Ocensurerat MiMo-vision-API
Den enda modellen i vår katalog som kombinerar 8-bitars viktprecision med bildförståelse — och den kostar exakt vad de textbaserade golvmodellerna kostar: $0.50 in / $2.00 ut per miljon tokens.
Sammanfattning
MiMo-V2.5-W8A16 är den bildkapabla medlemmen av MiMo-paret på Shannon AI Gateway, härstammande från Xiaomis MiMo-linje — en resonemangsfokuserad språkmodell med ett vision-torn ympat på sig — och serverad i W8A16, vår kvantiseringsnivå med högst trohet, på vårt eget GPU-kluster. Kontext på 262 144 tokens, max 16 384 utdatatokens, verktygsanrop, strikt JSON-schema, strömning och en ratt för reasoning_effort. Inget vägranslager, inget utdatafilter. Den delar förstaplatsen med MiniMax-M3 som billigaste vision i uppsättningen och slår den på precision.
Billiga multimodala slutpunkter är billiga för att något skurits bort, och det som skärs bort är oftast den del du inte kan se: vikterna kläms ner till tre eller fyra bitar, och modellen svarar fortfarande självsäkert om ett diagram den inte längre faktiskt kan läsa. MiMo-V2.5 är motexemplet i vår katalog — på prisgolvet och på den högsta precisionsnivån samtidigt, eftersom grundmodellen den härstammar från byggdes liten och tät snarare än enorm och gles.
01Var MiMo kommer ifrån: först en resonemangsmodell, sedan en bildmodell
MiMo-linjen är Xiaomis forskningsprogram med öppna vikter, och dess grundargument är omodernt: resonemangsförmågan sätts under förträningen, den skruvas inte på i efterhand med RL. Arbetet är till största delen dataingenjörskonst — Xiaomi byggde om textextraktion och filtrering för att höja tätheten av resonemangsmönster i korpusen, genererade syntetiska resonemangsdata i stor skala och förtränade MiMo-7B-Base på ungefär 25 biljoner tokens under en blandning i tre steg, med Multiple-Token Prediction som ett hjälpmål som vid inferens dubblerar som spekulativ avkodare (acceptansgrad nära 90 %, enligt Xiaomi).
Efterträningen är medvetet sträng: 130 000 matte- och kodproblem med enbart regelbaserade träffsäkerhetsbelöningar, ingen inlärd belöningsmodell, med resonemanget att en neural belöningsmodell är en yta som går att hacka. Verifierbara belöningar går inte att prata omkull. MiMo-7B-RL noterar siffror ur proportion till sin storlek — Xiaomi rapporterar 68,2 % på AIME 2024, 95,8 % på MATH-500 och 57,8 % på LiveCodeBench v5 vid pass@1, i nivå med OpenAI:s o1-mini. Det är formen på modellen du anropar: kompakt, tätt tränad, inställd på att arbeta sig igenom ett problem snarare än att minnas ett svar — och det temperamentet överlever in i de multimodala ättlingarna.
02Hur MiMo lärde sig se: arkitekturen i MiMo-VL
MiMo-VL är vision-språk-grenen, och dess konstruktion är lärorik. Xiaomi satte ihop tre delar: en ViT-kodare i nativ upplösning som bevarar fina detaljer i stället för att tvinga varje bild genom ett fast lågupplöst rutnät, en slumpmässigt initierad MLP-projektor in i språkmodellens latenta rum, och — avgörande — MiMo-resonemangsryggraden som språkmodell. Vision-systemet ärver en avkodare som redan är bra på tänkande i flera steg snarare än en som bara är bra på bildtexter.
Träningen kördes i fyra förträningssteg — uppvärmning av projektorn, vision-språk-inriktning, allmän multimodal förträning, SFT i lång kontext — över ungefär 2,4 biljoner tokens, följt av Mixed On-policy Reinforcement Learning (MORL), som viker in perceptionsträffsäkerhet, precision i visuell förankring, resonemangskorrekthet och mänskliga preferenser/AI-preferenser i en enda on-policy-slinga. Rapporten är uppriktig med att det är instabilt att optimera allt det samtidigt — en ärligare inramning än de flesta multimodala artiklar erbjuder.
De publicerade resultaten är starka för parameterantalet. Xiaomi rapporterar att MiMo-VL-7B-RL slår Qwen2.5-VL-7B på 35 av 40 uppgifter, 59,4 på OlympiadBench (över modeller upp till 78B) och 56,1 på OSWorld-G för GUI-förankring, före specialbyggda gränssnittsagenter. Den senare uppdateringen 2508 förde MMMU förbi 70 för första gången i serien (70,6), nådde 94,4 på ChartQA, 92,5 på ScreenSpot-v2 och 70,8 på VideoMME, och lade till en strömbrytare för tänkande så att resonemangsspår kan stängas av per förfrågan.
En anmärkning om versionspåståenden
Varje siffra ovan är Xiaomis eget publicerade tal för en specifik släppt kontrollpunkt, länkad i källblocket nedan. Vår katalogpost är en senare punkt i det släktet. Vi beskriver var modellen kommer ifrån och vad familjen är byggd för att göra — vi påstår inte att exakt de resultaten överförs till den build du anropar. Testa din egen arbetslast; det är vad prisgolvet är till för.
03Vad W8A16 betyder, och varför det spelar större roll för bild än för text
Varje modell på gatewayen bär ett kvantiseringssuffix. Det är ingen dekoration — det talar om vad som byttes bort för att göra modellen serverbar.
| Suffix | Vad det är | Varför det används |
|---|---|---|
| 3BIT-REAP | 3-bitars vikter plus REAP, en metod för expertbeskärning som tar bort sällan dirigerade experter ur en MoE-modell före kvantiseringen | Enda sättet att få plats med och servera de allra största grundmodellerna med rimlig hastighet |
| W4A16-AUTOROUND-REAP | 4-bitars vikter, 16-bitars aktiveringar, kvantiserade med AutoRound — inlärd avrundning som återvinner träffsäkerhet jämfört med naiv avrundning till närmaste — plus REAP-beskärning | Mellanväg för stora grundmodeller som inte behöver extrem komprimering |
| W8A16 | 8-bitars vikter, 16-bitars aktiveringar — den nivå med högst trohet vi serverar | Används där grundmodellen är liten nog att aggressiv komprimering är onödig |
MiMo-V2.5 förtjänar den tredje raden genom att vara kompakt: en tät grundmodell i den här klassen behöver inte klämmas ner till tre bitar för att få plats, så du har råd att behålla åtta, och vikterna du samplar från förblir nära dem som tränades. Det spelar oproportionerligt stor roll för bildarbete, av ett strukturellt skäl. I en avkodare som bara hanterar text blir en inbäddning som driver under kvantiseringen omkontextualiserad av dussintals senare attention-lager — många chanser att återhämta sig. En vision-stapel har ingen sådan slack: visuell information passerar genom en enda kodare och en enda smal projektor innan den når avkodaren, och allt nedströms betingas av vad den flaskhalsen producerade. Finkornig signal — 3 mot 8 i en lågkontrastskanning, exakt vilken pixel en stapel slutar på i en diagramaxel, gränsen för ett gränssnittselement du ombeds klicka på — bor i viktdetaljerna med låg magnitud som aggressiv kvantisering kastar bort först.
En 3-bitars bildmodell misslyckas inte högljutt; den misslyckas tyst, och producerar en flytande beskrivning av ett dokument med två siffror omkastade i summan. Högre viktprecision är den billigaste försäkringen mot det felet, och här är den gratis — du betalar golvpriset hur som helst.
04Golvpriset, i sitt sammanhang
Fyra modeller i vår katalog med tolv modeller ligger på prisgolvet $0.50 indata / $2.00 utdata per miljon tokens. Bara en av dem tar emot bilder. Så här ligger de bildkapabla modellerna på utdatakostnad, det tal som dominerar de flesta verkliga räkningar:
Utdatapris i USD per 1M tokens, listpriser för Shannon AI Gateway, september 2026. Stapellängden är relativ till den dyraste bildmodellen i katalogen.
Mot Kimi-K3 — takmodellen för bild, och en genuint starkare sådan — är MiMo-V2.5 ungefär 9,6× billigare på utdata och 7,7× billigare på indata. Det är inget påstående om likvärdighet; det är ett argument om arbetslastens form. Vid hundratusen bilder i månaden är takmodellen inte överkomlig men golvmodellen är det, och den ärliga frågan är om golvmodellen klarar din träffsäkerhetsribba — inte om den vinner en benchmark.
05MiMo-V2.5 mot MiniMax-M3: de två billiga bildmodellerna, ärligt jämförda
De två ligger exakt lika på pris, kontext och slutpunktsyta. De är inte utbytbara: kvantiseringsnivån är en indikator på två olika satsningar om vad som gör en bildmodell användbar.
| MiMo-V2.5 · W8A16 | MiniMax-M3 · 3BIT-REAP | |
|---|---|---|
| Indata / utdata per 1M | $0.50 / $2.00 | $0.50 / $2.00 |
| Viktprecision | 8-bitars | 3-bitars + expertbeskärning |
| Grundmodellens storlek | Kompakt, tät | Stor, gles MoE |
| Vision | Ja | Ja |
| Kontextfönster | 262 144 | 262 144 |
| Schema · verktyg · strömning | Ja | Ja |
Välj MiMo-V2.5 när bilden är den svåra delen: tät OCR på ofullkomliga skanningar, numerisk extraktion ur diagram och tabeller, förankring i skärmbilder och gränssnitt, läsning av liten text, att skilja nästan identiska produktfoton åt — allt där en omkastad siffra är en defekt snarare än en kosmetisk skönhetsfläck. Du vill ha den väg från pixlar till tokens som har högst trohet, och 8-bitars vikter är hur du får den till det här priset.
Välj MiniMax-M3 när bilden är den lätta delen. En stor gles grundmodell komprimerad till 3 bitar rymmer fortfarande mer världskunskap och resonemangsbredd än en kompakt tät modell kan, även efter beskärning. Om uppgiften är ”titta på det här fotot och resonera utförligt om vad det innebär”, eller om bilden är en indata i en till större delen textbaserad konversation, är den större grundmodellen det bättre instrumentet — den visuella skärpa du bytte bort var inte den bindande begränsningen.
06MiMo-V2.5 mot MiMo-V2.5-Pro: systermodellen som bytte ögon mot djup
Det här är jämförelsen som genererar flest supportärenden, så det är värt att vara rakt på sak. MiMo-V2.5-Pro-W8A16 och MiMo-V2.5-W8A16 delar pris, kontextfönster, precisionsnivå och familjenamn. Pro tar inte emot bilder. Den är inte en supermängd. Den är en annan fördelning av samma budget.
Att servera en multimodal modell betyder att man betalar för ett vision-torn och en projektor vid sidan av avkodaren — vid ett fast kostnadsmål är det kapacitet som inte läggs på själva språkmodellen. Pro lägger allt på text: en större grundmodell med mer utrymme för långt skrivande, utsträckt resonemang och kod. MiMo-V2.5 lägger en del av det på synen.
Så beslutsregeln handlar om dina indata, inte om dina ambitioner. Om någon förfrågan kan innehålla en skärmbild, en skannad sida, ett diagram, en skiss eller ett fotografi behöver du MiMo-V2.5 — Pro kommer att avvisa innehållsblocket. Om varje förfrågan är text och du grep efter bildmodellen av vana lämnar du grundmodellskvalitet på bordet i onödan: ta MiMo-V2.5-Pro till identiskt pris.
Ett mönster värt att stjäla: dirigera efter innehållstyp. Allt med en bilddel går till MiMo-V2.5-W8A16, allt annat till MiMo-V2.5-Pro-W8A16. Samma familj, samma pris, samma kontextbudget — routern är trivial och det finns ingen kostnadsmodell att jämka ihop.
07Vad ”ocensurerad bildförståelse” faktiskt betyder
Det finns inget vägranslager framför den här modellen och inget innehållsfilter på dess utdata. Det är ett produktbeslut med en specifik konsekvens för bildarbete: modellen beskriver vad som finns i bilden i stället för att avböja utifrån ämnet.
Det spelar roll eftersom filtrerade bild-API:er strukturellt är olämpliga för en hel kategori av legitimt arbete. En moderationspipeline måste titta på materialet den modererar och säga vad det är; en klassificerare som vägrar granska det den klassificerar är ingen klassificerare. Detsamma gäller för en lång rad verkliga jobb:
- Verktyg för trygghet och säkerhet — att märka precis de bilder ett vanligt API inte vill bearbeta, vilket är de bilder som mest behöver märkas.
- Medicinska, forensiska och olycksrelaterade bilder — klinisk fotografering, skadedokumentation och platsbilder som generiska filter avvisar som grafiska oavsett vem som frågar.
- Säkerhetsforskning — att läsa nätfiskesidor, skadliga gränssnitt och infångade skärmar utan att modellen bråkar om premissen.
- Klassificering av vuxeninnehåll och arkivkatalogisering — pipelines som finns till för att identifiera material och inte kan lägga ut själva tittandet, plus historiska samlingar som filter behandlar som omärkbara.
Att ta bort vägranslagret tar bort ett tekniskt hinder, inte ett juridiskt. Shannon AI drivs av Shannon Lab LLC i New Mexico, USA, och användningen av API:et styrs av vår policy för ansvarsfull användning. Ofiltrerad utdata är en förmåga, inte ett tillståndsbevis.
08Att anropa den: slutpunkter, bildindata och var den passar in
Modellen är MiMo-V2.5-W8A16, nåbar på tre förfrågningsdialekter mot samma vikter, så du behåller det SDK du redan har:
/v1/chat/completions— OpenAI-kompatibel. Bilder går in som innehållsdelar av typenimage_url, antingen som en https-URL eller en base64-data-URI./v1/messages— Anthropic-kompatibel. Bilder går in som innehållsblock av typenimage./v1/responses— dialekten i Responses-stil.
Strömning och verktygsanrop fungerar på alla tre, så modellen kan titta på en skärmbild och anropa en funktion om det den såg i samma tur. Fullständiga scheman för förfrågan och svar finns i API-dokumentationen, som också har en playground där du kan klistra in en bild innan du skriver någon kod.
MiMo-V2.5 stöder strikt json_schema och response_format — skillnaden mellan en demo och en pipeline. Ge den ett kvitto plus ett schema med typade fält för leverantör, datum, rader och summa, så får du tillbaka ett objekt din kod kan validera i stället för ett stycke du måste regex:a. Två av de tolv modellerna i den här katalogen saknar fullt stöd för strukturerad utdata; den här gör inte det, och det är därför den fungerar som en extraktionstjänst i stor volym.
Kontextfönstret är 262 144 tokens; genererad utdata är begränsad till 16 384 tokens per förfrågan. Bilder förbrukar indatatokens som en funktion av upplösningen, så högupplösta sidskanningar äter kontext långt snabbare än ett motsvarande antal ord text. Sidindela långa dokument i stället för att ladda en skanning på 300 sidor i en enda förfrågan, och behandla utdatataket som en verklig begränsning på uttömmande extraktion — dela täta tabeller efter radintervall i stället för att få ett avkortat svar.
Ratten reasoning_effort har verklig hävstång här med tanke på familjens stamtavla. Vrid ner den för klassificering i stor volym, där svaret är en etikett och tänkandetokens är ren kostnad; vrid upp den för diagramtolkning, visuell matematik och resonemang om skisser, där modellen måste kombinera flera saker den ser innan den kan svara.
Var den passar in, och var den inte gör det
Bra passform. Extraktion av dokument och kvitton i stor volym; OCR-närliggande arbete på ofullkomliga skanningar; läsning av diagram, instrumentpaneler och tabeller; förståelse av skärmbilder och förankring i gränssnitt; katalogmärkning och visuell frågebesvaring; moderationspipelines — varje multimodal uppgift där kostnaden per anrop är begränsande och precision i fina detaljer är det du vägrar ge upp.
Dålig passform. Multimodalt resonemang på frontnivå som kräver den starkaste modellen oavsett pris — Kimi-K3:s jobb, och den kostar nästan tio gånger så mycket av en anledning. Ren textgenerering, där MiMo-V2.5-Pro ger en bättre grundmodell till samma pris. Arbete som lutar sig mot encyklopedisk världskunskap, där en stor gles grundmodell springer om en kompakt tät. Och allt som behöver mer än 262K kontext, vilket ingen modell här erbjuder.
Varje publicerad siffra ovan är Xiaomis egen, för en namngiven kontrollpunkt i MiMo- och MiMo-VL-serierna. Läs primärmaterialet snarare än vår sammanfattning av det.
09Vanliga frågor
Vad är det ocensurerade MiMo-vision-API:et?
Det är modellen MiMo-V2.5 W8A16 på Shannon AI Gateway: en bildkapabel modell i Xiaomis MiMo-släkte, serverad på vårt eget GPU-kluster med 8-bitars viktprecision, en kontext på 262 144 tokens och inget vägranslager eller utdatafilter. Den tar emot bilder och text på /v1/chat/completions, /v1/messages och /v1/responses för $0.50 per miljon indatatokens och $2.00 per miljon utdatatokens.
Vilken är den billigaste ocensurerade modellen som faktiskt kan se bilder?
Två ligger lika på golvpriset $0.50 indata / $2.00 utdata per miljon tokens: MiMo-V2.5 W8A16 och MiniMax-M3 3BIT-REAP. MiMo-V2.5 är den med högst precision av de två med 8-bitars vikter, det säkrare standardvalet för detaljkänsligt bildarbete. MiniMax-M3 kör en mycket större grundmodell komprimerad till 3 bitar, vilket gynnar bredden i världskunskap framför trohet på pixelnivå.
Vad betyder W8A16 och varför spelar det roll för bild?
W8A16 betyder 8-bitars vikter med 16-bitars aktiveringar, nivån med högst trohet i Shannons katalog, använd där grundmodellen är liten nog att aggressiv komprimering är onödig. Det spelar roll för bild eftersom ett vision-torn och dess projektor bär finkorniga detaljer genom en smal väg, och fel som införs där går inte att återvinna senare på det sätt som en något suddig textinbäddning ofta gör.
Hur skiljer sig MiMo-V2.5 från MiMo-V2.5-Pro?
Samma pris, samma kontext på 262 144 tokens, samma W8A16-nivå, men inte samma modell. MiMo-V2.5 tar emot bilder; MiMo-V2.5-Pro gör det inte, utan lägger den serveringsbudgeten på en större textgrundmodell i stället. Använd MiMo-V2.5 när indata omfattar skärmbilder, dokument, diagram eller fotografier; använd Pro för rent textarbete till identiskt pris.
Stöder den ocensurerade MiMo-vision-modellen JSON-schema och verktygsanrop?
Ja. MiMo-V2.5 W8A16 stöder strikt strukturerad utdata med json_schema, response_format, verktygsanrop, strömning och en styrning med reasoning_effort. Det är det som gör den användbar som extraktionsbackend: ge den en bild och få tillbaka ett validerat objekt i stället för prosa du måste tolka.
Skicka en bild till den
8-bitars vision, 262K kontext, inget vägranslager — till priset av en modell som bara hanterar text.
Läs API-dokumentationen Bläddra bland alla 12 modellerModell-id: MiMo-V2.5-W8A16 · styrs av vår policy för ansvarsfull användning
Källor: Teknisk MiMo-rapport (arXiv 2505.07608) · Teknisk MiMo-VL-rapport (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Alla benchmarksiffror är rapporterade av Xiaomi för de släppta kontrollpunkter som namnges ovan och beskriver familjens släktled, inte den exakta build som körs på den här slutpunkten. Priser, kontext och förmågeflaggor är listvärden för Shannon AI Gateway, september 2026.