API-ga Sawir-akhriska MiMo ee Aan La Faaruqin

Dhammaadyada multimodal-ka ee jaban waxay u jaban yihiin wax la jaray, waxa la jarayna badiyaa waa qaybta aadan arki karin: miisaannada ayaa lagu tuujiyaa saddex ama afar bit, moodalkuna wuxuu wali si kalsooni leh uga jawaabaa shaxan uusan hadda dhab ahaan akhrin karin. MiMo-V2.5 waa tusaalaha ka soo horjeeda ee kataloogayaga — wuxuu isku mar ku jiraa sagxadda qiimaha iyo heerka saxnaanta ugu sarreeya, sababtoo ah aasaaska uu ka soo farcamay waxaa loo dhisay inuu ahaado mid yar oo cufan halkii uu ahaan lahaa mid weyn oo firdhisan.

01Halka MiMo ka yimid: marka hore moodal fikir, marka labaad moodal sawir-akhris

Xariiqda MiMo waa barnaamijka cilmi-baarista miisaannada furan ee Xiaomi, dooddiisa aasaasiguna waa mid aan caanka ahayn: awoodda fikirka waxaa la dejiyaa inta lagu jiro tababbarka-hore, ee dabadeed lagulama dhejiyo RL. Shaqadu inta badan waa injineernimo xog — Xiaomi waxay dib u dhistay soo-saarista qoraalka iyo shaandhaynta si ay kor ugu qaaddo cufnaanta qaababka fikirka ee ururka, waxay cabbir weyn ku soo saartay xog fikir oo macmal ah, waxayna hore u tababbartay MiMo-7B-Base qiyaastii 25 tirilyan token oo hoos yimaada isku-dar saddex marxaladood ah, iyadoo Multiple-Token Prediction uu ujeeddo kaabis ah yahay oo waqtiga fikirka sidoo kale ah koodh-fure saadaal ah (heerka aqbalaadda ku dhow 90%, sida Xiaomi ay leedahay).

Tababbarka kadib si ula kac ah ayuu u qallalan yahay: 130,000 dhibaato xisaab iyo koodh ah oo leh abaal-marin saxnaan xeer ku salaysan oo keliya, moodal abaal-marin oo la bartay ma jiro, iyadoo sababtu tahay in moodal abaal-marin neerfe ahi uu yahay dusheed la jabsan karo. Abaal-marinnada la xaqiijin karo lagama hadli karo. MiMo-7B-RL wuxuu soo saaraa tirooyin aan u dhigmayn cabbirkiisa — Xiaomi waxay ka soo sheegaysaa 68.2% AIME 2024, 95.8% MATH-500, 57.8% LiveCodeBench v5 pass@1, isagoo la simanaya o1-mini ee OpenAI. Kaasi waa qaabka moodalka aad wacaysid: mid yar, si cufan loo tababbaray, oo loo habeeyay inuu dhibaato ka dhex shaqeeyo halkii uu jawaab xasuusan lahaa — dabeecaddaasina waxay ku sii jirtaa farcamada multimodal-ka ah.

02Sida MiMo u bartay inuu arko: qaab-dhismeedka MiMo-VL

MiMo-VL waa laanta luqadda-aragtida, dhismihiisuna waa mid wax bara. Xiaomi waxay isku dubaridday saddex qaybood: koodhbixiye ViT ah oo xallin dabiici ah oo ilaaliya faahfaahinta khafiifka ah halkii uu sawir kasta ku dhex riixi lahaa shabag xallin hooseeya oo go'an, saadaaliye MLP ah oo si aan kala sooc lahayn loo bilaabay oo galaya booska dahsoon ee moodalka luqadda, iyo — muhiim ahaan — laf-dhabarka fikirka MiMo isagoo ah moodalka luqadda. Nidaamka sawir-akhrisku wuxuu dhaxlaa koodh-fure horeba u fiican fikirka tallaabooyinka badan halkii uu dhaxli lahaa mid kaliya u fiican qoraal-samaynta.

Tababbarku wuxuu ku socday afar marxaladood oo tababbar-hore ah — kululayn saadaaliyaha, is-waafajinta luqadda-aragtida, tababbar-hore multimodal guud, SFT context dheer — oo qiyaastii 2.4 tirilyan token dhex maraya, ka dibna Mixed On-policy Reinforcement Learning (MORL), oo isku laabaya saxnaanta dareenka, saxnaanta dhul-ku-xidhidhinta muuqaalka, saxnaanta fikirka, iyo doorbidka aadmiga/AI hal wareeg siyaasad-ku-salaysan. Warbixintu si daacad ah ayay u sheegaysaa in hagaajinta kuwaas oo dhan hal mar ay tahay mid aan degganayn — oo ah qaabayn ka daacadsan intii ay warqadaha multimodal-ka intooda badan bixiyaan.

Natiijooyinka la daabacay waa kuwo xoog leh marka la eego tirada parameter-ka. Xiaomi waxay ka soo sheegaysaa in MiMo-VL-7B-RL uu ka adkaaday Qwen2.5-VL-7B 35 ka mid ah 40 hawlood, 59.4 OlympiadBench (oo ka sarreeya moodallo ilaa 78B ah), iyo 56.1 OSWorld-G ee dhul-ku-xidhidhinta GUI, isagoo ka horreeya wakiillo isku-xidh oo si gaar ah loo dhisay. Cusboonaysiinta 2508 ee dambe waxay MMMU riixday 70 wixii ka sarreeya markii ugu horreysay taxanaha (70.6), waxay gaadhay 94.4 ChartQA, 92.5 ScreenSpot-v2 iyo 70.8 VideoMME, waxayna ku dartay furaha xakamaynta fikirka si raadadka fikirka loo daminayo codsi kasta.

03Waxa W8A16 ka dhigan tahay, iyo sababta uu sawir-akhriska uga muhiimsan yahay qoraalka

Moodal kasta oo albaabka ku jira wuxuu sitaa lifaaq quantization ah. Ma aha qurxin — wuxuu kuu sheegayaa waxa la beddelay si moodalka loo bixin karo.

Lifaaq	Waa maxay	Sababta loo isticmaalo
3BIT-REAP	Miisaanno 3-bit ah oo lagu daray REAP, oo ah hab jarid khabiir ah oo moodal MoE ah ka tuura khubarada dhif loo marino ka hor quantize-garaynta	Waa habka keliya ee lagu qalmi karo lagana bixin karo aasaasyada ugu waaweyn xawaare caqli gal ah
W4A16-AUTOROUND-REAP	Miisaanno 4-bit ah, firfircoonaansho 16-bit ah, oo lagu quantize gareeyay AutoRound — wareejin la bartay oo soo celisa saxnaan marka loo eego wareejinta fudud ee ugu dhow — oo lagu daray jaridda REAP	Dhul dhexdhexaad ah oo aasaasyada waaweyn ee aan u baahnayn cufid xad dhaaf ah
W8A16	Miisaanno 8-bit ah, firfircoonaansho 16-bit ah — heerka daacadnimada ugu sarreeya ee aan bixinno	Waxaa la isticmaalaa halka aasaasku ku yar yahay in cufid xoog leh loo baahdo

MiMo-V2.5 wuxuu safka saddexaad ku mutaystaa inuu yar yahay: aasaas cufan oo fasalkan ku jira uma baahna in saddex bit lagu tuujiyo si uu ugu qalmo, sidaas darteed waxaad awoodi kartaa inaad siddeed hayso, miisaannada aad muunaynaysidna waxay u dhow sii ahaanayaan kuwii la tababbaray. Taasi si aan u dhigmayn ayay muhiim ugu tahay shaqada sawirka, sabab qaab-dhismeed awgeed. Koodh-fure qoraal keliya ah, embedding ka dhaqaaqa quantization-ka hoostiisa waxaa dib u context-gareeya tobanaan lakab fiirsasho oo dambe — fursado badan oo dib loogu soo celiyo. Taxanaha sawir-akhrisku dabacsanaan noocaas ah ma laha: macluumaadka muuqaalku wuxuu ka gudbaa hal koodhbixiye iyo hal saadaaliye cidhiidhi ah ka hor inta uusan koodh-furaha gaadhin, wax kasta oo hoos yaalna waxay shuruud u yihiin waxa cidhiidhigaasi soo saaray. Calaamadda faahfaahsan — 3 marka loo eego 8 iskaan isbarbardhig hooseeya ku jira, pixel-ka saxda ah ee xariiqdu ku dhammaato dhidibka shaxanka, xudduudda cutub UI ah oo lagu waydiiyay inaad gujiso — waxay ku nooshahay faahfaahinta miisaanka ee baaxadda hooseeya ee quantization-ka xooggani marka hore tuuro.

Moodal sawir-akhris ah oo 3-bit ah si cad uma fashilmo; si aamusan buu u fashilmaa, isagoo soo saaraya sharraxaad hodan ah oo dukumenti ah oo laba tiro wadarta ku kala beddelmeen. Saxnaan miisaan oo ka sarraysa waa caymiska ugu jaban ee guuldarradaas, halkanna waa bilaash — si kastaba ha ahaatee waxaad bixinaysaa qiimaha sagxadda.

04Qiimaha sagxadda, marka la eego xaaladda

Afar moodal oo kataloogayaga laba iyo tobanka moodal ah ku jira ayaa ku fadhiya sagxadda qiimaha ee $0.50 gelin / $2.00 wax-soo-saar milyan token kasta. Mid keliya oo ka mid ah ayaa sawirro qaata. Halkan waa halka moodallada sawir-akhriska lehi ay ku dhacaan kharashka wax-soo-saarka, oo ah tirada ku badbada biilasha dhabta ah intooda badan:

Qiimaha wax-soo-saarka oo USD ah 1M token kasta, heerarka liiska Albaabka Shannon AI, Sebtembar 2026. Dhererka xariiqdu wuxuu la barbardhacayaa moodalka sawir-akhriska ugu qaalisan ee kataloogga.

Marka la barbardhigo Kimi-K3 — oo ah moodalka sawir-akhriska xadka sare iyo mid dhab ahaan ka xoog badan — MiMo-V2.5 wuxuu qiyaastii 9.6× ka jaban yahay wax-soo-saarka iyo 7.7× ka jaban yahay gelinta. Taasi ma aha sheegasho sinnaan ah; waa dood ku saabsan qaabka shaqada. Boqol kun oo sawir bishii, moodalka xadka sare lama awoodi karo, moodalka sagxaddana waa la awoodaa, su'aasha daacadda ahina waa in moodalka sagxaddu uu ka gudbayo xadkaaga saxnaanta — ee ma aha inuu ku guulaysanayo cabbir-tijaabo.

05MiMo-V2.5 iyo MiniMax-M3: labada moodal ee sawir-akhriska jaban, si daacad ah loo barbardhigay

Labadani si sax ah ayay isugu simanayaan qiimaha, context-ka, iyo dusha dhammaadka. Ma aha kuwo la isku beddeli karo: heerka quantization-ku waa matal laba sharad oo kala duwan oo ku saabsan waxa moodal sawir-akhris ah faa'iido ka dhigaya.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Gelin / wax-soo-saar 1M kasta	$0.50 / $2.00	$0.50 / $2.00
Saxnaanta miisaanka	8-bit	3-bit + jaridda khubarada
Cabbirka aasaaska	Yar, cufan	Weyn, MoE firdhisan
Sawir-akhris	Haa	Haa
Daaqadda context-ka	262,144	262,144
Schema · qalab · streaming	Haa	Haa

Dooro MiMo-V2.5 marka sawirku yahay qaybta adag: OCR cufan oo iskaanno aan qummanayn ah, soo-saarid tiro ah oo shaxanno iyo miisas ah, dhul-ku-xidhidhinta sawir-shaashadeedka iyo UI-ga, akhrinta qoraal yar, kala saaridda sawirro badeeco oo ku dhawaad isku mid ah — wax kasta oo tiro kala beddelantay ay cillad ka tahay halkii ay ka ahaan lahayd qurux-xumo. Waxaad rabtaa waddada daacadnimada ugu sarraysa ee laga tago pixel-yada ilaa token-nada, miisaannada 8-bit-na waa sida aad qiimahan ku hesho.

Dooro MiniMax-M3 marka sawirku yahay qaybta fudud. Aasaas weyn oo firdhisan oo 3 bit lagu cufay wuxuu wali sitaa aqoon adduun iyo ballaadhnaan fikir oo ka badan intii moodal yar oo cufan uu sidi karo, xitaa jaridda kadib. Haddii hawshu tahay "eeg sawirkan oo si dheer uga fikir waxa uu tilmaamayo," ama sawirku yahay hal gelin oo wada-hadal inta badan qoraal ah ku jira, aasaaska ka weyni waa qalabka ka fiican — muuqaal-fiiqnaanta aad ka tanaasushay ma ahayn xannibaadda xidhaysa.

06MiMo-V2.5 iyo MiMo-V2.5-Pro: walaalkii indhaha ku beddelay qoto-dheeri

Kani waa isbarbardhigga ugu badan ee tikidho taageero soo saara, sidaas darteed way mudan tahay in si toos ah loo hadlo. MiMo-V2.5-Pro-W8A16 iyo MiMo-V2.5-W8A16 waxay wadaagaan qiime, daaqad context ah, heer saxnaan, iyo magac qoys. Pro sawirro ma aqbalo. Ma aha koox ka weyn. Waa qaybin kale oo isla miisaaniyaddaas ah.

Bixinta moodal multimodal ah macnaheedu waa bixinta munaarad sawir-akhris iyo saadaaliye oo koodh-furaha la socda — bartilmaameed kharash oo go'an, awood aan lagu bixin moodalka luqadda lafteeda. Pro wuxuu dhammaan ku bixiyaa qoraalka: aasaas ka weyn oo leh meel dheeraad ah oo loogu talagalay qoraalka qaabka dheer, fikirka la fidiyay, iyo koodhka. MiMo-V2.5 wuxuu qayb ka mid ah ku bixiyaa aragga.

Sidaas darteed xeerka go'aanku wuxuu ku saabsan yahay gelinnadaada, ee ma aha himilooyinkaaga. Haddii codsi kastaa uu ku jiri karo sawir-shaashadeed, bog la iskaanay, shaxan, jaantus, ama sawir, waxaad u baahan tahay MiMo-V2.5 — Pro wuxuu diidayaa baloogga nuxurka. Haddii codsi kastaa yahay qoraal aadna caado awgeed u tagtay moodalka sawir-akhriska, waxaad miiska ku dhaafaysaa tayada aasaaska waxbana kuma helaysid: qaado MiMo-V2.5-Pro isla heerkaas.

Qaab mudan in la xado: ku mari nooca nuxurka. Wax kasta oo leh qayb sawir ah waxay tagaan MiMo-V2.5-W8A16, wax kasta oo kalena MiMo-V2.5-Pro-W8A16. Isla qoys, isla qiime, isla miisaaniyad context ah — router-ku waa mid fudud, moodal kharash oo la isku waafajiyona ma jiro.

07Waxa "fahamka sawirka ee aan la faaruqin" dhab ahaan ka dhigan yahay

Ma jiro lakab diidmo oo moodalkan hor fadhiya iyo shaandho nuxur oo wax-soo-saarkiisa ah midna. Taasi waa go'aan alaab oo leh natiijo gaar ah oo ku saabsan shaqada sawir-akhriska: moodalku wuxuu sharraxaa waxa sawirka ku jira halkii uu qaybta mawduuca ku diidi lahaa.

Tani waa muhiim sababtoo ah API-yada sawir-akhriska ee la shaandhaynayo qaab-dhismeed ahaan uma habboona qaybo shaqo sharci ah oo dhan. Tuubbo edbin ah waa inay eegtaa agabka ay edbinayso oo ay sheegtaa waxa uu yahay; kala-soociye diida inuu eego shayga uu kala soocayo ma aha kala-soociye. Isla waxaas ayaa u dhaqma liis dheer oo shaqooyin dhab ah:

• Qalabka kalsoonida iyo badbaadada — calaamadaynta si sax ah sawirrada API-ga guud uusan habaynayn, oo ah sawirrada ugu baahan calaamadaynta.
• Sawirrada caafimaadka, baadhitaanka dembiga, iyo shilalka — sawir-qaadis caafimaad, dhaawac, iyo goob shil oo shaandhooyinka guud ay u diidaan inay yihiin kuwo muuqaal xun leh cidda waydiinaysa kastaba ha ahaatee.
• Cilmi-baarista amniga — akhrinta boggaga phishing-ka, isku-xidhka xun, iyo shaashadaha la qabtay iyadoo moodalku aanu mabda'a ka gaabsanayn.
• Kala-soocidda nuxurka qaangaadhka ah iyo kataloogaynta kaydka — tuubbooyin u jira in agab la aqoonsado oo aan eegidda dibadda u dhiibi karin, iyo ururo taariikhi ah oo shaandhooyinku u arkaan kuwo aan la calaamadayn karin.

Ka saaridda lakab diidmo waxay saaraysaa caqabad injineernimo, ee ma aha mid sharci ah. Shannon AI waxaa maamula Shannon Lab LLC oo ku taal New Mexico, Mareykanka, isticmaalka API-gana waxaa maamula Siyaasaddayada Isticmaalka Mas'uulka ah. Wax-soo-saar aan la shaandhayn waa awood, ma aha ogolaansho.

08Sida loo waco: dhammaadyada, gelinta sawirka, iyo halka uu ku habboon yahay

Moodalku waa MiMo-V2.5-W8A16, oo laga gaadhi karo saddex lahjadood oo codsi ah oo isla miisaannada gaadha, sidaas darteed waxaad haysataa SDK-gii aad hore u haysay:

• /v1/chat/completions — OpenAI la jaanqaada. Sawirradu waxay u galaan qaybo nuxur image_url ah, ama URL https ah ama URI xog base64 ah.
• /v1/messages — Anthropic la jaanqaada. Sawirradu waxay u galaan baloogyo nuxur image ah.
• /v1/responses — lahjadda qaabka Responses.

Streaming iyo wicitaanka qalabku saddexdaba way ka shaqeeyaan, sidaas darteed moodalku wuxuu eegi karaa sawir-shaashadeed oo hal mar ku wici karaa shaqo ku saabsan waxa uu arkay. Schema-yada codsiga iyo jawaabta oo dhammaystiran waxay ku jiraan dukumentiga API-ga, kaasoo sidoo kale martigeliya goob ciyaareed oo aad sawir ku dhejin karto ka hor inta aadan koodh qorin.

MiMo-V2.5 wuxuu taageeraa json_schema adag iyo response_format — oo ah faraqa u dhexeeya bandhig iyo tuubbo. U dhiib qaansheeg iyo schema leh goobo nooc leh oo iibiye, taariikh, walxaha safka, iyo wadarta, waxaadna dib u hesha walax koodhkaagu xaqiijin karo halkii aad heli lahayd faqrad aad regex ku samaynayso. Laba ka mid ah laba iyo tobanka moodal ee kataloogkan ku jira ayaa ka maqan taageerada wax-soo-saarka qaabaysan ee buuxda; kani ma maqna, taasina waa sababta uu u shaqeeyo adeeg soo-saarid oo mug badan.

Daaqadda context-ku waa 262,144 token; wax-soo-saarka la soo saaro waxaa lagu xaddiday 16,384 token codsi kasta. Sawirradu waxay isticmaalaan token gelin ah oo ku xidhan xallinta, sidaas darteed iskaannada bogagga xallinta sarreeya waxay context-ka cunaan si aad uga dhaqso badan tiro eray oo qoraal ah oo la mid ah. Bogag-bogag u kala qaybi dukumentiyada dhaadheer halkii aad iskaan 300 bog ah hal codsi ku shubi lahayd, oo xadka wax-soo-saarka u qaado xannibaad dhab ah oo soo-saarid dhammaystiran ah — miisas cufan u kala qaybi safaf halkii aad jawaab gaaban heli lahayd.

Xadhigga reasoning_effort ayaa halkan awood dhab ah leh marka la eego xididka qoyska. Hoos u dhig kala-soocidda mugga sare, halkaas oo jawaabtu tahay calaamad token-nada fikirkuna ay kharash saafi ah yihiin; kor u qaad fasiraadda shaxanka, xisaabta muuqaalka, iyo fikirka jaantuska, halkaas oo moodalku ay tahay inuu isku daro dhowr shay oo uu arko ka hor inta uusan jawaabin.

Halka uu ku habboon yahay, iyo halka uusan ku habboonayn

Ku habboon. Soo-saarid dukumenti iyo qaansheeg oo mug badan; shaqo OCR-ku dhow oo iskaanno aan qummanayn ah; akhrinta shaxanka, dashboard-ka, iyo miiska; fahamka sawir-shaashadeedka iyo dhul-ku-xidhidhinta UI-ga; calaamadaynta kataloogga iyo su'aal-jawaab muuqaal ah; tuubbooyinka edbinta — hawl kasta oo multimodal ah oo kharashka wicitaan-kastaa uu xidho oo saxnaanta faahfaahinta khafiifka ahi ay tahay waxa aad diidayso inaad ka tanaasusho.

Ku habboon maaha. Fikirka multimodal-ka ee adkaanta hormuudka ah ee u baahan moodalka ugu xoogga badan qiimaha kastaba ha ahaadee — waa shaqada Kimi-K3, wuxuuna ku kacayaa ku dhawaad toban jeer sabab awgeed. Soo-saarista qoraalka keliya, halka MiMo-V2.5-Pro uu isla heerkaas ku bixinayo aasaas ka fiican. Shaqada ku tiirsan aqoonta adduunka ee mawsuucadeed, halka aasaas weyn oo firdhisan uu ka dheereeyo mid yar oo cufan. Iyo wax kasta oo u baahan in ka badan 262K oo context ah, taasoo aan moodal halkan ku jira midna bixin.

09Su'aalaha inta badan la iswaydiiyo

---

Ilaha: Warbixinta farsamada MiMo (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Dhammaan tirooyinka cabbir-tijaabada waxaa ka soo sheegay Xiaomi xaqiijiyayaasha la siideeyay ee kor lagu magacaabay waxayna sharraxayaan xididka qoyska, ee ma aha dhismaha saxda ah ee dhammaadkan. Qiimayaasha, context-ka, iyo calaamadaha awoodda waa qiimayaal liis oo Albaabka Shannon AI ah, Sebtembar 2026.