தணிக்கையற்ற MiMo பார்வை API

மலிவான பலவகை ஊடக இறுதிப்புள்ளிகள் மலிவாக இருப்பதற்குக் காரணம் ஏதோ ஒன்று வெட்டப்பட்டதே, மேலும் வெட்டப்படுவது பொதுவாக நீங்கள் பார்க்க முடியாத பகுதியே: எடைகள் மூன்று அல்லது நான்கு பிட்டுகளுக்கு நெருக்கப்பட்டு, மாதிரி இப்போது உண்மையில் படிக்க முடியாத ஒரு விளக்கப்படத்தைப் பற்றி இன்னும் நம்பிக்கையுடன் பதிலளிக்கிறது. MiMo-V2.5 எங்கள் பட்டியலில் உள்ள எதிர் எடுத்துக்காட்டு — தரைமட்ட விலையிலும் அதே நேரம் உச்ச துல்லிய அடுக்கிலும், ஏனெனில் இது வந்த அடித்தளம் மிகப் பெரிய, சிதறியதாக அல்லாமல் சிறியதாகவும் அடர்த்தியாகவும் கட்டப்பட்டது.

01MiMo எங்கிருந்து வருகிறது: முதலில் ஒரு சிந்தனை மாதிரி, பிறகு ஒரு பார்வை மாதிரி

MiMo வரிசை Xiaomi இன் திறந்த-எடை ஆய்வுத் திட்டம், மேலும் அதன் தோற்றுவாய் வாதம் நாகரீகமற்றது: சிந்திக்கும் திறன் முன்பயிற்சியின் போதே அமைக்கப்படுகிறது, பிறகு RL மூலம் பொருத்தப்படுவதில்லை. வேலை பெரும்பாலும் தரவுப் பொறியியல் — கார்பஸில் சிந்தனை வடிவங்களின் அடர்த்தியை உயர்த்த Xiaomi உரைப் பிரித்தெடுத்தலையும் வடிகட்டலையும் மறுகட்டமைத்தது, பெரிய அளவில் செயற்கை சிந்தனைத் தரவை உருவாக்கியது, மேலும் ஒரு மூன்று-கட்ட கலவையின் கீழ் MiMo-7B-Base ஐ தோராயமாக 25 டிரில்லியன் டோக்கன்களில் முன்பயிற்சி செய்தது, ஒரு துணை நோக்கமாக Multiple-Token Prediction உடன், அது அனுமானத்தின்போது ஒரு ஊக குறியீக்கியாக இரட்டிப்பாகச் செயல்படுகிறது (Xiaomi இன்படி ஏற்புகை விகிதம் 90% க்கு அருகில்).

பயிற்சிக்குப் பிந்தையது வேண்டுமென்றே எளிமையானது: 130,000 கணிதம் மற்றும் குறியீட்டுச் சிக்கல்கள், விதி-அடிப்படையிலான துல்லிய வெகுமதிகள் மட்டும், கற்றுக்கொள்ளப்பட்ட வெகுமதி மாதிரி இல்லை, ஒரு நரம்பியல் வெகுமதி மாதிரி ஹேக் செய்யக்கூடிய ஒரு பரப்பு என்ற நியாயத்தின் அடிப்படையில். சரிபார்க்கக்கூடிய வெகுமதிகளை இனிமையான வார்த்தைகளால் ஏமாற்ற முடியாது. MiMo-7B-RL தன் அளவுக்கு விகிதாசாரமற்ற எண்களைப் பதிவு செய்கிறது — Xiaomi AIME 2024 இல் 68.2% ஐயும், MATH-500 இல் 95.8% ஐயும், pass@1 இல் LiveCodeBench v5 இல் 57.8% ஐயும் அறிவிக்கிறது, OpenAI இன் o1-mini ஐ ஒப்பிடுகிறது. நீங்கள் அழைக்கும் மாதிரியின் வடிவம் அதுவே: சிறியது, அடர்த்தியாகப் பயிற்றுவிக்கப்பட்டது, ஒரு பதிலை நினைவுகூருவதை விட ஒரு சிக்கலை கடந்து செல்ல சரிசெய்யப்பட்டது — அந்தச் சுபாவம் பலவகை ஊடக வழித்தோன்றல்களுக்குள்ளும் தப்பிப்பிழைக்கிறது.

02MiMo எப்படிப் பார்க்கக் கற்றுக்கொண்டது: MiMo-VL கட்டமைப்பு

MiMo-VL என்பது பார்வை-மொழிக் கிளை, அதன் கட்டுமானம் அறிவூட்டுவது. Xiaomi மூன்று பாகங்களைக் கூட்டியது: ஒவ்வொரு படத்தையும் ஒரு நிலையான குறைந்த-தெளிவுத்திறன் கட்டத்தின் வழியாகக் கட்டாயப்படுத்துவதற்குப் பதிலாக நுண் விவரத்தைப் பாதுகாக்கும் ஒரு இயல்பான-தெளிவுத்திறன் ViT குறியாக்கி, மொழி மாதிரியின் மறைநிலை இடத்திற்குள் சீரற்று தொடங்கப்பட்ட ஒரு MLP ப்ரொஜெக்டர், மேலும் — முக்கியமாக — மொழி மாதிரியாக MiMo சிந்தனை அடிமரம். பார்வை அமைப்பு வெறும் தலைப்பிடலில் மட்டும் நல்லதாக இல்லாமல், பல-படிச் சிந்தனையில் ஏற்கெனவே நல்லதாக இருக்கும் ஒரு குறியீக்கியைப் பெறுகிறது.

பயிற்சி நான்கு முன்பயிற்சிக் கட்டங்களில் நடந்தது — ப்ரொஜெக்டர் வார்ம்அப், பார்வை-மொழி சீரமைப்பு, பொது பலவகை ஊடக முன்பயிற்சி, நீண்ட-சூழல் SFT — தோராயமாக 2.4 டிரில்லியன் டோக்கன்கள் முழுவதும், பிறகு Mixed On-policy Reinforcement Learning (MORL), உணர்தல் துல்லியம், காட்சி நிலைநிறுத்தல் துல்லியம், சிந்தனை சரியான தன்மை, மனித/AI விருப்பம் ஆகியவற்றை ஒரே on-policy சுழற்சிக்குள் மடிக்கிறது. அவற்றை அனைத்தையும் ஒரே நேரத்தில் உகப்பாக்குவது நிலையற்றது என்று அறிக்கை நேர்மையாகக் கூறுகிறது — பெரும்பாலான பலவகை ஊடகக் கட்டுரைகள் தரும் விதத்தை விட நேர்மையான ஒரு வடிவமைப்பு.

வெளியிடப்பட்ட முடிவுகள் அளபுரு எண்ணிக்கைக்கு ஏற்ப வலிமையானவை. MiMo-VL-7B-RL, Qwen2.5-VL-7B ஐ 40 பணிகளில் 35 இல் வென்றதாகவும், OlympiadBench இல் 59.4 (78B வரையிலான மாதிரிகளுக்கு மேலே) பெற்றதாகவும், GUI நிலைநிறுத்தலுக்கு OSWorld-G இல் 56.1 பெற்றதாகவும், நோக்கம்-கொண்டு-கட்டப்பட்ட இடைமுக முகவர்களுக்கு முன்னால் இருப்பதாகவும் Xiaomi அறிவிக்கிறது. பிந்தைய 2508 புதுப்பிப்பு தொடரிலேயே முதன்முறையாக MMMU ஐ 70 ஐத் தாண்டி தள்ளியது (70.6), ChartQA இல் 94.4 ஐயும், ScreenSpot-v2 இல் 92.5 ஐயும், VideoMME இல் 70.8 ஐயும் எட்டியது, மேலும் ஒரு கோரிக்கைக்கு சிந்தனைத் தடங்களை அணைக்கக்கூடிய ஒரு சிந்தனை-கட்டுப்பாட்டு நிலைமாற்றியைச் சேர்த்தது.

03W8A16 என்றால் என்ன, உரையை விடப் பார்வைக்கு அது ஏன் அதிக முக்கியம்

நுழைவாயிலில் உள்ள ஒவ்வொரு மாதிரியும் ஒரு குவாண்டைசேஷன் பின்னொட்டைச் சுமக்கிறது. இது அலங்காரம் அல்ல — மாதிரியை வழங்கக்கூடியதாக ஆக்க என்ன ஈடுசெய்யப்பட்டது என்பதை அது சொல்கிறது.

பின்னொட்டு	அது என்ன	அது ஏன் பயன்படுத்தப்படுகிறது
3BIT-REAP	3-பிட் எடைகளும் REAP உம், குவாண்டைஸ் செய்வதற்கு முன் ஒரு MoE மாதிரியிலிருந்து அரிதாகத் திசைதிருப்பப்படும் நிபுணர்களை நீக்கும் ஒரு நிபுணர்-கத்தரிப்பு முறை	மிகப் பெரிய அடித்தளங்களை ஒரு நியாயமான வேகத்தில் பொருந்தவும் வழங்கவும் வைக்கும் ஒரே வழி
W4A16-AUTOROUND-REAP	4-பிட் எடைகள், 16-பிட் செயல்படுத்தல்கள், AutoRound உடன் குவாண்டைஸ் செய்யப்பட்டவை — அப்பாவியான அருகில்-வட்டமிடலை விட துல்லியத்தை மீட்கும் கற்றுக்கொள்ளப்பட்ட வட்டமிடல் — கூடவே REAP கத்தரிப்பு	தீவிர சுருக்கம் தேவைப்படாத பெரிய அடித்தளங்களுக்கான நடுநிலை
W8A16	8-பிட் எடைகள், 16-பிட் செயல்படுத்தல்கள் — நாங்கள் வழங்கும் மிக உயர்ந்த நம்பகத்தன்மை அடுக்கு	ஆக்ரோஷமான சுருக்கம் தேவைப்படாத அளவுக்கு அடித்தளம் சிறியதாக இருக்கும் இடங்களில் பயன்படுத்தப்படுகிறது

சிறியதாக இருப்பதன் மூலம் MiMo-V2.5 மூன்றாவது வரிசையைப் பெறுகிறது: இந்த வகுப்பில் ஒரு அடர்த்தியான அடித்தளத்துக்குப் பொருந்த மூன்று பிட்டுகளுக்கு நசுக்கப்பட வேண்டியதில்லை, எனவே எட்டை வைத்திருக்க உங்களால் முடியும், மேலும் நீங்கள் மாதிரிப்படுத்தும் எடைகள் பயிற்றுவிக்கப்பட்டவற்றுக்கு நெருக்கமாகவே இருக்கின்றன. கட்டமைப்பு ரீதியான ஒரு காரணத்திற்காக, பட வேலைக்கு இது விகிதாசாரமற்ற அளவுக்கு முக்கியம். ஒரு உரை-மட்டும் குறியீக்கியில், குவாண்டைசேஷனின் கீழ் சறுக்கும் ஒரு உட்பொதிவு, பிந்தைய டஜன் கணக்கான கவனம் அடுக்குகளால் மீண்டும்-சூழலமைக்கப்படுகிறது — மீட்பதற்கு பல வாய்ப்புகள். ஒரு பார்வை அடுக்குக்கு அத்தகைய தளர்ச்சி இல்லை: காட்சித் தகவல் குறியீக்கியை அடைவதற்கு முன் ஒரே ஒரு குறியாக்கியையும் ஒரே ஒரு குறுகிய ப்ரொஜெக்டரையும் கடந்து செல்கிறது, மேலும் அதற்குப் பிந்தைய அனைத்தும் அந்த நெரிசல் தயாரித்ததின் மீதே நிபந்தனையிடப்படுகிறது. நுண்-அளவு சமிக்ஞை — ஒரு குறை-மாறுபாட்டு ஸ்கேனில் 3 க்கும் 8 க்கும் இடையிலான வேறுபாடு, ஒரு விளக்கப்பட அச்சில் ஒரு பட்டை முடியும் சரியான பிக்சல், நீங்கள் கிளிக் செய்யச் சொல்லப்படும் ஒரு UI உறுப்பின் எல்லை — ஆக்ரோஷமான குவாண்டைசேஷன் முதலில் நிராகரிக்கும் குறை-அளவு எடை விவரத்தில் வாழ்கிறது.

ஒரு 3-பிட் பார்வை மாதிரி சத்தமாகத் தோற்காது; அது அமைதியாகத் தோற்கிறது, மொத்தத்தில் இரண்டு இலக்கங்கள் இடமாற்றம் செய்யப்பட்ட ஒரு ஆவணத்தின் சரளமான விவரிப்பை உருவாக்குகிறது. அதிக எடைத் துல்லியம் அந்தத் தோல்விக்கு எதிரான மலிவான காப்பீடு, இங்கே அது இலவசம் — நீங்கள் எப்படியும் தரைமட்ட விலையையே செலுத்துகிறீர்கள்.

04தரைமட்ட விலை, சூழலில்

எங்கள் பன்னிரண்டு-மாதிரி பட்டியலில் நான்கு மாதிரிகள் 1M டோக்கனுக்கு உள்ளே $0.50 / வெளியே $2.00 என்ற விலைத் தரையில் அமர்ந்திருக்கின்றன. அவற்றில் ஒன்று மட்டுமே படங்களை எடுக்கும். பெரும்பாலான உண்மையான பில்களை ஆளும் எண்ணான வெளியீட்டுச் செலவில் பார்வைத் திறன் கொண்ட மாதிரிகள் எங்கே அமர்கின்றன என்பது இதோ:

1M டோக்கனுக்கு USD இல் வெளியீட்டு விலை, Shannon AI நுழைவாயில் பட்டியல் விகிதங்கள், செப்டம்பர் 2026. பட்டியில் மிக விலையுயர்ந்த பார்வை மாதிரிக்கு ஒப்பிட்டு பட்டையின் நீளம்.

Kimi-K3 க்கு எதிராக — உச்சவரம்பு பார்வை மாதிரி, உண்மையிலேயே வலிமையானது — MiMo-V2.5 வெளியீட்டில் தோராயமாக 9.6 மடங்கு மலிவானது, உள்ளீட்டில் 7.7 மடங்கு மலிவானது. இது சமநிலைக் கூற்று அல்ல; இது வேலைச்சுமையின் வடிவம் பற்றிய வாதம். மாதம் ஒரு லட்சம் படங்களில், உச்சவரம்பு மாதிரி வாங்கக்கூடியதல்ல, தரைமட்ட மாதிரியோ வாங்கக்கூடியது, மேலும் நேர்மையான கேள்வி தரைமட்ட மாதிரி உங்கள் துல்லியக் கோட்டைத் தாண்டுகிறதா என்பதே — அது ஒரு அளவீட்டை வெல்கிறதா என்பதல்ல.

05MiMo-V2.5 எதிராக MiniMax-M3: இரண்டு மலிவான பார்வை மாதிரிகள், நேர்மையாக ஒப்பிடப்பட்டவை

இவை இரண்டும் விலை, சூழல், இறுதிப்புள்ளி பரப்பில் சரியாகச் சமமாக இருக்கின்றன. அவை மாற்றிப் பயன்படுத்தக்கூடியவை அல்ல: குவாண்டைசேஷன் அடுக்கு, ஒரு பார்வை மாதிரியைப் பயனுள்ளதாக ஆக்குவது என்ன என்பது பற்றிய இரண்டு வெவ்வேறு பந்தயங்களுக்கான ஒரு பிரதிநிதி.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
1M க்கு உள்ளீடு / வெளியீடு	$0.50 / $2.00	$0.50 / $2.00
எடைத் துல்லியம்	8-பிட்	3-பிட் + நிபுணர் கத்தரிப்பு
அடித்தள அளவு	சிறியது, அடர்த்தியானது	பெரியது, சிதறிய MoE
பார்வை	ஆம்	ஆம்
சூழல் சாளரம்	262,144	262,144
Schema · கருவிகள் · ஸ்ட்ரீமிங்	ஆம்	ஆம்

படமே கடினமான பகுதியாக இருக்கும்போது MiMo-V2.5 ஐத் தேர்ந்தெடுங்கள்: குறையுள்ள ஸ்கேன்களில் அடர்த்தியான OCR, விளக்கப்படங்கள் மற்றும் அட்டவணைகளிலிருந்து எண் பிரித்தெடுத்தல், திரைப்பிடிப்பு மற்றும் UI நிலைநிறுத்தல், சிறு-உரை வாசிப்பு, கிட்டத்தட்ட ஒத்த தயாரிப்புப் புகைப்படங்களை வேறுபடுத்திப் பார்த்தல் — ஒரு இடமாற்றம் செய்யப்பட்ட இலக்கம் அழகியல் குறையாக அல்லாமல் ஒரு குறைபாடாக இருக்கும் எதுவும். பிக்சல்களிலிருந்து டோக்கன்களுக்கான மிக உயர்ந்த நம்பகத்தன்மையான பாதை உங்களுக்குத் தேவை, இந்த விலையில் அதைப் பெறுவதற்கான வழி 8-பிட் எடைகளே.

படமே எளிதான பகுதியாக இருக்கும்போது MiniMax-M3 ஐத் தேர்ந்தெடுங்கள். 3 பிட்டுகளுக்குச் சுருக்கப்பட்ட ஒரு பெரிய சிதறிய அடித்தளம், கத்தரிப்புக்குப் பிறகும், ஒரு சிறிய அடர்த்தியான மாதிரியை விட அதிக உலக அறிவையும் சிந்தனை விரிவையும் வைத்திருக்கிறது. பணி "இந்தப் புகைப்படத்தைப் பார்த்து, அது என்ன குறிக்கிறது என்பதைப் பற்றி நீளமாக நியாயப்படுத்துங்கள்" என்று இருந்தால், அல்லது பெரும்பாலும்-உரை உரையாடலில் படம் ஒரு உள்ளீடாக இருந்தால், பெரிய அடித்தளமே சிறந்த கருவி — நீங்கள் ஈடுசெய்த காட்சிக் கூர்மை பிணைப்புக் கட்டுப்பாடாக இருக்கவில்லை.

06MiMo-V2.5 எதிராக MiMo-V2.5-Pro: ஆழத்துக்காகக் கண்களை ஈடுசெய்த உடன்பிறப்பு

இது மிகுதியான ஆதரவு டிக்கெட்டுகளை உருவாக்கும் ஒப்பீடு, எனவே நேரடியாகச் சொல்வது மதிப்புடையது. MiMo-V2.5-Pro-W8A16 உம் MiMo-V2.5-W8A16 உம் ஒரு விலையையும், ஒரு சூழல் சாளரத்தையும், ஒரு துல்லிய அடுக்கையும், ஒரு குடும்பப் பெயரையும் பகிர்ந்துகொள்கின்றன. Pro படங்களை ஏற்காது. இது ஒரு உபசெட் அல்ல. இது அதே பட்ஜெட்டின் வேறுபட்ட பங்கீடு.

ஒரு பலவகை ஊடக மாதிரியை வழங்குவது என்றால், குறியீக்கியுடன் சேர்த்து ஒரு பார்வை கோபுரத்துக்கும் ப்ரொஜெக்டருக்கும் செலுத்துவது — ஒரு நிலையான செலவு இலக்கில், மொழி மாதிரியிலேயே செலவழிக்கப்படாத திறன். Pro அதை முழுவதுமாக உரையின் மீது செலவழிக்கிறது: நீண்ட-வடிவ எழுத்து, விரிவான சிந்தனை, குறியீடு ஆகியவற்றுக்கு அதிக இடமுள்ள ஒரு பெரிய அடித்தளம். MiMo-V2.5 அதன் ஒரு பகுதியைப் பார்வையின் மீது செலவழிக்கிறது.

எனவே முடிவு விதி உங்கள் உள்ளீடுகளைப் பற்றியது, உங்கள் லட்சியங்களைப் பற்றியல்ல. ஏதேனும் ஒரு கோரிக்கையில் ஒரு திரைப்பிடிப்பு, ஒரு ஸ்கேன் செய்யப்பட்ட பக்கம், ஒரு விளக்கப்படம், ஒரு வரைபடம் அல்லது ஒரு புகைப்படம் இருக்க முடியும் என்றால், உங்களுக்கு MiMo-V2.5 தேவை — Pro உள்ளடக்கத் தொகுதியை நிராகரிக்கும். ஒவ்வொரு கோரிக்கையும் உரையாக இருந்து, பழக்கத்தால் நீங்கள் பார்வை மாதிரியை எட்டியிருந்தால், நீங்கள் ஒன்றுமில்லாமல் அடித்தளத் தரத்தை மேசையில் விட்டுவிடுகிறீர்கள்: அதே விகிதத்தில் MiMo-V2.5-Pro ஐ எடுங்கள்.

திருடத் தகுந்த ஒரு வடிவம்: உள்ளடக்க வகையால் திசைதிருப்புங்கள். ஒரு பட பகுதியுள்ள எதுவும் MiMo-V2.5-W8A16 க்குச் செல்கிறது, மற்ற அனைத்தும் MiMo-V2.5-Pro-W8A16 க்குச் செல்கிறது. அதே குடும்பம், அதே விலை, அதே சூழல் பட்ஜெட் — திசைதிருப்பி அற்பமானது, சரிசெய்ய வேண்டிய செலவு மாதிரி எதுவும் இல்லை.

07"தணிக்கையற்ற பட புரிதல்" என்பதன் உண்மையான பொருள்

இந்த மாதிரிக்கு முன் மறுப்புப் படை இல்லை, அதன் வெளியீட்டில் உள்ளடக்க வடிகட்டலும் இல்லை. இது பார்வை வேலைக்கு ஒரு குறிப்பிட்ட விளைவைக் கொண்ட ஒரு தயாரிப்பு முடிவு: பொருள் அடிப்படையில் நிராகரிப்பதற்குப் பதிலாக, சட்டகத்தில் என்ன இருக்கிறது என்பதை மாதிரி விவரிக்கிறது.

வடிகட்டப்பட்ட பார்வை API கள் ஒரு முழு வகை நேர்மையான வேலைக்கும் கட்டமைப்பு ரீதியாகப் பொருந்தாதவை என்பதால் இது முக்கியம். ஒரு மட்டுறுத்தல் குழாய்வழி தான் மட்டுறுத்தும் பொருளைப் பார்த்து அது என்ன என்று சொல்ல வேண்டும்; தான் வகைப்படுத்தும் பொருளை ஆய்வு செய்ய மறுக்கும் ஒரு வகைப்படுத்தி ஒரு வகைப்படுத்தியே அல்ல. உண்மையான வேலைகளின் நீண்ட பட்டியல் முழுவதும் இது பொருந்துகிறது:

• நம்பிக்கை மற்றும் பாதுகாப்புக் கருவிகள் — ஒரு பொதுவான API செயல்படுத்த மறுக்கும் அதே படங்களுக்குச் சரியாகச் சிட்டையிடுவது, அதுவே மிக அதிகம் சிட்டையிடல் தேவைப்படும் படங்கள்.
• மருத்துவ, தடயவியல், விபத்துப் படங்கள் — யார் கேட்டாலும் பொதுவான வடிகட்டிகள் கிராஃபிக் என்று நிராகரிக்கும் மருத்துவமனை, காயம், காட்சிப் புகைப்படம்.
• பாதுகாப்பு ஆய்வு — மாதிரி முன்மொழிவின் மீது தயங்காமல், ஃபிஷிங் பக்கங்களையும், தீங்கிழைக்கும் இடைமுகங்களையும், பிடிக்கப்பட்ட திரைகளையும் படித்தல்.
• வயது வந்தோர்-உள்ளடக்க வகைப்படுத்தலும் காப்பக அட்டவணைப்படுத்தலும் — பொருளை அடையாளம் காண இருக்கும், பார்வையை வெளியிடம் ஒப்படைக்க முடியாத குழாய்வழிகள், கூடவே வடிகட்டிகள் சிட்டையிட முடியாதவை என்று கருதும் வரலாற்றுத் தொகுப்புகள்.

மறுப்புப் படையை நீக்குவது ஒரு பொறியியல் தடையை நீக்குகிறது, ஒரு சட்டத் தடையை அல்ல. Shannon AI, New Mexico, USA இல் Shannon Lab LLC ஆல் இயக்கப்படுகிறது, API இன் பயன்பாடு எங்கள் பொறுப்பான பயன்பாட்டுக் கொள்கையால் ஆளப்படுகிறது. வடிகட்டப்படாத வெளியீடு ஒரு திறன், ஒரு அனுமதிச் சீட்டு அல்ல.

08அதை அழைத்தல்: இறுதிப்புள்ளிகள், பட உள்ளீடு, அது எங்கே பொருந்துகிறது

மாதிரி MiMo-V2.5-W8A16, அதே எடைகளுக்கு எதிராக மூன்று கோரிக்கை வகைகளில் அணுகக்கூடியது, எனவே உங்களிடம் ஏற்கெனவே இருக்கும் SDK எதுவாக இருந்தாலும் அதையே வைத்திருக்கலாம்:

• /v1/chat/completions — OpenAI-இணக்கமானது. படங்கள் ஒரு https URL ஆகவோ, ஒரு base64 data URI ஆகவோ image_url உள்ளடக்கப் பகுதிகளாக உள்ளே செல்கின்றன.
• /v1/messages — Anthropic-இணக்கமானது. படங்கள் image உள்ளடக்கத் தொகுதிகளாக உள்ளே செல்கின்றன.
• /v1/responses — Responses-பாணி வகை.

ஸ்ட்ரீமிங்கும் கருவி அழைப்பும் மூன்றிலும் வேலை செய்கின்றன, எனவே மாதிரி ஒரு திரைப்பிடிப்பைப் பார்த்து, அது பார்த்ததைப் பற்றி ஒரு செயல்பாட்டை ஒரே திருப்பத்தில் அழைக்க முடியும். முழு கோரிக்கை மற்றும் பதில் schema கள் API ஆவணப்படுத்தலில் உள்ளன, அது எந்தக் குறியீட்டையும் எழுதுவதற்கு முன் ஒரு படத்தை ஒட்டக்கூடிய ஒரு playground ஐயும் வழங்குகிறது.

MiMo-V2.5 கண்டிப்பான json_schema ஐயும் response_format ஐயும் ஆதரிக்கிறது — ஒரு டெமோவுக்கும் ஒரு குழாய்வழிக்கும் இடையிலான வேறுபாடு அது. விற்பனையாளர், தேதி, வரிசை உருப்படிகள், மொத்தம் ஆகியவற்றுக்கான வகைப்படுத்தப்பட்ட புலங்களுடன் ஒரு schema வுடன் ஒரு ரசீதைக் கொடுங்கள், நீங்கள் regex செய்ய வேண்டிய ஒரு பத்தியை அல்ல, உங்கள் குறியீடு சரிபார்க்கக்கூடிய ஒரு பொருளையே திரும்பப் பெறுவீர்கள். இந்தப் பட்டியலில் உள்ள பன்னிரண்டு மாதிரிகளில் இரண்டுக்கு முழு கட்டமைக்கப்பட்ட-வெளியீட்டு ஆதரவு இல்லை; இது அப்படி இல்லை, அதனால்தான் இது ஒரு அதிக-அளவு பிரித்தெடுத்தல் சேவையாக வேலை செய்கிறது.

சூழல் சாளரம் 262,144 டோக்கன்கள்; உருவாக்கப்படும் வெளியீடு ஒரு கோரிக்கைக்கு 16,384 டோக்கன்களாக வரம்பிடப்பட்டுள்ளது. படங்கள் தெளிவுத்திறனின் ஒரு செயல்பாடாக உள்ளீட்டு டோக்கன்களை நுகர்கின்றன, எனவே உயர்-தெளிவுத்திறன் பக்க ஸ்கேன்கள், சமமான சொல் எண்ணிக்கை கொண்ட உரையை விட மிக வேகமாகச் சூழலை உண்கின்றன. ஒரு கோரிக்கையில் 300-பக்க ஸ்கேனை ஏற்றுவதற்குப் பதிலாக நீண்ட ஆவணங்களைப் பக்கமாகப் பிரியுங்கள், வெளியீட்டு வரம்பை முழுமையான பிரித்தெடுத்தலின் மீதான ஒரு உண்மையான கட்டுப்பாடாகக் கருதுங்கள் — ஒரு துண்டிக்கப்பட்ட பதிலைப் பெறுவதற்குப் பதிலாக, அடர்த்தியான அட்டவணைகளை வரிசை வரம்பால் துண்டுகளாக்குங்கள்.

குடும்பத்தின் பரம்பரையைக் கருத்தில் கொண்டு, reasoning_effort கட்டுப்பாட்டுக்கு இங்கே உண்மையான செல்வாக்கு உண்டு. அதிக-அளவு வகைப்படுத்தலுக்கு அதைக் குறையுங்கள், அங்கே பதில் ஒரு சிட்டை, சிந்தனை டோக்கன்கள் தூய செலவு; விளக்கப்பட விளக்கம், காட்சிக் கணிதம், வரைபடச் சிந்தனைக்கு அதை உயர்த்துங்கள், அங்கே மாதிரி பதிலளிப்பதற்கு முன் அது பார்க்கும் பல விஷயங்களை இணைக்க வேண்டும்.

அது எங்கே பொருந்துகிறது, எங்கே பொருந்தாது

பொருந்தும் இடங்கள். அதிக-அளவு ஆவணம் மற்றும் ரசீது பிரித்தெடுத்தல்; குறையுள்ள ஸ்கேன்களில் OCR-அருகிலான வேலை; விளக்கப்படம், டாஷ்போர்டு, அட்டவணை வாசிப்பு; திரைப்பிடிப்பு புரிதலும் UI நிலைநிறுத்தலும்; பட்டியல் சிட்டையிடலும் காட்சி QA வும்; மட்டுறுத்தல் குழாய்வழிகள் — ஒரு-அழைப்புச் செலவு பிணைக்கும், நுண்-விவரத் துல்லியம் நீங்கள் விட்டுக்கொடுக்க மறுக்கும் எந்த பலவகை ஊடகப் பணியும்.

பொருந்தாத இடங்கள். விலையைப் பொருட்படுத்தாமல் மிக வலிமையான மாதிரி தேவைப்படும் எல்லை-கடினத்தன்மை பலவகை ஊடக சிந்தனை — அது Kimi-K3 இன் வேலை, அது ஒரு காரணத்திற்காகவே கிட்டத்தட்ட பத்து மடங்கு விலையுடையது. உரை-மட்டும் உருவாக்கம், அங்கே MiMo-V2.5-Pro அதே விகிதத்தில் சிறந்த அடித்தளத்தைத் தருகிறது. கலைக்களஞ்சிய உலக அறிவின் மீது சாய்ந்த வேலை, அங்கே ஒரு பெரிய சிதறிய அடித்தளம் ஒரு சிறிய அடர்த்தியான மாதிரியை விஞ்சுகிறது. மேலும் 262K க்கும் அதிகமான சூழல் தேவைப்படும் எதுவும், அதை இங்கு எந்த மாதிரியும் வழங்குவதில்லை.

09அடிக்கடி கேட்கப்படும் கேள்விகள்

---

மூலங்கள்: MiMo தொழில்நுட்ப அறிக்கை (arXiv 2505.07608) · MiMo-VL தொழில்நுட்ப அறிக்கை (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. அனைத்து அளவீட்டு எண்களும் மேலே பெயரிடப்பட்ட வெளியிடப்பட்ட செக்பாயிண்டுகளுக்கு Xiaomi அறிவித்தவை, குடும்ப வம்சாவளியை விவரிக்கின்றன, இந்த இறுதிப்புள்ளியில் உள்ள சரியான கட்டமைப்பை அல்ல. விலைகள், சூழல், திறன் கொடிகள் Shannon AI நுழைவாயில் பட்டியல் மதிப்புகள், செப்டம்பர் 2026.