Necenzurované MiMo API s videním

Lacné multimodálne koncové body sú lacné preto, že sa niečo odrezalo, a odreže sa zvyčajne to, čo nevidíte: váhy sa stlačia na tri či štyri bity a model aj tak sebavedomo odpovedá o grafe, ktorý už reálne prečítať nevie. MiMo-V2.5 je v našom katalógu protipríkladom — súčasne na cenovom dne aj na najvyššej úrovni presnosti, lebo základ, z ktorého pochádza, bol postavený ako malý a hustý, nie ako obrovský a riedky.

01Odkiaľ MiMo pochádza: najprv model na uvažovanie, až potom na videnie

Línia MiMo je výskumný program Xiaomi s otvorenými váhami a jej zakladajúci argument je nemoderný: schopnosť uvažovať sa nastavuje počas predtréningu, nie sa dodatočne priskrutkuje pomocou RL. Práca je väčšinou dátové inžinierstvo — Xiaomi prestavalo extrakciu a filtrovanie textu tak, aby zvýšilo hustotu vzorov uvažovania v korpuse, vygenerovalo syntetické dáta na uvažovanie vo veľkej mierke a predtrénovalo MiMo-7B-Base na zhruba 25 biliónoch tokenov pod trojstupňovou zmesou, s Multiple-Token Prediction ako pomocným cieľom, ktorý pri inferencii zároveň slúži ako špekulatívny dekodér (miera akceptácie takmer 90 % podľa Xiaomi).

Potréning je zámerne strohý: 130 000 matematických a programátorských úloh len s odmenami za správnosť podľa pravidiel, žiadny naučený model odmeny, s odôvodnením, že neurónový model odmeny je plochou, ktorú možno hacknúť. Overiteľné odmeny sa nedajú ukecať. MiMo-7B-RL vykazuje čísla neúmerné svojej veľkosti — Xiaomi uvádza 68,2 % na AIME 2024, 95,8 % na MATH-500, 57,8 % na LiveCodeBench v5 pri pass@1, čo sa vyrovná o1-mini od OpenAI. Taký je tvar modelu, ktorý voláte: kompaktný, husto trénovaný, naladený na to, aby sa problémom prepracoval, nie aby si vybavil odpoveď — a táto povaha prežíva aj v multimodálnych potomkoch.

02Ako sa MiMo naučilo vidieť: architektúra MiMo-VL

MiMo-VL je vizuálno-jazyková vetva a jej konštrukcia je poučná. Xiaomi zložilo tri časti: ViT enkodér v natívnom rozlíšení, ktorý zachová jemný detail namiesto toho, aby každý obrázok pretlačil cez pevnú mriežku s nízkym rozlíšením, náhodne inicializovaný MLP projektor do latentného priestoru jazykového modelu a — čo je kľúčové — kostru MiMo stavanú na uvažovanie ako jazykový model. Vizuálny systém tak dedí dekodér, ktorý je už dobrý vo viackrokovom myslení, a nie taký, čo je dobrý len v popisovaní.

Tréning bežal v štyroch predtréningových stupňoch — zahriatie projektora, vizuálno-jazykové zarovnanie, všeobecný multimodálny predtréning, SFT na dlhom kontexte — naprieč zhruba 2,4 bilióna tokenov, po ktorých nasledovalo Mixed On-policy Reinforcement Learning (MORL) skladajúce presnosť vnímania, presnosť vizuálneho ukotvenia, správnosť uvažovania a preferencie ľudí aj AI do jednej on-policy slučky. Správa otvorene priznáva, že optimalizovať toto všetko naraz je nestabilné — poctivejšie rámovanie, než ponúka väčšina multimodálnych prác.

Zverejnené výsledky sú na počet parametrov silné. Xiaomi uvádza, že MiMo-VL-7B-RL poráža Qwen2.5-VL-7B na 35 zo 40 úloh, dosahuje 59,4 na OlympiadBench (nad modelmi až do 78B) a 56,1 na OSWorld-G pre ukotvenie v GUI, čím predbieha agentov postavených priamo na rozhrania. Neskorší refresh 2508 posunul MMMU po prvý raz v sérii nad 70 (70,6), dosiahol 94,4 na ChartQA, 92,5 na ScreenSpot-v2 a 70,8 na VideoMME a pridal prepínač riadenia myslenia, takže stopy uvažovania sa dajú na požiadavku vypnúť.

03Čo znamená W8A16 a prečo pri videní záleží viac než pri texte

Každý model na bráne nesie kvantizačnú príponu. Nie je to ozdoba — hovorí vám, čo sa vymenilo, aby sa model dal servírovať.

Prípona	Čo to je	Prečo sa používa
3BIT-REAP	3-bitové váhy plus REAP, metóda prerezávania expertov, ktorá pred kvantizáciou odstráni z MoE modelu zriedka smerovaných expertov	Jediný spôsob, ako tie úplne najväčšie základy zmestiť a servírovať pri rozumnej rýchlosti
W4A16-AUTOROUND-REAP	4-bitové váhy, 16-bitové aktivácie, kvantizované cez AutoRound — naučené zaokrúhľovanie, ktoré získava presnosť späť oproti naivnému zaokrúhľovaniu na najbližšiu hodnotu — plus prerezávanie REAP	Stredná cesta pre veľké základy, ktoré extrémnu kompresiu nepotrebujú
W8A16	8-bitové váhy, 16-bitové aktivácie — najvernejšia úroveň, akú servírujeme	Používa sa tam, kde je základ dosť malý na to, aby agresívna kompresia nebola potrebná

MiMo-V2.5 si tretí riadok zaslúži tým, že je kompaktný: hustý základ v tejto triede netreba stlačiť na tri bity, aby sa zmestil, takže si môžete dovoliť ponechať osem, a váhy, z ktorých vzorkujete, zostávajú blízko tým, ktoré sa trénovali. Pri práci s obrázkami to má neúmernú váhu, a to zo štrukturálneho dôvodu. V čisto textovom dekodéri sa embedding, ktorý pod kvantizáciou zadriftuje, znovu zasadí do kontextu desiatkami neskorších vrstiev pozornosti — veľa šancí na nápravu. Vizuálny stoh takú rezervu nemá: vizuálna informácia prejde jediným enkodérom a jediným úzkym projektorom, kým sa dostane k dekodéru, a všetko po prúde je podmienené tým, čo to hrdlo vyprodukovalo. Jemný signál — 3 oproti 8 na skene s nízkym kontrastom, presný pixel, kde stĺpec končí na osi grafu, hranica prvku rozhrania, na ktorý máte kliknúť — žije v detaile váh s malou magnitúdou, ktorý agresívna kvantizácia zahodí ako prvý.

3-bitový model s videním nezlyhá hlasno; zlyhá ticho a vyprodukuje plynulý popis dokumentu s dvomi prehodenými číslicami v súčte. Vyššia presnosť váh je najlacnejšou poistkou proti tomuto zlyhaniu a tu je zadarmo — najnižšiu cenu platíte tak či tak.

04Najnižšia cena v kontexte

Štyri modely z nášho dvanásťčlenného katalógu sedia na cenovom dne 0,50 $ vstup / 2,00 $ výstup na milión tokenov. Len jeden z nich prijíma obrázky. Tu je, kde modely s videním pristávajú na cene výstupu — čísle, ktoré vo väčšine reálnych účtov dominuje:

Cena výstupu v USD za 1M tokenov, cenníkové sadzby brány Shannon AI, september 2026. Dĺžka pruhu je relatívna voči najdrahšiemu modelu s videním v katalógu.

Oproti Kimi-K3 — stropovému modelu s videním, a naozaj silnejšiemu — je MiMo-V2.5 zhruba 9,6-krát lacnejší na výstupe a 7,7-krát lacnejší na vstupe. Nie je to tvrdenie o rovnocennosti; je to argument o tvare záťaže. Pri stotisíc obrázkoch mesačne stropový model dovoliteľný nie je a ten na dne áno, a poctivá otázka znie, či ten na dne prejde vašou latkou presnosti — nie či vyhrá benchmark.

05MiMo-V2.5 vs MiniMax-M3: dva lacné modely s videním, poctivo porovnané

Tieto dva sa presne zhodujú v cene, kontexte aj v ponuke koncových bodov. Zameniteľné nie sú: kvantizačná úroveň je zástupným ukazovateľom dvoch odlišných stávok na to, čo robí model s videním užitočným.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Vstup / výstup za 1M	$0.50 / $2.00	$0.50 / $2.00
Presnosť váh	8 bitov	3 bity + prerezávanie expertov
Veľkosť základu	Kompaktný, hustý	Veľký, riedky MoE
Videnie	Áno	Áno
Kontextové okno	262,144	262,144
Schéma · nástroje · streamovanie	Áno	Áno

MiMo-V2.5 zvoľte, keď je ťažkou časťou obrázok: husté OCR na nedokonalých skenoch, číselná extrakcia z grafov a tabuliek, ukotvenie v snímkach obrazovky a rozhraniach, čítanie drobného písma, rozlíšenie takmer identických produktových fotiek — čokoľvek, kde je prehodená číslica chybou, nie kozmetickým nedostatkom. Chcete najvernejšiu cestu od pixelov k tokenom a 8-bitové váhy sú spôsob, ako ju za túto cenu dostanete.

MiniMax-M3 zvoľte, keď je obrázok tou ľahkou časťou. Veľký riedky základ stlačený na 3 bity aj tak drží viac znalostí o svete a širšie uvažovanie, než kompaktný hustý model dokáže, dokonca aj po prerezaní. Ak je úlohou „pozri sa na túto fotku a zdĺhavo uvažuj o tom, čo z nej vyplýva“, alebo ak je obrázok jedným vstupom v prevažne textovom rozhovore, väčší základ je lepším nástrojom — vizuálna ostrosť, ktorej ste sa vzdali, nebola zväzujúcim obmedzením.

06MiMo-V2.5 vs MiMo-V2.5-Pro: súrodenec, ktorý vymenil oči za hĺbku

Toto je porovnanie, ktoré generuje najviac tiketov na podporu, takže sa oplatí byť priamy. MiMo-V2.5-Pro-W8A16 a MiMo-V2.5-W8A16 zdieľajú cenu, kontextové okno, úroveň presnosti aj rodinné meno. Pro obrázky neprijíma. Nie je nadmnožinou. Je to iné rozdelenie toho istého rozpočtu.

Servírovať multimodálny model znamená platiť popri dekodéri aj za vizuálnu vežu a projektor — pri pevnom cieľovom náklade je to kapacita neminutá na samotný jazykový model. Pro minie všetko na text: väčší základ s väčšou rezervou na dlhé písanie, rozšírené uvažovanie a kód. MiMo-V2.5 minie časť na zrak.

Rozhodovacie pravidlo je teda o vašich vstupoch, nie o vašich ambíciách. Ak môže ktorákoľvek požiadavka obsahovať snímku obrazovky, naskenovanú stranu, graf, schému alebo fotografiu, potrebujete MiMo-V2.5 — Pro ten obsahový blok odmietne. Ak je každá požiadavka textová a po modeli s videním ste siahli zo zvyku, nechávate kvalitu základu na stole zadarmo: vezmite MiMo-V2.5-Pro za identickú sadzbu.

Vzorec, ktorý sa oplatí ukradnúť: smerujte podľa typu obsahu. Čokoľvek s obrazovou časťou ide na MiMo-V2.5-W8A16, všetko ostatné na MiMo-V2.5-Pro-W8A16. Tá istá rodina, tá istá cena, ten istý kontextový rozpočet — smerovač je triviálny a niet nákladového modelu, ktorý by bolo treba zosúlaďovať.

07Čo „necenzurované porozumenie obrázkom“ naozaj znamená

Pred týmto modelom nie je žiadna vrstva odmietania a na jeho výstupe žiadny filter obsahu. Je to produktové rozhodnutie s konkrétnym dôsledkom pre prácu s videním: model opíše, čo je v zábere, namiesto toho, aby odmietol podľa témy.

Záleží na tom preto, že filtrované API s videním sú štrukturálne nevhodné pre celú kategóriu legitímnej práce. Moderačná pipeline sa musí pozrieť na materiál, ktorý moderuje, a povedať, čo to je; klasifikátor, ktorý odmieta skúmať to, čo klasifikuje, nie je klasifikátor. To isté platí naprieč dlhým zoznamom skutočných úloh:

• Nástroje pre dôveru a bezpečnosť — označovanie presne tých obrázkov, ktoré mainstreamové API nespracuje, čo sú práve tie obrázky, ktoré označenie najviac potrebujú.
• Medicínske, forenzné a nehodové obrázky — klinická fotografia, snímky zranení a fotografie z miesta, ktoré generické filtre odmietnu ako drastické bez ohľadu na to, kto sa pýta.
• Bezpečnostný výskum — čítanie phishingových stránok, škodlivých rozhraní a zachytených obrazoviek bez toho, aby sa model vzpieral zadaniu.
• Klasifikácia dospelého obsahu a archívna katalogizácia — pipeline, ktoré existujú na identifikáciu materiálu a nemôžu to pozeranie preniesť inam, plus historické zbierky, ktoré filtre považujú za neoznačiteľné.

Odstránenie vrstvy odmietania odstraňuje inžiniersku prekážku, nie právnu. Shannon AI prevádzkuje Shannon Lab LLC v Novom Mexiku, USA, a používanie API sa riadi našimi zásadami zodpovedného používania. Nefiltrovaný výstup je schopnosť, nie povolenka.

08Ako ho volať: koncové body, obrazový vstup a kam sa hodí

Model je MiMo-V2.5-W8A16, dostupný na troch dialektoch požiadaviek voči tým istým váham, takže si ponecháte to SDK, ktoré už máte:

• /v1/chat/completions — kompatibilné s OpenAI. Obrázky idú dnu ako obsahové časti image_url, buď ako https URL, alebo ako base64 data URI.
• /v1/messages — kompatibilné s Anthropic. Obrázky idú dnu ako obsahové bloky image.
• /v1/responses — dialekt v štýle Responses.

Streamovanie a volanie nástrojov fungujú na všetkých troch, takže sa model môže pozrieť na snímku obrazovky a v tom istom kole zavolať funkciu o tom, čo videl. Úplné schémy požiadaviek a odpovedí sú v dokumentácii API, kde je aj ihrisko, do ktorého môžete obrázok vložiť ešte pred napísaním akéhokoľvek kódu.

MiMo-V2.5 podporuje prísnu json_schema aj response_format — rozdiel medzi ukážkou a pipeline. Podajte mu bloček plus schému s typovanými poľami pre dodávateľa, dátum, položky a súčet a dostanete späť objekt, ktorý váš kód validuje, namiesto odseku, na ktorý musíte pustiť regex. Dva z dvanástich modelov v tomto katalógu plnú podporu štruktúrovaného výstupu nemajú; tento áno, a práve preto funguje ako objemová extrakčná služba.

Kontextové okno má 262 144 tokenov; generovaný výstup je zastropovaný na 16 384 tokenov na požiadavku. Obrázky spotrebúvajú vstupné tokeny ako funkciu rozlíšenia, takže skeny strán vo vysokom rozlíšení zožerú kontext oveľa rýchlejšie než textový ekvivalent rovnakého počtu slov. Dlhé dokumenty stránkujte, namiesto toho, aby ste 300-stranový sken načítali v jednej požiadavke, a strop výstupu berte ako skutočné obmedzenie vyčerpávajúcej extrakcie — husté tabuľky rozdeľte podľa rozsahu riadkov namiesto toho, aby ste dostali skrátenú odpoveď.

Gombík reasoning_effort má tu vzhľadom na rodokmeň rodiny skutočnú páku. Stiahnite ho pri objemovej klasifikácii, kde je odpoveďou štítok a tokeny myslenia sú čistý náklad; zdvihnite ho pri interpretácii grafov, vizuálnej matematike a uvažovaní nad schémami, kde model musí pred odpoveďou skombinovať viacero vecí, ktoré vidí.

Kam sa hodí a kam nie

Dobré prípady. Objemová extrakcia z dokumentov a bločkov; práca príbuzná OCR na nedokonalých skenoch; čítanie grafov, dashboardov a tabuliek; porozumenie snímkam obrazovky a ukotvenie v rozhraniach; katalógové označovanie a vizuálne QA; moderačné pipeline — akákoľvek multimodálna úloha, kde zväzuje cena na volanie a presnosť v jemnom detaile je tým, čoho sa odmietate vzdať.

Zlé prípady. Multimodálne uvažovanie špičkovej obťažnosti, ktoré potrebuje najsilnejší model bez ohľadu na cenu — to je práca pre Kimi-K3 a nie nadarmo stojí takmer desaťkrát viac. Čisto textové generovanie, kde MiMo-V2.5-Pro dá lepší základ za tú istú sadzbu. Práca opierajúca sa o encyklopedické znalosti o svete, kde veľký riedky základ predbehne kompaktný hustý. A čokoľvek, čo potrebuje viac než 262K kontextu, ktoré tu neponúka žiadny model.

09Často kladené otázky

---

Zdroje: technická správa MiMo (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Všetky benchmarkové čísla uvádza Xiaomi pre vydané checkpointy pomenované vyššie a opisujú rodovú líniu, nie presný build na tomto koncovom bode. Ceny, kontext a príznaky schopností sú cenníkové hodnoty brány Shannon AI, september 2026.