API-ul de viziune MiMo fără cenzură
Singurul model din catalogul nostru care combină precizia greutăților pe 8 biți cu înțelegerea imaginilor — și costă exact cât costă modelele minime doar-text: 0,50 $ intrare / 2,00 $ ieșire per milion de tokenuri.
Pe scurt
MiMo-V2.5-W8A16 este membrul cu viziune al perechii MiMo de pe Shannon AI Gateway, descendent din linia MiMo a celor de la Xiaomi — un model de limbaj construit în jurul raționamentului, cu un turn de viziune altoit pe el — și servit la W8A16, cea mai fidelă treaptă de cuantizare a noastră, pe propriul nostru cluster GPU. Context de 262.144 de tokenuri, maximum 16.384 de tokenuri de ieșire, apeluri de unelte, JSON schema strictă, streaming și un buton reasoning_effort. Niciun strat de refuz, niciun filtru de ieșire. Este la egalitate cu MiniMax-M3 pentru cea mai ieftină viziune din gamă și îl întrece la precizie.
Endpointurile multimodale ieftine sunt ieftine pentru că s-a tăiat ceva, iar ce se taie este de obicei partea pe care nu o poți vedea: greutățile sunt strânse la trei sau patru biți, iar modelul răspunde în continuare cu încredere despre un grafic pe care nu-l mai poate citi de fapt. MiMo-V2.5 este contraexemplul din catalogul nostru — la prețul minim și în treapta de precizie maximă în același timp, pentru că fundația din care descinde a fost construită mică și densă, nu enormă și rară.
01De unde vine MiMo: întâi un model de raționament, apoi unul de viziune
Linia MiMo este programul de cercetare cu greutăți deschise al celor de la Xiaomi, iar argumentul ei fondator este demodat: capacitatea de raționament se fixează în timpul preantrenării, nu se lipește după aceea cu RL. Munca este în cea mai mare parte inginerie de date — Xiaomi a reconstruit extragerea și filtrarea textului ca să crească densitatea tiparelor de raționament din corpus, a generat date sintetice de raționament la scară și a preantrenat MiMo-7B-Base pe aproximativ 25 de trilioane de tokenuri, sub un amestec în trei etape, cu Multiple-Token Prediction ca obiectiv auxiliar care, la inferență, servește și drept decodor speculativ (rată de acceptare aproape de 90%, conform Xiaomi).
Post-antrenarea este deliberat austeră: 130.000 de probleme de matematică și cod cu recompense de acuratețe bazate doar pe reguli, fără model de recompensă învățat, pornind de la raționamentul că un model neural de recompensă este o suprafață care poate fi hăcuită. Recompensele verificabile nu pot fi îmbrobodite. MiMo-7B-RL scoate cifre disproporționate față de mărimea lui — Xiaomi raportează 68,2% la AIME 2024, 95,8% la MATH-500, 57,8% la LiveCodeBench v5 la pass@1, la egalitate cu o1-mini de la OpenAI. Aceasta este forma modelului pe care îl apelezi: compact, antrenat dens, reglat să lucreze prin o problemă, nu să-și amintească un răspuns — iar temperamentul acesta supraviețuiește în descendenții multimodali.
02Cum a învățat MiMo să vadă: arhitectura MiMo-VL
MiMo-VL este ramura viziune-limbaj, iar construcția ei este instructivă. Xiaomi a asamblat trei părți: un encoder ViT la rezoluție nativă, care păstrează detaliul fin în loc să forțeze fiecare imagine printr-o grilă fixă de rezoluție joasă, un proiector MLP inițializat aleator către spațiul latent al modelului de limbaj și — esențial — backbone-ul de raționament MiMo drept model de limbaj. Sistemul de viziune moștenește un decodor deja bun la gândire în mai mulți pași, nu unul bun doar la descrierea imaginilor.
Antrenarea a rulat în patru etape de preantrenare — încălzirea proiectorului, aliniere viziune-limbaj, preantrenare multimodală generală, SFT pe context lung — pe aproximativ 2,4 trilioane de tokenuri, apoi Mixed On-policy Reinforcement Learning (MORL), care împachetează acuratețea percepției, precizia ancorării vizuale, corectitudinea raționamentului și preferința umană/AI într-o singură buclă on-policy. Raportul recunoaște sincer că optimizarea tuturor acestora deodată este instabilă — o formulare mai onestă decât oferă majoritatea lucrărilor multimodale.
Rezultatele publicate sunt puternice pentru numărul de parametri. Xiaomi raportează că MiMo-VL-7B-RL bate Qwen2.5-VL-7B la 35 din 40 de sarcini, 59,4 la OlympiadBench (peste modele de până la 78B) și 56,1 la OSWorld-G pentru ancorarea în GUI, înaintea unor agenți de interfață construiți special. Reîmprospătarea ulterioară 2508 a împins MMMU peste 70 pentru prima dată în serie (70,6), a ajuns la 94,4 la ChartQA, 92,5 la ScreenSpot-v2 și 70,8 la VideoMME și a adăugat un comutator de control al gândirii, ca urmele de raționament să poată fi oprite per cerere.
O notă despre afirmațiile de versiune
Fiecare cifră de mai sus este un număr publicat chiar de Xiaomi pentru un checkpoint lansat anume, cu link în blocul de surse de mai jos. Intrarea din catalogul nostru este un punct ulterior din acea linie. Descriem de unde vine modelul și ce este construită familia să facă — nu pretindem că scorurile acelea exacte se transferă la build-ul pe care îl apelezi. Fă benchmark pe propriul volum de lucru; tocmai pentru asta există prețul minim.
03Ce înseamnă W8A16 și de ce contează mai mult la viziune decât la text
Fiecare model de pe gateway poartă un sufix de cuantizare. Nu este decorație — îți spune ce s-a dat la schimb ca modelul să devină servibil.
| Sufix | Ce este | De ce se folosește |
|---|---|---|
| 3BIT-REAP | Greutăți pe 3 biți plus REAP, o metodă de tăiere a experților care elimină dintr-un model MoE experții rar rutați, înainte de cuantizare | Singurul mod de a încăpea și de a servi cele mai mari fundații la o viteză rezonabilă |
| W4A16-AUTOROUND-REAP | Greutăți pe 4 biți, activări pe 16 biți, cuantizate cu AutoRound — rotunjire învățată, care recuperează acuratețe față de rotunjirea naivă la cel mai apropiat — plus tăiere REAP | Cale de mijloc pentru fundații mari care nu au nevoie de compresie extremă |
| W8A16 | Greutăți pe 8 biți, activări pe 16 biți — cea mai fidelă treaptă pe care o servim | Folosită acolo unde fundația este suficient de mică încât compresia agresivă să fie inutilă |
MiMo-V2.5 câștigă al treilea rând fiind compact: o fundație densă din clasa asta nu are nevoie să fie strivită la trei biți ca să încapă, așa că îți poți permite să păstrezi opt, iar greutățile din care eșantionezi rămân aproape de cele care au fost antrenate. Asta contează disproporționat pentru munca pe imagini, dintr-un motiv structural. Într-un decodor doar-text, o încorporare care derivă sub cuantizare este recontextualizată de zeci de straturi de atenție ulterioare — multe șanse de recuperare. O stivă de viziune nu are lejeritatea asta: informația vizuală trece printr-un singur encoder și un singur proiector îngust înainte să ajungă la decodor, iar tot ce vine după este condiționat de ce a produs acel gât de sticlă. Semnalul de finețe — 3 față de 8 într-o scanare cu contrast slab, pixelul exact în care se termină o bară pe axa unui grafic, marginea unui element de interfață pe care ți se cere să dai clic — trăiește în detaliul de greutate de magnitudine mică, exact ce aruncă prima dată cuantizarea agresivă.
Un model de viziune pe 3 biți nu eșuează zgomotos; eșuează în tăcere, producând o descriere fluentă a unui document cu două cifre inversate în total. Precizia mai mare a greutăților este cea mai ieftină asigurare împotriva acelui eșec, iar aici este gratis — plătești prețul minim oricum.
04Prețul minim, în context
Patru modele din catalogul nostru de douăsprezece stau la prețul minim de 0,50 $ intrare / 2,00 $ ieșire per milion de tokenuri. Doar unul dintre ele primește imagini. Iată unde se așază modelele cu viziune la costul de ieșire, cifra care domină majoritatea facturilor reale:
Preț de ieșire în USD per 1M de tokenuri, tarife de listă Shannon AI Gateway, septembrie 2026. Lungimea barei este raportată la cel mai scump model cu viziune din catalog.
Față de Kimi-K3 — modelul de viziune de vârf, și unul cu adevărat mai puternic — MiMo-V2.5 este cam de 9,6× mai ieftin la ieșire și de 7,7× mai ieftin la intrare. Nu este o afirmație de echivalență; este un argument despre forma volumului de lucru. La o sută de mii de imagini pe lună, modelul de vârf nu este accesibil, iar cel minim este, iar întrebarea onestă este dacă modelul minim îți trece pragul de acuratețe — nu dacă câștigă un benchmark.
05MiMo-V2.5 față de MiniMax-M3: cele două modele ieftine cu viziune, comparate cinstit
Cele două sunt exact la egalitate la preț, la context și la suprafața de endpointuri. Nu sunt interschimbabile: treapta de cuantizare este un indiciu pentru două pariuri diferite despre ce face util un model cu viziune.
| MiMo-V2.5 · W8A16 | MiniMax-M3 · 3BIT-REAP | |
|---|---|---|
| Intrare / ieșire per 1M | $0.50 / $2.00 | $0.50 / $2.00 |
| Precizia greutăților | 8 biți | 3 biți + tăiere de experți |
| Mărimea fundației | Compactă, densă | MoE mare, rar |
| Viziune | Da | Da |
| Fereastră de context | 262,144 | 262,144 |
| Schemă · unelte · streaming | Da | Da |
Alege MiMo-V2.5 când imaginea este partea grea: OCR dens pe scanări imperfecte, extragere de cifre din grafice și tabele, ancorare pe capturi de ecran și interfețe, citirea textului mic, deosebirea unor fotografii de produs aproape identice — orice unde o cifră inversată este un defect, nu o scăpare cosmetică. Vrei cea mai fidelă cale de la pixeli la tokenuri, iar greutățile pe 8 biți sunt felul în care o obții la prețul acesta.
Alege MiniMax-M3 când imaginea este partea ușoară. O fundație mare și rară, comprimată la 3 biți, tot ține mai multe cunoștințe despre lume și mai multă lărgime de raționament decât poate un model compact și dens, chiar și după tăiere. Dacă sarcina este „uită-te la fotografia asta și raționează pe larg despre ce implică” sau dacă imaginea este o intrare într-o conversație preponderent textuală, fundația mai mare este instrumentul mai bun — acuitatea vizuală la care ai renunțat nu era constrângerea determinantă.
06MiMo-V2.5 față de MiMo-V2.5-Pro: fratele care a dat ochii pe adâncime
Aceasta este comparația care generează cele mai multe tichete de suport, așa că merită spus direct. MiMo-V2.5-Pro-W8A16 și MiMo-V2.5-W8A16 împart un preț, o fereastră de context, o treaptă de precizie și un nume de familie. Pro nu acceptă imagini. Nu este o supramulțime. Este o altă alocare a aceluiași buget.
Servirea unui model multimodal înseamnă să plătești pentru un turn de viziune și un proiector, pe lângă decodor — la o țintă de cost fixă, capacitate necheltuită pe modelul de limbaj însuși. Pro o cheltuiește integral pe text: o fundație mai mare, cu mai mult spațiu pentru scriere lungă, raționament extins și cod. MiMo-V2.5 cheltuiește o parte din ea pe văz.
Așadar, regula de decizie este despre intrările tale, nu despre ambițiile tale. Dacă orice cerere poate conține o captură de ecran, o pagină scanată, un grafic, o diagramă sau o fotografie, ai nevoie de MiMo-V2.5 — Pro va respinge blocul de conținut. Dacă fiecare cerere este text și ai apucat modelul cu viziune din obișnuință, lași calitate de fundație pe masă degeaba: ia MiMo-V2.5-Pro la același tarif.
Un tipar de furat: rutează după tipul de conținut. Orice are o parte de imagine merge la MiMo-V2.5-W8A16, restul la MiMo-V2.5-Pro-W8A16. Aceeași familie, același preț, același buget de context — routerul este trivial și nu ai niciun model de cost de împăcat.
07Ce înseamnă de fapt „înțelegere a imaginilor fără cenzură”
Nu există niciun strat de refuz în fața acestui model și niciun filtru de conținut pe ieșirea lui. Este o decizie de produs cu o consecință specifică pentru munca pe imagini: modelul descrie ce este în cadru, în loc să refuze pe baza subiectului.
Contează pentru că API-urile de viziune filtrate sunt structural nepotrivite pentru o categorie întreagă de muncă legitimă. Un flux de moderare trebuie să se uite la materialul pe care îl moderează și să spună ce este; un clasificator care refuză să examineze lucrul pe care îl clasifică nu este un clasificator. Același lucru este valabil pentru o listă lungă de meserii reale:
- Unelte de trust and safety — etichetarea exact a imaginilor pe care un API pentru publicul larg nu le va procesa, adică imaginile care au cea mai mare nevoie de etichetare.
- Imagistică medicală, criminalistică și de accidente — fotografii clinice, de răni și de la fața locului, pe care filtrele generice le resping ca fiind explicite, indiferent cine întreabă.
- Cercetare de securitate — citirea paginilor de phishing, a interfețelor malițioase și a ecranelor capturate, fără ca modelul să se opună premisei.
- Clasificarea conținutului pentru adulți și catalogarea de arhivă — fluxuri care există ca să identifice material și care nu pot externaliza privitul, plus colecții istorice pe care filtrele le tratează ca neetichetabile.
Scoaterea stratului de refuz elimină un obstacol de inginerie, nu unul juridic. Shannon AI este operat de Shannon Lab LLC din New Mexico, SUA, iar folosirea API-ului este guvernată de Politica noastră de utilizare responsabilă. Ieșirea nefiltrată este o capabilitate, nu un permis.
08Cum îl apelezi: endpointuri, intrare de tip imagine și unde se potrivește
Modelul este MiMo-V2.5-W8A16, accesibil pe trei dialecte de cerere către aceleași greutăți, așa că păstrezi orice SDK ai deja:
/v1/chat/completions— compatibil OpenAI. Imaginile intră ca părți de conținutimage_url, fie ca URL https, fie ca URI de date base64./v1/messages— compatibil Anthropic. Imaginile intră ca blocuri de conținutimage./v1/responses— dialectul în stil Responses.
Streamingul și apelurile de unelte funcționează pe toate trei, așa că modelul se poate uita la o captură de ecran și poate apela o funcție despre ce a văzut, într-o singură tură. Schemele complete de cerere și răspuns sunt în documentația API, care găzduiește și un playground în care poți lipi o imagine înainte să scrii vreo linie de cod.
MiMo-V2.5 suportă json_schema strictă și response_format — diferența dintre un demo și un flux de producție. Dă-i o chitanță plus o schemă cu câmpuri tipate pentru furnizor, dată, linii și total și primești înapoi un obiect pe care codul tău îl poate valida, nu un paragraf pe care trebuie să-l treci prin regex. Două dintre cele douăsprezece modele din catalogul acesta nu au suport complet pentru ieșire structurată; acesta îl are, și de aceea funcționează ca serviciu de extragere la volum mare.
Fereastra de context este de 262.144 de tokenuri; ieșirea generată este plafonată la 16.384 de tokenuri per cerere. Imaginile consumă tokenuri de intrare în funcție de rezoluție, așa că scanările de pagini la rezoluție mare mănâncă context mult mai repede decât un număr echivalent de cuvinte de text. Paginează documentele lungi în loc să încarci o scanare de 300 de pagini într-o singură cerere și tratează plafonul de ieșire ca pe o constrângere reală asupra extragerii exhaustive — împarte tabelele dense pe intervale de rânduri, în loc să primești un răspuns trunchiat.
Butonul reasoning_effort are pârghie reală aici, dat fiind pedigriul familiei. Dă-l jos pentru clasificare la volum mare, unde răspunsul este o etichetă, iar tokenurile de gândire sunt cost curat; dă-l sus pentru interpretarea graficelor, matematică vizuală și raționament pe diagrame, unde modelul trebuie să combine mai multe lucruri pe care le vede înainte să poată răspunde.
Unde se potrivește și unde nu
Potriviri bune. Extragere de documente și chitanțe la volum mare; muncă de tip OCR pe scanări imperfecte; citirea graficelor, a dashboardurilor și a tabelelor; înțelegerea capturilor de ecran și ancorarea în interfețe; etichetare de catalog și QA vizual; fluxuri de moderare — orice sarcină multimodală în care costul per apel este constrângerea, iar precizia pe detaliul fin este exact ce refuzi să cedezi.
Potriviri slabe. Raționament multimodal de dificultate de frontieră, care are nevoie de cel mai puternic model indiferent de preț — treaba lui Kimi-K3, iar el costă de aproape zece ori mai mult dintr-un motiv. Generare doar-text, unde MiMo-V2.5-Pro dă o fundație mai bună la același tarif. Muncă rezemată pe cunoștințe enciclopedice despre lume, unde o fundație mare și rară o depășește pe una compactă și densă. Și orice are nevoie de mai mult de 262K de context, pe care niciun model de aici nu îl oferă.
Fiecare cifră publicată de mai sus este a celor de la Xiaomi, pentru un checkpoint numit din seriile MiMo și MiMo-VL. Citește materialul primar, nu rezumatul nostru.
09Întrebări frecvente
Ce este API-ul de viziune MiMo fără cenzură?
Este modelul MiMo-V2.5 W8A16 de pe Shannon AI Gateway: un model cu viziune din linia MiMo a celor de la Xiaomi, servit pe propriul nostru cluster GPU la precizie de greutăți pe 8 biți, cu un context de 262.144 de tokenuri și fără strat de refuz sau filtru de ieșire. Primește imagini și text pe /v1/chat/completions, /v1/messages și /v1/responses, la 0,50 $ per milion de tokenuri de intrare și 2,00 $ per milion de tokenuri de ieșire.
Care este cel mai ieftin model fără cenzură care chiar poate vedea imagini?
Două sunt la egalitate la prețul minim de 0,50 $ intrare / 2,00 $ ieșire per milion de tokenuri: MiMo-V2.5 W8A16 și MiniMax-M3 3BIT-REAP. MiMo-V2.5 este cel cu precizie mai mare dintre ele, cu greutăți pe 8 biți, opțiunea implicită mai sigură pentru munca pe imagini sensibilă la detaliu. MiniMax-M3 rulează o fundație mult mai mare, comprimată la 3 biți, favorizând lărgimea cunoștințelor despre lume în locul fidelității la nivel de pixel.
Ce înseamnă W8A16 și de ce contează la viziune?
W8A16 înseamnă greutăți pe 8 biți cu activări pe 16 biți, cea mai fidelă treaptă din catalogul Shannon, folosită acolo unde fundația este suficient de mică încât compresia agresivă să fie inutilă. Contează la viziune pentru că un turn de viziune și proiectorul lui poartă detaliu fin printr-o cale îngustă, iar erorile introduse acolo nu mai pot fi recuperate ulterior, așa cum se întâmplă adesea cu o încorporare de text ușor neclară.
Prin ce diferă MiMo-V2.5 de MiMo-V2.5-Pro?
Același preț, același context de 262.144 de tokenuri, aceeași treaptă W8A16, dar nu același model. MiMo-V2.5 acceptă imagini; MiMo-V2.5-Pro nu, cheltuind în schimb bugetul acela de servire pe o fundație de text mai mare. Folosește MiMo-V2.5 când intrările includ capturi de ecran, documente, grafice sau fotografii; folosește Pro pentru munca doar-text, la același tarif.
Suportă modelul de viziune MiMo fără cenzură JSON schema și apeluri de unelte?
Da. MiMo-V2.5 W8A16 suportă ieșire structurată strictă cu json_schema, response_format, apeluri de unelte, streaming și un control reasoning_effort. Asta îl face utilizabil ca backend de extragere: îi dai o imagine și primești înapoi un obiect validat, nu proză pe care trebuie să o parsezi.
Trimite-i o imagine
Viziune pe 8 biți, context 262K, niciun strat de refuz — la prețul unui model doar-text.
Citește documentația API Răsfoiește toate cele 12 modeleId de model: MiMo-V2.5-W8A16 · guvernat de Politica noastră de utilizare responsabilă
Surse: raportul tehnic MiMo (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Toate cifrele de benchmark sunt raportate de Xiaomi pentru checkpointurile lansate numite mai sus și descriu linia familiei, nu build-ul exact de pe acest endpoint. Prețurile, contextul și indicatorii de capabilitate sunt valori de listă Shannon AI Gateway, septembrie 2026.