API de visão MiMo sem censura

Endpoints multimodais baratos são baratos porque algo foi cortado, e o que se corta costuma ser a parte que você não vê: os pesos são espremidos até três ou quatro bits, e o modelo continua respondendo com confiança sobre um gráfico que ele já não consegue realmente ler. O MiMo-V2.5 é o contraexemplo do nosso catálogo — no piso de preço e no nível de precisão mais alto ao mesmo tempo, porque a fundação de que ele descende foi construída pequena e densa, e não enorme e esparsa.

01De onde vem o MiMo: primeiro um modelo de raciocínio, depois um modelo de visão

A linha MiMo é o programa de pesquisa de pesos abertos da Xiaomi, e o argumento fundador dela é fora de moda: a habilidade de raciocínio é fixada durante o pré-treino, não parafusada depois com RL. O trabalho é sobretudo engenharia de dados — a Xiaomi reconstruiu a extração e a filtragem de texto para elevar a densidade de padrões de raciocínio no corpus, gerou dados sintéticos de raciocínio em escala e pré-treinou o MiMo-7B-Base em cerca de 25 trilhões de tokens sob uma mistura de três estágios, com Multiple-Token Prediction como objetivo auxiliar que, na inferência, funciona também como decodificador especulativo (taxa de aceitação perto de 90%, segundo a Xiaomi).

O pós-treinamento é deliberadamente austero: 130,000 problemas de matemática e código com apenas recompensas de acurácia baseadas em regras, sem modelo de recompensa aprendido, sob o raciocínio de que um modelo de recompensa neural é uma superfície a ser explorada. Recompensas verificáveis não se deixam convencer por lábia. O MiMo-7B-RL registra números desproporcionais ao seu tamanho — a Xiaomi relata 68.2% no AIME 2024, 95.8% no MATH-500 e 57.8% no LiveCodeBench v5 em pass@1, igualando o o1-mini da OpenAI. É esse o formato do modelo que você está chamando: compacto, treinado de forma densa, ajustado para trabalhar através de um problema em vez de recordar uma resposta — e esse temperamento sobrevive nos descendentes multimodais.

02Como o MiMo aprendeu a ver: a arquitetura MiMo-VL

O MiMo-VL é o ramo de visão e linguagem, e a construção dele é instrutiva. A Xiaomi montou três partes: um encoder ViT de resolução nativa, que preserva o detalhe fino em vez de forçar toda imagem por uma grade fixa de baixa resolução, um projetor MLP inicializado aleatoriamente para o espaço latente do modelo de linguagem e — crucialmente — o backbone de raciocínio do MiMo como modelo de linguagem. O sistema de visão herda um decoder que já é bom em pensar em várias etapas, e não um que é apenas bom em legendar.

O treinamento correu em quatro estágios de pré-treino — aquecimento do projetor, alinhamento visão-linguagem, pré-treino multimodal geral e SFT de contexto longo — ao longo de cerca de 2.4 trilhões de tokens, e depois Mixed On-policy Reinforcement Learning (MORL), dobrando acurácia de percepção, precisão de ancoragem visual, correção de raciocínio e preferência humana/de IA num só laço on-policy. O relatório é franco ao dizer que otimizar tudo isso ao mesmo tempo é instável — um enquadramento mais honesto do que o da maioria dos artigos multimodais.

Os resultados publicados são fortes para a contagem de parâmetros. A Xiaomi relata o MiMo-VL-7B-RL batendo o Qwen2.5-VL-7B em 35 de 40 tarefas, 59.4 no OlympiadBench (acima de modelos de até 78B) e 56.1 no OSWorld-G para ancoragem em GUI, à frente de agentes de interface feitos para isso. A atualização posterior 2508 levou o MMMU acima de 70 pela primeira vez na série (70.6), alcançou 94.4 no ChartQA, 92.5 no ScreenSpot-v2 e 70.8 no VideoMME, e acrescentou um interruptor de controle de pensamento para que os traços de raciocínio possam ser desligados por requisição.

03O que significa W8A16, e por que importa mais para visão do que para texto

Todo modelo do gateway carrega um sufixo de quantização. Não é decoração — ele lhe diz o que foi trocado para tornar o modelo servível.

Sufixo	O que é	Por que é usado
3BIT-REAP	Pesos de 3 bits mais REAP, um método de poda de especialistas que descarta de um modelo MoE os especialistas raramente roteados antes da quantização	A única forma de encher e servir as maiores fundações a uma velocidade sensata
W4A16-AUTOROUND-REAP	Pesos de 4 bits, ativações de 16 bits, quantizados com AutoRound — arredondamento aprendido que recupera acurácia frente ao arredondamento ingênuo ao mais próximo — mais poda REAP	Meio-termo para fundações grandes que não precisam de compressão extrema
W8A16	Pesos de 8 bits, ativações de 16 bits — o nível de maior fidelidade que servimos	Usado onde a fundação é pequena o bastante para que a compressão agressiva seja desnecessária

O MiMo-V2.5 merece a terceira linha por ser compacto: uma fundação densa desta classe não precisa ser esmagada até três bits para caber, então você pode se dar ao luxo de manter oito, e os pesos de que você amostra ficam perto dos que foram treinados. Isso importa de forma desproporcional para trabalho com imagens, por uma razão estrutural. Num decoder só de texto, um embedding que deriva sob quantização é recontextualizado por dezenas de camadas de atenção posteriores — muitas chances de se recuperar. Uma pilha de visão não tem essa folga: a informação visual passa por um único encoder e por um único projetor estreito antes de chegar ao decoder, e tudo que vem depois está condicionado ao que aquele gargalo produziu. O sinal de granularidade fina — 3 contra 8 num escaneamento de baixo contraste, o pixel exato em que uma barra termina no eixo de um gráfico, a borda de um elemento de interface em que se pede que você clique — mora no detalhe de pequena magnitude dos pesos, que a quantização agressiva descarta primeiro.

Um modelo de visão de 3 bits não falha alto; falha em silêncio, produzindo uma descrição fluente de um documento com dois dígitos trocados no total. Maior precisão de pesos é o seguro mais barato contra essa falha, e aqui ele é de graça — você paga o preço de piso de qualquer jeito.

04O preço de piso, em contexto

Quatro modelos do nosso catálogo de doze ficam no piso de preço de $0.50 de entrada / $2.00 de saída por milhão de tokens. Só um deles aceita imagens. Eis onde os modelos com visão se posicionam no custo de saída, o número que domina a maior parte das contas reais:

Preço de saída em USD por 1M de tokens, tarifas de tabela do Shannon AI Gateway, setembro de 2026. O comprimento da barra é relativo ao modelo de visão mais caro do catálogo.

Contra o Kimi-K3 — o modelo de visão de teto, e genuinamente mais forte —, o MiMo-V2.5 é cerca de 9.6× mais barato na saída e 7.7× mais barato na entrada. Isso não é uma afirmação de equivalência; é um argumento sobre o formato da carga de trabalho. A cem mil imagens por mês, o modelo de teto não é pagável e o modelo de piso é, e a pergunta honesta é se o modelo de piso passa da sua barra de acurácia — não se ele vence um benchmark.

05MiMo-V2.5 vs MiniMax-M3: os dois modelos de visão baratos, comparados com honestidade

Esses dois empatam exatamente em preço, contexto e superfície de endpoint. Eles não são intercambiáveis: o nível de quantização é um indicador de duas apostas diferentes sobre o que torna um modelo de visão útil.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Entrada / saída por 1M	$0.50 / $2.00	$0.50 / $2.00
Precisão dos pesos	8 bits	3 bits + poda de especialistas
Tamanho da fundação	Compacta, densa	Grande, MoE esparso
Visão	Sim	Sim
Janela de contexto	262,144	262,144
Schema · ferramentas · streaming	Sim	Sim

Escolha o MiMo-V2.5 quando a imagem for a parte difícil: OCR denso em escaneamentos imperfeitos, extração numérica de gráficos e tabelas, ancoragem em capturas de tela e interfaces, leitura de texto pequeno, distinguir fotos de produto quase idênticas — qualquer coisa em que um dígito trocado é um defeito, e não uma falha cosmética. Você quer o caminho de maior fidelidade dos pixels aos tokens, e pesos de 8 bits são como você o consegue por este preço.

Escolha o MiniMax-M3 quando a imagem for a parte fácil. Uma fundação grande e esparsa comprimida a 3 bits ainda guarda mais conhecimento de mundo e amplitude de raciocínio do que um modelo compacto e denso consegue, mesmo depois da poda. Se a tarefa é "olhe esta foto e raciocine longamente sobre o que ela implica", ou se a imagem é uma entrada numa conversa majoritariamente textual, a fundação maior é o instrumento melhor — a acuidade visual que você abriu mão não era a restrição que amarrava.

06MiMo-V2.5 vs MiMo-V2.5-Pro: o irmão que trocou olhos por profundidade

Esta é a comparação que gera mais tickets de suporte, então vale ser direto. O MiMo-V2.5-Pro-W8A16 e o MiMo-V2.5-W8A16 compartilham preço, janela de contexto, nível de precisão e sobrenome. O Pro não aceita imagens. Ele não é um superconjunto. É uma alocação diferente do mesmo orçamento.

Servir um modelo multimodal significa pagar por uma torre de visão e um projetor ao lado do decoder — a um alvo de custo fixo, é capacidade não gasta no próprio modelo de linguagem. O Pro gasta tudo em texto: uma fundação maior, com mais folga para escrita longa, raciocínio estendido e código. O MiMo-V2.5 gasta parte disso em enxergar.

Então a regra de decisão é sobre as suas entradas, não sobre as suas ambições. Se qualquer requisição pode conter uma captura de tela, uma página escaneada, um gráfico, um diagrama ou uma fotografia, você precisa do MiMo-V2.5 — o Pro vai rejeitar o bloco de conteúdo. Se toda requisição é texto e você pegou o modelo de visão por hábito, está deixando qualidade de fundação na mesa por nada: use o MiMo-V2.5-Pro pela tarifa idêntica.

Um padrão que vale copiar: roteie por tipo de conteúdo. Tudo que tiver uma parte de imagem vai para o MiMo-V2.5-W8A16, todo o resto para o MiMo-V2.5-Pro-W8A16. Mesma família, mesmo preço, mesmo orçamento de contexto — o roteador é trivial e não há modelo de custo a reconciliar.

07O que "compreensão de imagem sem censura" de fato significa

Não há camada de recusa à frente deste modelo nem filtro de conteúdo sobre a saída dele. É uma decisão de produto com uma consequência específica para trabalho de visão: o modelo descreve o que está no quadro em vez de recusar com base no assunto.

Isso importa porque APIs de visão filtradas são estruturalmente inadequadas para uma categoria inteira de trabalho legítimo. Um pipeline de moderação precisa olhar para o material que modera e dizer o que ele é; um classificador que se recusa a examinar aquilo que classifica não é um classificador. O mesmo vale para uma longa lista de trabalhos reais:

• Ferramentas de confiança e segurança — rotular exatamente as imagens que uma API mainstream não processa, que são justamente as que mais precisam de rótulo.
• Imagens médicas, forenses e de acidentes — fotografia clínica, de lesões e de cenas, que filtros genéricos rejeitam como gráficas independentemente de quem está perguntando.
• Pesquisa em segurança — ler páginas de phishing, interfaces maliciosas e telas capturadas sem que o modelo hesite diante da premissa.
• Classificação de conteúdo adulto e catalogação de arquivo — pipelines que existem para identificar material e não podem terceirizar o ato de olhar, além de acervos históricos que os filtros tratam como não rotuláveis.

Remover a camada de recusa remove um obstáculo de engenharia, não um obstáculo legal. A Shannon AI é operada pela Shannon Lab LLC, no Novo México, EUA, e o uso da API é regido pela nossa Política de Uso Responsável. Saída sem filtros é uma capacidade, não um salvo-conduto.

08Como chamá-lo: endpoints, entrada de imagem e onde ele se encaixa

O modelo é o MiMo-V2.5-W8A16, acessível em três dialetos de requisição sobre os mesmos pesos, então você mantém o SDK que já tem:

• /v1/chat/completions — compatível com OpenAI. As imagens entram como partes de conteúdo image_url, seja como URL https, seja como data URI em base64.
• /v1/messages — compatível com Anthropic. As imagens entram como blocos de conteúdo image.
• /v1/responses — o dialeto no estilo Responses.

Streaming e chamada de ferramentas funcionam nos três, então o modelo pode olhar para uma captura de tela e chamar uma função sobre o que viu num único turno. Os schemas completos de requisição e resposta estão na documentação da API, que também hospeda um playground onde você pode colar uma imagem antes de escrever qualquer código.

O MiMo-V2.5 suporta json_schema estrito e response_format — a diferença entre uma demo e um pipeline. Entregue a ele um recibo mais um schema com campos tipados para fornecedor, data, itens de linha e total, e você recebe de volta um objeto que o seu código pode validar, em vez de um parágrafo que você precisa atacar com regex. Dois dos doze modelos deste catálogo não têm suporte completo a saída estruturada; este tem, e é por isso que ele funciona como serviço de extração de alto volume.

A janela de contexto é de 262,144 tokens; a saída gerada tem teto de 16,384 tokens por requisição. As imagens consomem tokens de entrada em função da resolução, então escaneamentos de página em alta resolução comem contexto muito mais rápido do que uma contagem equivalente de palavras em texto. Pagine documentos longos em vez de carregar um escaneamento de 300 páginas numa só requisição, e trate o teto de saída como uma restrição real sobre extração exaustiva — divida tabelas densas por faixa de linhas em vez de receber uma resposta truncada.

O botão reasoning_effort tem alavancagem real aqui, dada a linhagem da família. Baixe-o para classificação de alto volume, em que a resposta é um rótulo e os tokens de pensamento são custo puro; suba-o para interpretação de gráficos, matemática visual e raciocínio sobre diagramas, em que o modelo precisa combinar várias coisas que vê antes de conseguir responder.

Onde ele se encaixa, e onde não

Bons encaixes. Extração de documentos e recibos em alto volume; trabalho vizinho a OCR em escaneamentos imperfeitos; leitura de gráficos, dashboards e tabelas; compreensão de capturas de tela e ancoragem em interfaces; etiquetagem de catálogo e perguntas visuais; pipelines de moderação — qualquer tarefa multimodal em que o custo por chamada amarra e a precisão de detalhe fino é aquilo de que você se recusa a abrir mão.

Encaixes ruins. Raciocínio multimodal de dificuldade de fronteira que exige o modelo mais forte a qualquer preço — é o trabalho do Kimi-K3, e ele custa quase dez vezes mais por um motivo. Geração só de texto, em que o MiMo-V2.5-Pro dá uma fundação melhor pela mesma tarifa. Trabalho apoiado em conhecimento de mundo enciclopédico, em que uma fundação grande e esparsa supera uma compacta e densa. E qualquer coisa que precise de mais de 262K de contexto, que nenhum modelo daqui oferece.

09Perguntas frequentes

---

Fontes: relatório técnico do MiMo (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Todos os números de benchmark são relatados pela Xiaomi para os checkpoints lançados nomeados acima e descrevem a linhagem da família, não a build exata deste endpoint. Preços, contexto e indicadores de recursos são valores de tabela do Shannon AI Gateway, setembro de 2026.