MiMo vizuelni API bez cenzure

Jeftini multimodalni endpointi jeftini su zato što je nešto isečeno, a ono što se seče obično je deo koji ne vidite: težine su iscedene na tri ili četiri bita, a model i dalje samouvereno odgovara o grafikonu koji zapravo više ne može da pročita. MiMo-V2.5 je protivprimer u našem katalogu — istovremeno na cenovnom dnu i na vrhunskom nivou preciznosti, jer je temelj od kog potiče građen malen i gust umesto ogroman i redak.

01Odakle MiMo dolazi: prvo model za rezonovanje, pa tek onda vizuelni model

MiMo loza je Xiaomi istraživački program sa otvorenim težinama, a njena osnivačka teza nije u modi: sposobnost rezonovanja postavlja se tokom pretreninga, a ne prikačuje posle pomoću RL-a. Posao je najvećim delom inženjering podataka — Xiaomi je iznova napravio izvlačenje i filtriranje teksta da bi podigao gustinu obrazaca rezonovanja u korpusu, u velikom obimu generisao sintetičke podatke za rezonovanje, i pretrenirao MiMo-7B-Base na otprilike 25 biliona tokena pod mešavinom u tri faze, sa Multiple-Token Prediction kao pomoćnim ciljem koji pri zaključivanju služi i kao spekulativni dekoder (stopa prihvatanja blizu 90%, prema Xiaomi-ju).

Posttrening je namerno oskudan: 130,000 zadataka iz matematike i koda sa isključivo nagradama za tačnost zasnovanim na pravilima, bez naučenog modela nagrade, uz obrazloženje da je neuronski model nagrade površina koju je moguće hakovati. Proverljive nagrade ne mogu da se namame lepim rečima. MiMo-7B-RL izbacuje brojeve nesrazmerne svojoj veličini — Xiaomi navodi 68.2% na AIME 2024, 95.8% na MATH-500 i 57.8% na LiveCodeBench v5 pri pass@1, na nivou o1-mini iz OpenAI-ja. To je oblik modela koji pozivate: kompaktan, gusto treniran, naštimovan da se probije kroz problem umesto da prizove odgovor — a taj temperament preživljava u multimodalnim potomcima.

02Kako je MiMo naučio da vidi: arhitektura MiMo-VL

MiMo-VL je vizuelno-jezička grana, i njena konstrukcija je poučna. Xiaomi je sastavio tri dela: ViT enkoder na izvornoj rezoluciji koji čuva sitne detalje umesto da svaku sliku provlači kroz fiksnu mrežu niske rezolucije, nasumično inicijalizovan MLP projektor u latentni prostor jezičkog modela, i — što je presudno — MiMo kičmu za rezonovanje kao jezički model. Vizuelni sistem nasleđuje dekoder koji je već dobar u višekoračnom razmišljanju, a ne onaj koji je tek dobar u opisivanju slika.

Trening je tekao u četiri faze pretreninga — zagrevanje projektora, poravnanje vizije i jezika, opšti multimodalni pretrening, fino podešavanje na dugom kontekstu — kroz otprilike 2.4 biliona tokena, a zatim Mixed On-policy Reinforcement Learning (MORL), koji spaja tačnost percepcije, preciznost vizuelnog uzemljenja, ispravnost rezonovanja i ljudske i AI preference u jednu on-policy petlju. Izveštaj otvoreno kaže da je optimizovanje svega toga odjednom nestabilno — poštenije predstavljanje nego u većini multimodalnih radova.

Objavljeni rezultati su jaki za taj broj parametara. Xiaomi navodi da MiMo-VL-7B-RL pobeđuje Qwen2.5-VL-7B na 35 od 40 zadataka, da postiže 59.4 na OlympiadBench (iznad modela do 78B) i 56.1 na OSWorld-G za uzemljenje u grafičkim interfejsima, ispred namenski građenih agenata za interfejse. Kasnije osveženje 2508 podiglo je MMMU preko 70 prvi put u seriji (70.6), stiglo do 94.4 na ChartQA, 92.5 na ScreenSpot-v2 i 70.8 na VideoMME, i dodalo prekidač za kontrolu razmišljanja tako da se tragovi rezonovanja mogu isključiti po zahtevu.

03Šta znači W8A16 i zašto je bitnije za viziju nego za tekst

Svaki model na gejtveju nosi sufiks kvantizacije. To nije ukras — govori vam šta je razmenjeno da bi model postao servirljiv.

Sufiks	Šta je to	Zašto se koristi
3BIT-REAP	3-bitne težine plus REAP, metod orezivanja eksperata koji iz MoE modela izbacuje retko rutirane eksperte pre kvantizacije	Jedini način da se najveći temelji uklope i serviraju razumnom brzinom
W4A16-AUTOROUND-REAP	4-bitne težine, 16-bitne aktivacije, kvantizovane pomoću AutoRound-a — naučenog zaokruživanja koje vraća tačnost u odnosu na naivno zaokruživanje na najbližu vrednost — plus REAP orezivanje	Sredina za velike temelje kojima nije potrebna ekstremna kompresija
W8A16	8-bitne težine, 16-bitne aktivacije — nivo sa najvećom vernošću koji serviramo	Koristi se tamo gde je temelj dovoljno mali da agresivna kompresija nije potrebna

MiMo-V2.5 zaslužuje treći red time što je kompaktan: gustom temelju ove klase nije potrebno drobljenje na tri bita da bi stao, pa možete priuštiti da zadržite osam, a težine iz kojih uzorkujete ostaju blizu onih koje su trenirane. To nesrazmerno mnogo znači za rad sa slikama, iz strukturnog razloga. U dekoderu koji radi samo sa tekstom, ugnežđivanje koje odluta pod kvantizacijom dobija novi kontekst od desetina kasnijih slojeva pažnje — mnogo prilika da se oporavi. Vizuelni stek nema takvu rezervu: vizuelna informacija prolazi kroz jedan enkoder i jedan uzak projektor pre nego što stigne do dekodera, a sve nizvodno uslovljeno je onim što je to usko grlo proizvelo. Sitnozrni signal — 3 naspram 8 u skenu slabog kontrasta, tačan piksel na kom se stubić završava na osi grafikona, granica elementa interfejsa na koji treba da kliknete — živi u detalju težina male magnitude koji agresivna kvantizacija prva odbacuje.

Vizuelni model na 3 bita ne otkazuje glasno; otkazuje tiho, proizvodeći tečan opis dokumenta u kom su dve cifre u zbiru zamenjene mestima. Veća preciznost težina najjeftinije je osiguranje od tog otkaza, a ovde je besplatna — najnižu cenu plaćate u svakom slučaju.

04Najniža cena, u kontekstu

Četiri modela u našem katalogu od dvanaest modela stoje na cenovnom dnu od $0.50 ulaz / $2.00 izlaz na milion tokena. Samo jedan od njih prima slike. Evo gde modeli sa vizuelnim ulazom stoje po ceni izlaza, broju koji dominira većinom stvarnih računa:

Izlazna cena u USD na 1M tokena, cenovnik Shannon AI gejtveja, septembar 2026. Dužina trake data je u odnosu na najskuplji vizuelni model u katalogu.

Naspram Kimi-K3 — vodećeg vizuelnog modela, i zaista jačeg — MiMo-V2.5 je otprilike 9.6× jeftiniji na izlazu i 7.7× jeftiniji na ulazu. To nije tvrdnja o jednakosti; to je argument o obliku posla. Na sto hiljada slika mesečno vodeći model nije priuštiv, a model po najnižoj ceni jeste, i pošteno pitanje je da li taj jeftini model prelazi vaš prag tačnosti — a ne da li pobeđuje na nekom merilu.

05MiMo-V2.5 naspram MiniMax-M3: dva jeftina vizuelna modela, pošteno upoređena

Ta dva se izjednačavaju tačno po ceni, kontekstu i površini endpointa. Nisu zamenljivi: nivo kvantizacije je zamena za dve različite opklade o tome šta vizuelni model čini korisnim.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Ulaz / izlaz na 1M	$0.50 / $2.00	$0.50 / $2.00
Preciznost težina	8-bitna	3-bitna + orezivanje eksperata
Veličina temelja	Kompaktan, gust	Velik, redak MoE
Vizija	Da	Da
Prozor konteksta	262,144	262,144
Šema · alati · striming	Da	Da

Izaberite MiMo-V2.5 kada je slika teži deo: gust OCR na nesavršenim skenovima, izvlačenje brojeva iz grafikona i tabela, snimci ekrana i uzemljenje u interfejsima, čitanje sitnog teksta, razlikovanje skoro identičnih fotografija proizvoda — sve gde je zamenjena cifra kvar, a ne kozmetička mrlja. Želite put najveće vernosti od piksela do tokena, a 8-bitne težine su način da ga dobijete po ovoj ceni.

Izaberite MiniMax-M3 kada je slika lakši deo. Veliki redak temelj sabijen na 3 bita i dalje drži više znanja o svetu i širinu rezonovanja nego što kompaktan gust model može, čak i posle orezivanja. Ako je zadatak „pogledaj ovu fotografiju i naširoko razmisli šta ona implicira“, ili je slika jedan ulaz u razgovoru koji je pretežno tekst, veći temelj je bolji instrument — vizuelna oštrina koje ste se odrekli nije bila ono što vas je stezalo.

06MiMo-V2.5 naspram MiMo-V2.5-Pro: srodnik koji je oči zamenio za dubinu

Ovo je poređenje koje otvara najviše tiketa podrške, pa vredi biti direktan. MiMo-V2.5-Pro-W8A16 i MiMo-V2.5-W8A16 dele cenu, prozor konteksta, nivo preciznosti i porodično ime. Pro ne prima slike. Nije nadskup. To je drugačija raspodela istog budžeta.

Serviranje multimodalnog modela znači plaćanje vizuelnog tornja i projektora pored dekodera — pri fiksnom cilju troška, to je kapacitet koji nije potrošen na sam jezički model. Pro sve troši na tekst: veći temelj sa više prostora za dugo pisanje, prošireno rezonovanje i kod. MiMo-V2.5 deo toga troši na vid.

Pravilo odluke tiče se dakle vaših ulaza, a ne vaših ambicija. Ako bilo koji zahtev može da sadrži snimak ekrana, skeniranu stranu, grafikon, dijagram ili fotografiju, potreban vam je MiMo-V2.5 — Pro će odbiti taj blok sadržaja. Ako je svaki zahtev tekst, a vi ste posegli za vizuelnim modelom iz navike, ostavljate kvalitet temelja na stolu ni za šta: uzmite MiMo-V2.5-Pro po istoj ceni.

Obrazac vredan krađe: rutirajte po tipu sadržaja. Sve sa delom koji je slika ide na MiMo-V2.5-W8A16, sve ostalo na MiMo-V2.5-Pro-W8A16. Ista porodica, ista cena, isti budžet konteksta — ruter je trivijalan i nema modela troškova koji treba usklađivati.

07Šta „razumevanje slika bez cenzure“ zaista znači

Ispred ovog modela nema sloja odbijanja, niti filtera sadržaja na njegovom izlazu. To je odluka o proizvodu sa određenom posledicom za vizuelni posao: model opisuje šta je u kadru umesto da odbija na osnovu teme.

To je bitno zato što su filtrirani vizuelni API-ji strukturno nepodesni za čitavu kategoriju legitimnog posla. Cevovod za moderaciju mora da pogleda materijal koji moderira i kaže šta je to; klasifikator koji odbija da pregleda ono što klasifikuje nije klasifikator. Isto važi za dugačak spisak stvarnih poslova:

• Alati za poverenje i bezbednost — označavanje upravo onih slika koje mejnstrim API neće da obradi, a to su slike kojima je označavanje najpotrebnije.
• Medicinske, forenzičke i saobraćajne slike — kliničke fotografije, snimci povreda i lica mesta koje generički filteri odbijaju kao grafičke bez obzira na to ko pita.
• Bezbednosna istraživanja — čitanje fišing stranica, zlonamernih interfejsa i zabeleženih ekrana bez da model preza od same premise.
• Klasifikacija sadržaja za odrasle i arhivsko katalogizovanje — cevovodi koji postoje da bi identifikovali materijal i ne mogu da poveravaju samo gledanje drugome, plus istorijske zbirke koje filteri tretiraju kao neoznačive.

Uklanjanje sloja odbijanja uklanja inženjersku prepreku, a ne pravnu. Shannon AI vodi Shannon Lab LLC iz Nju Meksika, SAD, a korišćenje API-ja podleže našoj Politici odgovorne upotrebe. Nefiltriran izlaz je sposobnost, a ne propusnica.

08Pozivanje: endpointi, unos slika i gde se uklapa

Model je MiMo-V2.5-W8A16, dostupan na tri dijalekta zahteva nad istim težinama, pa zadržavate onaj SDK koji već imate:

• /v1/chat/completions — kompatibilno sa OpenAI. Slike ulaze kao delovi sadržaja image_url, bilo kao https adresa bilo kao base64 data URI.
• /v1/messages — kompatibilno sa Anthropic. Slike ulaze kao blokovi sadržaja image.
• /v1/responses — dijalekat u Responses stilu.

Striming i pozivanje alata rade na sva tri, pa model može da pogleda snimak ekrana i u istom potezu pozove funkciju o onome što je video. Pune šeme zahteva i odgovora su u API dokumentaciji, gde se nalazi i igralište u koje možete nalepiti sliku pre nego što napišete i red koda.

MiMo-V2.5 podržava strogu json_schema i response_format — razliku između demonstracije i cevovoda. Dajte mu račun i šemu sa tipiziranim poljima za prodavca, datum, stavke i ukupan iznos, i dobijate objekat koji vaš kod može da proveri umesto pasusa koji morate da čistite regularnim izrazima. Dva od dvanaest modela u ovom katalogu nemaju punu podršku za strukturirani izlaz; ovaj je ima, i zato radi kao servis za ekstrakciju velikog obima.

Prozor konteksta je 262,144 tokena; generisani izlaz ograničen je na 16,384 tokena po zahtevu. Slike troše ulazne tokene srazmerno rezoluciji, pa skenovi strana visoke rezolucije jedu kontekst daleko brže od iste količine teksta u rečima. Delite duge dokumente po stranama umesto da učitavate sken od 300 strana u jednom zahtevu, i shvatite gornju granicu izlaza kao stvarno ograničenje iscrpne ekstrakcije — gustu tabelu delite po opsezima redova umesto da dobijete odsečen odgovor.

Točkić reasoning_effort ovde ima stvarnu polugu, s obzirom na poreklo porodice. Spustite ga za klasifikaciju velikog obima, gde je odgovor oznaka a tokeni razmišljanja čist trošak; podignite ga za tumačenje grafikona, vizuelnu matematiku i rezonovanje nad dijagramima, gde model mora da spoji nekoliko stvari koje vidi pre nego što odgovori.

Gde se uklapa, a gde ne

Dobro se uklapa. Ekstrakcija iz dokumenata i računa u velikom obimu; posao blizak OCR-u na nesavršenim skenovima; čitanje grafikona, komandnih tabli i tabela; razumevanje snimaka ekrana i uzemljenje u interfejsima; označavanje kataloga i vizuelna pitanja i odgovori; cevovodi za moderaciju — svaki multimodalni zadatak gde trošak po pozivu steže, a preciznost u sitnim detaljima je ono čega ne želite da se odreknete.

Loše se uklapa. Multimodalno rezonovanje vrhunske težine kome treba najjači model bez obzira na cenu — to je posao za Kimi-K3, i on s razlogom košta skoro deset puta više. Generisanje samo teksta, gde MiMo-V2.5-Pro daje bolji temelj po istoj ceni. Posao koji se oslanja na enciklopedijsko znanje o svetu, gde veliki redak temelj pretiče kompaktan gust. I sve što traži više od 262K konteksta, što ovde ne nudi nijedan model.

09Često postavljana pitanja

---

Izvori: MiMo tehnički izveštaj (arXiv 2505.07608) · MiMo-VL tehnički izveštaj (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Sve brojke sa merila prijavio je Xiaomi za izdate kontrolne tačke imenovane iznad i one opisuju lozu porodice, a ne tačnu verziju na ovom endpointu. Cene, kontekst i oznake sposobnosti su vrednosti iz cenovnika Shannon AI gejtveja, septembar 2026.