API e pacensuruar MiMo me pamje

Endpointet multimodale të lira janë të lira sepse diçka është hequr, dhe ajo që hiqet zakonisht është pjesa që s'e shihni: peshat shtrëngohen në tre a katër bita, dhe modeli vazhdon të përgjigjet me bindje për një grafik që s'mund ta lexojë më vërtet. MiMo-V2.5 është kundërshembulli në katalogun tonë — te çmimi i dyshemesë dhe te niveli më i lartë i saktësisë njëkohësisht, sepse themeli nga i cili rrjedh u ndërtua i vogël dhe i dendur e jo i madh dhe i rrallë.

01Nga vjen MiMo: së pari model arsyetimi, pastaj model pamjeje

Linja MiMo është programi kërkimor me pesha të hapura i Xiaomi-t, dhe argumenti themelor i saj nuk është në modë: aftësia e arsyetimit vendoset gjatë para-stërvitjes, jo shtohet më pas me RL. Puna është kryesisht inxhinieri të dhënash — Xiaomi ndërtoi rishtazi nxjerrjen dhe filtrimin e tekstit për të rritur dendësinë e modeleve të arsyetimit në korpus, gjeneroi të dhëna sintetike arsyetimi në shkallë të gjerë, dhe para-stërviti MiMo-7B-Base mbi rreth 25 trilion tokena nën një përzierje trefazore, me Parashikimin e Shumëfishtë të Tokenave (Multiple-Token Prediction) si objektiv ndihmës që në kohën e inferencës shërben edhe si dekodues spekulativ (shkallë pranimi afër 90%, sipas Xiaomi-t).

Post-stërvitja është qëllimisht e kursyer: 130.000 probleme matematike dhe programimi me shpërblime saktësie vetëm bazuar në rregulla, pa model shpërblimi të mësuar, me arsyetimin se një model shpërblimi nervor është një sipërfaqe e hakueshme. Shpërblimet e verifikueshme nuk mund të bindren. MiMo-7B-RL shënon shifra jashtë proporcionit me madhësinë e vet — Xiaomi raporton 68.2% në AIME 2024, 95.8% në MATH-500, 57.8% në LiveCodeBench v5 te pass@1, duke barazuar o1-mini të OpenAI-t. Kjo është forma e modelit që po thërrisni: kompakt, i stërvitur me densitet, i rregulluar për të punuar përmes një problemi e jo për ta rikujtuar përgjigjen — dhe ky temperament mbijeton te pasardhësit multimodalë.

02Si mësoi MiMo të shohë: arkitektura MiMo-VL

MiMo-VL është dega gjuhë-pamje, dhe ndërtimi i saj është mësimdhënës. Xiaomi montoi tri pjesë: një kodues ViT me rezolucion vendas që ruan hollësinë e imët në vend që ta detyrojë çdo imazh nëpër një rrjetë fikse me rezolucion të ulët, një projektor MLP i nisur rastësisht drejt hapësirës latente të modelit gjuhësor, dhe — çka ka rëndësi vendimtare — trungun e arsyetimit MiMo si model gjuhësor. Sistemi i pamjes trashëgon një dekodues tashmë të mirë në të menduarit shumëhapësh e jo vetëm të mirë në përshkrim.

Stërvitja u zhvillua në katër faza para-stërvitjeje — ngrohja e projektorit, përafrimi gjuhë-pamje, para-stërvitje e përgjithshme multimodale, SFT me kontekst të gjatë — nëpër rreth 2.4 trilion tokena, pastaj Mixed On-policy Reinforcement Learning (MORL), duke përfshirë saktësinë e perceptimit, saktësinë e ankorimit pamor, korrektësinë e arsyetimit dhe preferencën njeri/IA në një lak të vetëm on-policy. Raporti është i sinqertë që optimizimi i të gjitha këtyre njëherësh është i paqëndrueshëm — një kornizë më e ndershme se sa ofrojnë shumica e artikujve multimodalë.

Rezultatet e publikuara janë të forta për numrin e parametrave. Xiaomi raporton se MiMo-VL-7B-RL e kalon Qwen2.5-VL-7B në 35 nga 40 detyra, 59.4 në OlympiadBench (mbi modele deri në 78B), dhe 56.1 në OSWorld-G për ankorim GUI, para agjentëve të ndërfaqes të ndërtuar posaçërisht. Rifreskimi i mëvonshëm 2508 e ngriti MMMU mbi 70 për herë të parë në seri (70.6), arriti 94.4 në ChartQA, 92.5 në ScreenSpot-v2 dhe 70.8 në VideoMME, dhe shtoi një çelës kontrolli mendimi që gjurmët e arsyetimit të fiken për çdo kërkesë veç e veç.

03Çfarë do të thotë W8A16, dhe pse ka më shumë rëndësi për pamjen se për tekstin

Çdo model në portë mban një prapashtesë kuantizimi. Nuk është zbukurim — ju thotë çfarë u sakrifikua për ta bërë modelin të shërbyeshëm.

Prapashtesa	Çfarë është	Pse përdoret
3BIT-REAP	Pesha 3-bitëshe plus REAP, një metodë krasitjeje ekspertësh që heq ekspertët e drejtuar rrallë nga një model MoE përpara kuantizimit	E vetmja mënyrë për të përshtatur dhe shërbyer themelet më të mëdha me shpejtësi të arsyeshme
W4A16-AUTOROUND-REAP	Pesha 4-bitëshe, aktivizime 16-bitëshe, të kuantizuara me AutoRound — rrumbullakim i mësuar që rikuperon saktësi kundrejt rrumbullakimit naiv te më i afërti — plus krasitje REAP	Rrugë e mesme për themele të mëdha që nuk kanë nevojë për ngjeshje ekstreme
W8A16	Pesha 8-bitëshe, aktivizime 16-bitëshe — niveli me besnikërinë më të lartë që shërbejmë	Përdoret kur themeli është mjaftueshëm i vogël sa të mos ketë nevojë për ngjeshje agresive

MiMo-V2.5 e fiton rreshtin e tretë duke qenë kompakt: një themel i dendur në këtë klasë nuk ka nevojë të shtrydhet në tre bita për t'u përshtatur, kështu që mund të përballoni t'i mbani tetë, dhe peshat prej të cilave merrni mostra mbeten afër atyre që u stërvitën. Kjo ka rëndësi joproporcionale për punën me imazhe, për një arsye strukturore. Në një dekodues vetëm-me-tekst, një ngulitje (embedding) që shmanget nën kuantizim rikontekstualizohet nga dhjetëra shtresa vëmendjeje të mëvonshme — shumë raste për t'u rikuperuar. Një stivë pamjeje s'ka një hapësirë të tillë lirie: informacioni pamor kalon nëpër një kodues të vetëm dhe një projektor të vetëm e të ngushtë përpara se të mbërrijë te dekoduesi, dhe gjithçka pas kësaj kushtëzohet nga ç'ka prodhuar ai qafëngushtim. Sinjali me hollësi të imët — 3 kundrejt 8 në një skanim me kontrast të ulët, piksi i saktë ku përfundon një shtyllë në boshtin e një grafiku, kufiri i një elementi ndërfaqeje që ju kërkohet të klikoni — jeton në hollësinë e peshave me shkallë të vogël, të cilën kuantizimi agresiv e hedh e para tej.

Një model pamjeje 3-bitësh nuk dështon me zë — dështon në heshtje, duke prodhuar një përshkrim rrjedhshëm të një dokumenti me dy shifra të këmbyera në total. Saktësia më e lartë e peshave është sigurimi më i lirë kundër atij dështimi, dhe këtu është falas — paguani çmimin e dyshemesë sido që të jetë.

04Çmimi i dyshemesë, në kontekst

Katër modele në katalogun tonë me dymbëdhjetë modele ndodhen te çmimi i dyshemesë prej 0.50 $ hyrje / 2.00 $ dalje për milion tokena. Vetëm njëri prej tyre pranon imazhe. Ja ku bien modelet me pamje sa i përket kostos së daljes, shifra që sundon shumicën e faturave të vërteta:

Çmimi i daljes në USD për 1M tokena, tarifat e listës së portës së Shannon AI, shtator 2026. Gjatësia e shtyllës është relative ndaj modelit më të shtrenjtë me pamje në katalog.

Kundrejt Kimi-K3 — modeli tavan me pamje, dhe vërtet më i fortë — MiMo-V2.5 është rreth 9.6× më i lirë në dalje dhe 7.7× më i lirë në hyrje. Kjo nuk është një pohim ekuivalence; është një argument mbi formën e ngarkesës së punës. Te njëqind mijë imazhe në muaj, modeli tavan nuk është i përballueshëm ndërsa modeli i dyshemesë është, dhe pyetja e ndershme është nëse modeli i dyshemesë e kalon shufrën tuaj të saktësisë — jo nëse fiton një benchmark.

05MiMo-V2.5 kundrejt MiniMax-M3: dy modelet e lira me pamje, të krahasuara me ndershmëri

Këta të dy barazohen saktësisht në çmim, kontekst dhe sipërfaqen e endpointit. Nuk janë të këmbyeshëm: niveli i kuantizimit është një zëvendësues për dy baste të ndryshme mbi çfarë e bën një model pamjeje të dobishëm.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Hyrje / dalje për 1M	$0.50 / $2.00	$0.50 / $2.00
Saktësia e peshave	8-bitëshe	3-bitëshe + krasitje ekspertësh
Madhësia e themelit	Kompakt, i dendur	I madh, MoE i rrallë
Pamja	Po	Po
Dritarja e kontekstit	262.144	262.144
Skemë · mjete · transmetim	Po	Po

Zgjidhni MiMo-V2.5 kur imazhi është pjesa e vështirë: OCR i dendur mbi skanime të papërsosura, nxjerrje numerike nga grafikë dhe tabela, ankorim pamjesh ekrani dhe ndërfaqesh, lexim teksti të vogël, dallim fotografish produktesh pothuajse identike — çdo gjë ku një shifër e këmbyer është defekt e jo e metë kozmetike. Doni shtegun me besnikërinë më të lartë nga pikselët te tokenat, dhe peshat 8-bitëshe janë mënyra si e merrni atë me këtë çmim.

Zgjidhni MiniMax-M3 kur imazhi është pjesa e lehtë. Një themel i madh i rrallë i ngjeshur në 3 bita ende mban më shumë njohuri të botës dhe gjerësi arsyetimi sesa mundet një model kompakt i dendur, edhe pas krasitjes. Nëse detyra është "shikoje këtë fotografi dhe arsyeto gjatë mbi çfarë nënkupton", ose imazhi është një hyrje e vetme në një bisedë kryesisht me tekst, themeli më i madh është instrumenti më i mirë — mprehtësia pamore që sakrifikuat nuk ishte kufizimi vendimtar.

06MiMo-V2.5 kundrejt MiMo-V2.5-Pro: motra që shkëmbeu sytë për thellësi

Ky është krahasimi që gjeneron më shumë biletat mbështetjeje, prandaj ia vlen të jemi të drejtpërdrejtë. MiMo-V2.5-Pro-W8A16 dhe MiMo-V2.5-W8A16 ndajnë çmim, dritare konteksti, nivel saktësie dhe emër familjeje. Pro nuk pranon imazhe. Nuk është një superbashkësi. Është një shpërndarje tjetër e së njëjtës buxhet.

Shërbimi i një modeli multimodal do të thotë pagesë për një kullë pamjeje dhe projektor përkrah dekoduesit — me një objektiv kostoje fiks, kapacitet i pashpenzuar te vetë modeli gjuhësor. Pro e shpenzon tërësisht te teksti: një themel më i madh me më shumë hapësirë për shkrim të gjatë, arsyetim të zgjatur dhe kod. MiMo-V2.5 shpenzon një pjesë te shikimi.

Pra rregulli i vendimit ka të bëjë me hyrjet tuaja, jo me ambiciet. Nëse ndonjë kërkesë mund të përmbajë një pamje ekrani, një faqe të skanuar, një grafik, një diagram ose një fotografi, ju duhet MiMo-V2.5 — Pro do ta refuzojë atë pjesë përmbajtjeje. Nëse çdo kërkesë është tekst dhe e keni marrë modelin me pamje nga zakoni, po lini pas dore cilësi themeli për asgjë: merrni MiMo-V2.5-Pro me të njëjtën tarifë.

Një model ia vlen ta vidhni: drejtoni sipas llojit të përmbajtjes. Çdo gjë me një pjesë imazhi shkon te MiMo-V2.5-W8A16, gjithçka tjetër te MiMo-V2.5-Pro-W8A16. E njëjta familje, i njëjti çmim, i njëjti buxhet konteksti — drejtuesi është i thjeshtë dhe s'ka model kostoje për t'u pajtuar.

07Çfarë do të thotë vërtet "kuptim imazhesh i pacensuruar"

Nuk ka shtresë refuzimi përpara këtij modeli dhe as filtër përmbajtjeje mbi daljen e tij. Kjo është një vendim produkti me një pasojë të veçantë për punën me pamje: modeli përshkruan çfarë është në kuadër në vend që të refuzojë sipas subjektit të përmbajtjes.

Kjo ka rëndësi sepse API-të e pamjes të filtruara janë të papërshtatshme strukturalisht për një kategori të tërë pune të ligjshme. Një tubacion moderimi duhet ta shohë materialin që moderon dhe të thotë çfarë është; një klasifikues që refuzon ta shqyrtojë atë që klasifikon nuk është klasifikues. E njëjta gjë vlen për një listë të gjatë punësh të vërteta:

• Mjete besimi dhe sigurie — etiketimi pikërisht i imazheve që një API kryesor nuk do t'i përpunojë, që janë ato me nevojën më të madhe për etiketim.
• Imazhe mjekësore, forenzike dhe aksidentesh — fotografi klinike, dëmtimesh dhe skene që filtrat gjenerikë i refuzojnë si grafike pavarësisht kush pyet.
• Kërkim sigurie — lexim faqesh phishing, ndërfaqesh me qëllim të keq dhe pamjesh të kapura pa u penguar modeli nga premisa.
• Klasifikim përmbajtjeje për të rritur dhe katalogim arkivor — tubacione që ekzistojnë për të identifikuar material dhe nuk mund ta jashtësojnë shikimin, plus koleksione historike që filtrat i trajtojnë si të pa-etiketueshme.

Heqja e shtresës së refuzimit heq një pengesë inxhinierike, jo një ligjore. Shannon AI operohet nga Shannon Lab LLC në Nju Meksiko, SHBA, dhe përdorimi i API-t rregullohet nga Politika jonë e Përdorimit të Përgjegjshëm. Dalja e pafiltruar është një aftësi, jo një leje.

08Si ta thërrisni: endpointet, hyrja e imazheve dhe ku përshtatet

Modeli është MiMo-V2.5-W8A16, i arritshëm në tri dialekte kërkese mbi të njëjtat pesha, kështu që mbani cilindo SDK që keni tashmë:

• /v1/chat/completions — i pajtueshëm me OpenAI. Imazhet hyjnë si pjesë përmbajtjeje image_url, ose si URL https ose si URI e të dhënave base64.
• /v1/messages — i pajtueshëm me Anthropic. Imazhet hyjnë si blloqe përmbajtjeje image.
• /v1/responses — dialekti në stilin Responses.

Transmetimi dhe thirrja e mjeteve funksionojnë në të tria, kështu që modeli mund të shohë një pamje ekrani dhe të thërrasë një funksion mbi çfarë pa, në një kthesë të vetme. Skemat e plota të kërkesës dhe përgjigjes janë te dokumentacioni i API-t, i cili strehon edhe një terren prove ku mund të ngjisni një imazh përpara se të shkruani ndonjë kod.

MiMo-V2.5 mbështet json_schema të rreptë dhe response_format — dallimi mes një demoje dhe një tubacioni. Jepini një faturë blerjeje plus një skemë me fusha të tipizuara për shitësin, datën, zërat e faturës dhe totalin, dhe merrni mbrapsht një objekt që kodi juaj mund ta validojë e jo një paragraf që duhet ta analizoni me regex. Dy nga dymbëdhjetë modelet në këtë katalog nuk kanë mbështetje të plotë për dalje të strukturuar; ky e ka, dhe kjo është arsyeja pse funksionon si shërbim nxjerrjeje me volum të lartë.

Dritarja e kontekstit është 262.144 tokena; dalja e gjeneruar është e kufizuar në 16.384 tokena për kërkesë. Imazhet konsumojnë tokena hyrjeje si funksion i rezolucionit, kështu që skanime faqesh me rezolucion të lartë e konsumojnë kontekstin shumë më shpejt se një numër fjalësh ekuivalent teksti. Ndajini në faqe dokumentet e gjata në vend që të ngarkoni një skanim 300-faqesh në një kërkesë të vetme, dhe trajtojeni kufirin e daljes si një kufizim real mbi nxjerrjen shterruese — ndajini tabelat e dendura sipas rreshtave në vend që të merrni një përgjigje të prerë.

Leva reasoning_effort ka levë të vërtetë këtu, duke pasur parasysh prejardhjen e familjes. Uleni për klasifikim me volum të lartë, ku përgjigjja është një etiketë dhe tokenat e mendimit janë kosto e pastër; ngriteni për interpretim grafikësh, matematikë pamore dhe arsyetim diagramesh, ku modeli duhet të kombinojë disa gjëra që sheh përpara se të përgjigjet.

Ku përshtatet, dhe ku nuk përshtatet

Përshtatje të mira. Nxjerrje dokumentesh dhe faturash me volum të lartë; punë afër OCR-it mbi skanime të papërsosura; lexim grafikësh, panele kontrolli dhe tabelash; kuptim pamjesh ekrani dhe ankorim ndërfaqesh; etiketim katalogësh dhe QA pamor; tubacione moderimi — çdo detyrë multimodale ku kostoja për thirrje ka rëndësi dhe saktësia në hollësi të imët është ajo që refuzoni ta lini.

Përshtatje të dobëta. Arsyetim multimodal me vështirësi kufitare që kërkon modelin më të fortë pavarësisht çmimit — puna e Kimi-K3, dhe kushton pothuajse dhjetë herë më shumë për një arsye. Gjenerim vetëm-me-tekst, ku MiMo-V2.5-Pro jep një themel më të mirë me të njëjtën tarifë. Punë që mbështetet te njohuri enciklopedike të botës, ku një themel i madh i rrallë tejkalon një model kompakt të dendur. Dhe çdo gjë që kërkon më shumë se 262K kontekst, çka asnjë model këtu nuk e ofron.

09Pyetje të bëra shpesh

---

Burimet: Raporti teknik MiMo (arXiv 2505.07608) · Raporti teknik MiMo-VL (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Të gjitha shifrat e benchmark-ut janë të raportuara nga Xiaomi për checkpoint-et e publikuara të emërtuara më sipër dhe përshkruajnë linjën e familjes, jo ndërtimin e saktë në këtë endpoint. Çmimet, konteksti dhe flamujt e aftësive janë vlerat e listës së portës së Shannon AI, shtator 2026.