API ya Uoni ya MiMo bila udhibiti

Ncha nafuu za njia nyingi ni nafuu kwa sababu kitu kilikatwa, na kinachokatwa kwa kawaida ni sehemu usiyoiona: uzani unabanwa hadi biti tatu au nne, na modeli bado inajibu kwa ujasiri kuhusu chati ambayo haiwezi tena kuisoma kweli. MiMo-V2.5 ni kivumbi ndani ya katalogi yetu — iko kwenye sakafu ya bei na kwenye daraja la juu la usahihi kwa wakati mmoja, kwa sababu msingi inaotokana nao ulijengwa mdogo na mnene badala ya mkubwa sana na mwembamba.

01MiMo inatoka wapi: modeli ya hoja kwanza, modeli ya uoni pili

Mstari wa MiMo ni mpango wa utafiti wa uzani wazi wa Xiaomi, na hoja yake ya msingi haipendwi: uwezo wa hoja unapangwa wakati wa mafunzo ya awali, si kuambatishwa baadaye kwa RL. Kazi kwa kiasi kikubwa ni uhandisi wa data — Xiaomi ilijenga upya uchukuaji na uchujaji wa maandishi ili kuinua msongamano wa michoro ya hoja ndani ya kundi la data, ilizalisha data bandia ya hoja kwa kiwango kikubwa, na ikafunza awali MiMo-7B-Base kwenye takriban tokeni trilioni 25 chini ya mchanganyiko wa awamu tatu, ikiwa na Multiple-Token Prediction kama lengo saidizi linalofanya kazi pia wakati wa uendeshaji kama kisimbuzi cha kubahatisha (kiwango cha kukubalika karibu 90%, kwa mujibu wa Xiaomi).

Mafunzo ya baadaye ni ya kubana kwa makusudi: matatizo 130,000 ya hesabu na msimbo yenye zawadi za usahihi zinazotegemea kanuni pekee, hakuna modeli ya zawadi iliyojifunzwa, kwa hoja kwamba modeli ya zawadi ya neva ni uso wa kudukuliwa. Zawadi zinazothibitishika haziwezi kubembelezwa. MiMo-7B-RL inatoa namba zisizolingana na ukubwa wake — Xiaomi inaripoti 68.2% kwenye AIME 2024, 95.8% kwenye MATH-500, 57.8% kwenye LiveCodeBench v5 kwa pass@1, ikilingana na o1-mini ya OpenAI. Hilo ndilo umbo la modeli unayoiita: fupi, iliyofunzwa kwa msongamano, iliyorekebishwa kupitia tatizo badala ya kukumbuka jibu — na tabia hiyo inaendelea hadi kwenye vizazi vya njia nyingi.

02Jinsi MiMo ilivyojifunza kuona: muundo wa MiMo-VL

MiMo-VL ni tawi la lugha na uoni, na ujenzi wake unafundisha. Xiaomi iliunganisha sehemu tatu: kisimbaji cha ViT cha mwonekano wa asili kinachohifadhi undani mwembamba badala ya kulazimisha kila picha ipite kwenye gridi iliyowekwa ya mwonekano mdogo, kitupaji cha MLP kilichoanzishwa kwa nasibu kuingia ndani ya nafasi fiche ya modeli ya lugha, na — muhimu zaidi — uti wa mgongo wa hoja wa MiMo kama modeli ya lugha. Mfumo wa uoni unarithi kisimbuzi ambacho tayari ni kizuri kwa kufikiri kwa hatua nyingi badala ya kile kilicho kizuri kwa kuandika maelezo tu.

Mafunzo yaliendeshwa katika awamu nne za mafunzo ya awali — kupasha kitupaji, kupatanisha lugha na uoni, mafunzo ya awali ya jumla ya njia nyingi, SFT ya muktadha mrefu — katika takriban tokeni trilioni 2.4, kisha Mixed On-policy Reinforcement Learning (MORL), ikikunja usahihi wa utambuzi, usahihi wa kutia nanga kwa kuona, usahihi wa hoja, na mapendeleo ya binadamu/AI ndani ya mzunguko mmoja wa sera hai. Ripoti ni ya wazi kwamba kuboresha yote hayo kwa wakati mmoja hakuna utulivu — mtazamo wa kweli zaidi kuliko karatasi nyingi za njia nyingi zinavyotoa.

Matokeo yaliyochapishwa ni imara kwa idadi ya vigezo. Xiaomi inaripoti MiMo-VL-7B-RL ikiipita Qwen2.5-VL-7B kwenye kazi 35 kati ya 40, 59.4 kwenye OlympiadBench (juu ya modeli hadi 78B), na 56.1 kwenye OSWorld-G kwa kutia nanga kwa kiolesura, mbele ya mawakala wa violesura waliojengwa mahususi. Toleo jipya la 2508 lilisukuma MMMU kupita 70 kwa mara ya kwanza ndani ya mfululizo (70.6), lilifikia 94.4 kwenye ChartQA, 92.5 kwenye ScreenSpot-v2 na 70.8 kwenye VideoMME, na liliongeza kigeuzi cha kudhibiti kufikiri ili nyayo za hoja ziweze kuzimwa kwa kila ombi.

03W8A16 inamaanisha nini, na kwa nini inahusu zaidi kwa uoni kuliko kwa maandishi

Kila modeli kwenye lango inabeba kiambishi cha mbano. Si pambo — kinakuambia kilichobadilishwa ili modeli iweze kuhudumiwa.

Kiambishi	Ni nini	Kwa nini kinatumika
3BIT-REAP	Uzani wa biti 3 pamoja na REAP, mbinu ya upogoaji wa wataalamu inayoondoa wataalamu wanaoelekezewa mara chache kutoka modeli ya MoE kabla ya kubana	Njia pekee ya kutosheza na kuhudumia misingi mikubwa kuliko yote kwa kasi ya kiakili
W4A16-AUTOROUND-REAP	Uzani wa biti 4, uwashaji wa biti 16, uliobanwa kwa AutoRound — mviringisho uliojifunza unaorejesha usahihi juu ya mviringisho rahisi wa karibu zaidi — pamoja na upogoaji wa REAP	Uwanja wa kati kwa misingi mikubwa isiyohitaji mbano uliokithiri
W8A16	Uzani wa biti 8, uwashaji wa biti 16 — daraja lenye uaminifu wa juu kuliko yote tunalolihudumia	Linatumika pale msingi ulipo mdogo kiasi kwamba mbano mkali hauhitajiki

MiMo-V2.5 inastahili safu ya tatu kwa kuwa fupi: msingi mnene ndani ya daraja hili hauhitaji kupondwa hadi biti tatu ili utoshee, hivyo unaweza kumudu kubakiza nane, na uzani unaochukua sampuli kutoka kwake unabaki karibu na ule uliofunzwa. Hilo linahusu kwa uwiano usio sawa kwa kazi ya picha, kwa sababu ya kimuundo. Ndani ya kisimbuzi cha maandishi pekee, upachikaji unaopotea chini ya mbano unarudishwa kwenye muktadha na tabaka kadhaa za attention za baadaye — nafasi nyingi za kupona. Rundo la uoni halina nafasi hiyo ya ziada: taarifa ya kuona inapita kwenye kisimbaji kimoja na kitupaji kimoja chembamba kabla haijafika kwenye kisimbuzi, na kila kitu cha chini kinawekewa masharti na kile kizuizi hicho kilichokitoa. Ishara ya daraja jembamba — 3 dhidi ya 8 ndani ya skani yenye utofautishaji mdogo, pikseli halisi ambapo mstari unaishia kwenye mhimili wa chati, mpaka wa kipengele cha kiolesura unaoambiwa ukibonyeze — inaishi ndani ya undani wa uzani wa ukubwa mdogo ambao mbano mkali unautupa kwanza.

Modeli ya uoni ya biti 3 haishindwi kwa sauti; inashindwa kimyakimya, ikizalisha maelezo laini ya hati yenye tarakimu mbili zilizobadilishana ndani ya jumla. Usahihi wa juu zaidi wa uzani ndiyo bima nafuu kuliko zote dhidi ya kushindwa huko, na hapa ni ya bure — unalipa bei ya sakafu vyovyote vile.

04Bei ya sakafu, ndani ya muktadha

Modeli nne ndani ya katalogi yetu ya modeli kumi na mbili zinakaa kwenye sakafu ya bei ya $0.50 ingizo / $2.00 matokeo kwa tokeni milioni. Moja tu kati yake inapokea picha. Hapa ndipo modeli zenye uwezo wa uoni zinapoangukia kwenye gharama ya matokeo, namba inayotawala ankara nyingi halisi:

Bei ya matokeo kwa USD kwa tokeni 1M, viwango vya orodha vya Lango la Shannon AI, Septemba 2026. Urefu wa mstari ni linganishi na modeli ya uoni ghali kuliko zote ndani ya katalogi.

Dhidi ya Kimi-K3 — modeli ya uoni ya dari, na imara zaidi kwa kweli — MiMo-V2.5 ni takriban nafuu mara 9.6 kwenye matokeo na nafuu mara 7.7 kwenye ingizo. Hilo si dai la kufanana; ni hoja kuhusu umbo la mzigo wa kazi. Kwa picha laki moja kwa mwezi, modeli ya dari haimudiki na modeli ya sakafu inamudika, na swali la kweli ni kama modeli ya sakafu inavuka kizingiti chako cha usahihi — si kama inashinda kipimo.

05MiMo-V2.5 dhidi ya MiniMax-M3: modeli mbili nafuu za uoni, zikilinganishwa kwa ukweli

Hizi mbili zinalingana hasa kwa bei, muktadha, na uso wa ncha. Haziwezi kubadilishana: daraja la mbano ni ishara ya madau mawili tofauti kuhusu kinachofanya modeli ya uoni iwe na manufaa.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Ingizo / matokeo kwa 1M	$0.50 / $2.00	$0.50 / $2.00
Usahihi wa uzani	biti 8	biti 3 + upogoaji wa wataalamu
Ukubwa wa msingi	Fupi, mnene	Mkubwa, MoE nyembamba
Uoni	Ndiyo	Ndiyo
Dirisha la muktadha	262,144	262,144
Muundo · zana · utiririshaji	Ndiyo	Ndiyo

Chagua MiMo-V2.5 pale picha ndipo sehemu ngumu ilipo: OCR nzito kwenye skani zisizo kamili, uchukuaji wa nambari kutoka chati na majedwali, kutia nanga kwa picha za skrini na violesura, kusoma maandishi madogo, kutofautisha picha za bidhaa zinazokaribia kufanana — chochote ambapo tarakimu iliyobadilishwa ni kasoro badala ya doa la kimapambo. Unataka njia yenye uaminifu wa juu kuliko zote kutoka pikseli hadi tokeni, na uzani wa biti 8 ndiyo jinsi unavyoipata kwa bei hii.

Chagua MiniMax-M3 pale picha ndipo sehemu rahisi ilipo. Msingi mkubwa mwembamba uliobanwa hadi biti 3 bado unashikilia maarifa mengi zaidi ya dunia na upana wa hoja kuliko modeli fupi mnene inavyoweza, hata baada ya upogoaji. Kama kazi ni "tazama picha hii na ufikirie kwa urefu kuhusu inamaanisha nini," au picha ni ingizo moja ndani ya mazungumzo yaliyo mengi ya maandishi, msingi mkubwa zaidi ndicho chombo bora — ukali wa kuona ulioubadilisha haukuwa kizuizi kinachobana.

06MiMo-V2.5 dhidi ya MiMo-V2.5-Pro: ndugu aliyebadilisha macho kwa kina

Huu ndio ulinganisho unaozalisha tiketi nyingi kuliko zote za msaada, hivyo inafaa kuwa wa moja kwa moja. MiMo-V2.5-Pro-W8A16 na MiMo-V2.5-W8A16 zinashiriki bei, dirisha la muktadha, daraja la usahihi, na jina la familia. Pro haipokei picha. Si seti kubwa inayozidi. Ni ugawaji tofauti wa bajeti ileile.

Kuhudumia modeli ya njia nyingi kunamaanisha kulipia mnara wa uoni na kitupaji pamoja na kisimbuzi — kwenye lengo la gharama iliyowekwa, uwezo usiotumiwa kwenye modeli ya lugha yenyewe. Pro inautumia wote kwenye maandishi: msingi mkubwa zaidi wenye nafasi zaidi kwa uandishi wa muundo mrefu, hoja iliyopanuliwa, na msimbo. MiMo-V2.5 inatumia sehemu yake kwenye kuona.

Hivyo kanuni ya uamuzi inahusu maingizo yako, si matarajio yako. Kama ombi lolote linaweza kuwa na picha ya skrini, ukurasa uliokaniwa, chati, mchoro, au picha, unahitaji MiMo-V2.5 — Pro itakataa kitalu cha maudhui. Kama kila ombi ni maandishi na ulifikia modeli ya uoni kwa mazoea, unaacha ubora wa msingi mezani bila sababu: chukua MiMo-V2.5-Pro kwa kiwango kilekile.

Mchoro unaostahili kuigwa: elekeza kwa aina ya maudhui. Chochote chenye sehemu ya picha kinaenda kwa MiMo-V2.5-W8A16, kila kitu kingine kwa MiMo-V2.5-Pro-W8A16. Familia ileile, bei ileile, bajeti ileile ya muktadha — kielekezi ni rahisi na hakuna modeli ya gharama ya kupatanisha.

07"Uelewa wa picha bila udhibiti" unamaanisha nini hasa

Hakuna safu ya kukataa mbele ya modeli hii na hakuna kichujio cha maudhui kwenye matokeo yake. Huo ni uamuzi wa bidhaa wenye matokeo mahususi kwa kazi ya uoni: modeli inaeleza kilichomo ndani ya fremu badala ya kukataa kutokana na mada.

Hili linahusu kwa sababu API za uoni zilizochujwa hazifai kimuundo kwa kundi zima la kazi halali. Bomba la usimamizi wa maudhui lazima liangalie vifaa linavyovisimamia na liseme ni nini; kiainishi kinachokataa kuchunguza kitu kinachokiainisha si kiainishi. Vivyo hivyo katika orodha ndefu ya kazi halisi:

• Zana za uaminifu na usalama — kutia lebo hasa picha ambazo API ya kawaida haitazichakata, ambazo ndizo picha zinazohitaji kutiwa lebo zaidi.
• Picha za kimatibabu, za kiuchunguzi, na za ajali — picha za kliniki, za majeraha, na za eneo la tukio ambazo vichujio vya jumla vinazikataa kama kali bila kujali ni nani anayeuliza.
• Utafiti wa usalama — kusoma kurasa za udukuzi, violesura hasidi, na skrini zilizonaswa bila modeli kukwepa msingi wa swali.
• Uainishaji wa maudhui ya watu wazima na uorodheshaji wa kumbukumbu — mabomba yanayoishi kutambua vifaa na yasiyoweza kukabidhi kazi ya kuangalia, pamoja na makusanyo ya kihistoria ambayo vichujio vinayashughulikia kama yasiyoweza kutiwa lebo.

Kuondoa safu ya kukataa kunaondoa kizuizi cha kiuhandisi, si cha kisheria. Shannon AI inaendeshwa na Shannon Lab LLC huko New Mexico, Marekani, na matumizi ya API yanasimamiwa na Sera yetu ya Matumizi ya Kuwajibika. Matokeo yasiyochujwa ni uwezo, si kibali.

08Kuiita: ncha, ingizo la picha, na inapofaa

Modeli ni MiMo-V2.5-W8A16, inayofikika kwenye lahaja tatu za maombi dhidi ya uzani uleule, hivyo unabakiza SDK yoyote uliyonayo tayari:

• /v1/chat/completions — inayooana na OpenAI. Picha zinaingia kama sehemu za maudhui za image_url, ama kama URL ya https au URI ya data ya base64.
• /v1/messages — inayooana na Anthropic. Picha zinaingia kama vitalu vya maudhui vya image.
• /v1/responses — lahaja ya mtindo wa Responses.

Utiririshaji na kuita zana vinafanya kazi kwenye zote tatu, hivyo modeli inaweza kutazama picha ya skrini na kuita kazi kuhusu ilichokiona ndani ya zamu moja. Miundo kamili ya maombi na majibu ipo kwenye nyaraka za API, ambazo pia zinahifadhi uwanja wa majaribio unaoweza kubandika picha ndani yake kabla hujaandika msimbo wowote.

MiMo-V2.5 inaunga mkono json_schema kali na response_format — tofauti kati ya onyesho na bomba. Ipe risiti pamoja na muundo wenye uwanja wenye aina kwa muuzaji, tarehe, vipengele vya mistari, na jumla, na unapata kitu ambacho msimbo wako unaweza kukithibitisha badala ya aya inayokulazimu kutumia regex. Modeli mbili kati ya kumi na mbili ndani ya katalogi hii hazina uungwaji mkono kamili wa matokeo yenye muundo; hii inao, na ndiyo sababu inafanya kazi kama huduma ya uchukuaji ya kiasi kikubwa.

Dirisha la muktadha ni tokeni 262,144; matokeo yaliyozalishwa yamewekewa kikomo cha tokeni 16,384 kwa kila ombi. Picha zinatumia tokeni za ingizo kama kazi ya mwonekano, hivyo skani za kurasa za mwonekano wa juu zinakula muktadha haraka zaidi kuliko idadi inayolingana ya maneno ya maandishi. Gawa hati ndefu kwa kurasa badala ya kupakia skani ya kurasa 300 ndani ya ombi moja, na uchukulie kikomo cha matokeo kama kizuizi halisi kwenye uchukuaji kamili — gawa majedwali yenye msongamano kwa vipimo vya safu badala ya kupata jibu lililokatwa.

Kifundo cha reasoning_effort kina nguvu halisi hapa kutokana na asili ya familia. Kishushe kwa uainishaji wa kiasi kikubwa, ambapo jibu ni lebo na tokeni za kufikiri ni gharama tupu; kiinue kwa tafsiri ya chati, hesabu za kuona, na hoja ya michoro, ambapo modeli lazima ichanganye vitu kadhaa inavyoviona kabla haijajibu.

Inapofaa, na isipofaa

Inafaa vizuri. Uchukuaji wa hati na risiti wa kiasi kikubwa; kazi inayokaribia OCR kwenye skani zisizo kamili; kusoma chati, dashibodi, na majedwali; uelewa wa picha za skrini na kutia nanga kwa violesura; kutia lebo katalogi na maswali ya kuona; mabomba ya usimamizi wa maudhui — kazi yoyote ya njia nyingi ambapo gharama kwa kila mwito inabana na usahihi wa undani mwembamba ndicho unachokataa kukitoa.

Haifai vizuri. Hoja ya njia nyingi ya ugumu wa mstari wa mbele inayohitaji modeli imara kuliko zote bila kujali bei — kazi ya Kimi-K3, na inagharimu karibu mara kumi zaidi kwa sababu. Uzalishaji wa maandishi pekee, ambapo MiMo-V2.5-Pro inatoa msingi bora kwa kiwango kilekile. Kazi inayoegemea maarifa mapana ya dunia, ambapo msingi mkubwa mwembamba unaipita mfupi mnene. Na chochote kinachohitaji zaidi ya muktadha wa 262K, ambao hakuna modeli hapa inayoutoa.

09Maswali yanayoulizwa mara kwa mara

---

Vyanzo: ripoti ya kiufundi ya MiMo (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Namba zote za vipimo zimeripotiwa na Xiaomi kwa vituo vilivyotolewa vilivyotajwa hapo juu na zinaeleza ukoo wa familia, si ujenzi halisi ulio kwenye ncha hii. Bei, muktadha, na bendera za uwezo ni thamani za orodha za Lango la Shannon AI, Septemba 2026.