਰੋਸਣਯੋਗ ਬਣਾਉਣ ਲਈ ਕੀ ਕੁਰਬਾਨ ਕੀਤਾ ਗਿਆ।
| ਪਿਛੇਤਰ | ਇਹ ਕੀ ਹੈ | ਕਿਉਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ |
|---|---|---|
| 3BIT-REAP | 3-ਬਿੱਟ ਵਜ਼ਨ ਨਾਲੇ REAP, ਇੱਕ ਮਾਹਰ-ਛਾਂਗਣ ਵਿਧੀ ਜੋ ਕੁਆਂਟਾਈਜ਼ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਮਾਹਰਾਂ-ਦੇ-ਮਿਸ਼ਰਣ ਵਾਲੇ ਮਾਡਲ ਵਿੱਚੋਂ ਘੱਟ-ਵਾਰ ਰਾਊਟ ਹੋਏ ਮਾਹਰ ਹਟਾਉਂਦੀ ਹੈ | ਸਭ ਤੋਂ ਵੱਡੀਆਂ ਬੁਨਿਆਦਾਂ ਨੂੰ ਸਮਝਦਾਰ ਰਫ਼ਤਾਰ ਉੱਤੇ ਸਮਾਉਣ ਅਤੇ ਪਰੋਸਣ ਦਾ ਇੱਕੋ-ਇੱਕ ਤਰੀਕਾ |
| W4A16-AUTOROUND-REAP | 4-ਬਿੱਟ ਵਜ਼ਨ, 16-ਬਿੱਟ ਐਕਟੀਵੇਸ਼ਨਾਂ, AutoRound ਨਾਲ ਕੁਆਂਟਾਈਜ਼ ਕੀਤੇ — ਸਿੱਖੀ ਹੋਈ ਗੋਲਾਈ ਜੋ ਸਾਦੇ ਨੇੜਲੇ-ਪੂਰਨ ਅੰਕ ਵੱਲ ਗੋਲ ਕਰਨ ਨਾਲੋਂ ਸ਼ੁੱਧਤਾ ਵਾਪਸ ਲਿਆਉਂਦੀ ਹੈ — ਨਾਲੇ REAP ਛਾਂਗਣ | ਵੱਡੀਆਂ ਬੁਨਿਆਦਾਂ ਲਈ ਵਿਚਕਾਰਲਾ ਰਾਹ ਜਿਨ੍ਹਾਂ ਨੂੰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸੰਕੁਚਨ ਦੀ ਲੋੜ ਨਹੀਂ |
| W8A16 | 8-ਬਿੱਟ ਵਜ਼ਨ, 16-ਬਿੱਟ ਐਕਟੀਵੇਸ਼ਨਾਂ — ਅਸੀਂ ਜੋ ਪਰੋਸਦੇ ਹਾਂ ਉਸ ਵਿੱਚੋਂ ਸਭ ਤੋਂ ਵੱਧ ਵਫ਼ਾਦਾਰੀ ਵਾਲਾ ਦਰਜਾ | ਉੱਥੇ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ ਜਿੱਥੇ ਬੁਨਿਆਦ ਏਨੀ ਛੋਟੀ ਹੈ ਕਿ ਸਖ਼ਤ ਸੰਕੁਚਨ ਦੀ ਲੋੜ ਨਹੀਂ |
MiMo-V2.5 ਸੰਖੇਪ ਹੋਣ ਕਰਕੇ ਤੀਜੀ ਕਤਾਰ ਦਾ ਹੱਕਦਾਰ ਬਣਦਾ ਹੈ: ਇਸ ਦਰਜੇ ਦੀ ਸੰਘਣੀ ਬੁਨਿਆਦ ਨੂੰ ਸਮਾਉਣ ਲਈ ਤਿੰਨ ਬਿੱਟਾਂ ਤੱਕ ਕੁਚਲਣ ਦੀ ਲੋੜ ਨਹੀਂ ਪੈਂਦੀ, ਸੋ ਤੁਸੀਂ ਅੱਠ ਬਚਾ ਕੇ ਰੱਖ ਸਕਦੇ ਹੋ, ਅਤੇ ਜਿਨ੍ਹਾਂ ਵਜ਼ਨਾਂ ਵਿੱਚੋਂ ਤੁਸੀਂ ਨਮੂਨਾ ਲੈਂਦੇ ਹੋ ਉਹ ਸਿਖਲਾਈ ਵਾਲੇ ਵਜ਼ਨਾਂ ਦੇ ਨੇੜੇ ਹੀ ਰਹਿੰਦੇ ਹਨ। ਇਹ ਗੱਲ ਚਿੱਤਰ ਵਾਲੇ ਕੰਮ ਲਈ ਬੇਹਿਸਾਬ ਮਾਇਨੇ ਰੱਖਦੀ ਹੈ, ਇੱਕ ਢਾਂਚਾਗਤ ਕਾਰਨ ਕਰਕੇ। ਸਿਰਫ਼-ਲਿਖਤ ਵਾਲੇ ਡੀਕੋਡਰ ਵਿੱਚ, ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ ਹੇਠ ਖਿਸਕੀ ਐਂਬੈਡਿੰਗ ਨੂੰ ਬਾਅਦ ਦੀਆਂ ਦਰਜਨਾਂ ਧਿਆਨ ਪਰਤਾਂ ਦੁਬਾਰਾ ਸੰਦਰਭ ਦੇ ਦਿੰਦੀਆਂ ਹਨ — ਸੰਭਲਣ ਦੇ ਕਈ ਮੌਕੇ। ਵਿਜ਼ਨ ਢਾਂਚੇ ਕੋਲ ਅਜਿਹੀ ਢਿੱਲ ਨਹੀਂ: ਵਿਜ਼ੁਅਲ ਜਾਣਕਾਰੀ ਡੀਕੋਡਰ ਤੱਕ ਪਹੁੰਚਣ ਤੋਂ ਪਹਿਲਾਂ ਇੱਕੋ ਇਨਕੋਡਰ ਅਤੇ ਇੱਕੋ ਤੰਗ ਪ੍ਰੋਜੈਕਟਰ ਵਿੱਚੋਂ ਲੰਘਦੀ ਹੈ, ਅਤੇ ਅੱਗੇ ਦੀ ਹਰ ਚੀਜ਼ ਉਸ ਸੰਕੁਚਨ-ਬਿੰਦੂ ਦੇ ਨਤੀਜੇ ਉੱਤੇ ਨਿਰਭਰ ਹੁੰਦੀ ਹੈ। ਬਰੀਕ ਸੰਕੇਤ — ਘੱਟ-ਵਿਪਰੀਤਤਾ ਵਾਲੇ ਸਕੈਨ ਵਿੱਚ 3 ਅਤੇ 8 ਵਿਚਲਾ ਫ਼ਰਕ, ਚਾਰਟ ਧੁਰੇ ਉੱਤੇ ਬਾਰ ਦੇ ਖ਼ਤਮ ਹੋਣ ਦਾ ਬਿਲਕੁਲ ਸਹੀ ਪਿਕਸਲ, ਉਹ UI ਤੱਤ ਦੀ ਹੱਦ ਜਿਸ ਉੱਤੇ ਤੁਹਾਨੂੰ ਕਲਿੱਕ ਕਰਨ ਲਈ ਕਿਹਾ ਗਿਆ — ਇਹ ਸਭ ਉਸ ਘੱਟ-ਤੀਬਰਤਾ ਵਾਲੇ ਵਜ਼ਨ ਵੇਰਵੇ ਵਿੱਚ ਵੱਸਦੇ ਹਨ ਜਿਸਨੂੰ ਸਖ਼ਤ ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ ਸਭ ਤੋਂ ਪਹਿਲਾਂ ਸੁੱਟਦੀ ਹੈ।
3-ਬਿੱਟ ਵਾਲਾ ਵਿਜ਼ਨ ਮਾਡਲ ਉੱਚੀ ਆਵਾਜ਼ ਵਿੱਚ ਨਹੀਂ ਫੇਲ੍ਹ ਹੁੰਦਾ; ਇਹ ਚੁੱਪ-ਚਾਪ ਫੇਲ੍ਹ ਹੁੰਦਾ ਹੈ, ਕਿਸੇ ਦਸਤਾਵੇਜ਼ ਦਾ ਸਲੀਕੇ ਭਰਿਆ ਵਰਣਨ ਦਿੰਦਾ ਹੈ ਜਿਸਦੇ ਜੋੜ ਵਿੱਚ ਦੋ ਅੰਕ ਉਲਟੇ ਹੋਏ ਹੁੰਦੇ ਹਨ। ਵੱਧ ਵਜ਼ਨ ਸ਼ੁੱਧਤਾ ਇਸ ਫੇਲ੍ਹ ਹੋਣ ਖ਼ਿਲਾਫ਼ ਸਭ ਤੋਂ ਸਸਤਾ ਬੀਮਾ ਹੈ, ਅਤੇ ਇੱਥੇ ਇਹ ਮੁਫ਼ਤ ਹੈ — ਤੁਸੀਂ ਦੋਵੇਂ ਹਾਲਤਾਂ ਵਿੱਚ ਸਭ ਤੋਂ ਹੇਠਲੀ ਕੀਮਤ ਹੀ ਦਿੰਦੇ ਹੋ।
04ਸਭ ਤੋਂ ਹੇਠਲੀ ਕੀਮਤ, ਪ੍ਰਸੰਗ ਵਿੱਚ
ਸਾਡੀ ਬਾਰਾਂ-ਮਾਡਲ ਸੂਚੀ ਵਿੱਚੋਂ ਚਾਰ ਮਾਡਲ ਪ੍ਰਤੀ ਦਸ ਲੱਖ ਟੋਕਨ $0.50 ਅੰਦਰ / $2.00 ਬਾਹਰ ਦੀ ਸਭ ਤੋਂ ਹੇਠਲੀ ਕੀਮਤ ਉੱਤੇ ਹਨ। ਇਨ੍ਹਾਂ ਵਿੱਚੋਂ ਸਿਰਫ਼ ਇੱਕ ਹੀ ਚਿੱਤਰ ਲੈਂਦਾ ਹੈ। ਵਿਜ਼ਨ-ਸਮਰਥਿਤ ਮਾਡਲ ਆਊਟਪੁੱਟ ਕੀਮਤ ਉੱਤੇ ਕਿੱਥੇ ਖੜ੍ਹੇ ਹਨ, ਉਹ ਅੰਕੜਾ ਜੋ ਬਹੁਤੇ ਅਸਲੀ ਬਿੱਲਾਂ ਉੱਤੇ ਭਾਰੂ ਹੁੰਦਾ ਹੈ:
ਆਊਟਪੁੱਟ ਕੀਮਤ USD ਵਿੱਚ ਪ੍ਰਤੀ 1M ਟੋਕਨ, Shannon AI ਗੇਟਵੇ ਸੂਚੀ ਦਰਾਂ, ਸਤੰਬਰ 2026। ਬਾਰ ਦੀ ਲੰਬਾਈ ਸੂਚੀ ਦੇ ਸਭ ਤੋਂ ਮਹਿੰਗੇ ਵਿਜ਼ਨ ਮਾਡਲ ਦੇ ਅਨੁਪਾਤ ਵਿੱਚ ਹੈ।
Kimi-K3 — ਕਤਾਰ ਦਾ ਸਭ ਤੋਂ ਉੱਚਾ ਵਿਜ਼ਨ ਮਾਡਲ, ਅਤੇ ਸੱਚਮੁੱਚ ਵੱਧ ਸਮਰੱਥ ਵੀ — ਦੇ ਮੁਕਾਬਲੇ MiMo-V2.5 ਆਊਟਪੁੱਟ ਉੱਤੇ ਲਗਭਗ 9.6× ਸਸਤਾ ਹੈ ਅਤੇ ਇਨਪੁੱਟ ਉੱਤੇ 7.7× ਸਸਤਾ। ਇਹ ਬਰਾਬਰੀ ਦਾ ਦਾਅਵਾ ਨਹੀਂ; ਇਹ ਕੰਮ ਦੇ ਬੋਝ ਦੀ ਸ਼ਕਲ ਬਾਰੇ ਦਲੀਲ ਹੈ। ਮਹੀਨੇ ਵਿੱਚ ਇੱਕ ਲੱਖ ਚਿੱਤਰਾਂ ਉੱਤੇ, ਸਭ ਤੋਂ ਉੱਚਾ ਮਾਡਲ ਸਸਤਾ ਨਹੀਂ ਪੈਂਦਾ ਅਤੇ ਸਭ ਤੋਂ ਹੇਠਲਾ ਮਾਡਲ ਪੈਂਦਾ ਹੈ, ਅਤੇ ਇਮਾਨਦਾਰ ਸਵਾਲ ਇਹ ਹੈ ਕਿ ਕੀ ਸਭ ਤੋਂ ਹੇਠਲਾ ਮਾਡਲ ਤੁਹਾਡੀ ਸ਼ੁੱਧਤਾ ਦੀ ਹੱਦ ਪਾਰ ਕਰਦਾ ਹੈ — ਇਹ ਨਹੀਂ ਕਿ ਉਹ ਕੋਈ ਬੈਂਚਮਾਰਕ ਜਿੱਤਦਾ ਹੈ ਜਾਂ ਨਹੀਂ।
05MiMo-V2.5 ਬਨਾਮ MiniMax-M3: ਦੋ ਸਸਤੇ ਵਿਜ਼ਨ ਮਾਡਲ, ਇਮਾਨਦਾਰੀ ਨਾਲ ਤੁਲਨਾ
ਇਹ ਦੋਵੇਂ ਕੀਮਤ, ਸੰਦਰਭ, ਅਤੇ ਐਂਡਪੁਆਇੰਟ ਸਤ੍ਹਾ ਉੱਤੇ ਬਿਲਕੁਲ ਬਰਾਬਰ ਹਨ। ਇਹ ਇੱਕ-ਦੂਜੇ ਦੀ ਥਾਂ ਨਹੀਂ ਲੈ ਸਕਦੇ: ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ ਦਰਜਾ ਦੋ ਵੱਖੋ-ਵੱਖਰੇ ਦਾਅਵਿਆਂ ਦਾ ਪ੍ਰਤੀਨਿਧ ਹੈ ਕਿ ਵਿਜ਼ਨ ਮਾਡਲ ਨੂੰ ਕੰਮ ਦਾ ਕੀ ਬਣਾਉਂਦਾ ਹੈ।
| MiMo-V2.5 · W8A16 | MiniMax-M3 · 3BIT-REAP | |
|---|---|---|
| ਇਨਪੁੱਟ / ਆਊਟਪੁੱਟ ਪ੍ਰਤੀ 1M | $0.50 / $2.00 | $0.50 / $2.00 |
| ਵਜ਼ਨ ਸ਼ੁੱਧਤਾ | 8-ਬਿੱਟ | 3-ਬਿੱਟ + ਮਾਹਰ ਛਾਂਗਣ |
| ਬੁਨਿਆਦ ਦਾ ਆਕਾਰ | ਸੰਖੇਪ, ਸੰਘਣੀ | ਵੱਡੀ, ਵਿਰਲੀ MoE |
| ਵਿਜ਼ਨ | ਹਾਂ | ਹਾਂ |
| ਸੰਦਰਭ ਵਿੰਡੋ | 262,144 | 262,144 |
| ਸਕੀਮਾ · ਟੂਲ · ਸਟ੍ਰੀਮਿੰਗ | ਹਾਂ | ਹਾਂ |
ਜਦੋਂ ਚਿੱਤਰ ਹੀ ਔਖਾ ਹਿੱਸਾ ਹੋਵੇ ਤਾਂ MiMo-V2.5 ਚੁਣੋ: ਖ਼ਰਾਬ ਸਕੈਨਾਂ ਉੱਤੇ ਸੰਘਣਾ OCR, ਚਾਰਟਾਂ ਅਤੇ ਸਾਰਣੀਆਂ ਵਿੱਚੋਂ ਅੰਕੀ ਕੱਢਣਾ, ਸਕ੍ਰੀਨਸ਼ਾਟ ਅਤੇ UI ਪਛਾਣ, ਛੋਟੀ ਲਿਖਤ ਪੜ੍ਹਨਾ, ਲਗਭਗ ਇੱਕੋ ਜਿਹੀਆਂ ਉਤਪਾਦ ਤਸਵੀਰਾਂ ਵਿੱਚ ਫ਼ਰਕ ਦੱਸਣਾ — ਹਰ ਉਹ ਥਾਂ ਜਿੱਥੇ ਉਲਟਿਆ ਹੋਇਆ ਅੰਕ ਸਜਾਵਟੀ ਨੁਕਸ ਨਹੀਂ ਸਗੋਂ ਅਸਲੀ ਨੁਕਸ ਹੁੰਦਾ ਹੈ। ਤੁਹਾਨੂੰ ਪਿਕਸਲਾਂ ਤੋਂ ਟੋਕਨਾਂ ਤੱਕ ਸਭ ਤੋਂ ਵੱਧ ਵਫ਼ਾਦਾਰੀ ਵਾਲਾ ਰਾਹ ਚਾਹੀਦਾ ਹੈ, ਅਤੇ 8-ਬਿੱਟ ਵਜ਼ਨ ਇਸੇ ਕੀਮਤ ਉੱਤੇ ਉਹ ਦਿਵਾਉਂਦੇ ਹਨ।
ਜਦੋਂ ਚਿੱਤਰ ਸੌਖਾ ਹਿੱਸਾ ਹੋਵੇ ਤਾਂ MiniMax-M3 ਚੁਣੋ। 3 ਬਿੱਟਾਂ ਤੱਕ ਸੰਕੁਚਿਤ ਕੀਤੀ ਵੱਡੀ ਵਿਰਲੀ ਬੁਨਿਆਦ ਛਾਂਗਣ ਤੋਂ ਬਾਅਦ ਵੀ ਸੰਖੇਪ ਸੰਘਣੇ ਮਾਡਲ ਨਾਲੋਂ ਵੱਧ ਦੁਨਿਆਵੀ ਗਿਆਨ ਅਤੇ ਤਰਕ ਦੀ ਵਿਸ਼ਾਲਤਾ ਰੱਖਦੀ ਹੈ। ਜੇ ਕੰਮ ਇਹ ਹੈ ਕਿ “ਇਸ ਤਸਵੀਰ ਨੂੰ ਵੇਖੋ ਅਤੇ ਲੰਮੀ ਤਰਕ ਕਰੋ ਕਿ ਇਸਦਾ ਕੀ ਮਤਲਬ ਬਣਦਾ ਹੈ”, ਜਾਂ ਚਿੱਤਰ ਜ਼ਿਆਦਾਤਰ-ਲਿਖਤ ਗੱਲਬਾਤ ਦਾ ਇੱਕ ਇਨਪੁੱਟ ਹੈ, ਤਾਂ ਵੱਡੀ ਬੁਨਿਆਦ ਬਿਹਤਰ ਸੰਦ ਹੈ — ਜੋ ਵਿਜ਼ੁਅਲ ਤਿੱਖਾਪਣ ਤੁਸੀਂ ਗੁਆਇਆ, ਉਹ ਬੰਨ੍ਹਵੀਂ ਰੁਕਾਵਟ ਨਹੀਂ ਸੀ।
06MiMo-V2.5 ਬਨਾਮ MiMo-V2.5-Pro: ਉਹ ਭੈਣ-ਭਰਾ ਮਾਡਲ ਜਿਸਨੇ ਅੱਖਾਂ ਦੀ ਥਾਂ ਡੂੰਘਾਈ ਨੂੰ ਚੁਣਿਆ
ਇਹ ਉਹ ਤੁਲਨਾ ਹੈ ਜੋ ਸਭ ਤੋਂ ਵੱਧ ਸਹਾਇਤਾ ਟਿਕਟਾਂ ਪੈਦਾ ਕਰਦੀ ਹੈ, ਸੋ ਸਿੱਧੀ ਗੱਲ ਕਰਨੀ ਬਣਦੀ ਹੈ। MiMo-V2.5-Pro-W8A16 ਅਤੇ MiMo-V2.5-W8A16 ਦੀ ਕੀਮਤ, ਸੰਦਰਭ ਵਿੰਡੋ, ਸ਼ੁੱਧਤਾ ਦਰਜਾ ਅਤੇ ਪਰਿਵਾਰਕ ਨਾਂ ਇੱਕੋ ਜਿਹਾ ਹੈ। Pro ਚਿੱਤਰ ਸਵੀਕਾਰ ਨਹੀਂ ਕਰਦਾ। ਇਹ ਸੁਪਰਸੈੱਟ ਨਹੀਂ ਹੈ। ਇਹ ਉਸੇ ਬਜਟ ਦੀ ਵੱਖਰੀ ਵੰਡ ਹੈ।
ਮਲਟੀਮੋਡਲ ਮਾਡਲ ਪਰੋਸਣ ਦਾ ਮਤਲਬ ਹੈ ਡੀਕੋਡਰ ਦੇ ਨਾਲ-ਨਾਲ ਵਿਜ਼ਨ ਟਾਵਰ ਅਤੇ ਪ੍ਰੋਜੈਕਟਰ ਦੀ ਵੀ ਕੀਮਤ ਦੇਣੀ — ਇੱਕ ਸਥਿਰ ਲਾਗਤ ਟੀਚੇ ਉੱਤੇ, ਉਹ ਸਮਰੱਥਾ ਜੋ ਭਾਸ਼ਾ ਮਾਡਲ ਉੱਤੇ ਹੀ ਖ਼ਰਚ ਨਹੀਂ ਹੁੰਦੀ। Pro ਸਾਰਾ ਕੁਝ ਲਿਖਤ ਉੱਤੇ ਖ਼ਰਚ ਕਰਦਾ ਹੈ: ਲੰਮੀ ਲਿਖਤ, ਵਧਾਈ ਹੋਈ ਤਰਕ, ਅਤੇ ਕੋਡ ਲਈ ਵੱਧ ਥਾਂ ਵਾਲੀ ਵੱਡੀ ਬੁਨਿਆਦ। MiMo-V2.5 ਇਸਦਾ ਹਿੱਸਾ ਨਜ਼ਰ ਉੱਤੇ ਖ਼ਰਚ ਕਰਦਾ ਹੈ।
ਸੋ ਫ਼ੈਸਲੇ ਦਾ ਨਿਯਮ ਤੁਹਾਡੇ ਇਨਪੁੱਟਾਂ ਬਾਰੇ ਹੈ, ਤੁਹਾਡੀਆਂ ਇੱਛਾਵਾਂ ਬਾਰੇ ਨਹੀਂ। ਜੇ ਕਿਸੇ ਵੀ ਬੇਨਤੀ ਵਿੱਚ ਸਕ੍ਰੀਨਸ਼ਾਟ, ਸਕੈਨ ਕੀਤਾ ਸਫ਼ਾ, ਚਾਰਟ, ਡਾਇਗਰਾਮ ਜਾਂ ਤਸਵੀਰ ਹੋ ਸਕਦੀ ਹੈ, ਤਾਂ ਤੁਹਾਨੂੰ MiMo-V2.5 ਚਾਹੀਦਾ ਹੈ — Pro ਉਸ ਸਮੱਗਰੀ ਬਲਾਕ ਨੂੰ ਰੱਦ ਕਰ ਦੇਵੇਗਾ। ਜੇ ਹਰ ਬੇਨਤੀ ਸਿਰਫ਼ ਲਿਖਤ ਹੈ ਅਤੇ ਤੁਸੀਂ ਆਦਤ ਵਿੱਚ ਵਿਜ਼ਨ ਮਾਡਲ ਵੱਲ ਹੱਥ ਵਧਾ ਲਿਆ, ਤਾਂ ਤੁਸੀਂ ਬਿਨਾਂ ਵਜ੍ਹਾ ਬੁਨਿਆਦ ਦੀ ਗੁਣਵੱਤਾ ਮੇਜ਼ ਉੱਤੇ ਛੱਡ ਰਹੇ ਹੋ: ਉਸੇ ਦਰ ਉੱਤੇ MiMo-V2.5-Pro ਲਓ।
ਚੋਰੀ ਕਰਨ ਯੋਗ ਇੱਕ ਨਮੂਨਾ: ਸਮੱਗਰੀ ਦੀ ਕਿਸਮ ਮੁਤਾਬਕ ਰਾਊਟ ਕਰੋ। ਜਿਸ ਵਿੱਚ ਵੀ ਚਿੱਤਰ ਵਾਲਾ ਹਿੱਸਾ ਹੋਵੇ, ਉਹ MiMo-V2.5-W8A16 ਵੱਲ, ਬਾਕੀ ਸਭ MiMo-V2.5-Pro-W8A16 ਵੱਲ। ਇੱਕੋ ਪਰਿਵਾਰ, ਇੱਕੋ ਕੀਮਤ, ਇੱਕੋ ਸੰਦਰਭ ਬਜਟ — ਰਾਊਟਰ ਬਹੁਤ ਹੀ ਸਾਦਾ ਹੈ ਅਤੇ ਕੋਈ ਲਾਗਤ ਮਾਡਲ ਮਿਲਾਉਣ ਦੀ ਲੋੜ ਨਹੀਂ।
07“ਬਿਨਾਂ ਸੈਂਸਰ ਚਿੱਤਰ ਸਮਝ” ਦਾ ਅਸਲ ਮਤਲਬ ਕੀ ਹੈ
ਇਸ ਮਾਡਲ ਦੇ ਅੱਗੇ ਕੋਈ ਇਨਕਾਰ ਪਰਤ ਨਹੀਂ ਅਤੇ ਇਸਦੇ ਆਊਟਪੁੱਟ ਉੱਤੇ ਕੋਈ ਸਮੱਗਰੀ ਫਿਲਟਰ ਨਹੀਂ। ਇਹ ਇੱਕ ਉਤਪਾਦ ਫ਼ੈਸਲਾ ਹੈ ਜਿਸਦਾ ਵਿਜ਼ਨ ਵਾਲੇ ਕੰਮ ਲਈ ਖ਼ਾਸ ਨਤੀਜਾ ਹੈ: ਮਾਡਲ ਵਿਸ਼ੇ ਦੇ ਆਧਾਰ ਉੱਤੇ ਇਨਕਾਰ ਕਰਨ ਦੀ ਥਾਂ ਫ੍ਰੇਮ ਵਿੱਚ ਜੋ ਹੈ ਉਸਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ।
ਇਹ ਇਸ ਲਈ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ ਕਿਉਂਕਿ ਫਿਲਟਰ ਕੀਤੇ ਵਿਜ਼ਨ API ਢਾਂਚਾਗਤ ਤੌਰ ਉੱਤੇ ਜਾਇਜ਼ ਕੰਮ ਦੀ ਪੂਰੀ ਸ਼੍ਰੇਣੀ ਲਈ ਅਣਉਚਿਤ ਹਨ। ਨਿਗਰਾਨੀ ਪਾਈਪਲਾਈਨ ਨੂੰ ਉਸ ਸਮੱਗਰੀ ਨੂੰ ਵੇਖਣਾ ਹੀ ਪੈਂਦਾ ਹੈ ਜਿਸਦੀ ਉਹ ਨਿਗਰਾਨੀ ਕਰਦੀ ਹੈ ਅਤੇ ਦੱਸਣਾ ਪੈਂਦਾ ਹੈ ਕਿ ਇਹ ਕੀ ਹੈ; ਜੋ ਵਰਗੀਕਾਰ ਉਸ ਚੀਜ਼ ਨੂੰ ਵੇਖਣ ਤੋਂ ਹੀ ਇਨਕਾਰ ਕਰ ਦੇਵੇ ਜਿਸਨੂੰ ਉਹ ਵਰਗੀਕ੍ਰਿਤ ਕਰਦਾ ਹੈ, ਉਹ ਵਰਗੀਕਾਰ ਹੀ ਨਹੀਂ। ਇਹੀ ਗੱਲ ਅਸਲੀ ਕੰਮਾਂ ਦੀ ਲੰਮੀ ਸੂਚੀ ਉੱਤੇ ਲਾਗੂ ਹੁੰਦੀ ਹੈ:
- ਭਰੋਸਾ ਅਤੇ ਸੁਰੱਖਿਆ ਸੰਦ — ਬਿਲਕੁਲ ਉਹੀ ਤਸਵੀਰਾਂ ਲੇਬਲ ਕਰਨਾ ਜਿਨ੍ਹਾਂ ਨੂੰ ਆਮ API ਪ੍ਰੋਸੈੱਸ ਨਹੀਂ ਕਰੇਗਾ, ਯਾਨੀ ਉਹੀ ਤਸਵੀਰਾਂ ਜਿਨ੍ਹਾਂ ਨੂੰ ਲੇਬਲ ਕਰਨ ਦੀ ਸਭ ਤੋਂ ਵੱਧ ਲੋੜ ਹੈ।
- ਮੈਡੀਕਲ, ਫੌਰੈਂਸਿਕ ਅਤੇ ਹਾਦਸੇ ਵਾਲੀਆਂ ਤਸਵੀਰਾਂ — ਕਲੀਨਿਕਲ, ਸੱਟ, ਅਤੇ ਘਟਨਾ-ਸਥਾਨ ਦੀਆਂ ਫੋਟੋਆਂ ਜਿਨ੍ਹਾਂ ਨੂੰ ਆਮ ਫਿਲਟਰ ਪੁੱਛਣ ਵਾਲੇ ਦੀ ਪਰਵਾਹ ਕੀਤੇ ਬਿਨਾਂ ਹੀ “ਗ੍ਰਾਫਿਕ” ਕਹਿ ਕੇ ਰੱਦ ਕਰ ਦਿੰਦੇ ਹਨ।
- ਸੁਰੱਖਿਆ ਖੋਜ — ਮਾਡਲ ਦੇ ਸ਼ੁਰੂਆਤੀ ਧਾਰਨਾ ਉੱਤੇ ਹੀ ਅੜ ਜਾਣ ਤੋਂ ਬਿਨਾਂ ਫਿਸ਼ਿੰਗ ਸਫ਼ੇ, ਖ਼ਤਰਨਾਕ ਇੰਟਰਫ਼ੇਸ, ਅਤੇ ਲਈਆਂ ਗਈਆਂ ਸਕਰੀਨਾਂ ਪੜ੍ਹਨਾ।
- ਬਾਲਗ-ਸਮੱਗਰੀ ਵਰਗੀਕਰਨ ਅਤੇ ਪੁਰਾਲੇਖ ਸੂਚੀਕਰਨ — ਉਹ ਪਾਈਪਲਾਈਨਾਂ ਜੋ ਸਮੱਗਰੀ ਪਛਾਣਨ ਲਈ ਹੀ ਬਣੀਆਂ ਹਨ ਅਤੇ ਵੇਖਣ ਦਾ ਕੰਮ ਕਿਸੇ ਹੋਰ ਨੂੰ ਨਹੀਂ ਸੌਂਪ ਸਕਦੀਆਂ, ਨਾਲੇ ਇਤਿਹਾਸਕ ਸੰਗ੍ਰਹਿ ਜਿਨ੍ਹਾਂ ਨੂੰ ਫਿਲਟਰ ਲੇਬਲ-ਰਹਿਤ ਸਮਝਦੇ ਹਨ।
ਇਨਕਾਰ ਪਰਤ ਹਟਾਉਣ ਨਾਲ ਇੰਜੀਨੀਅਰਿੰਗ ਵਾਲੀ ਰੁਕਾਵਟ ਹਟਦੀ ਹੈ, ਕਾਨੂੰਨੀ ਵਾਲੀ ਨਹੀਂ। Shannon AI ਨੂੰ Shannon Lab LLC ਵੱਲੋਂ New Mexico, USA ਵਿੱਚ ਚਲਾਇਆ ਜਾਂਦਾ ਹੈ, ਅਤੇ API ਦੀ ਵਰਤੋਂ ਸਾਡੀ ਜ਼ਿੰਮੇਵਾਰ ਵਰਤੋਂ ਨੀਤੀ ਅਧੀਨ ਹੈ। ਬਿਨਾਂ ਫਿਲਟਰ ਆਊਟਪੁੱਟ ਇੱਕ ਸਮਰੱਥਾ ਹੈ, ਇਜਾਜ਼ਤ ਦੀ ਪਰਚੀ ਨਹੀਂ।
08ਇਸਨੂੰ ਸੱਦਣਾ: ਐਂਡਪੁਆਇੰਟ, ਚਿੱਤਰ ਇਨਪੁੱਟ, ਅਤੇ ਇਹ ਕਿੱਥੇ ਫਿੱਟ ਬੈਠਦਾ ਹੈ
ਮਾਡਲ ਹੈ MiMo-V2.5-W8A16, ਜੋ ਉਹੀ ਵਜ਼ਨਾਂ ਉੱਤੇ ਤਿੰਨ ਬੇਨਤੀ ਬੋਲੀਆਂ ਉੱਤੇ ਪਹੁੰਚਯੋਗ ਹੈ, ਸੋ ਤੁਸੀਂ ਜੋ ਵੀ SDK ਪਹਿਲਾਂ ਤੋਂ ਵਰਤਦੇ ਹੋ ਉਹੀ ਰੱਖ ਸਕਦੇ ਹੋ:
/v1/chat/completions— OpenAI ਅਨੁਕੂਲ। ਚਿੱਤਰimage_urlਸਮੱਗਰੀ ਹਿੱਸਿਆਂ ਵਜੋਂ ਜਾਂਦੇ ਹਨ, ਜਾਂ ਤਾਂ https URL ਵਜੋਂ ਜਾਂ base64 data URI ਵਜੋਂ।/v1/messages— Anthropic ਅਨੁਕੂਲ। ਚਿੱਤਰimageਸਮੱਗਰੀ ਬਲਾਕਾਂ ਵਜੋਂ ਜਾਂਦੇ ਹਨ।/v1/responses— Responses-ਸ਼ੈਲੀ ਵਾਲੀ ਬੋਲੀ।
ਸਟ੍ਰੀਮਿੰਗ ਅਤੇ ਟੂਲ ਕਾਲਿੰਗ ਤਿੰਨਾਂ ਉੱਤੇ ਕੰਮ ਕਰਦੇ ਹਨ, ਸੋ ਮਾਡਲ ਇੱਕੋ ਵਾਰੀ ਵਿੱਚ ਸਕ੍ਰੀਨਸ਼ਾਟ ਵੇਖ ਸਕਦਾ ਹੈ ਅਤੇ ਜੋ ਵੇਖਿਆ ਉਸ ਬਾਰੇ ਫੰਕਸ਼ਨ ਵੀ ਸੱਦ ਸਕਦਾ ਹੈ। ਪੂਰੀਆਂ ਬੇਨਤੀ ਅਤੇ ਜਵਾਬ ਸਕੀਮਾਂ API ਦਸਤਾਵੇਜ਼ ਵਿੱਚ ਹਨ, ਜਿੱਥੇ ਇੱਕ ਪਲੇਗਰਾਊਂਡ ਵੀ ਹੈ ਜਿੱਥੇ ਤੁਸੀਂ ਕੋਈ ਕੋਡ ਲਿਖਣ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਚਿੱਤਰ ਪੇਸਟ ਕਰ ਸਕਦੇ ਹੋ।
MiMo-V2.5 ਸਖ਼ਤ json_schema ਅਤੇ response_format ਸਮਰਥਿਤ ਕਰਦਾ ਹੈ — ਡੈਮੋ ਅਤੇ ਪਾਈਪਲਾਈਨ ਵਿਚਲਾ ਫ਼ਰਕ। ਇਸਨੂੰ ਕੋਈ ਰਸੀਦ ਅਤੇ ਵਿਕਰੇਤਾ, ਮਿਤੀ, ਲਾਈਨ-ਆਈਟਮਾਂ ਅਤੇ ਜੋੜ ਲਈ ਟਾਈਪ ਕੀਤੇ ਖੇਤਰਾਂ ਵਾਲੀ ਸਕੀਮਾ ਦਿਓ, ਅਤੇ ਵਾਪਸ ਤੁਹਾਨੂੰ ਅਜਿਹਾ ਆਬਜੈਕਟ ਮਿਲਦਾ ਹੈ ਜੋ ਤੁਹਾਡਾ ਕੋਡ ਪਰਖ ਸਕਦਾ ਹੈ, ਨਾ ਕਿ ਪੈਰਾ ਜਿਸਨੂੰ ਤੁਹਾਨੂੰ regex ਨਾਲ ਕੱਢਣਾ ਪਵੇ। ਇਸ ਸੂਚੀ ਦੇ ਬਾਰਾਂ ਮਾਡਲਾਂ ਵਿੱਚੋਂ ਦੋ ਕੋਲ ਪੂਰਾ ਢਾਂਚਾਗਤ-ਆਊਟਪੁੱਟ ਸਮਰਥਨ ਨਹੀਂ; ਇਸ ਕੋਲ ਹੈ, ਅਤੇ ਇਸੇ ਲਈ ਇਹ ਵੱਡੇ-ਪੱਧਰ ਦੀ ਕੱਢਣ ਸੇਵਾ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ।
ਸੰਦਰਭ ਵਿੰਡੋ 262,144 ਟੋਕਨ ਹੈ; ਬਣਾਈ ਗਈ ਆਊਟਪੁੱਟ ਪ੍ਰਤੀ ਬੇਨਤੀ 16,384 ਟੋਕਨ ਤੱਕ ਸੀਮਿਤ ਹੈ। ਚਿੱਤਰ ਰੈਜ਼ੋਲੂਸ਼ਨ ਦੇ ਹਿਸਾਬ ਨਾਲ ਇਨਪੁੱਟ ਟੋਕਨ ਖਾਂਦੇ ਹਨ, ਸੋ ਉੱਚ-ਰੈਜ਼ੋਲੂਸ਼ਨ ਪੰਨਾ ਸਕੈਨ ਬਰਾਬਰ ਦੀ ਲਿਖਤ ਦੀ ਸ਼ਬਦ-ਗਿਣਤੀ ਨਾਲੋਂ ਕਿਤੇ ਤੇਜ਼ੀ ਨਾਲ ਸੰਦਰਭ ਖਾ ਜਾਂਦੇ ਹਨ। 300 ਸਫ਼ਿਆਂ ਦਾ ਸਕੈਨ ਇੱਕੋ ਬੇਨਤੀ ਵਿੱਚ ਲੋਡ ਕਰਨ ਦੀ ਥਾਂ ਲੰਮੇ ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ ਸਫ਼ਾ-ਦਰ-ਸਫ਼ਾ ਵੰਡੋ, ਅਤੇ ਆਊਟਪੁੱਟ ਦੀ ਹੱਦ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਕੱਢਣ ਵਾਲੇ ਕੰਮ ਉੱਤੇ ਅਸਲੀ ਰੁਕਾਵਟ ਸਮਝੋ — ਟੁੱਟਿਆ-ਭੱਜਿਆ ਜਵਾਬ ਲੈਣ ਦੀ ਥਾਂ ਸੰਘਣੀਆਂ ਸਾਰਣੀਆਂ ਨੂੰ ਕਤਾਰ ਦੇ ਦਾਇਰੇ ਮੁਤਾਬਕ ਟੁਕੜਿਆਂ ਵਿੱਚ ਵੰਡੋ।
ਇਸ ਪਰਿਵਾਰ ਦੀ ਵੰਸ਼ਾਵਲੀ ਵੇਖਦਿਆਂ reasoning_effort ਹੱਥੇ ਦਾ ਇੱਥੇ ਅਸਲੀ ਅਸਰ ਹੈ। ਵੱਡੇ-ਪੱਧਰ ਦੇ ਵਰਗੀਕਰਨ ਲਈ ਇਸਨੂੰ ਘਟਾਓ, ਜਿੱਥੇ ਜਵਾਬ ਸਿਰਫ਼ ਇੱਕ ਲੇਬਲ ਹੈ ਅਤੇ ਸੋਚ ਵਾਲੇ ਟੋਕਨ ਸਿਰਫ਼ ਖ਼ਰਚਾ ਹਨ; ਚਾਰਟ ਸਮਝਣ, ਵਿਜ਼ੁਅਲ ਗਣਿਤ, ਅਤੇ ਡਾਇਗਰਾਮ ਤਰਕ ਲਈ ਇਸਨੂੰ ਵਧਾਓ, ਜਿੱਥੇ ਜਵਾਬ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ ਮਾਡਲ ਨੂੰ ਵੇਖੀਆਂ ਕਈ ਚੀਜ਼ਾਂ ਨੂੰ ਜੋੜਨਾ ਪੈਂਦਾ ਹੈ।
ਇਹ ਕਿੱਥੇ ਫਿੱਟ ਬੈਠਦਾ ਹੈ, ਅਤੇ ਕਿੱਥੇ ਨਹੀਂ
ਵਧੀਆ ਫਿੱਟ। ਵੱਡੇ-ਪੱਧਰ ਦੀ ਦਸਤਾਵੇਜ਼ ਅਤੇ ਰਸੀਦ ਕੱਢਣੀ; ਖ਼ਰਾਬ ਸਕੈਨਾਂ ਉੱਤੇ OCR ਵਰਗਾ ਕੰਮ; ਚਾਰਟ, ਡੈਸ਼ਬੋਰਡ, ਅਤੇ ਸਾਰਣੀ ਪੜ੍ਹਨਾ; ਸਕ੍ਰੀਨਸ਼ਾਟ ਸਮਝ ਅਤੇ UI ਪਛਾਣ; ਕੈਟਾਲਾਗ ਟੈਗਿੰਗ ਅਤੇ ਵਿਜ਼ੁਅਲ QA; ਨਿਗਰਾਨੀ ਪਾਈਪਲਾਈਨਾਂ — ਕੋਈ ਵੀ ਮਲਟੀਮੋਡਲ ਕੰਮ ਜਿੱਥੇ ਪ੍ਰਤੀ-ਕਾਲ ਲਾਗਤ ਦੀ ਹੱਦ ਹੋਵੇ ਅਤੇ ਬਰੀਕ ਵੇਰਵੇ ਦੀ ਸ਼ੁੱਧਤਾ ਉਹ ਹੋਵੇ ਜਿਸ ਨਾਲ ਤੁਸੀਂ ਸਮਝੌਤਾ ਨਹੀਂ ਕਰਨਾ ਚਾਹੁੰਦੇ।
ਮਾੜਾ ਫਿੱਟ। ਫਰੰਟੀਅਰ-ਪੱਧਰ ਦੀ ਔਖੀ ਮਲਟੀਮੋਡਲ ਤਰਕ ਜਿਸ ਲਈ ਕੀਮਤ ਦੀ ਪਰਵਾਹ ਕੀਤੇ ਬਿਨਾਂ ਸਭ ਤੋਂ ਸਮਰੱਥ ਮਾਡਲ ਚਾਹੀਦਾ ਹੈ — ਇਹ Kimi-K3 ਦਾ ਕੰਮ ਹੈ, ਅਤੇ ਇਸਦੀ ਲਗਭਗ ਦਸ ਗੁਣਾ ਵੱਧ ਕੀਮਤ ਬਿਨਾਂ ਵਜ੍ਹਾ ਨਹੀਂ। ਸਿਰਫ਼-ਲਿਖਤ ਜਨਰੇਸ਼ਨ, ਜਿੱਥੇ MiMo-V2.5-Pro ਉਸੇ ਦਰ ਉੱਤੇ ਬਿਹਤਰ ਬੁਨਿਆਦ ਦਿੰਦਾ ਹੈ। ਵਿਸ਼ਵਕੋਸ਼ੀ ਦੁਨਿਆਵੀ ਗਿਆਨ ਉੱਤੇ ਟਿਕਿਆ ਕੰਮ, ਜਿੱਥੇ ਵੱਡੀ ਵਿਰਲੀ ਬੁਨਿਆਦ ਸੰਖੇਪ ਸੰਘਣੀ ਬੁਨਿਆਦ ਨੂੰ ਪਛਾੜਦੀ ਹੈ। ਅਤੇ ਹਰ ਉਹ ਕੰਮ ਜਿਸ ਨੂੰ 262K ਤੋਂ ਵੱਧ ਸੰਦਰਭ ਚਾਹੀਦਾ ਹੈ, ਜੋ ਇੱਥੇ ਕੋਈ ਵੀ ਮਾਡਲ ਨਹੀਂ ਦਿੰਦਾ।
ਉੱਪਰ ਦਿੱਤਾ ਹਰ ਪ੍ਰਕਾਸ਼ਿਤ ਅੰਕੜਾ Xiaomi ਦਾ ਆਪਣਾ ਹੈ, MiMo ਅਤੇ MiMo-VL ਲੜੀ ਦੇ ਕਿਸੇ ਨਾਮਵਰ ਚੈੱਕਪੁਆਇੰਟ ਲਈ। ਸਾਡੇ ਸਾਰ ਦੀ ਥਾਂ ਮੂਲ ਸਮੱਗਰੀ ਖ਼ੁਦ ਪੜ੍ਹੋ।
09ਅਕਸਰ ਪੁੱਛੇ ਜਾਂਦੇ ਸਵਾਲ
ਬਿਨਾਂ ਸੈਂਸਰ MiMo ਵਿਜ਼ਨ API ਕੀ ਹੈ?
ਇਹ Shannon AI ਗੇਟਵੇ ਉੱਤੇ MiMo-V2.5 W8A16 ਮਾਡਲ ਹੈ: Xiaomi ਦੇ MiMo ਵੰਸ਼ ਦਾ ਇੱਕ ਵਿਜ਼ਨ-ਸਮਰਥਿਤ ਮਾਡਲ, ਜੋ ਸਾਡੇ ਆਪਣੇ GPU ਕਲੱਸਟਰ ਉੱਤੇ 8-ਬਿੱਟ ਵਜ਼ਨ ਸ਼ੁੱਧਤਾ ਉੱਤੇ, 262,144-ਟੋਕਨ ਸੰਦਰਭ ਨਾਲ ਅਤੇ ਬਿਨਾਂ ਕਿਸੇ ਇਨਕਾਰ ਪਰਤ ਜਾਂ ਆਊਟਪੁੱਟ ਫਿਲਟਰ ਦੇ ਪਰੋਸਿਆ ਜਾਂਦਾ ਹੈ। ਇਹ /v1/chat/completions, /v1/messages ਅਤੇ /v1/responses ਉੱਤੇ ਚਿੱਤਰ ਅਤੇ ਲਿਖਤ ਲੈਂਦਾ ਹੈ, ਪ੍ਰਤੀ ਦਸ ਲੱਖ ਇਨਪੁੱਟ ਟੋਕਨ $0.50 ਅਤੇ ਪ੍ਰਤੀ ਦਸ ਲੱਖ ਆਊਟਪੁੱਟ ਟੋਕਨ $2.00 ਉੱਤੇ।
ਸਭ ਤੋਂ ਸਸਤਾ ਬਿਨਾਂ ਸੈਂਸਰ ਮਾਡਲ ਕਿਹੜਾ ਹੈ ਜੋ ਸੱਚਮੁੱਚ ਚਿੱਤਰ ਵੇਖ ਸਕਦਾ ਹੈ?
ਦੋ ਮਾਡਲ ਪ੍ਰਤੀ ਦਸ ਲੱਖ ਟੋਕਨ $0.50 ਇਨਪੁੱਟ / $2.00 ਆਊਟਪੁੱਟ ਦੀ ਸਭ ਤੋਂ ਹੇਠਲੀ ਕੀਮਤ ਉੱਤੇ ਬਰਾਬਰ ਹਨ: MiMo-V2.5 W8A16 ਅਤੇ MiniMax-M3 3BIT-REAP। MiMo-V2.5 ਦੋਵਾਂ ਵਿੱਚੋਂ 8-ਬਿੱਟ ਵਜ਼ਨਾਂ ਨਾਲ ਵੱਧ ਸ਼ੁੱਧਤਾ ਵਾਲਾ ਹੈ, ਵੇਰਵੇ-ਸੰਵੇਦਨਸ਼ੀਲ ਚਿੱਤਰ ਵਾਲੇ ਕੰਮ ਲਈ ਸੁਰੱਖਿਅਤ ਮੂਲ ਚੋਣ। MiniMax-M3 ਬਹੁਤ ਵੱਡੀ ਬੁਨਿਆਦ ਨੂੰ 3 ਬਿੱਟਾਂ ਤੱਕ ਸੰਕੁਚਿਤ ਕਰਕੇ ਚਲਾਉਂਦਾ ਹੈ, ਜੋ ਪ੍ਰਤੀ-ਪਿਕਸਲ ਵਫ਼ਾਦਾਰੀ ਨਾਲੋਂ ਦੁਨਿਆਵੀ ਗਿਆਨ ਦੀ ਵਿਸ਼ਾਲਤਾ ਨੂੰ ਪਹਿਲ ਦਿੰਦਾ ਹੈ।
W8A16 ਦਾ ਮਤਲਬ ਕੀ ਹੈ ਅਤੇ ਇਹ ਵਿਜ਼ਨ ਲਈ ਕਿਉਂ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ?
W8A16 ਦਾ ਮਤਲਬ ਹੈ 16-ਬਿੱਟ ਐਕਟੀਵੇਸ਼ਨਾਂ ਨਾਲ 8-ਬਿੱਟ ਵਜ਼ਨ, Shannon ਸੂਚੀ ਦਾ ਸਭ ਤੋਂ ਵੱਧ ਵਫ਼ਾਦਾਰੀ ਵਾਲਾ ਦਰਜਾ, ਜੋ ਉੱਥੇ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ ਜਿੱਥੇ ਬੁਨਿਆਦ ਏਨੀ ਛੋਟੀ ਹੈ ਕਿ ਸਖ਼ਤ ਸੰਕੁਚਨ ਦੀ ਲੋੜ ਨਹੀਂ। ਇਹ ਵਿਜ਼ਨ ਲਈ ਇਸ ਲਈ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ ਕਿਉਂਕਿ ਵਿਜ਼ਨ ਟਾਵਰ ਅਤੇ ਇਸਦਾ ਪ੍ਰੋਜੈਕਟਰ ਬਰੀਕ ਵੇਰਵਾ ਇੱਕ ਤੰਗ ਰਾਹ ਵਿੱਚੋਂ ਲੈ ਕੇ ਜਾਂਦੇ ਹਨ, ਅਤੇ ਉੱਥੇ ਆਈ ਗ਼ਲਤੀ ਬਾਅਦ ਵਿੱਚ ਓਦਾਂ ਸੰਭਲਦੀ ਨਹੀਂ ਜਿਵੇਂ ਥੋੜ੍ਹੀ ਧੁੰਦਲੀ ਲਿਖਤ ਐਂਬੈਡਿੰਗ ਅਕਸਰ ਸੰਭਲ ਜਾਂਦੀ ਹੈ।
MiMo-V2.5, MiMo-V2.5-Pro ਤੋਂ ਕਿਵੇਂ ਵੱਖਰਾ ਹੈ?
ਇੱਕੋ ਕੀਮਤ, ਇੱਕੋ 262,144-ਟੋਕਨ ਸੰਦਰਭ, ਇੱਕੋ W8A16 ਦਰਜਾ, ਪਰ ਇੱਕੋ ਮਾਡਲ ਨਹੀਂ। MiMo-V2.5 ਚਿੱਤਰ ਸਵੀਕਾਰ ਕਰਦਾ ਹੈ; MiMo-V2.5-Pro ਨਹੀਂ ਕਰਦਾ, ਇਸਦੀ ਥਾਂ ਉਹ ਪਰੋਸਣ ਬਜਟ ਵੱਡੀ ਲਿਖਤ ਬੁਨਿਆਦ ਉੱਤੇ ਖ਼ਰਚ ਕਰਦਾ ਹੈ। ਜਦੋਂ ਇਨਪੁੱਟਾਂ ਵਿੱਚ ਸਕ੍ਰੀਨਸ਼ਾਟ, ਦਸਤਾਵੇਜ਼, ਚਾਰਟ ਜਾਂ ਤਸਵੀਰਾਂ ਹੋਣ ਤਾਂ MiMo-V2.5 ਵਰਤੋ; ਸਿਰਫ਼-ਲਿਖਤ ਵਾਲੇ ਕੰਮ ਲਈ ਉਸੇ ਦਰ ਉੱਤੇ Pro ਵਰਤੋ।
ਕੀ ਬਿਨਾਂ ਸੈਂਸਰ MiMo ਵਿਜ਼ਨ ਮਾਡਲ JSON ਸਕੀਮਾ ਅਤੇ ਟੂਲ ਕਾਲਿੰਗ ਸਮਰਥਿਤ ਕਰਦਾ ਹੈ?
ਹਾਂ। MiMo-V2.5 W8A16 ਸਖ਼ਤ json_schema ਢਾਂਚਾਗਤ ਆਊਟਪੁੱਟ, response_format, ਟੂਲ ਕਾਲਿੰਗ, ਸਟ੍ਰੀਮਿੰਗ ਅਤੇ reasoning_effort ਕੰਟਰੋਲ ਸਮਰਥਿਤ ਕਰਦਾ ਹੈ। ਇਹੀ ਗੱਲ ਇਸਨੂੰ ਕੱਢਣ ਵਾਲੇ ਬੈਕਐਂਡ ਵਜੋਂ ਵਰਤਣ ਯੋਗ ਬਣਾਉਂਦੀ ਹੈ: ਇਸਨੂੰ ਚਿੱਤਰ ਦਿਓ ਅਤੇ ਵਾਪਸ ਅਜਿਹਾ ਪਰਖਿਆ ਹੋਇਆ ਆਬਜੈਕਟ ਮਿਲਦਾ ਹੈ, ਨਾ ਕਿ ਪੈਰਾ ਜਿਸਨੂੰ ਤੁਹਾਨੂੰ ਪਾਰਸ ਕਰਨਾ ਪਵੇ।
ਇਸਨੂੰ ਚਿੱਤਰ ਭੇਜੋ
8-ਬਿੱਟ ਵਿਜ਼ਨ, 262K ਸੰਦਰਭ, ਕੋਈ ਇਨਕਾਰ ਪਰਤ ਨਹੀਂ — ਸਿਰਫ਼-ਲਿਖਤ ਮਾਡਲ ਦੀ ਕੀਮਤ ਉੱਤੇ।
API ਦਸਤਾਵੇਜ਼ ਪੜ੍ਹੋ ਸਾਰੇ 12 ਮਾਡਲ ਵੇਖੋਮਾਡਲ id: MiMo-V2.5-W8A16 · ਸਾਡੀ ਜ਼ਿੰਮੇਵਾਰ ਵਰਤੋਂ ਨੀਤੀ ਅਧੀਨ
ਸਰੋਤ: MiMo ਤਕਨੀਕੀ ਰਿਪੋਰਟ (arXiv 2505.07608) · MiMo-VL ਤਕਨੀਕੀ ਰਿਪੋਰਟ (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508। ਸਾਰੇ ਬੈਂਚਮਾਰਕ ਅੰਕੜੇ ਉੱਪਰ ਨਾਮਵਰ ਜਾਰੀ ਕੀਤੇ ਚੈੱਕਪੁਆਇੰਟਾਂ ਲਈ Xiaomi ਵੱਲੋਂ ਦੱਸੇ ਗਏ ਹਨ ਅਤੇ ਪਰਿਵਾਰ ਦੀ ਵੰਸ਼ਾਵਲੀ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਨ, ਇਸ ਐਂਡਪੁਆਇੰਟ ਦੇ ਸਹੀ ਬਿਲਡ ਦਾ ਨਹੀਂ। ਕੀਮਤਾਂ, ਸੰਦਰਭ, ਅਤੇ ਸਮਰੱਥਾ ਫਲੈਗ Shannon AI ਗੇਟਵੇ ਸੂਚੀ ਮੁੱਲ ਹਨ, ਸਤੰਬਰ 2026।