సెన్సార్ లేని MiMo విజన్ API
మా జాబితాలో 8-బిట్ వెయిట్ కచ్చితత్వాన్ని చిత్ర అవగాహనతో జతచేసే ఏకైక మోడల్ — మరియు దీని ఖరీదు కేవలం-టెక్స్ట్ అట్టడుగు మోడల్‌లు ఖరీదు చేసేదే: మిలియన్ టోకెన్‌లకు $0.50 ఇన్ / $2.00 అవుట్.
క్లుప్తంగా
MiMo-V2.5-W8A16 అనేది Shannon AI గేట్‌వేపై MiMo జతలో విజన్-సామర్థ్యం గల సభ్యుడు, Xiaomi యొక్క MiMo శ్రేణి నుండి వచ్చింది — దానిపై ఒక విజన్ టవర్ అతికించబడిన ఒక తర్కం-మొదట భాషా మోడల్ — మరియు మా సొంత GPU క్లస్టర్‌పై W8A16 వద్ద, మా అత్యధిక-విశ్వసనీయత క్వాంటైజేషన్ శ్రేణి వద్ద అందించబడుతుంది. 262,144-టోకెన్ సందర్భం, 16,384 గరిష్ఠ అవుట్‌పుట్ టోకెన్‌లు, టూల్ కాలింగ్, కఠినమైన JSON స్కీమా, స్ట్రీమింగ్, మరియు ఒక reasoning_effort నాబ్. తిరస్కరణ పొర లేదు, అవుట్‌పుట్ ఫిల్టర్ లేదు. ఇది జాబితాలో అత్యంత చౌక విజన్ కోసం MiniMax-M3తో సమానం మరియు కచ్చితత్వంలో దాన్ని ఓడిస్తుంది.
చౌక మల్టీమోడల్ ఎండ్‌పాయింట్‌లు చౌకగా ఉంటాయి ఎందుకంటే ఏదో కత్తిరించబడింది, మరియు కత్తిరించబడేది సాధారణంగా మీరు చూడలేని భాగం: వెయిట్‌లు మూడు లేదా నాలుగు బిట్‌లకు నొక్కబడతాయి, మరియు మోడల్ అది ఇక నిజంగా చదవలేని ఒక చార్ట్ గురించి నమ్మకంగా సమాధానం ఇస్తూనే ఉంటుంది. MiMo-V2.5 మా జాబితాలో ప్రతి-ఉదాహరణ — ధర అట్టడుగున మరియు అగ్ర కచ్చితత్వ శ్రేణిలో ఏకకాలంలో, ఎందుకంటే అది వచ్చిన పునాది భారీ మరియు విరళంగా కాక చిన్నదిగా మరియు దట్టంగా నిర్మించబడింది.
01MiMo ఎక్కడి నుండి వచ్చింది: మొదట ఒక తర్క మోడల్, రెండో స్థానంలో ఒక విజన్ మోడల్
MiMo శ్రేణి Xiaomi యొక్క ఓపెన్-వెయిట్స్ పరిశోధన కార్యక్రమం, మరియు దీని స్థాపక వాదన ఫ్యాషనబుల్ కాదు: తర్క సామర్థ్యం RLతో తర్వాత అతికించబడేది కాక ప్రీట్రైనింగ్ సమయంలో నిర్ణయించబడుతుంది. పని ఎక్కువగా డేటా ఇంజనీరింగ్ — Xiaomi కార్పస్‌లో తర్క నమూనాల సాంద్రతను పెంచడానికి టెక్స్ట్ వెలికితీత మరియు ఫిల్టరింగ్‌ను తిరిగి నిర్మించింది, స్థాయిలో సింథటిక్ తర్క డేటాను ఉత్పత్తి చేసింది, మరియు మూడు-దశల మిశ్రమం కింద MiMo-7B-Baseను సుమారు 25 ట్రిలియన్ టోకెన్‌లపై ప్రీట్రైన్ చేసింది, ఇన్ఫరెన్స్ సమయంలో ఒక ఊహాజనిత డీకోడర్‌గా కూడా పనిచేసే (Xiaomi ప్రకారం ~90% ఆమోద రేటు) Multiple-Token Predictionను ఒక సహాయక లక్ష్యంగా.
పోస్ట్‌ట్రైనింగ్ ఉద్దేశపూర్వకంగా నిరాడంబరమైనది: 130,000 గణితం మరియు కోడ్ సమస్యలు కేవలం నియమ-ఆధారిత కచ్చితత్వ ప్రతిఫలాలతో, ఏ నేర్చుకున్న ప్రతిఫల మోడలూ లేకుండా, ఒక న్యూరల్ ప్రతిఫల మోడల్ హ్యాక్ చేయబడే ఒక ఉపరితలం అనే తర్కంపై. ధ్రువీకరించదగిన ప్రతిఫలాలను తీపిమాటలతో ఒప్పించలేరు. MiMo-7B-RL దాని పరిమాణానికి అసమానమైన సంఖ్యలను పోస్ట్ చేస్తుంది — Xiaomi pass@1 వద్ద AIME 2024పై 68.2%, MATH-500పై 95.8%, LiveCodeBench v5పై 57.8%ను నివేదిస్తుంది, OpenAI యొక్క o1-miniతో సరిపోలుతూ. మీరు పిలుస్తున్న మోడల్ ఆకారం అదే: సూక్ష్మం, దట్టంగా శిక్షణ పొందింది, ఒక సమాధానాన్ని గుర్తుచేసుకోవడం కంటే ఒక సమస్యను పరిష్కరించడంపై ట్యూన్ చేయబడింది — మరియు ఆ స్వభావం మల్టీమోడల్ వారసుల్లోకి బతికి ఉంటుంది.
02MiMo చూడటం ఎలా నేర్చుకుంది: MiMo-VL ఆర్కిటెక్చర్
MiMo-VL విజన్-లాంగ్వేజ్ శాఖ, మరియు దాని నిర్మాణం బోధనాత్మకమైనది. Xiaomi మూడు భాగాలను సమీకరించింది: ప్రతి చిత్రాన్నీ ఒక నిర్ణీత తక్కువ-రిజల్యూషన్ గ్రిడ్ ద్వారా బలవంతం చేయడానికి బదులు సూక్ష్మ వివరాలను కాపాడే ఒక స్థానిక-రిజల్యూషన్ ViT ఎన్‌కోడర్, భాషా మోడల్ యొక్క లేటెంట్ స్థలంలోకి యాదృచ్ఛికంగా ప్రారంభించబడిన ఒక MLP ప్రొజెక్టర్, మరియు — కీలకంగా — భాషా మోడల్‌గా MiMo తర్క వెన్నెముక. కేవలం క్యాప్షనింగ్‌లో మంచిదైన దానికి బదులు బహుళ-దశల ఆలోచనలో ఇప్పటికే మంచిదైన ఒక డీకోడర్‌ను విజన్ వ్యవస్థ వారసత్వంగా పొందుతుంది.
శిక్షణ నాలుగు ప్రీట్రైనింగ్ దశలలో నడిచింది — ప్రొజెక్టర్ వార్మప్, విజన్-లాంగ్వేజ్ అలైన్‌మెంట్, సాధారణ మల్టీమోడల్ ప్రీట్రైనింగ్, దీర్ఘ-సందర్భ SFT — సుమారు 2.4 ట్రిలియన్ టోకెన్‌ల అంతటా, తర్వాత Mixed On-policy Reinforcement Learning (MORL), గ్రహణ కచ్చితత్వం, దృశ్య గ్రౌండింగ్ కచ్చితత్వం, తర్క సరైనతనం, మరియు మనిషి/AI ప్రాధాన్యతను ఒక ఆన్-పాలసీ లూప్‌లో మడుస్తూ. వాటన్నింటినీ ఒకేసారి ఆప్టిమైజ్ చేయడం అస్థిరమని నివేదిక నిజాయితీగా చెబుతుంది — చాలా మల్టీమోడల్ పత్రాలు అందించే దానికంటే మరింత నిజాయితీ గల చట్రం.
ప్రచురించిన ఫలితాలు పారామీటర్ సంఖ్యకు బలంగా ఉన్నాయి. Xiaomi MiMo-VL-7B-RL 40లో 35 పనులపై Qwen2.5-VL-7Bను ఓడించినట్టు, OlympiadBenchపై 59.4 (78B వరకు ఉన్న మోడల్‌ల కంటే పైన), మరియు GUI గ్రౌండింగ్ కోసం OSWorld-Gపై 56.1, ప్రత్యేకంగా-నిర్మించిన ఇంటర్‌ఫేస్ ఏజెంట్‌ల కంటే ముందు నివేదిస్తుంది. తర్వాతి 2508 రిఫ్రెష్ శ్రేణిలో మొదటిసారి MMMUను 70 దాటించింది (70.6), ChartQAపై 94.4, ScreenSpot-v2పై 92.5 మరియు VideoMMEపై 70.8కు చేరుకుంది, మరియు ఒక్కో అభ్యర్థనకు తర్క జాడలను ఆఫ్ చేయగలిగే ఒక ఆలోచన-నియంత్రణ స్విచ్‌ను జోడించింది.
వెర్షన్ వాదనలపై ఒక గమనిక
పైన ఉన్న ప్రతి గణాంకమూ కింద ఉన్న మూలాల బ్లాక్‌లో లింక్ చేయబడిన ఒక నిర్దిష్ట విడుదల చేయబడిన చెక్‌పాయింట్ కోసం Xiaomi సొంత ప్రచురించిన సంఖ్య. మా జాబితా ఎంట్రీ ఆ వంశంలో తర్వాతి ఒక బిందువు. మేము మోడల్ ఎక్కడి నుండి వచ్చిందో మరియు కుటుంబం దేని కోసం నిర్మించబడిందో వర్ణిస్తున్నాము — ఆ ఖచ్చితమైన స్కోర్‌లు మీరు పిలిచే బిల్డ్‌కు బదిలీ అవుతాయని వాదించడం లేదు. మీ సొంత పనిభారాన్ని బెంచ్‌మార్క్ చేయండి; ధర అట్టడుగు ఉండేది దాని కోసమే.
03W8A16 అంటే ఏమిటి, మరియు అది టెక్స్ట్ కంటే విజన్‌కు ఎందుకు ఎక్కువ ముఖ్యం
గేట్‌వేపై ఉన్న ప్రతి మోడల్ ఒక క్వాంటైజేషన్ ప్రత్యయాన్ని కలిగి ఉంది. ఇది అలంకారం కాదు — మోడల్‌ను అందించదగినదిగా చేయడానికి ఏమి వర్తకం చేయబడిందో అది మీకు చెబుతుంది.
| ప్రత్యయం | ఇది ఏమిటి | ఇది ఎందుకు వాడబడుతుంది |
|---|---|---|
| 3BIT-REAP | 3-బిట్ వెయిట్‌లు పైగా REAP, క్వాంటైజ్ చేయడానికి ముందు ఒక MoE మోడల్ నుండి అరుదుగా-రూట్ చేయబడే నిపుణులను వదిలే ఒక నిపుణుల-కత్తిరింపు పద్ధతి | అతిపెద్ద పునాదులను ఒక సహేతుకమైన వేగంతో ఇమిడేలా చేసి అందించడానికి ఏకైక మార్గం |
| W4A16-AUTOROUND-REAP | 4-బిట్ వెయిట్‌లు, 16-బిట్ యాక్టివేషన్‌లు, AutoRoundతో క్వాంటైజ్ చేయబడింది — అమాయక దగ్గరి-సంఖ్యకు-రౌండ్ కంటే కచ్చితత్వాన్ని తిరిగి పొందే నేర్చుకున్న రౌండింగ్ — పైగా REAP కత్తిరింపు | తీవ్ర కుదింపు అవసరం లేని పెద్ద పునాదులకు మధ్య మైదానం |
| W8A16 | 8-బిట్ వెయిట్‌లు, 16-బిట్ యాక్టివేషన్‌లు — మేము అందించే అత్యధిక-విశ్వసనీయత శ్రేణి | పునాది దూకుడైన కుదింపు అనవసరమైనంత చిన్నదైనచోట వాడబడుతుంది |
MiMo-V2.5 సూక్ష్మంగా ఉండటం ద్వారా మూడో వరుసను సంపాదిస్తుంది: ఈ తరగతిలోని ఒక దట్టమైన పునాది ఇమిడేలా ఉండటానికి మూడు బిట్‌లకు నుజ్జు కావాల్సిన అవసరం లేదు, కాబట్టి మీరు ఎనిమిదింటిని ఉంచుకోగలరు, మరియు మీరు నమూనా చేసే వెయిట్‌లు శిక్షణ పొందినవాటికి దగ్గరగానే ఉంటాయి. ఒక నిర్మాణాత్మక కారణం వల్ల ఇది చిత్ర పనికి అసమానంగా ముఖ్యమైనది. కేవలం-టెక్స్ట్ డీకోడర్‌లో, క్వాంటైజేషన్ కింద దారితప్పే ఒక ఎంబెడింగ్ డజన్ల తర్వాతి అటెన్షన్ పొరలచే తిరిగి-సందర్భోచితం చేయబడుతుంది — తిరిగి పొందడానికి చాలా అవకాశాలు. ఒక విజన్ స్టాక్‌కు అలాంటి మిగులు లేదు: దృశ్య సమాచారం డీకోడర్‌ను చేరుకోకముందు ఒక్క ఎన్‌కోడర్ మరియు ఒక్క ఇరుకైన ప్రొజెక్టర్ గుండా వెళుతుంది, మరియు దిగువన ఉన్న ప్రతిదీ ఆ అడ్డుకట్ట ఉత్పత్తి చేసిన దానిపైనే కండిషన్ చేయబడుతుంది. సూక్ష్మ-గ్రాన్ సంకేతం — ఒక తక్కువ-కాంట్రాస్ట్ స్కాన్‌లో 3 vs 8, ఒక చార్ట్ అక్షంపై ఒక బార్ ఎక్కడ ముగుస్తుందో ఖచ్చితమైన పిక్సెల్, మీరు క్లిక్ చేయమని అడగబడిన ఒక UI ఎలిమెంట్ యొక్క సరిహద్దు — దూకుడైన క్వాంటైజేషన్ మొదట వదిలేసే తక్కువ-పరిమాణ వెయిట్ వివరాలలో ఉంటుంది.
ఒక 3-బిట్ విజన్ మోడల్ గట్టిగా విఫలం కాదు; ఇది నిశ్శబ్దంగా విఫలమవుతుంది, మొత్తంలో రెండు అంకెలు మారిన ఒక పత్రం యొక్క ఒక సరళమైన వర్ణనను ఉత్పత్తి చేస్తూ. అధిక వెయిట్ కచ్చితత్వం ఆ వైఫల్యానికి వ్యతిరేకంగా అత్యంత చౌక భీమా, మరియు ఇక్కడ అది ఉచితం — మీరు ఏదైనా అట్టడుగు ధర చెల్లిస్తారు.
04అట్టడుగు ధర, సందర్భంలో
మా పన్నెండు-మోడల్ జాబితాలో నాలుగు మోడల్‌లు మిలియన్ టోకెన్‌లకు $0.50 ఇన్‌పుట్ / $2.00 అవుట్‌పుట్ ధర అట్టడుగున ఉన్నాయి. వాటిలో ఒక్కటే చిత్రాలను తీసుకుంటుంది. చాలా నిజమైన బిల్లులను ఆధిపత్యం చేసే సంఖ్య, అవుట్‌పుట్ ఖర్చుపై విజన్-సామర్థ్యం గల మోడల్‌లు ఎక్కడ దిగుతాయో ఇక్కడ ఉంది:
అవుట్‌పుట్ ధర USDలో ఒక్కో 1M టోకెన్‌లకు, Shannon AI గేట్‌వే జాబితా రేట్లు, సెప్టెంబర్ 2026. బార్ పొడవు జాబితాలో అత్యంత ఖరీదైన విజన్ మోడల్‌కు సాపేక్షంగా ఉంటుంది.
Kimi-K3తో పోలిస్తే — శిఖర విజన్ మోడల్, మరియు నిజంగా బలమైనది — MiMo-V2.5 అవుట్‌పుట్‌పై సుమారు 9.6× చౌక మరియు ఇన్‌పుట్‌పై 7.7× చౌక. అది సమానత్వం యొక్క ఒక వాదన కాదు; ఇది పనిభారం ఆకారం గురించిన ఒక వాదన. నెలకు లక్ష చిత్రాల వద్ద, శిఖర మోడల్ భరించగలిగేది కాదు మరియు అట్టడుగు మోడల్ భరించగలిగేది, మరియు నిజాయితీ గల ప్రశ్న అట్టడుగు మోడల్ మీ కచ్చితత్వ బార్‌ను క్లియర్ చేస్తుందా అనేది — అది ఒక బెంచ్‌మార్క్‌ను గెలుస్తుందా అనేది కాదు.
05MiMo-V2.5 vs MiniMax-M3: రెండు చౌక విజన్ మోడల్‌లు, నిజాయితీగా పోల్చబడ్డాయి
ఈ రెండూ ధర, సందర్భం, మరియు ఎండ్‌పాయింట్ ఉపరితలంపై ఖచ్చితంగా సమానం. అవి మార్చుకోదగినవి కావు: క్వాంటైజేషన్ శ్రేణి ఒక విజన్ మోడల్‌ను ఉపయోగపడేదిగా చేసేది దేని గురించి రెండు వేర్వేరు పందేలకు ఒక ప్రాక్సీ.
| MiMo-V2.5 · W8A16 | MiniMax-M3 · 3BIT-REAP | |
|---|---|---|
| ఒక్కో 1Mకు ఇన్‌పుట్ / అవుట్‌పుట్ | $0.50 / $2.00 | $0.50 / $2.00 |
| వెయిట్ కచ్చితత్వం | 8-బిట్ | 3-బిట్ + నిపుణుల కత్తిరింపు |
| పునాది పరిమాణం | సూక్ష్మం, దట్టం | పెద్దది, విరళ MoE |
| విజన్ | అవును | అవును |
| సందర్భ విండో | 262,144 | 262,144 |
| స్కీమా · టూల్స్ · స్ట్రీమింగ్ | అవును | అవును |
చిత్రం కష్టమైన భాగం అయినప్పుడు MiMo-V2.5ను ఎంచుకోండి: అసంపూర్ణ స్కాన్‌లపై దట్టమైన OCR, చార్ట్‌లు మరియు పట్టికల నుండి సంఖ్యా వెలికితీత, స్క్రీన్‌షాట్ మరియు UI గ్రౌండింగ్, చిన్న-టెక్స్ట్ చదవడం, దాదాపు-సమానమైన ఉత్పత్తి ఫోటోలను వేరు చేయడం — మారిన ఒక అంకె ఒక సౌందర్యపరమైన లోపం కంటే ఒక దోషమైన ఏదైనా. మీకు పిక్సెల్‌ల నుండి టోకెన్‌లకు అత్యధిక-విశ్వసనీయత మార్గం కావాలి, మరియు ఈ ధర వద్ద మీరు దాన్ని పొందేది 8-బిట్ వెయిట్‌ల ద్వారానే.
చిత్రం సులభమైన భాగం అయినప్పుడు MiniMax-M3ను ఎంచుకోండి. 3 బిట్‌లకు కుదించబడిన ఒక పెద్ద విరళ పునాది కత్తిరించిన తర్వాత కూడా ఒక సూక్ష్మ దట్టమైన మోడల్ కంటే ఎక్కువ ప్రపంచ జ్ఞానం మరియు తర్క వైశాల్యాన్ని కలిగి ఉంటుంది. పని "ఈ ఫోటోను చూసి అది ఏమి సూచిస్తుందో దీర్ఘంగా తర్కించండి" అయితే, లేదా చిత్రం ఎక్కువగా-టెక్స్ట్ సంభాషణలో ఒక ఇన్‌పుట్ అయితే, పెద్ద పునాదే మెరుగైన సాధనం — మీరు వదులుకున్న దృశ్య నైపుణ్యం బంధించే పరిమితి కాదు.
06MiMo-V2.5 vs MiMo-V2.5-Pro: లోతు కోసం కళ్ళను వర్తకం చేసిన సోదరుడు
ఇదే అత్యధిక మద్దతు టికెట్‌లను ఉత్పత్తి చేసే పోలిక, కాబట్టి నేరుగా చెప్పడం విలువైనది. MiMo-V2.5-Pro-W8A16 మరియు MiMo-V2.5-W8A16 ఒక ధర, ఒక సందర్భ విండో, ఒక కచ్చితత్వ శ్రేణి, మరియు ఒక కుటుంబ పేరును పంచుకుంటాయి. Pro చిత్రాలను స్వీకరించదు. ఇది ఒక సూపర్‌సెట్ కాదు. ఇది అదే బడ్జెట్ యొక్క ఒక వేరే కేటాయింపు.
ఒక మల్టీమోడల్ మోడల్‌ను అందించడం అంటే డీకోడర్‌తో పాటు ఒక విజన్ టవర్ మరియు ప్రొజెక్టర్ కోసం చెల్లించడం — ఒక నిర్ణీత ఖర్చు లక్ష్యం వద్ద, భాషా మోడల్‌పైనే ఖర్చు చేయని సామర్థ్యం. Pro దాన్నంతా టెక్స్ట్‌పై ఖర్చు చేస్తుంది: దీర్ఘ-రూప రచన, విస్తరించిన తర్కం, మరియు కోడ్ కోసం మరింత ఖాళీతో ఒక పెద్ద పునాది. MiMo-V2.5 దానిలో కొంత భాగాన్ని దృష్టిపై ఖర్చు చేస్తుంది.
కాబట్టి నిర్ణయ నియమం మీ ఇన్‌పుట్‌ల గురించి, మీ ఆకాంక్షల గురించి కాదు. ఏదైనా అభ్యర్థన ఒక స్క్రీన్‌షాట్, ఒక స్కాన్ చేసిన పేజీ, ఒక చార్ట్, ఒక రేఖాచిత్రం, లేదా ఒక ఫోటోను కలిగి ఉండగలిగితే, మీకు MiMo-V2.5 అవసరం — Pro కంటెంట్ బ్లాక్‌ను తిరస్కరిస్తుంది. ప్రతి అభ్యర్థనా టెక్స్ట్ అయితే మరియు మీరు అలవాటు వల్ల విజన్ మోడల్‌కు చేరుకుంటే, మీరు దేనికీ కాకుండా పునాది నాణ్యతను బల్లపైనే వదిలేస్తున్నారు: అదే రేటు వద్ద MiMo-V2.5-Proను తీసుకోండి.
దొంగిలించదగిన ఒక నమూనా: కంటెంట్ రకం ప్రకారం రూట్ చేయండి. ఒక చిత్ర భాగం ఉన్నదేదైనా MiMo-V2.5-W8A16కు వెళుతుంది, మిగతా ప్రతిదీ MiMo-V2.5-Pro-W8A16కు. అదే కుటుంబం, అదే ధర, అదే సందర్భ బడ్జెట్ — రూటర్ చిన్నది మరియు సరిదిద్దాల్సిన ఖర్చు నమూనా ఏదీ లేదు.
07"సెన్సార్ లేని చిత్ర అవగాహన" నిజంగా అంటే ఏమిటి
ఈ మోడల్ ముందు తిరస్కరణ పొర లేదు మరియు దాని అవుట్‌పుట్‌పై కంటెంట్ ఫిల్టర్ లేదు. అది విజన్ పనికి ఒక నిర్దిష్ట పరిణామం గల ఒక ఉత్పత్తి నిర్ణయం: మోడల్ విషయం ఆధారంగా తిరస్కరించడానికి బదులు ఫ్రేమ్‌లో ఏముందో వర్ణిస్తుంది.
ఇది ముఖ్యమైనది ఎందుకంటే ఫిల్టర్ చేయబడిన విజన్ APIలు చట్టబద్ధమైన పని యొక్క ఒక మొత్తం వర్గానికి నిర్మాణాత్మకంగా సరిపోవు. ఒక మోడరేషన్ పైప్‌లైన్ అది మోడరేట్ చేసే సామగ్రిని చూసి అది ఏమిటో చెప్పాలి; అది వర్గీకరించే విషయాన్ని పరిశీలించడానికి తిరస్కరించే ఒక వర్గీకరణి వర్గీకరణి కాదు. నిజమైన పనుల ఒక పొడవైన జాబితా అంతటా అదే వర్తిస్తుంది:
- ట్రస్ట్ మరియు సేఫ్టీ సాధనాలు — ఒక ప్రధాన స్రవంతి API ప్రాసెస్ చేయని ఖచ్చితమైన చిత్రాలను లేబుల్ చేయడం, ఇది లేబుల్ చేయడం అత్యధికంగా అవసరమైన చిత్రం.
- వైద్య, ఫోరెన్సిక్, మరియు ప్రమాద చిత్రాలు — ఎవరు అడుగుతున్నారనేదానితో సంబంధం లేకుండా సాధారణ ఫిల్టర్‌లు గ్రాఫిక్‌గా తిరస్కరించే క్లినికల్, గాయపు, మరియు దృశ్య ఫోటోగ్రఫీ.
- భద్రతా పరిశోధన — మోడల్ ఆవరణపై తడబడకుండా ఫిషింగ్ పేజీలు, హానికరమైన ఇంటర్‌ఫేస్‌లు, మరియు క్యాప్చర్ చేయబడిన స్క్రీన్‌లను చదవడం.
- పెద్దల-కంటెంట్ వర్గీకరణ మరియు ఆర్కైవల్ కేటలాగింగ్ — సామగ్రిని గుర్తించడానికి ఉనికిలో ఉన్న మరియు చూడటాన్ని అవుట్‌సోర్స్ చేయలేని పైప్‌లైన్‌లు, పైగా ఫిల్టర్‌లు లేబుల్ చేయలేనివిగా చూసే చారిత్రక సేకరణలు.
తిరస్కరణ పొరను తొలగించడం ఒక ఇంజనీరింగ్ అడ్డంకిని తొలగిస్తుంది, ఒక చట్టబద్ధమైన దాన్ని కాదు. Shannon AI న్యూ మెక్సికో, USAలోని Shannon Lab LLC చేత నిర్వహించబడుతుంది, మరియు API వాడకం మా బాధ్యతాయుత వినియోగ విధానం చేత నియంత్రించబడుతుంది. ఫిల్టర్ చేయని అవుట్‌పుట్ ఒక సామర్థ్యం, ఒక అనుమతి పత్రం కాదు.
08దీన్ని పిలవడం: ఎండ్‌పాయింట్‌లు, చిత్ర ఇన్‌పుట్, మరియు అది ఎక్కడ సరిపోతుంది
మోడల్ MiMo-V2.5-W8A16, అదే వెయిట్‌లకు వ్యతిరేకంగా మూడు అభ్యర్థన మాండలికాలపై చేరుకోదగినది, కాబట్టి మీరు ఇప్పటికే కలిగి ఉన్న ఏ SDKనైనా ఉంచుకోవచ్చు:
/v1/chat/completions— OpenAI-అనుకూలం. చిత్రాలుimage_urlకంటెంట్ భాగాలుగా వెళతాయి, ఒక https URLగా లేదా ఒక base64 డేటా URIగా./v1/messages— Anthropic-అనుకూలం. చిత్రాలుimageకంటెంట్ బ్లాక్‌లుగా వెళతాయి./v1/responses— Responses-శైలి మాండలికం.
మూడింటిపైనా స్ట్రీమింగ్ మరియు టూల్ కాలింగ్ పనిచేస్తాయి, కాబట్టి మోడల్ ఒక్క మలుపులో ఒక స్క్రీన్‌షాట్‌ను చూసి అది చూసిన దాని గురించి ఒక ఫంక్షన్‌ను పిలవగలదు. పూర్తి అభ్యర్థన మరియు ప్రతిస్పందన స్కీమాలు API డాక్యుమెంటేషన్లో ఉన్నాయి, ఇది ఏ కోడ్ రాయడానికి ముందు మీరు ఒక చిత్రాన్ని పేస్ట్ చేయగల ఒక ప్లేగ్రౌండ్‌ను కూడా హోస్ట్ చేస్తుంది.
MiMo-V2.5 కఠినమైన json_schema మరియు response_formatకు మద్దతు ఇస్తుంది — ఒక డెమోకూ ఒక పైప్‌లైన్‌కూ మధ్య తేడా. దానికి ఒక రసీదు పైగా విక్రేత, తేదీ, లైన్ ఐటెమ్‌లు, మరియు మొత్తానికి టైప్ చేయబడిన ఫీల్డ్‌లతో ఒక స్కీమా ఇవ్వండి, మరియు మీకు మీ కోడ్ ధ్రువీకరించగల ఒక వస్తువు తిరిగి వస్తుంది, మీరు regex చేయాల్సిన ఒక పేరాగ్రాఫ్ కాదు. ఈ జాబితాలోని పన్నెండు మోడల్‌లలో రెండింటికి పూర్తి నిర్మాణాత్మక-అవుట్‌పుట్ మద్దతు లేదు; ఇది లేదు, మరియు అది ఇది అధిక-పరిమాణ వెలికితీత సేవగా పనిచేయడానికి కారణం.
సందర్భ విండో 262,144 టోకెన్‌లు; ఉత్పత్తి చేయబడిన అవుట్‌పుట్ అభ్యర్థనకు 16,384 టోకెన్‌లకు పరిమితం చేయబడింది. చిత్రాలు రిజల్యూషన్ యొక్క ఒక ఫంక్షన్‌గా ఇన్‌పుట్ టోకెన్‌లను వినియోగిస్తాయి, కాబట్టి అధిక-రిజల్యూషన్ పేజీ స్కాన్‌లు సమానమైన పద సంఖ్య టెక్స్ట్ కంటే చాలా వేగంగా సందర్భాన్ని తింటాయి. ఒక్క అభ్యర్థనలో ఒక 300-పేజీల స్కాన్‌ను లోడ్ చేయడానికి బదులు పొడవైన పత్రాలను పేజీలుగా చేయండి, మరియు అవుట్‌పుట్ హద్దును సమగ్ర వెలికితీతపై ఒక నిజమైన పరిమితిగా చూడండి — ఒక కుదించబడిన సమాధానం పొందడానికి బదులు దట్టమైన పట్టికలను వరుస-పరిధి ప్రకారం ముక్కలు చేయండి.
కుటుంబం యొక్క వారసత్వం దృష్ట్యా reasoning_effort నాబ్‌కు ఇక్కడ నిజమైన పలుకుబడి ఉంది. అధిక-పరిమాణ వర్గీకరణ కోసం దాన్ని తగ్గించండి, ఇక్కడ సమాధానం ఒక లేబుల్ మరియు ఆలోచనా టోకెన్‌లు స్వచ్ఛమైన ఖర్చు; చార్ట్ వివరణ, దృశ్య గణితం, మరియు రేఖాచిత్ర తర్కం కోసం దాన్ని పెంచండి, ఇక్కడ మోడల్ సమాధానం ఇవ్వడానికి ముందు అది చూసే అనేక విషయాలను కలపాలి.
ఇది ఎక్కడ సరిపోతుంది, మరియు ఎక్కడ సరిపోదు
మంచి సరిపోలికలు. అధిక-పరిమాణ పత్రం మరియు రసీదు వెలికితీత; అసంపూర్ణ స్కాన్‌లపై OCR-సమీప పని; చార్ట్, డాష్‌బోర్డ్, మరియు పట్టిక చదవడం; స్క్రీన్‌షాట్ అవగాహన మరియు UI గ్రౌండింగ్; కేటలాగ్ ట్యాగింగ్ మరియు దృశ్య QA; మోడరేషన్ పైప్‌లైన్‌లు — ఒక్కో-కాల్ ఖర్చు బంధించే మరియు సూక్ష్మ-వివరాల కచ్చితత్వం మీరు వదులుకోవడానికి నిరాకరించే ఏ మల్టీమోడల్ పనైనా.
చెడ్డ సరిపోలికలు. ధరతో సంబంధం లేకుండా అత్యంత బలమైన మోడల్ అవసరమయ్యే ఫ్రాంటియర్-కష్టత మల్టీమోడల్ తర్కం — Kimi-K3 పని, మరియు ఒక కారణం కోసం దాదాపు పది రెట్లు ఎక్కువ ఖరీదు చేస్తుంది. కేవలం-టెక్స్ట్ ఉత్పత్తి, ఇక్కడ MiMo-V2.5-Pro అదే రేటు వద్ద మెరుగైన పునాదిని ఇస్తుంది. విజ్ఞానకోశ ప్రపంచ జ్ఞానంపై ఆధారపడే పని, ఇక్కడ ఒక పెద్ద విరళ పునాది ఒక సూక్ష్మ దట్టమైనదాన్ని అధిగమిస్తుంది. మరియు ఇక్కడ ఏ మోడలూ అందించని 262K సందర్భం కంటే ఎక్కువ అవసరమయ్యే ఏదైనా.
పైన ఉన్న ప్రతి ప్రచురించిన గణాంకమూ MiMo మరియు MiMo-VL శ్రేణిలో పేరు పెట్టబడిన ఒక చెక్‌పాయింట్ కోసం Xiaomi సొంతం. మా సారాంశాన్ని కాక ప్రాథమిక సామగ్రిని చదవండి.
09తరచుగా అడిగే ప్రశ్నలు
సెన్సార్ లేని MiMo విజన్ API అంటే ఏమిటి?
ఇది Shannon AI గేట్‌వేపై MiMo-V2.5 W8A16 మోడల్: Xiaomi యొక్క MiMo వంశంలో విజన్-సామర్థ్యం గల ఒక మోడల్, మా సొంత GPU క్లస్టర్‌పై 8-బిట్ వెయిట్ కచ్చితత్వం వద్ద 262,144-టోకెన్ సందర్భంతో మరియు తిరస్కరణ పొర లేదా అవుట్‌పుట్ ఫిల్టర్ లేకుండా అందించబడుతుంది. ఇది /v1/chat/completions, /v1/messages మరియు /v1/responsesపై చిత్రాలను మరియు టెక్స్ట్‌ను మిలియన్ ఇన్‌పుట్ టోకెన్‌లకు $0.50 మరియు మిలియన్ అవుట్‌పుట్ టోకెన్‌లకు $2.00 వద్ద తీసుకుంటుంది.
చిత్రాలను నిజంగా చూడగల అత్యంత చౌక సెన్సార్ లేని మోడల్ ఏది?
మిలియన్ టోకెన్‌లకు $0.50 ఇన్‌పుట్ / $2.00 అవుట్‌పుట్ అట్టడుగు ధర వద్ద రెండు సమానంగా ఉన్నాయి: MiMo-V2.5 W8A16 మరియు MiniMax-M3 3BIT-REAP. MiMo-V2.5 8-బిట్ వెయిట్‌ల వద్ద రెంటిలో అధిక-కచ్చితత్వం గలది, వివరాలు-సున్నితమైన చిత్ర పనికి సురక్షితమైన డిఫాల్ట్. MiniMax-M3 ఒక్కో-పిక్సెల్ విశ్వసనీయత కంటే ప్రపంచ జ్ఞాన వైశాల్యానికి అనుకూలంగా, 3 బిట్‌లకు కుదించబడిన ఒక చాలా పెద్ద పునాదిని నడుపుతుంది.
W8A16 అంటే ఏమిటి మరియు అది విజన్‌కు ఎందుకు ముఖ్యం?
W8A16 అంటే 16-బిట్ యాక్టివేషన్‌లతో 8-బిట్ వెయిట్‌లు, Shannon జాబితాలో అత్యధిక-విశ్వసనీయత శ్రేణి, పునాది దూకుడైన కుదింపు అనవసరమైనంత చిన్నదైనచోట వాడబడుతుంది. ఇది విజన్‌కు ముఖ్యం ఎందుకంటే ఒక విజన్ టవర్ మరియు దాని ప్రొజెక్టర్ సూక్ష్మ-గ్రాన్ వివరాలను ఒక ఇరుకైన మార్గం ద్వారా మోసుకెళ్తాయి, మరియు అక్కడ ప్రవేశపెట్టబడిన లోపాలు కొంచెం మసకగా ఉన్న ఒక టెక్స్ట్ ఎంబెడింగ్ తరచుగా అయ్యే విధంగా తర్వాత తిరిగి పొందదగినవి కావు.
MiMo-V2.5 MiMo-V2.5-Pro నుండి ఎలా భిన్నం?
అదే ధర, అదే 262,144-టోకెన్ సందర్భం, అదే W8A16 శ్రేణి, కానీ అదే మోడల్ కాదు. MiMo-V2.5 చిత్రాలను స్వీకరిస్తుంది; MiMo-V2.5-Pro చేయదు, బదులుగా ఆ సర్వింగ్ బడ్జెట్‌ను ఒక పెద్ద టెక్స్ట్ పునాదిపై ఖర్చు చేస్తుంది. ఇన్‌పుట్‌లలో స్క్రీన్‌షాట్‌లు, పత్రాలు, చార్ట్‌లు లేదా ఫోటోగ్రాఫ్‌లు ఉన్నప్పుడు MiMo-V2.5ను వాడండి; అదే రేటు వద్ద కేవలం-టెక్స్ట్ పని కోసం Proను వాడండి.
సెన్సార్ లేని MiMo విజన్ మోడల్ JSON స్కీమా మరియు టూల్ కాలింగ్‌కు మద్దతు ఇస్తుందా?
అవును. MiMo-V2.5 W8A16 కఠినమైన json_schema నిర్మాణాత్మక అవుట్‌పుట్‌కు, response_formatకు, టూల్ కాలింగ్‌కు, స్ట్రీమింగ్‌కు మరియు ఒక reasoning_effort నియంత్రణకు మద్దతు ఇస్తుంది. అదే దీన్ని ఒక వెలికితీత బ్యాకెండ్‌గా వాడదగినదిగా చేసేది: దానికి ఒక చిత్రాన్ని ఇవ్వండి మరియు మీరు పార్స్ చేయాల్సిన గద్యానికి బదులు ఒక ధ్రువీకరించబడిన వస్తువును తిరిగి పొందండి.
దానికి ఒక చిత్రాన్ని పంపండి
8-బిట్ విజన్, 262K సందర్భం, తిరస్కరణ పొర లేదు — ఒక కేవలం-టెక్స్ట్ మోడల్ ధరకు.
API డాక్స్ చదవండి అన్ని 12 మోడల్‌లను బ్రౌజ్ చేయండిమోడల్ id: MiMo-V2.5-W8A16 · మా బాధ్యతాయుత వినియోగ విధానం చేత నిర్వహించబడుతుంది
మూలాలు: MiMo సాంకేతిక నివేదిక (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. అన్ని బెంచ్‌మార్క్ గణాంకాలూ పైన పేరు పెట్టబడిన విడుదల చేయబడిన చెక్‌పాయింట్‌ల కోసం Xiaomi-నివేదించినవి మరియు కుటుంబ వంశాన్ని వర్ణిస్తాయి, ఈ ఎండ్‌పాయింట్‌పై ఖచ్చితమైన బిల్డ్‌ను కాదు. ధరలు, సందర్భం, మరియు సామర్థ్య ఫ్లాగ్‌లు Shannon AI గేట్‌వే జాబితా విలువలు, సెప్టెంబర్ 2026.