MiMo Vision API без цензуры

Дешёвые мультимодальные эндпойнты дёшевы потому, что что-то было урезано, и урезают обычно то, чего вы не видите: веса сдавливают до трёх или четырёх бит, и модель по-прежнему уверенно отвечает про график, который на самом деле уже не может прочитать. MiMo-V2.5 — контрпример в нашем каталоге: одновременно на ценовом минимуме и на верхнем уровне точности, потому что основа, от которой она происходит, построена компактной и плотной, а не огромной и разреженной.

01Откуда взялась MiMo: сначала модель рассуждений, потом модель зрения

Линейка MiMo — это исследовательская программа Xiaomi с открытыми весами, и её исходный тезис немоден: способность к рассуждению закладывается на предобучении, а не прикручивается потом с помощью RL. Работа в основном сводится к инженерии данных — Xiaomi перестроила извлечение и фильтрацию текста, чтобы поднять плотность паттернов рассуждения в корпусе, сгенерировала синтетические данные рассуждений в промышленных масштабах и предобучила MiMo-7B-Base примерно на 25 триллионах токенов по трёхэтапной смеси, с Multiple-Token Prediction в качестве вспомогательной цели, которая на инференсе заодно работает спекулятивным декодером (доля принятия около 90% по данным Xiaomi).

Пост-обучение нарочито аскетично: 130 000 задач по математике и коду с наградами за точность только по правилам, без обучаемой модели награды, — исходя из того, что нейросетевая модель награды есть поверхность, которую взломают. Проверяемые награды не уговорить. MiMo-7B-RL показывает цифры, непропорциональные её размеру: Xiaomi сообщает 68.2% на AIME 2024, 95.8% на MATH-500, 57.8% на LiveCodeBench v5 по pass@1, вровень с o1-mini от OpenAI. Такова форма модели, которую вы вызываете: компактная, плотно обученная, настроенная прорабатывать задачу, а не вспоминать ответ, — и этот темперамент переходит в её мультимодальных потомков.

02Как MiMo научилась видеть: архитектура MiMo-VL

MiMo-VL — визуально-языковая ветвь, и её устройство поучительно. Xiaomi собрала три части: ViT-энкодер нативного разрешения, сохраняющий мелкие детали вместо того, чтобы прогонять каждое изображение через фиксированную сетку низкого разрешения, случайно инициализированный MLP-проектор в латентное пространство языковой модели и — принципиально — костяк рассуждений MiMo в роли языковой модели. Система зрения наследует декодер, который уже хорош в многошаговом мышлении, а не просто в подписывании картинок.

Обучение шло в четыре этапа предобучения — прогрев проектора, визуально-языковое выравнивание, общее мультимодальное предобучение, SFT на длинном контексте — примерно на 2,4 триллиона токенов, затем Mixed On-policy Reinforcement Learning (MORL), сводящий точность восприятия, точность визуального заземления, корректность рассуждений и предпочтения людей/ИИ в один on-policy цикл. В отчёте честно сказано, что оптимизировать всё это одновременно нестабильно, — формулировка честнее, чем в большинстве мультимодальных статей.

Опубликованные результаты сильны для такого числа параметров. Xiaomi сообщает, что MiMo-VL-7B-RL обходит Qwen2.5-VL-7B на 35 задачах из 40, показывает 59.4 на OlympiadBench (выше моделей вплоть до 78B) и 56.1 на OSWorld-G по визуальному заземлению в GUI, опережая специализированных интерфейсных агентов. Более поздний выпуск 2508 впервые в серии поднял MMMU выше 70 (70.6), достиг 94.4 на ChartQA, 92.5 на ScreenSpot-v2 и 70.8 на VideoMME, а также добавил переключатель управления размышлением, позволяющий отключать трассы рассуждений на уровне запроса.

03Что означает W8A16 и почему для зрения это важнее, чем для текста

Каждая модель на шлюзе несёт суффикс квантизации. Это не украшение — он говорит, чем пожертвовали, чтобы модель можно было обслуживать.

Суффикс	Что это	Зачем применяется
3BIT-REAP	3-битные веса плюс REAP — метод отсечения экспертов, удаляющий редко маршрутизируемых экспертов из MoE-модели перед квантизацией	Единственный способ уместить и обслуживать самые крупные основы на вменяемой скорости
W4A16-AUTOROUND-REAP	4-битные веса, 16-битные активации, квантизация методом AutoRound — обучаемое округление, возвращающее точность по сравнению с наивным округлением к ближайшему, — плюс отсечение REAP	Золотая середина для крупных основ, которым не нужно экстремальное сжатие
W8A16	8-битные веса, 16-битные активации — самый точный уровень, который мы обслуживаем	Применяется там, где основа достаточно компактна, чтобы агрессивное сжатие было не нужно

MiMo-V2.5 попадает в третью строку благодаря компактности: плотной основе такого класса не нужно давить до трёх бит, чтобы уместиться, поэтому можно позволить себе оставить восемь, и веса, из которых вы сэмплируете, остаются близки к обученным. Для работы с изображениями это важно непропорционально сильно — по структурной причине. В чисто текстовом декодере эмбеддинг, съехавший под квантизацией, переосмысляется десятками последующих слоёв внимания — множество шансов восстановиться. У визуального стека такого запаса нет: визуальная информация проходит через один энкодер и один узкий проектор, прежде чем добраться до декодера, и всё дальнейшее обусловлено тем, что выдало это горлышко. Мелкий сигнал — 3 против 8 на малоконтрастном скане, точный пиксель, где столбик упирается в ось графика, граница элемента интерфейса, по которому вас просят кликнуть, — живёт в малоамплитудной детализации весов, которую агрессивная квантизация отбрасывает первой.

3-битная vision-модель падает не громко; она падает тихо, выдавая гладкое описание документа, в котором в итоговой сумме переставлены две цифры. Более высокая точность весов — самая дешёвая страховка от такого отказа, а здесь она бесплатна: минимальную цену вы платите в любом случае.

04Минимальная цена в контексте

Четыре модели из нашего каталога в двенадцать позиций стоят по ценовому минимуму в $0.50 на входе / $2.00 на выходе за миллион токенов. Только одна из них принимает изображения. Вот где находятся модели со зрением по стоимости вывода — числу, которое доминирует в большинстве реальных счетов:

Цена вывода в долларах США за 1M токенов, прейскурант шлюза Shannon AI Gateway, сентябрь 2026. Длина полосы дана относительно самой дорогой vision-модели в каталоге.

По сравнению с Kimi-K3 — потолочной vision-моделью, и действительно более сильной — MiMo-V2.5 примерно в 9,6× дешевле на выводе и в 7,7× дешевле на входе. Это не заявление об эквивалентности; это довод о форме нагрузки. При ста тысячах изображений в месяц потолочная модель непозволительна, а минимальная — позволительна, и честный вопрос в том, проходит ли минимальная модель вашу планку точности, а не в том, выигрывает ли она бенчмарк.

05MiMo-V2.5 против MiniMax-M3: две дешёвые vision-модели, сравнение по-честному

Эти две в точности совпадают по цене, контексту и набору эндпойнтов. Взаимозаменяемыми они не являются: уровень квантизации здесь — прокси для двух разных ставок на то, что делает vision-модель полезной.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Вход / выход за 1M	$0.50 / $2.00	$0.50 / $2.00
Точность весов	8 бит	3 бита + отсечение экспертов
Размер основы	Компактная, плотная	Крупная, разреженная MoE
Зрение	Да	Да
Контекстное окно	262 144	262 144
Схема · инструменты · стриминг	Да	Да

Берите MiMo-V2.5, когда сложная часть — это изображение: плотный OCR по неидеальным сканам, извлечение чисел из графиков и таблиц, заземление по скриншотам и интерфейсам, чтение мелкого текста, различение почти одинаковых фотографий товаров — всё, где переставленная цифра является дефектом, а не косметическим изъяном. Вам нужен самый точный путь от пикселей к токенам, и 8-битные веса — способ получить его по этой цене.

Берите MiniMax-M3, когда изображение — простая часть. Крупная разреженная основа, сжатая до 3 бит, всё равно содержит больше знаний о мире и широты рассуждения, чем может компактная плотная модель, даже после отсечения. Если задача звучит как «посмотри на это фото и подробно порассуждай, что оно означает», или изображение — один из входов в преимущественно текстовом диалоге, более крупная основа окажется лучшим инструментом: визуальная острота, которой вы пожертвовали, не была связывающим ограничением.

06MiMo-V2.5 против MiMo-V2.5-Pro: родственник, обменявший глаза на глубину

Это сравнение порождает больше всего обращений в поддержку, поэтому стоит сказать прямо. MiMo-V2.5-Pro-W8A16 и MiMo-V2.5-W8A16 делят цену, контекстное окно, уровень точности и фамилию. Pro не принимает изображения. Это не надмножество. Это другое распределение того же бюджета.

Обслуживать мультимодальную модель — значит платить за визуальную башню и проектор наряду с декодером, а при фиксированной целевой стоимости это ёмкость, не потраченная на саму языковую модель. Pro тратит всё на текст: более крупная основа с большим запасом на длинные тексты, развёрнутое рассуждение и код. MiMo-V2.5 тратит часть на зрение.

Поэтому правило выбора касается ваших входов, а не ваших амбиций. Если любой запрос может содержать скриншот, отсканированную страницу, график, схему или фотографию, вам нужна MiMo-V2.5 — Pro отклонит такой блок контента. Если же каждый запрос текстовый, а вы взяли vision-модель по привычке, вы просто так теряете качество основы: возьмите MiMo-V2.5-Pro по той же ставке.

Приём, который стоит перенять: маршрутизируйте по типу контента. Всё, где есть часть с изображением, идёт в MiMo-V2.5-W8A16, всё остальное — в MiMo-V2.5-Pro-W8A16. То же семейство, та же цена, тот же бюджет контекста — маршрутизатор тривиален, и нет никакой стоимостной модели, которую надо согласовывать.

07Что на самом деле значит «понимание изображений без цензуры»

Перед этой моделью нет слоя отказов, а на её выводе нет контент-фильтра. Это продуктовое решение с конкретным следствием для работы со зрением: модель описывает то, что в кадре, а не отказывается исходя из тематики.

Это важно, потому что фильтрованные vision-API структурно непригодны для целой категории законной работы. Модерационный конвейер обязан посмотреть на материал, который он модерирует, и сказать, что это; классификатор, отказывающийся рассматривать то, что классифицирует, — не классификатор. То же верно для длинного списка реальных задач:

• Инструменты доверия и безопасности — разметка ровно тех изображений, которые массовый API не станет обрабатывать, а именно они и нуждаются в разметке больше всего.
• Медицинские, судебно-экспертные и аварийные изображения — клиническая съёмка, снимки травм и мест происшествий, которые общие фильтры отклоняют как шокирующие независимо от того, кто спрашивает.
• Исследования безопасности — чтение фишинговых страниц, вредоносных интерфейсов и захваченных экранов без того, чтобы модель упиралась в саму постановку задачи.
• Классификация взрослого контента и архивная каталогизация — конвейеры, существующие ради идентификации материала и не способные отдать «смотрение» на сторону, плюс исторические коллекции, которые фильтры считают неразмечаемыми.

Снятие слоя отказов убирает инженерное препятствие, а не юридическое. Shannon AI управляется компанией Shannon Lab LLC в Нью-Мексико, США, и использование API регулируется нашей Политикой ответственного использования. Нефильтрованный вывод — это возможность, а не индульгенция.

08Как вызывать: эндпойнты, ввод изображений и место в стеке

Идентификатор модели — MiMo-V2.5-W8A16, она доступна в трёх диалектах запросов к одним и тем же весам, так что вы сохраняете тот SDK, который у вас уже есть:

• /v1/chat/completions — совместимый с OpenAI. Изображения передаются как части контента image_url, либо в виде https-URL, либо как data URI в base64.
• /v1/messages — совместимый с Anthropic. Изображения передаются как блоки контента image.
• /v1/responses — диалект в стиле Responses.

Стриминг и вызов инструментов работают во всех трёх, так что модель может посмотреть на скриншот и вызвать функцию по увиденному за один ход. Полные схемы запросов и ответов — в документации API, где также есть песочница, в которую можно вставить изображение до написания кода.

MiMo-V2.5 поддерживает строгий json_schema и response_format — это и есть разница между демо и конвейером. Передайте ей чек вместе со схемой, где заданы типизированные поля для поставщика, даты, позиций и итога, и вы получите объект, который ваш код может провалидировать, а не абзац, который надо разбирать регулярками. Двум из двенадцати моделей этого каталога не хватает полной поддержки структурированного вывода; этой — хватает, и именно поэтому она работает как высоконагруженный сервис извлечения данных.

Контекстное окно — 262 144 токена; генерируемый вывод ограничен 16 384 токенами на запрос. Изображения расходуют входные токены в зависимости от разрешения, поэтому сканы страниц высокого разрешения съедают контекст куда быстрее, чем эквивалентный объём текста. Разбивайте длинные документы на страницы вместо загрузки скана на 300 страниц одним запросом и относитесь к лимиту вывода как к реальному ограничению для исчерпывающего извлечения — режьте плотные таблицы по диапазонам строк, чтобы не получить обрезанный ответ.

Регулятор reasoning_effort здесь даёт реальный рычаг, учитывая происхождение семейства. Убавьте его для высокообъёмной классификации, где ответ — это метка, а токены размышления есть чистые затраты; прибавьте для интерпретации графиков, визуальной математики и рассуждений по схемам, где модель должна связать несколько увиденных вещей, прежде чем ответить.

Где она уместна, а где нет

Уместна. Высокообъёмное извлечение данных из документов и чеков; работа рядом с OCR по неидеальным сканам; чтение графиков, дашбордов и таблиц; понимание скриншотов и заземление в интерфейсах; тегирование каталогов и визуальные вопросы-ответы; модерационные конвейеры — любая мультимодальная задача, где стоимость вызова является ограничением, а точность в мелких деталях — тем, чем вы отказываетесь жертвовать.

Неуместна. Мультимодальные рассуждения фронтирной сложности, где нужна сильнейшая модель независимо от цены, — это работа Kimi-K3, и она стоит почти в десять раз дороже не просто так. Чисто текстовая генерация, где MiMo-V2.5-Pro даёт лучшую основу по той же ставке. Работа, опирающаяся на энциклопедические знания о мире, где крупная разреженная основа обгоняет компактную плотную. И всё, что требует больше 262K контекста, — этого здесь не предлагает ни одна модель.

09Часто задаваемые вопросы

---

Источники: технический отчёт MiMo (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Все цифры бенчмарков сообщены Xiaomi для названных выше выпущенных чекпойнтов и описывают линейку семейства, а не конкретную сборку на этом эндпойнте. Цены, контекст и флаги возможностей — прейскурантные значения шлюза Shannon AI Gateway, сентябрь 2026.