Nieocenzurowane API wizyjne MiMo
Jedyny model w naszym katalogu, który łączy 8-bitową precyzję wag z rozumieniem obrazu — a kosztuje dokładnie tyle, co modele tekstowe z progu cenowego: $0.50 wejście / $2.00 wyjście za milion tokenów.
W skrócie
MiMo-V2.5-W8A16 to członek pary MiMo z obsługą wizji w bramie Shannon AI, wywodzący się z linii MiMo od Xiaomi — modelu językowego zbudowanego wokół rozumowania, na który doszczepiono wieżę wizyjną — serwowany w W8A16, naszym poziomie najwyższej wierności kwantyzacji, na naszym własnym klastrze GPU. Kontekst 262,144 tokenów, maksymalnie 16,384 tokeny wyjścia, wywoływanie narzędzi, ścisły schemat JSON, streaming i pokrętło reasoning_effort. Bez warstwy odmów, bez filtra wyjścia. Remisuje z MiniMax-M3 o miano najtańszej wizji w ofercie i bije go precyzją.
Tanie endpointy multimodalne są tanie, bo coś w nich obcięto, a obcina się zwykle tę część, której nie widać: wagi ściśnięto do trzech czy czterech bitów, a model nadal pewnie odpowiada o wykresie, którego już naprawdę nie potrafi odczytać. MiMo-V2.5 to kontrprzykład w naszym katalogu — jednocześnie w cenie minimalnej i na najwyższym poziomie precyzji, bo fundament, z którego się wywodzi, zbudowano jako mały i gęsty, a nie ogromny i rzadki.
01Skąd bierze się MiMo: najpierw model rozumujący, dopiero potem wizyjny
Linia MiMo to program badawczy Xiaomi z otwartymi wagami, a jego założycielski argument jest niemodny: zdolność rozumowania ustala się podczas pretreningu, a nie dokleja później przez RL. Praca to głównie inżynieria danych — Xiaomi przebudowało ekstrakcję i filtrowanie tekstu, by podnieść gęstość wzorców rozumowania w korpusie, wygenerowało syntetyczne dane rozumowania na dużą skalę i pretrenowało MiMo-7B-Base na mniej więcej 25 bilionach tokenów w trójetapowej mieszance, z Multiple-Token Prediction jako celem pomocniczym, który w czasie inferencji pełni podwójną rolę dekodera spekulatywnego (współczynnik akceptacji blisko 90% według Xiaomi).
Potrening jest celowo surowy: 130 000 zadań z matematyki i kodu z nagrodami wyłącznie regułowymi za poprawność, bez uczonego modelu nagrody, przy założeniu, że neuronowy model nagrody to powierzchnia do zhakowania. Nagród weryfikowalnych nie da się zagadać. MiMo-7B-RL notuje liczby nieproporcjonalne do swojej wielkości — Xiaomi raportuje 68,2% na AIME 2024, 95,8% na MATH-500 i 57,8% na LiveCodeBench v5 przy pass@1, dorównując o1-mini od OpenAI. Taki jest kształt modelu, który wywołujesz: zwarty, gęsto wytrenowany, dostrojony do przepracowania problemu, a nie do przypomnienia sobie odpowiedzi — i ten temperament przechodzi na multimodalnych potomków.
02Jak MiMo nauczył się widzieć: architektura MiMo-VL
MiMo-VL to gałąź wizyjno-językowa, a sposób jej konstrukcji jest pouczający. Xiaomi złożyło trzy części: enkoder ViT o natywnej rozdzielczości, który zachowuje drobny detal zamiast przepychać każdy obraz przez stałą siatkę niskiej rozdzielczości, losowo zainicjowany projektor MLP do przestrzeni latentnej modelu językowego oraz — co kluczowe — szkielet rozumujący MiMo jako model językowy. System wizyjny dziedziczy dekoder już dobry w myśleniu wieloetapowym, a nie taki, który jest jedynie dobry w opisywaniu obrazków.
Trening przebiegł w czterech etapach pretreningu — rozgrzewka projektora, wyrównanie wizyjno-językowe, ogólny pretrening multimodalny, SFT na długim kontekście — na mniej więcej 2,4 biliona tokenów, a potem Mixed On-policy Reinforcement Learning (MORL), spinający w jedną pętlę on-policy dokładność percepcji, precyzję osadzania wizualnego, poprawność rozumowania i preferencje ludzkie/AI. Raport uczciwie przyznaje, że optymalizowanie tego wszystkiego naraz jest niestabilne — to rzetelniejsze ujęcie niż w większości prac multimodalnych.
Opublikowane wyniki są mocne jak na tę liczbę parametrów. Xiaomi raportuje, że MiMo-VL-7B-RL bije Qwen2.5-VL-7B w 35 z 40 zadań, osiąga 59,4 na OlympiadBench (powyżej modeli do 78B) i 56,1 na OSWorld-G w osadzaniu GUI, wyprzedzając agentów interfejsowych budowanych do tego celu. Późniejsze odświeżenie 2508 przepchnęło MMMU powyżej 70 po raz pierwszy w serii (70,6), osiągnęło 94,4 na ChartQA, 92,5 na ScreenSpot-v2 i 70,8 na VideoMME, a także dodało przełącznik kontroli myślenia, dzięki któremu ślady rozumowania można wyłączyć na poziomie żądania.
Uwaga o twierdzeniach dotyczących wersji
Każda powyższa liczba to własna opublikowana liczba Xiaomi dla konkretnego wydanego punktu kontrolnego, podlinkowanego w bloku źródeł poniżej. Nasza pozycja katalogowa to późniejszy punkt tego rodowodu. Opisujemy, skąd model pochodzi i do czego rodzina jest zbudowana — nie twierdzimy, że te dokładne wyniki przenoszą się na kompilację, którą wywołujesz. Zbenchmarkuj własne obciążenie; po to właśnie jest cena minimalna.
03Co oznacza W8A16 i dlaczego ma większe znaczenie dla wizji niż dla tekstu
Każdy model w bramie nosi przyrostek kwantyzacji. To nie ozdoba — mówi, co oddano, żeby model dało się serwować.
| Przyrostek | Czym jest | Po co się go używa |
|---|---|---|
| 3BIT-REAP | Wagi 3-bitowe plus REAP, metoda przycinania ekspertów usuwająca rzadko routowanych ekspertów z modelu MoE przed kwantyzacją | Jedyny sposób, by zmieścić i serwować największe fundamenty w rozsądnym tempie |
| W4A16-AUTOROUND-REAP | Wagi 4-bitowe, aktywacje 16-bitowe, kwantyzowane przez AutoRound — wyuczone zaokrąglanie, które odzyskuje dokładność wobec naiwnego zaokrąglania do najbliższej wartości — plus przycinanie REAP | Złoty środek dla dużych fundamentów, które nie wymagają skrajnej kompresji |
| W8A16 | Wagi 8-bitowe, aktywacje 16-bitowe — najwyższy poziom wierności, jaki serwujemy | Stosowany tam, gdzie fundament jest na tyle mały, że agresywna kompresja jest zbędna |
MiMo-V2.5 zasługuje na trzeci wiersz dzięki zwartości: gęsty fundament tej klasy nie musi być zgniatany do trzech bitów, żeby się zmieścić, więc stać cię na zachowanie ośmiu, a wagi, z których próbkujesz, pozostają bliskie tym, które wytrenowano. Dla pracy z obrazem ma to nieproporcjonalnie duże znaczenie, i to z powodu strukturalnego. W dekoderze wyłącznie tekstowym osadzenie, które dryfuje pod wpływem kwantyzacji, zostaje ponownie osadzone w kontekście przez dziesiątki późniejszych warstw uwagi — wiele szans na odzyskanie. Stos wizyjny nie ma takiego luzu: informacja wizualna przechodzi przez jeden enkoder i jeden wąski projektor, zanim dotrze do dekodera, a wszystko dalej jest uwarunkowane tym, co wyprodukowało to wąskie gardło. Drobnoziarnisty sygnał — 3 kontra 8 na skanie o niskim kontraście, dokładny piksel, w którym słupek kończy się na osi wykresu, granica elementu interfejsu, w który masz kliknąć — mieszka w detalu wag o małej magnitudzie, który agresywna kwantyzacja odrzuca jako pierwszy.
Model wizyjny na 3 bitach nie zawodzi głośno; zawodzi po cichu, produkując płynny opis dokumentu z dwiema przestawionymi cyframi w sumie. Wyższa precyzja wag to najtańsze ubezpieczenie od takiej awarii, a tutaj jest darmowa — i tak płacisz cenę minimalną.
04Cena minimalna w kontekście
Cztery modele w naszym katalogu dwunastu stoją w cenie minimalnej $0.50 wejście / $2.00 wyjście za milion tokenów. Tylko jeden z nich przyjmuje obrazy. Oto, gdzie modele z wizją lądują pod względem kosztu wyjścia, czyli liczby dominującej w większości realnych rachunków:
Cena wyjścia w USD za 1M tokenów, stawki katalogowe bramy Shannon AI, wrzesień 2026. Długość paska jest odniesiona do najdroższego modelu wizyjnego w katalogu.
Wobec Kimi-K3 — modelu wizyjnego z górnej półki i naprawdę mocniejszego — MiMo-V2.5 jest mniej więcej 9,6× tańszy na wyjściu i 7,7× tańszy na wejściu. To nie twierdzenie o równoważności; to argument o kształcie obciążenia. Przy stu tysiącach obrazów miesięcznie model z górnej półki jest nie do udźwignięcia, a ten z progu tak, i uczciwe pytanie brzmi, czy model z progu przekracza twój próg dokładności — a nie czy wygrywa benchmark.
05MiMo-V2.5 kontra MiniMax-M3: dwa tanie modele wizyjne, porównane uczciwie
Te dwa remisują dokładnie ceną, kontekstem i powierzchnią endpointów. Nie są wymienne: poziom kwantyzacji jest przybliżeniem dwóch różnych zakładów o to, co czyni model wizyjny użytecznym.
| MiMo-V2.5 · W8A16 | MiniMax-M3 · 3BIT-REAP | |
|---|---|---|
| Wejście / wyjście za 1M | $0.50 / $2.00 | $0.50 / $2.00 |
| Precyzja wag | 8 bitów | 3 bity + przycinanie ekspertów |
| Wielkość fundamentu | Zwarty, gęsty | Duży, rzadki MoE |
| Wizja | Tak | Tak |
| Okno kontekstu | 262,144 | 262,144 |
| Schemat · narzędzia · streaming | Tak | Tak |
Wybierz MiMo-V2.5, gdy trudną częścią jest obraz: gęsty OCR na niedoskonałych skanach, ekstrakcja liczb z wykresów i tabel, osadzanie zrzutów ekranu i interfejsów, odczyt małego tekstu, odróżnianie niemal identycznych zdjęć produktowych — wszystko, gdzie przestawiona cyfra jest wadą, a nie usterką kosmetyczną. Chcesz ścieżki od pikseli do tokenów o najwyższej wierności, a wagi 8-bitowe są sposobem, by mieć ją w tej cenie.
Wybierz MiniMax-M3, gdy obraz jest łatwą częścią. Duży rzadki fundament skompresowany do 3 bitów wciąż mieści więcej wiedzy o świecie i szerokości rozumowania, niż potrafi zwarty model gęsty, nawet po przycięciu. Jeśli zadanie brzmi „popatrz na to zdjęcie i rozważ obszernie, co z niego wynika” albo obraz jest jednym z wejść w rozmowie w większości tekstowej, większy fundament jest lepszym narzędziem — ostrość widzenia, którą oddałeś, nie była wiążącym ograniczeniem.
06MiMo-V2.5 kontra MiMo-V2.5-Pro: rodzeństwo, które oddało oczy za głębię
To porównanie generuje najwięcej zgłoszeń do wsparcia, więc warto powiedzieć wprost. MiMo-V2.5-Pro-W8A16 i MiMo-V2.5-W8A16 dzielą cenę, okno kontekstu, poziom precyzji i nazwisko rodowe. Pro nie przyjmuje obrazów. To nie jest nadzbiór. To inny przydział tego samego budżetu.
Serwowanie modelu multimodalnego oznacza płacenie za wieżę wizyjną i projektor obok dekodera — przy stałym celu kosztowym to pojemność niewydana na sam model językowy. Pro wydaje ją całą na tekst: większy fundament z większym zapasem na długie pisanie, rozbudowane rozumowanie i kod. MiMo-V2.5 wydaje jej część na wzrok.
Reguła decyzyjna dotyczy więc twoich wejść, a nie twoich ambicji. Jeśli jakiekolwiek żądanie może zawierać zrzut ekranu, zeskanowaną stronę, wykres, diagram albo zdjęcie, potrzebujesz MiMo-V2.5 — Pro odrzuci taki blok treści. Jeśli każde żądanie jest tekstowe, a po model wizyjny sięgnąłeś z przyzwyczajenia, zostawiasz jakość fundamentu na stole za darmo: weź MiMo-V2.5-Pro po identycznej stawce.
Wzorzec wart podkradnięcia: routuj po typie treści. Wszystko z częścią obrazową idzie do MiMo-V2.5-W8A16, cała reszta do MiMo-V2.5-Pro-W8A16. Ta sama rodzina, ta sama cena, ten sam budżet kontekstu — router jest trywialny i nie ma modelu kosztów do uzgadniania.
07Co właściwie znaczy „nieocenzurowane rozumienie obrazu”
Przed tym modelem nie ma warstwy odmów, a na jego wyjściu nie ma filtra treści. To decyzja produktowa o konkretnej konsekwencji dla pracy wizyjnej: model opisuje to, co jest w kadrze, zamiast odmawiać ze względu na tematykę.
Ma to znaczenie, bo filtrowane API wizyjne są strukturalnie nieprzystosowane do całej kategorii uzasadnionej pracy. Potok moderacji musi patrzeć na materiał, który moderuje, i powiedzieć, czym on jest; klasyfikator, który odmawia zbadania tego, co klasyfikuje, nie jest klasyfikatorem. To samo dotyczy długiej listy prawdziwych zadań:
- Narzędzia trust and safety — etykietowanie dokładnie tych obrazów, których mainstreamowe API nie przetworzy, a które najbardziej potrzebują etykiety.
- Obrazy medyczne, kryminalistyczne i powypadkowe — fotografia kliniczna, obrażeń i miejsc zdarzeń, którą ogólne filtry odrzucają jako drastyczną, niezależnie od tego, kto pyta.
- Badania bezpieczeństwa — odczytywanie stron phishingowych, złośliwych interfejsów i przechwyconych ekranów bez modelu wzdragającego się przed samym założeniem.
- Klasyfikacja treści dla dorosłych i katalogowanie archiwalne — potoki, które istnieją po to, by identyfikować materiał i nie mogą oddelegować samego patrzenia, oraz zbiory historyczne, które filtry traktują jako nieetykietowalne.
Usunięcie warstwy odmów usuwa przeszkodę inżynieryjną, a nie prawną. Shannon AI jest prowadzone przez Shannon Lab LLC w Nowym Meksyku, USA, a korzystanie z API podlega naszej polityce odpowiedzialnego użycia. Niefiltrowane wyjście to możliwość, a nie przepustka.
08Jak go wywołać: endpointy, wejście obrazowe i gdzie pasuje
Model to MiMo-V2.5-W8A16, dostępny w trzech dialektach żądań wobec tych samych wag, więc zostajesz przy SDK, które już masz:
/v1/chat/completions— zgodny z OpenAI. Obrazy trafiają jako części treściimage_url, albo jako URL https, albo jako data URI w base64./v1/messages— zgodny z Anthropic. Obrazy trafiają jako bloki treściimage./v1/responses— dialekt w stylu Responses.
Streaming i wywoływanie narzędzi działają we wszystkich trzech, więc model może spojrzeć na zrzut ekranu i w jednej turze wywołać funkcję dotyczącą tego, co zobaczył. Pełne schematy żądań i odpowiedzi są w dokumentacji API, gdzie znajdziesz też playground, do którego możesz wkleić obraz przed napisaniem choćby linijki kodu.
MiMo-V2.5 obsługuje ścisły json_schema i response_format — to różnica między demem a potokiem produkcyjnym. Podaj mu paragon oraz schemat z typowanymi polami na sprzedawcę, datę, pozycje i sumę, a dostaniesz obiekt, który twój kod może zwalidować, zamiast akapitu do przemielenia regexem. Dwa z dwunastu modeli w tym katalogu nie mają pełnego wsparcia wyjścia strukturalnego; ten je ma i dlatego sprawdza się jako wysokowolumenowa usługa ekstrakcji.
Okno kontekstu to 262,144 tokeny; wygenerowane wyjście jest ograniczone do 16,384 tokenów na żądanie. Obrazy zużywają tokeny wejściowe w zależności od rozdzielczości, więc skany stron w wysokiej rozdzielczości zjadają kontekst znacznie szybciej niż tekst o tej samej liczbie słów. Dziel długie dokumenty na strony, zamiast ładować 300-stronicowy skan w jednym żądaniu, i traktuj limit wyjścia jako realne ograniczenie wyczerpującej ekstrakcji — dziel gęste tabele na zakresy wierszy, zamiast dostawać obciętą odpowiedź.
Pokrętło reasoning_effort ma tu realną siłę, biorąc pod uwagę rodowód rodziny. Skręć je w dół przy wysokowolumenowej klasyfikacji, gdzie odpowiedzią jest etykieta, a tokeny myślenia to czysty koszt; podkręć je przy interpretacji wykresów, matematyce wizualnej i rozumowaniu nad diagramami, gdzie model musi połączyć kilka rzeczy, które widzi, zanim odpowie.
Gdzie pasuje, a gdzie nie
Dobre dopasowania. Wysokowolumenowa ekstrakcja dokumentów i paragonów; praca zbliżona do OCR na niedoskonałych skanach; odczyt wykresów, dashboardów i tabel; rozumienie zrzutów ekranu i osadzanie interfejsów; tagowanie katalogów i wizualne QA; potoki moderacji — każde zadanie multimodalne, w którym wiąże koszt na wywołanie, a precyzji w drobnym detalu nie chcesz oddać.
Złe dopasowania. Rozumowanie multimodalne o skrajnej trudności, wymagające najmocniejszego modelu bez względu na cenę — to robota Kimi-K3 i nie bez powodu kosztuje prawie dziesięć razy więcej. Generowanie wyłącznie tekstowe, gdzie MiMo-V2.5-Pro daje lepszy fundament po tej samej stawce. Praca opierająca się na encyklopedycznej wiedzy o świecie, gdzie duży rzadki fundament przegania zwarty gęsty. I wszystko, co potrzebuje więcej niż 262K kontekstu, czego żaden model tutaj nie oferuje.
Każda opublikowana liczba powyżej pochodzi od Xiaomi i dotyczy nazwanego punktu kontrolnego z serii MiMo i MiMo-VL. Czytaj materiał źródłowy, a nie nasze streszczenie.
09Najczęściej zadawane pytania
Czym jest nieocenzurowane API wizyjne MiMo?
To model MiMo-V2.5 W8A16 w bramie Shannon AI: model z obsługą wizji z rodowodu MiMo od Xiaomi, serwowany na naszym własnym klastrze GPU z 8-bitową precyzją wag, kontekstem 262,144 tokenów i bez warstwy odmów ani filtra wyjścia. Przyjmuje obrazy i tekst na /v1/chat/completions, /v1/messages i /v1/responses, za $0.50 za milion tokenów wejściowych i $2.00 za milion tokenów wyjściowych.
Który nieocenzurowany model, który naprawdę widzi obrazy, jest najtańszy?
Dwa remisują w cenie minimalnej $0.50 wejście / $2.00 wyjście za milion tokenów: MiMo-V2.5 W8A16 i MiniMax-M3 3BIT-REAP. MiMo-V2.5 jest z tej dwójki bardziej precyzyjny dzięki wagom 8-bitowym i jest bezpieczniejszym domyślnym wyborem do pracy z obrazem wrażliwej na detal. MiniMax-M3 uruchamia znacznie większy fundament skompresowany do 3 bitów, stawiając na szerokość wiedzy o świecie zamiast na wierność na poziomie piksela.
Co oznacza W8A16 i dlaczego ma znaczenie dla wizji?
W8A16 oznacza wagi 8-bitowe z aktywacjami 16-bitowymi, czyli najwyższy poziom wierności w katalogu Shannona, stosowany tam, gdzie fundament jest na tyle mały, że agresywna kompresja jest zbędna. Dla wizji ma to znaczenie, bo wieża wizyjna i jej projektor przenoszą drobnoziarnisty detal wąską ścieżką, a wprowadzonych tam błędów nie da się później odzyskać, jak to często bywa z lekko rozmytym osadzeniem tekstowym.
Czym MiMo-V2.5 różni się od MiMo-V2.5-Pro?
Ta sama cena, ten sam kontekst 262,144 tokenów, ten sam poziom W8A16, ale to nie ten sam model. MiMo-V2.5 przyjmuje obrazy; MiMo-V2.5-Pro nie, przeznaczając ten budżet serwowania na większy fundament tekstowy. Użyj MiMo-V2.5, gdy wejścia zawierają zrzuty ekranu, dokumenty, wykresy albo zdjęcia; użyj Pro do pracy wyłącznie tekstowej po identycznej stawce.
Czy nieocenzurowany model wizyjny MiMo obsługuje JSON Schema i wywoływanie narzędzi?
Tak. MiMo-V2.5 W8A16 obsługuje ścisłe wyjście strukturalne json_schema, response_format, wywoływanie narzędzi, streaming oraz sterowanie reasoning_effort. To właśnie czyni go użytecznym jako backend ekstrakcji: podajesz obraz i dostajesz zwalidowany obiekt, a nie prozę, którą musisz parsować.
Wyślij mu obraz
Wizja 8-bitowa, kontekst 262K, bez warstwy odmów — w cenie modelu wyłącznie tekstowego.
Przeczytaj dokumentację API Przeglądaj wszystkie 12 modeliIdentyfikator modelu: MiMo-V2.5-W8A16 · podlega naszej polityce odpowiedzialnego użycia
Źródła: raport techniczny MiMo (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Wszystkie liczby benchmarkowe są raportowane przez Xiaomi dla wymienionych wyżej wydanych punktów kontrolnych i opisują rodowód rodziny, a nie dokładną kompilację na tym endpoincie. Ceny, kontekst i flagi możliwości to wartości katalogowe bramy Shannon AI, wrzesień 2026.