Necenzuriran vidni API MiMo

Poceni večmodalne končne točke so poceni, ker je bilo nekaj odrezano, in odrezano je običajno tisto, česar ne vidite: uteži so stisnjene na tri ali štiri bite, model pa še vedno samozavestno odgovarja o grafu, ki ga v resnici ne zna več prebrati. MiMo-V2.5 je nasprotni primer v našem katalogu — hkrati na cenovnem dnu in na najvišji stopnji natančnosti, ker je bil temelj, iz katerega izhaja, zgrajen majhen in gost namesto ogromen in redek.

01Od kod prihaja MiMo: najprej model sklepanja, šele nato vidni model

Vrsta MiMo je Xiaomijev raziskovalni program z odprtimi utežmi, njegova ustanovna trditev pa ni v modi: sposobnost sklepanja se določi med predučenjem, ne pa naknadno privije z RL. Delo je večinoma podatkovno inženirstvo — Xiaomi je predelal luščenje in filtriranje besedila, da je v korpusu dvignil gostoto vzorcev sklepanja, obsežno ustvaril sintetične podatke sklepanja in MiMo-7B-Base predučil na približno 25 bilijonih žetonov po tristopenjski mešanici, s napovedovanjem več žetonov kot pomožnim ciljem, ki ob sklepanju hkrati služi kot spekulativni dekodirnik (stopnja sprejema blizu 90 %, po Xiaomiju).

Potrening je namerno strog: 130.000 matematičnih in programerskih nalog zgolj z nagradami za natančnost na podlagi pravil, brez naučenega modela nagrade, z utemeljitvijo, da je nevronski model nagrade površina, ki jo je mogoče izigrati. Preverljivih nagrad ni mogoče preslepiti z lepimi besedami. MiMo-7B-RL doseže številke, nesorazmerne s svojo velikostjo — Xiaomi poroča 68,2 % na AIME 2024, 95,8 % na MATH-500 in 57,8 % na LiveCodeBench v5 pri pass@1, kar se ujema z OpenAIjevim o1-mini. Takšna je oblika modela, ki ga kličete: strnjen, gosto naučen, uglašen za to, da se skozi težavo predela, ne pa da odgovor prikliče — in ta značaj preživi v večmodalnih potomcih.

02Kako se je MiMo naučil videti: arhitektura MiMo-VL

MiMo-VL je vidno-jezikovna veja in njena zgradba je poučna. Xiaomi je sestavil tri dele: kodirnik ViT z izvorno ločljivostjo, ki ohrani drobne podrobnosti, namesto da bi vsako sliko potisnil skozi stalno nizko ločljivostno mrežo, naključno inicializiran projektor MLP v latentni prostor jezikovnega modela in — kar je odločilno — hrbtenico sklepanja MiMo kot jezikovni model. Vidni sistem tako podeduje dekodirnik, ki je že dober v večkoračnem razmišljanju, in ne takega, ki je le dober v opisovanju slik.

Učenje je teklo v štirih stopnjah predučenja — ogrevanje projektorja, vidno-jezikovna poravnava, splošno večmodalno predučenje, SFT z dolgim kontekstom — čez približno 2,4 bilijona žetonov, nato pa je sledilo mešano spodbujevalno učenje na lastni politiki (MORL), ki v eno zanko na lastni politiki zloži natančnost zaznave, natančnost vizualnega ozemljanja, pravilnost sklepanja ter človeške in strojne preference. Poročilo odkrito pove, da je hkratno optimiziranje vsega tega nestabilno — poštenejša postavitev, kot jo ponuja večina večmodalnih člankov.

Objavljeni rezultati so za to število parametrov močni. Xiaomi poroča, da MiMo-VL-7B-RL prekaša Qwen2.5-VL-7B pri 35 od 40 nalog, doseže 59,4 na OlympiadBench (nad modeli do 78B) in 56,1 na OSWorld-G za ozemljanje grafičnih vmesnikov, s čimer prehiteva namenske agente za vmesnike. Poznejša osvežitev 2508 je MMMU prvič v seriji potisnila čez 70 (70,6), dosegla 94,4 na ChartQA, 92,5 na ScreenSpot-v2 in 70,8 na VideoMME ter dodala stikalo za nadzor razmišljanja, tako da je sledi sklepanja mogoče izklopiti po zahtevi.

03Kaj pomeni W8A16 in zakaj pri slikah šteje bolj kot pri besedilu

Vsak model na prehodu nosi kvantizacijsko pripono. Ni okras — pove vam, kaj je bilo zamenjano, da je model postal strežljiv.

Pripona	Kaj je	Zakaj se uporablja
3BIT-REAP	3-bitne uteži in REAP, metoda obrezovanja strokovnjakov, ki iz modela MoE pred kvantizacijo izpusti redko usmerjane strokovnjake	Edini način, da najbolj velikanski temelji gredo noter in tečejo pri razumni hitrosti
W4A16-AUTOROUND-REAP	4-bitne uteži, 16-bitne aktivacije, kvantizirano z AutoRound — naučenim zaokroževanjem, ki povrne natančnost proti naivnemu zaokroževanju na najbližje — in obrezovanjem REAP	Vmesna pot za velike temelje, ki skrajnega stiskanja ne potrebujejo
W8A16	8-bitne uteži, 16-bitne aktivacije — najzvestejša stopnja, ki jo strežemo	Uporablja se tam, kjer je temelj dovolj majhen, da agresivno stiskanje ni potrebno

MiMo-V2.5 si tretjo vrstico prisluži s strnjenostjo: gostemu temelju tega razreda ni treba stlačiti na tri bite, da gre noter, zato si lahko privoščite ohraniti osem, uteži, iz katerih vzorčite, pa ostanejo blizu tistim, ki so bile naučene. Pri delu s slikami to šteje nesorazmerno, in to iz strukturnega razloga. V samo besedilnem dekodirniku vgraditev, ki pod kvantizacijo zanese, na novo kontekstualizira ducat poznejših plasti pozornosti — mnogo priložnosti za okrevanje. Vidni sklad take rezerve nima: vidni podatek gre skozi en sam kodirnik in en sam ozek projektor, preden doseže dekodirnik, vse nadaljnje pa je pogojeno s tem, kar je proizvedlo to ozko grlo. Drobnozrnati signal — 3 proti 8 na skenu z nizkim kontrastom, točna slikovna pika, kjer se stolpec konča na osi grafa, meja elementa vmesnika, na katerega naj kliknete — živi v podrobnosti uteži z majhno velikostjo, ki jo agresivna kvantizacija zavrže prvo.

3-bitni vidni model ne odpove glasno; odpove tiho in ustvari tekoč opis dokumenta z dvema premešanima števkama v vsoti. Višja natančnost uteži je najcenejše zavarovanje pred to odpovedjo, tukaj pa je zastonj — najnižjo ceno plačate tako ali tako.

04Najnižja cena v kontekstu

Štirje modeli v našem dvanajstmodelnem katalogu sedijo na cenovnem dnu $0.50 vhod / $2.00 izhod na milijon žetonov. Samo eden od njih sprejema slike. Takole padejo modeli z razumevanjem slik po ceni izhoda, torej po številki, ki obvladuje večino resničnih računov:

Cena izhoda v USD na 1M žetonov, kataloške cene prehoda Shannon AI, september 2026. Dolžina stolpca je relativna glede na najdražji vidni model v katalogu.

Proti Kimi-K3 — vidnemu modelu na vrhu in resnično močnejšemu — je MiMo-V2.5 približno 9,6-krat cenejši na izhodu in 7,7-krat cenejši na vhodu. To ni trditev o enakovrednosti; je argument o obliki delovne obremenitve. Pri sto tisoč slikah na mesec model na vrhu ni dosegljiv, model na dnu pa je, in pošteno vprašanje je, ali model na dnu preseže vaš prag natančnosti — ne pa, ali zmaga na meritvi.

05MiMo-V2.5 proti MiniMax-M3: pošteno primerjana poceni vidna modela

Ta dva sta natanko izenačena po ceni, kontekstu in površini končnih točk. Nista zamenljiva: stopnja kvantizacije je nadomestek za dve različni stavi o tem, kaj vidni model naredi uporabnega.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Vhod / izhod na 1M	$0.50 / $2.00	$0.50 / $2.00
Natančnost uteži	8-bitna	3-bitna + obrezovanje strokovnjakov
Velikost temelja	Strnjen, gost	Velik, redek MoE
Razumevanje slik	Da	Da
Okno konteksta	262,144	262,144
Shema · orodja · pretakanje	Da	Da

MiMo-V2.5 izberite, kadar je slika težji del: gost OCR na nepopolnih skenih, luščenje števil iz grafov in razpredelnic, ozemljanje zaslonskih posnetkov in vmesnikov, branje drobnega besedila, razlikovanje skoraj enakih fotografij izdelkov — vse, kjer je premešana števka napaka in ne kozmetična pomanjkljivost. Hočete najzvestejšo pot od slikovnih pik do žetonov, 8-bitne uteži pa so način, kako jo po tej ceni dobite.

MiniMax-M3 izberite, kadar je slika lažji del. Velik redek temelj, stisnjen na 3 bite, še vedno drži več znanja o svetu in več širine sklepanja, kot ju zmore strnjen gost model, tudi po obrezovanju. Če je naloga »poglej to fotografijo in obširno sklepaj, kaj pomeni« ali če je slika en vhod v pretežno besedilnem pogovoru, je večji temelj boljši instrument — vidna ostrina, ki ste jo zamenjali, ni bila vezajoča omejitev.

06MiMo-V2.5 proti MiMo-V2.5-Pro: sorodnik, ki je oči zamenjal za globino

To je primerjava, ki sproži največ prijav podpori, zato velja povedati naravnost. MiMo-V2.5-Pro-W8A16 in MiMo-V2.5-W8A16 si delita ceno, okno konteksta, stopnjo natančnosti in družinsko ime. Pro slik ne sprejema. Ni nadmnožica. Je drugačna razporeditev istega proračuna.

Strežba večmodalnega modela pomeni plačevanje vidnega stolpa in projektorja ob dekodirniku — pri stalnem stroškovnem cilju je to zmogljivost, ki ni porabljena za sam jezikovni model. Pro vso porabi za besedilo: večji temelj z več rezerve za dolgo pisanje, razvlečeno sklepanje in kodo. MiMo-V2.5 del tega porabi za vid.

Pravilo odločanja torej govori o vaših vhodih, ne o vaših ambicijah. Če lahko katera koli zahteva vsebuje zaslonski posnetek, skenirano stran, graf, diagram ali fotografijo, potrebujete MiMo-V2.5 — Pro bo tak vsebinski blok zavrnil. Če je vsaka zahteva besedilna in ste po vidnem modelu posegli iz navade, na mizi za nič puščate kakovost temelja: vzemite MiMo-V2.5-Pro po enaki ceni.

Vzorec, ki ga velja ukrasti: usmerjajte po vrsti vsebine. Vse s slikovnim delom gre na MiMo-V2.5-W8A16, vse drugo na MiMo-V2.5-Pro-W8A16. Ista družina, ista cena, isti proračun konteksta — usmerjevalnik je trivialen in ni nobenega stroškovnega modela za usklajevanje.

07Kaj pravzaprav pomeni »necenzurirano razumevanje slik«

Pred tem modelom ni sloja zavračanja in na njegovem izhodu ni vsebinskega filtra. To je odločitev o izdelku z določeno posledico za delo s slikami: model opiše, kar je v okvirju, namesto da bi zavrnil na podlagi teme.

To šteje, ker so filtrirani vidni API strukturno neprimerni za celo kategorijo legitimnega dela. Cevovod za moderiranje mora pogledati gradivo, ki ga moderira, in povedati, kaj je; razvrščevalnik, ki noče pregledati stvari, ki jo razvršča, ni razvrščevalnik. Isto velja za dolg seznam resničnih opravil:

• Orodja za zaupanje in varnost — označevanje natanko tistih slik, ki jih splošni API ne bo obdelal, torej slik, ki označevanje najbolj potrebujejo.
• Zdravstvene, forenzične in nesrečne slike — klinična fotografija, dokumentacija poškodb in posnetki prizorišč, ki jih splošni filtri zavrnejo kot nazorne, ne glede na to, kdo sprašuje.
• Varnostne raziskave — branje ribarskih strani, zlonamernih vmesnikov in zajetih zaslonov, ne da bi se model spotaknil ob izhodišče.
• Razvrščanje vsebine za odrasle in arhivsko katalogiziranje — cevovodi, ki obstajajo za prepoznavo gradiva in gledanja ne morejo oddati zunanjim, ter zgodovinske zbirke, ki jih filtri obravnavajo kot neoznačljive.

Odstranitev sloja zavračanja odstrani inženirsko oviro, ne pravne. Shannon AI upravlja Shannon Lab LLC v Novi Mehiki, ZDA, uporabo API pa ureja naša Politika odgovorne uporabe. Nefiltriran izhod je zmožnost, ne dovolilnica.

08Kako ga poklicati: končne točke, slikovni vhod in kam sodi

Model je MiMo-V2.5-W8A16, dosegljiv v treh narečjih zahtev proti istim utežem, tako da obdržite SDK, ki ga že imate:

• /v1/chat/completions — združljivo z OpenAI. Slike gredo noter kot vsebinski deli image_url, bodisi kot naslov https bodisi kot podatkovni URI base64.
• /v1/messages — združljivo z Anthropic. Slike gredo noter kot vsebinski bloki image.
• /v1/responses — narečje v slogu Responses.

Pretakanje in klicanje orodij delujeta v vseh treh, tako da model lahko pogleda zaslonski posnetek in v istem obratu pokliče funkcijo o tem, kar je videl. Popolne sheme zahtev in odgovorov so v dokumentaciji API, ki gosti tudi igrišče, kamor lahko prilepite sliko, še preden napišete kaj kode.

MiMo-V2.5 podpira stroga json_schema in response_format — to je razlika med predstavitvijo in cevovodom. Izročite mu račun in shemo s tipiziranimi polji za ponudnika, datum, postavke in vsoto, in nazaj dobite objekt, ki ga vaša koda lahko preveri, in ne odstavka, ki ga morate loviti z regularnimi izrazi. Dva od dvanajstih modelov v tem katalogu nimata polne podpore strukturiranemu izhodu; ta jo ima, in prav zato deluje kot storitev luščenja v velikih količinah.

Okno konteksta meri 262,144 žetonov; ustvarjeni izhod je omejen na 16,384 žetonov na zahtevo. Slike porabljajo vhodne žetone v odvisnosti od ločljivosti, zato skeni strani visoke ločljivosti kontekst pojedo veliko hitreje kot enakovredno število besed besedila. Dolge dokumente delite po straneh, namesto da bi 300-stranski sken naložili v eni zahtevi, mejo izhoda pa obravnavajte kot resnično omejitev pri izčrpnem luščenju — goste razpredelnice razsekajte po razponih vrstic, namesto da dobite skrajšan odgovor.

Ročica reasoning_effort ima tu glede na rodovnik družine resnično vzvod. Znižajte jo pri razvrščanju v velikih količinah, kjer je odgovor oznaka in so razmišljajoči žetoni čisti strošek; zvišajte jo pri razlagi grafov, vizualni matematiki in sklepanju o diagramih, kjer mora model združiti več stvari, ki jih vidi, preden lahko odgovori.

Kam sodi in kam ne

Dobra ujemanja. Luščenje dokumentov in računov v velikih količinah; delo, sorodno OCR, na nepopolnih skenih; branje grafov, nadzornih plošč in razpredelnic; razumevanje zaslonskih posnetkov in ozemljanje vmesnikov; označevanje katalogov in vizualno odgovarjanje na vprašanja; cevovodi moderiranja — vsaka večmodalna naloga, kjer veže strošek na klic in kjer se natančnosti pri drobnih podrobnostih nočete odreči.

Slaba ujemanja. Večmodalno sklepanje na prednji črti težavnosti, ki potrebuje najmočnejši model ne glede na ceno — to je delo za Kimi-K3, ki z razlogom stane skoraj desetkrat toliko. Samo besedilno generiranje, kjer MiMo-V2.5-Pro po isti ceni ponuja boljši temelj. Delo, ki se opira na enciklopedično znanje o svetu, kjer velik redek temelj prehiti strnjenega gostega. In vse, kar potrebuje več kot 262K konteksta, česar tu ne ponuja noben model.

09Pogosta vprašanja

---

Viri: tehnično poročilo MiMo (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Vse številke meritev poroča Xiaomi za zgoraj poimenovane izdane kontrolne točke in opisujejo družinsko rodovnico, ne natanko te izvedbe na tej končni točki. Cene, kontekst in zastavice zmožnosti so kataloške vrednosti prehoda Shannon AI, september 2026.