بې سانسوره د MiMo لید API

ارزانه څو رسنیز پای ټکي ځکه ارزانه دي چې یو څه پرې شوي، او هغه څه چې پرې کېږي معمولاً هغه برخه ده چې تاسو يې نه شئ لیدلی: وزنونه درې یا څلورو بیټو ته زنګول شوي، او ماډل لا هم په ډاډ سره د یوه چارټ په اړه ځواب وايي چې نور يې په رښتیا نه شي لوستلی. MiMo-V2.5 زموږ په کتلاګ کې ضد بېلګه ده — په بیه ییز فرش او په پورتني دقتي پوړ کې په یوه وخت کې، ځکه چې هغه بنسټ چې ترې راځي، د پراخ او کثیف پرځای کوچنی او ډک جوړ شوی و.

01MiMo له کومه راځي: لومړی یو استدلالي ماډل، دویم یو لیدنی

د MiMo کرښه د Xiaomi د خلاصو وزنونو څېړنیز پروګرام دی، او بنسټیز دلیل يې غیر مروج دی: د استدلال وړتیا د مخکینۍ روزنې پر مهال ټاکل کېږي، نه دا چې وروسته له RL سره ونښلول شي. کار يې ډېره برخه د معلوماتو انجینري ده — Xiaomi د متن راایستل او فلټرول له سره جوړ کړل ترڅو په ټولګه کې د استدلالي بڼو کثافت پورته کړي، په پیمانه کې يې مصنوعي استدلالي معلومات جوړ کړل، او MiMo-7B-Base يې پر نږدې 25 ټریلیون توکنو باندې د یوه درې پړاویز مخلوط لاندې مخکینۍ روزنه کړ، له څو توکنیزې وړاندوینې سره د یوې مرستندویه موخې په توګه چې د اټکل پر مهال د یوه اټکلي ډیکوډر په توګه هم کار کوي (د منلو کچه يې د Xiaomi له مخې نږدې 90%).

وروستنۍ روزنه په قصده توګه ساده ده: 130,000 ریاضي او کوډي ستونزې له یوازې پر قاعده ولاړو د دقت بدلونونو سره، هېڅ زده شوی د بدلون ماډل نشته، پر دې استدلال چې یو عصبي د بدلون ماډل یوه داسې سطحه ده چې هک کېدلی شي. د تایید وړ بدلونونه په خوږو خبرو نه غولېږي. MiMo-7B-RL داسې شمېرې ورکوي چې د اندازې يې له تناسبه بهر دي — Xiaomi پر AIME 2024 باندې 68.2%، پر MATH-500 باندې 95.8%، پر LiveCodeBench v5 باندې 57.8% په pass@1 کې راپوروي، چې د OpenAI له o1-mini سره برابر دی. دا د هغه ماډل بڼه ده چې ورته زنګ وهئ: نغښتی، په ډکه توګه روزل شوی، تنظیم شوی چې د یوه ځواب د یادولو پرځای د یوې ستونزې له لارې کار وکړي — او هغه مزاج څو رسنیزو اولادونو ته ژوندی رسېږي.

02MiMo څنګه لیدل زده کړل: د MiMo-VL معماري

MiMo-VL د لید او ژبې څانګه ده، او جوړښت يې د زده کړې وړ دی. Xiaomi درې برخې سره یوځای کړې: یو د اصلي ریزولوشن ViT کوډوونکی چې باریک جزئیات ساتي پرځای د دې چې هر انځور یوې ثابتې ټیټ ریزولوشنه شبکې ته اړ کړي، یو په تصادفي توګه پیل شوی MLP وړاندې کوونکی د ژبني ماډل پټې فضا ته، او — تر ټولو مهم — د MiMo استدلالي تنه د ژبني ماډل په توګه. لیدنی نظام یو داسې ډیکوډر په میراث اخلي چې دمخه په څو ګامیز فکر کې ښه دی نه هغه چې یوازې په سرلیک لیکنه کې ښه وي.

روزنه په څلورو مخکینیو روزنیزو پړاوونو کې وچلېده — د وړاندې کوونکي تودول، د لید او ژبې همغږي، عمومي څو رسنیزه مخکینۍ روزنه، د اوږد متن SFT — د نږدې 2.4 ټریلیون توکنو په اوږدو کې، بیا مخلوط پر پالیسي پیاوړی زده کړه (MORL)، چې د ادراک دقت، د لیدني ځای پر ځای کولو دقت، د استدلال سموالی، او د انسان/AI غوره توب په یوه پر پالیسي کړۍ کې لړي. راپور په رښتیني توګه وايي چې د دې ټولو په یوه وخت کې غوره کول بې ثباته دي — یوه تر ډېری څو رسنیزو مقالو ډېره رښتینې چوکاټ بندي.

خپرې شوې پایلې د پیرامیټرونو د شمېر لپاره پیاوړې دي. Xiaomi راپور ورکوي چې MiMo-VL-7B-RL په له 40 دندو څخه په 35 کې Qwen2.5-VL-7B ماتوي، پر OlympiadBench باندې 59.4 (تر 78B پورې ماډلونو پورته)، او د GUI ځای پر ځای کولو لپاره پر OSWorld-G باندې 56.1، د موخه یز جوړ شویو پوښیزو اجنټانو مخکې. وروستني 2508 تازه کول MMMU له 70 پورته د لړۍ لپاره د لومړي ځل لپاره ورساوه (70.6)، پر ChartQA باندې 94.4، پر ScreenSpot-v2 باندې 92.5 او پر VideoMME باندې 70.8 ته ورسېد، او یو د فکر کنټرول تڼۍ يې ورزیاته کړه چې استدلالي نښې په هره غوښتنه کې مړې کېدای شي.

03W8A16 څه معنا لري، او ولې د لید لپاره تر متن ډېر مهم دی

پر ګېټوې باندې هر ماډل د کوانټایزېشن یو تاړی وړي. دا سینګار نه دی — دا تاسو ته وايي چې د ماډل د خدمت وړ کولو لپاره څه سودا شوي.

تاړی	دا څه دی	ولې کارېږي
3BIT-REAP	3-بیټه وزنونه جمع REAP، د متخصص د کټولو یوه میتود چې له کوانټایزولو دمخه له یوه MoE ماډل څخه نادر روټ شوي متخصصان غورځوي	یوازینۍ لار چې تر ټولو لوی بنسټونه په یوه معقول سرعت کې ځای شي او خدمت شي
W4A16-AUTOROUND-REAP	4-بیټه وزنونه، 16-بیټه فعالېدنې، چې له AutoRound سره کوانټایز شوي — زده شوی ګردوالی چې د ساده نږدې-ګرد کولو په پرتله دقت بېرته اخلي — جمع د REAP کټول	د هغو لویو بنسټونو لپاره منځنی ځای چې افراطي فشار ته اړتیا نلري
W8A16	8-بیټه وزنونه، 16-بیټه فعالېدنې — تر ټولو لوړ وفادار پوړ چې موږ يې خدمت کوو	هلته کارېږي چې بنسټ دومره کوچنی وي چې تېز فشار ته اړتیا نه وي

MiMo-V2.5 درېیمه کرښه په نغښتي کېدو سره ګټي: په دې ټولګۍ کې یو ډک بنسټ اړتیا نلري چې د ځایېدو لپاره درېیو بیټو ته وزنګول شي، نو تاسو کولی شئ اته وساتئ، او هغه وزنونه چې ترې نمونه اخلئ، هغو ته نږدې پاتې کېږي چې روزل شوي وو. دا د انځوریز کار لپاره په نامتناسبه توګه مهم دی، د یوه جوړښتي لامل له مخې. په یوه یوازې متني ډیکوډر کې، هغه ځای پر ځای کول چې د کوانټایزېشن لاندې لار ورکوي، په لسګونو وروستنیو د پاملرنې پرتونو له خوا بیا متن ورکول کېږي — د بیا موندنې ډېرې چانسونه. یو لیدنی لړ داسې سستوالی نلري: لیدني معلومات د یوه یوازیني کوډوونکي او یوه یوازیني تنګ وړاندې کوونکي له لارې تېرېږي مخکې تر دې چې ډیکوډر ته ورسېږي، او هر څه چې لاندې دي، پر هغه څه شرطي دي چې هغه تنګه لار جوړوي. باریک سیګنال — په یوه ټیټ توپیره سکن کې 3 په مقابل کې 8، هغه دقیق پیکسل چې یوه پټه د چارټ پر محور پای ته رسېږي، د یوه د کارونکي پوښ عنصر پوله چې کلیک يې درنه غوښتل شوی — په هغه ټیټ کچې وزنیز جزئیات کې ژوند کوي چې تېز کوانټایزېشن يې لومړی غورځوي.

یو 3-بیټه لیدنی ماډل په لوړ غږ ناکام نه کېږي؛ په چوپه توګه ناکامېږي، او د یوه سند یو روان بیان جوړوي چې په ټولټال کې يې دوه رقمه ځایونه بدل شوي. لوړ وزنیز دقت د هغې ناکامۍ په مقابل کې تر ټولو ارزانه بیمه ده، او دلته وړیا ده — تاسو په هر حال کې فرشي بیه ورکوئ.

04فرشي بیه، په خپل شرایطو کې

زموږ په دولس ماډله کتلاګ کې څلور ماډلونه د په هر میلیون توکنو $0.50 دننه / $2.00 بهر پر بیه ییز فرش باندې ناست دي. یوازې یو يې انځورونه اخلي. دلته دا ده چې د لید وړ ماډلونه د وتنې پر لګښت باندې چېرته پرېوځي، هغه شمېره چې پر ډېری ریښتینو بیلونو باندې واکمنه ده:

د وتنې بیه په USD کې په هر 1M توکنو، د Shannon AI د ګېټوې د لیست کچې، د 2026 سپټمبر. د پټې اوږدوالی په کتلاګ کې د تر ټولو ګران لیدني ماډل په پرتله دی.

د Kimi-K3 په مقابل کې — د چت لیدنی ماډل، او په رښتیا یو پیاوړی — MiMo-V2.5 نږدې پر وتنه کې 9.6× ارزانه او پر دننه کې 7.7× ارزانه دی. دا د برابرۍ ادعا نه ده؛ دا د کاري بار د بڼې په اړه یو دلیل دی. په میاشت کې په سل زره انځورونو کې، د چت ماډل د اخیستلو وړ نه دی او فرشي ماډل دی، او رښتینې پوښتنه دا ده چې آیا فرشي ماډل ستاسو د دقت پوله تېروي — نه دا چې آیا یو معیار ګټي.

05MiMo-V2.5 په مقابل کې MiniMax-M3: دوه ارزانه لیدني ماډلونه، په رښتیا پرتله شوي

دا دواړه پر بیه، متن، او د پای ټکي پر سطحه باندې په سمه توګه برابر دي. دوی د تبادلې وړ نه دي: د کوانټایزېشن پوړ د دوو بېلو شرطونو یوه نښه ده چې څه یو لیدنی ماډل ګټور ګرځوي.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
دننه / بهر په هر 1M	$0.50 / $2.00	$0.50 / $2.00
د وزن دقت	8-بیټه	3-بیټه + د متخصص کټول
د بنسټ اندازه	نغښتی، ډک	لوی، کثیف MoE
لید	هو	هو
متنیزه کړکۍ	262,144	262,144
سکیما · وسیلې · سټریمینګ	هو	هو

MiMo-V2.5 هغه وخت وټاکئ چې انځور سخته برخه وي: پر ناقصو سکنونو باندې ډک OCR، له چارټونو او جدولونو څخه عددي استخراج، د سکرین انځور او د کارونکي پوښ ځای پر ځای کول، د کوچني متن لوستل، د نږدې یو شان محصولاتو د عکسونو بېلول — هر هغه څه چې پکې یو بدل شوی رقم یوه نیمګړتیا وي نه یو ظاهري عیب. تاسو له پیکسلونو څخه توکنو ته تر ټولو لوړه وفاداره لار غواړئ، او 8-بیټه وزنونه هغه څه دي چې په دې بیه کې يې ترلاسه کوئ.

MiniMax-M3 هغه وخت وټاکئ چې انځور اسانه برخه وي. یو لوی کثیف بنسټ چې 3 بیټو ته فشار شوی، لا هم تر هغې ډېره نړیواله پوهه او استدلالي پراخوالی لري چې یو نغښتی ډک ماډل يې لرلی شي، حتی له کټولو وروسته. که دنده «دې عکس ته وګوره او په اوږده توګه استدلال وکړه چې څه معنا لري» وي، یا انځور په یوه ډېر متني خبرو اترو کې یوه ننوتنه وي، لوی بنسټ غوره وسیله ده — هغه لیدني تېزوالی چې تاسو ورکړ، تړونکی خنډ نه و.

06MiMo-V2.5 په مقابل کې MiMo-V2.5-Pro: هغه ورور چې سترګې يې د ژورتیا په بدل کې ورکړې

دا هغه پرتله ده چې تر ټولو ډېر د مرستې تکټونه جوړوي، نو ارزښت لري چې بربنډ اوسو. MiMo-V2.5-Pro-W8A16 او MiMo-V2.5-W8A16 یوه بیه، یوه متنیزه کړکۍ، یو دقتي پوړ، او یو د ډلې نوم شریکوي. Pro انځورونه نه مني. دا یوه پوره ټولګه نه ده. دا د هماغې بودیجې یو بل وېش دی.

د یوه څو رسنیز ماډل خدمت کول معنا لري چې د ډیکوډر تر څنګ د یوه لیدني برج او وړاندې کوونکي لپاره پیسې ورکړئ — په یوه ثابته لګښتي موخه کې، هغه ظرفیت چې پخپله پر ژبني ماډل باندې نه لګېږي. Pro ټول پر متن لګوي: یو لوی بنسټ چې د اوږدې بڼې لیکنې، غځېدلي استدلال، او کوډ لپاره ډېر ځای لري. MiMo-V2.5 یوه برخه يې پر لید لګوي.

نو د پرېکړې قاعده ستاسو د ننوتنو په اړه ده، نه ستاسو د هیلو. که هره غوښتنه یو سکرین انځور، یوه سکن شوې پاڼه، یو چارټ، یو ډیاګرام، یا یو عکس ولري، تاسو MiMo-V2.5 ته اړتیا لرئ — Pro به د محتوا بلاک ورد کړي. که هره غوښتنه متن وي او تاسو د عادت له مخې لیدني ماډل ته لاس کړی وي، تاسو پرته له وجهې د بنسټ کیفیت پر مېز پرېږدئ: په هماغه کچه کې MiMo-V2.5-Pro واخلئ.

یوه بڼه چې د غلا وړ ده: د محتوا د ډول له مخې روټ وکړئ. هر څه چې انځوریزه برخه ولري MiMo-V2.5-W8A16 ته ځي، نور هر څه MiMo-V2.5-Pro-W8A16 ته. هماغه ډله، هماغه بیه، هماغه متنیزه بودیجه — روټر ساده دی او هېڅ لګښتي ماډل نشته چې برابر شي.

07«بې سانسوره د انځور پوهېدنه» په رښتیا څه معنا لري

د دې ماډل مخې ته د ردولو پرت نشته او پر وتنه يې د محتوا فلټر نشته. دا یوه محصولي پرېکړه ده چې د لیدني کار لپاره یوه ټاکلې پایله لري: ماډل هغه څه بیانوي چې په چوکاټ کې دي، پرځای د دې چې د موضوع پر بنسټ ورد کړي.

دا ځکه مهم دی چې فلټر شوي لیدني APIs له جوړښتي پلوه د قانوني کار د یوې ټولې کټګورۍ لپاره ناوړه دي. یوه د اعتدال کړۍ باید هغه موادو ته وګوري چې اعتدال يې کوي او ووايي چې څه دي؛ هغه ډلبندونکی چې له هغه شي کتلو ډډه کوي چې ډلبندي يې کوي، ډلبندونکی نه دی. هماغه د ریښتینو دندو د یوه اوږد لیست په اوږدو کې ریښتیا ده:

• د باور او خوندیتوب وسیلې — بېخي د هغو انځورونو نښه کول چې یو عام API يې نه پروسس کوي، چې هماغه انځورونه دي چې تر ټولو ډېر نښې ته اړتیا لري.
• طبي، عدلي، او د پېښو انځورونه — کلینیکي، د ټپونو، او د صحنې عکسونه چې عام فلټرونه يې د سختو په توګه ردوي، هر څوک چې پوښتنه کوي.
• امنیتي څېړنه — د فشنګ پاڼو، بدنیته پوښونو، او نیول شویو سکرینونو لوستل پرته له دې چې ماډل پر فرضیې باندې ټکنی شي.
• د لویانو د محتوا ډلبندي او ارشیوي کتلاګ کول — هغه کړۍ چې د موادو د پېژندلو لپاره شته دي او کتل نه شي بهر ته سپارلی، جمع تاریخي ټولګې چې فلټرونه يې د نه نښه کېدونکو په توګه ګوري.

د ردولو د پرت لرې کول یو انجینري خنډ لرې کوي، نه یو قانوني. Shannon AI په نیو مکسیکو، متحده ایالات کې د Shannon Lab LLC له خوا چلېږي، او د API کارونه زموږ د مسؤلانه کارونې پالیسۍ له مخې اداره کېږي. بې فلټره وتنه یوه وړتیا ده، نه د اجازې پاڼه.

08ورته زنګ وهل: پای ټکي، انځوریزه ننوتنه، او چېرته ځایېږي

ماډل MiMo-V2.5-W8A16 دی، چې د هماغو وزنونو په مقابل کې پر درېیو د غوښتنې ژبو باندې ورته رسېدنه کېږي، نو هغه SDK ساتئ چې دمخه يې لرئ:

• /v1/chat/completions — له OpenAI سره اړوند. انځورونه د image_url د محتوا برخو په توګه ننوځي، یا د یوه https URL په توګه یا د base64 د معلوماتو URI په توګه.
• /v1/messages — له Anthropic سره اړوند. انځورونه د image د محتوا بلاکونو په توګه ننوځي.
• /v1/responses — د Responses ډوله ژبه.

سټریمینګ او د وسیلو زنګ وهل پر درېیو واړو کار کوي، نو ماډل کولی شي یوه سکرین انځور ته وګوري او په یوه دوره کې د هغه څه په اړه یوې دندې ته زنګ ووهي چې لیدلي يې. د غوښتنې او ځواب بشپړې سکیماوې په د API اسنادو کې دي، چې یو لوبغالی هم کوربه توب کوي چې مخکې تر دې چې کوم کوډ ولیکئ، یو انځور پکې کېښودلی شئ.

MiMo-V2.5 د سختې json_schema او response_format ملاتړ کوي — د یوې ښودنې او یوې کړۍ ترمنځ توپیر. یوه رسید ورکړئ جمع یوه سکیما چې د پلورونکي، نېټې، د کرښې توکو، او ټولټال لپاره ټایپ شوې ساحې ولري، او تاسو ته یو داسې شی بېرته درکوي چې ستاسو کوډ يې تاییدولی شي نه یو پراګراف چې باید regex ورته وکړئ. په دې کتلاګ کې له دولسو ماډلونو څخه دوه يې بشپړ جوړښتي وتنه ملاتړ نلري؛ دا يې نه لري، او همدا لامل دی چې د یوه لوړ حجم استخراجي خدمت په توګه کار کوي.

متنیزه کړکۍ 262,144 توکنه ده؛ جوړه شوې وتنه په هره غوښتنه کې پر 16,384 توکنو باندې محدوده ده. انځورونه د ریزولوشن د یوې دندې په توګه دننه توکنه مصرفوي، نو د لوړ ریزولوشن پاڼیز سکنونه تر یوه برابر کلماتو متن ډېر ژر متن خوري. اوږد اسناد په پاڼو ووېشئ نه دا چې یو 300 پاڼیز سکن په یوه غوښتنه کې ورکړئ، او د وتنې چت د بشپړ استخراج پر سر د یوه ریښتیني خنډ په توګه وګورئ — ډک جدولونه د کرښو د ساحې له مخې ووېشئ نه دا چې یو لنډ شوی ځواب واخلئ.

د reasoning_effort ګرځنده دلته د ډلې د نسب په پام کې نیولو سره ریښتینې لیور لري. د لوړ حجم ډلبندۍ لپاره يې ښکته کړئ، چېرته چې ځواب یو لیبل وي او فکري توکنه خالص لګښت وي؛ د چارټ تفسیر، لیدني ریاضي، او د ډیاګرام استدلال لپاره يې پورته کړئ، چېرته چې ماډل باید څو هغه شیان چې ویني يې، سره یوځای کړي مخکې تر دې چې ځواب ووايي.

چېرته ځایېږي، او چېرته نه

ښه ځایونه. د لوړ حجم د اسنادو او رسیدونو استخراج؛ پر ناقصو سکنونو باندې OCR ته نږدې کار؛ د چارټ، ډشبورډ، او جدول لوستل؛ د سکرین انځور پوهېدنه او د کارونکي پوښ ځای پر ځای کول؛ د کتلاګ نښه کول او لیدنۍ پوښتنې-ځوابونه؛ د اعتدال کړۍ — هره څو رسنیزه دنده چې په هره بلنه کې لګښت پکې تړونکی وي او د باریک جزئیاتو دقت هغه څه وي چې له ورکولو يې انکار کوئ.

بد ځایونه. د مخکښ سختوالي څو رسنیز استدلال چې د بیې پرته له پامه تر ټولو پیاوړي ماډل ته اړتیا لري — د Kimi-K3 دنده، او دلیل لري چې نږدې لس ځله ډېر لګښت لري. یوازې متني تولید، چېرته چې MiMo-V2.5-Pro په هماغه کچه کې یو غوره بنسټ درکوي. هغه کار چې پر دايرة المعارفي نړیوالې پوهې تکیه لري، چېرته چې یو لوی کثیف بنسټ یو نغښتی ډک مخکې کوي. او هر هغه څه چې له 262K متن څخه ډېر ته اړتیا لري، چې دلته يې هېڅ ماډل نه وړاندې کوي.

09ډېرې پوښتل شوې پوښتنې

---

سرچینې: د MiMo تخنیکي راپور (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. ټولې معیاري شمېرې د پورته نومول شویو خپور شویو چیک پوینټونو لپاره د Xiaomi راپور شوې دي او د ډلې نسب بیانوي، نه پر دې پای ټکي باندې دقیق جوړښت. بیې، متن، او د وړتیا بېرغونه د Shannon AI د ګېټوې د لیست ارزښتونه دي، د 2026 سپټمبر.