API วิชัน MiMo แบบไม่เซ็นเซอร์

เอนด์พอยต์มัลติโมดัลราคาถูกนั้นถูกเพราะมีอะไรบางอย่างถูกตัดออก และสิ่งที่ถูกตัดมักเป็นส่วนที่คุณมองไม่เห็น: น้ำหนักถูกบีบลงเหลือสามหรือสี่บิต แล้วโมเดลก็ยังตอบอย่างมั่นใจเกี่ยวกับแผนภูมิที่มันอ่านไม่ออกแล้วจริง ๆ MiMo-V2.5 คือตัวอย่างสวนทางในชุดโมเดลของเรา — อยู่ที่ราคาพื้นและอยู่ที่ระดับความละเอียดสูงสุดพร้อมกัน เพราะโมเดลฐานที่มันสืบสายมาถูกสร้างให้เล็กและหนาแน่น แทนที่จะมโหฬารและเบาบาง

01MiMo มาจากไหน: เป็นโมเดลให้เหตุผลก่อน แล้วค่อยเป็นโมเดลวิชัน

ตระกูล MiMo คือโครงการวิจัยน้ำหนักเปิดของ Xiaomi และข้อโต้แย้งตั้งต้นของมันไม่ค่อยเป็นที่นิยม: ความสามารถในการให้เหตุผลถูกกำหนดตอนพรีเทรน ไม่ใช่เอา RL มาแปะทีหลัง งานส่วนใหญ่เป็นวิศวกรรมข้อมูล — Xiaomi สร้างการสกัดและกรองข้อความใหม่เพื่อเพิ่มความหนาแน่นของแบบแผนการให้เหตุผลในคลังข้อมูล สร้างข้อมูลการให้เหตุผลสังเคราะห์ในปริมาณมาก และพรีเทรน MiMo-7B-Base บนโทเค็นราว 25 ล้านล้าน ภายใต้ส่วนผสมสามระยะ โดยมี Multiple-Token Prediction เป็นวัตถุประสงค์เสริมที่ตอนอินเฟอเรนซ์ทำหน้าที่เป็นดีโคเดอร์แบบคาดเดาไปด้วย (อัตราการยอมรับใกล้ 90% ตามที่ Xiaomi ระบุ)

ขั้นโพสต์เทรนถูกออกแบบให้เรียบง่ายอย่างจงใจ: โจทย์คณิตศาสตร์และโค้ด 130,000 ข้อ พร้อมรางวัลความถูกต้องที่อิงกฎเท่านั้น ไม่มีโมเดลรางวัลที่เรียนรู้มา ด้วยเหตุผลว่าโมเดลรางวัลแบบนิวรัลคือพื้นผิวที่รอถูกแฮก รางวัลที่ตรวจสอบได้นั้นพูดหว่านล้อมไม่ได้ MiMo-7B-RL ทำตัวเลขได้เกินสัดส่วนขนาดของมัน — Xiaomi รายงาน 68.2% บน AIME 2024, 95.8% บน MATH-500, 57.8% บน LiveCodeBench v5 ที่ pass@1 ทัดเทียมกับ o1-mini ของ OpenAI นั่นคือรูปทรงของโมเดลที่คุณกำลังเรียกใช้: กะทัดรัด เทรนมาแน่น ปรับให้คิดไล่ไปตามลำดับของโจทย์ แทนที่จะดึงคำตอบจากความจำ — และอุปนิสัยนั้นตกทอดไปถึงลูกหลานที่เป็นมัลติโมดัล

02MiMo เรียนรู้ที่จะมองเห็นอย่างไร: สถาปัตยกรรม MiMo-VL

MiMo-VL คือแขนงภาษา-ภาพ และวิธีประกอบมันน่าศึกษา Xiaomi ประกอบสามส่วนเข้าด้วยกัน: เอนโคเดอร์ ViT ที่ความละเอียดดั้งเดิม ซึ่งรักษารายละเอียดละเอียดยิบไว้แทนที่จะบังคับทุกภาพผ่านกริดความละเอียดต่ำแบบตายตัว โปรเจกเตอร์ MLP ที่สุ่มค่าเริ่มต้นเพื่อฉายเข้าสู่ปริภูมิแฝงของโมเดลภาษา และที่สำคัญที่สุดคือ ใช้แบ็กโบนการให้เหตุผลของ MiMo เป็นตัวโมเดลภาษา ระบบวิชันจึงรับสืบทอดดีโคเดอร์ที่เก่งการคิดหลายขั้นอยู่แล้ว แทนที่จะได้ตัวที่เก่งแค่การบรรยายภาพ

การเทรนดำเนินไปในสี่ระยะพรีเทรน — วอร์มอัปโปรเจกเตอร์ การจัดแนวภาษา-ภาพ การพรีเทรนมัลติโมดัลทั่วไป และ SFT คอนเท็กซ์ยาว — บนโทเค็นราว 2.4 ล้านล้าน แล้วตามด้วย Mixed On-policy Reinforcement Learning (MORL) ที่รวมความแม่นยำของการรับรู้ ความแม่นยำของการอ้างอิงตำแหน่งในภาพ ความถูกต้องของการให้เหตุผล และความชอบของมนุษย์/AI เข้าไว้ในลูป on-policy เดียว รายงานยอมรับตรง ๆ ว่าการหาค่าเหมาะที่สุดของทั้งหมดนั้นพร้อมกันไม่เสถียร — เป็นการเล่าที่ซื่อตรงกว่าเปเปอร์มัลติโมดัลส่วนใหญ่

ผลลัพธ์ที่เผยแพร่ถือว่าแข็งแรงเมื่อเทียบกับจำนวนพารามิเตอร์ Xiaomi รายงานว่า MiMo-VL-7B-RL เอาชนะ Qwen2.5-VL-7B ใน 35 จาก 40 งาน ได้ 59.4 บน OlympiadBench (เหนือกว่าโมเดลที่ใหญ่ถึง 78B) และ 56.1 บน OSWorld-G สำหรับการอ้างอิงตำแหน่งบน GUI นำหน้าเอเจนต์ที่สร้างมาเพื่ออินเทอร์เฟซโดยเฉพาะ รุ่นปรับปรุง 2508 ที่ตามมาดัน MMMU ทะลุ 70 เป็นครั้งแรกในซีรีส์ (70.6) ไปถึง 94.4 บน ChartQA, 92.5 บน ScreenSpot-v2 และ 70.8 บน VideoMME พร้อมเพิ่มสวิตช์ควบคุมการคิด เพื่อให้ปิดร่องรอยการให้เหตุผลเป็นรายคำขอได้

03W8A16 หมายความว่าอย่างไร และทำไมจึงสำคัญกับวิชันมากกว่ากับข้อความ

ทุกโมเดลบนเกตเวย์มีคำต่อท้ายบอกการควอนไทซ์ มันไม่ใช่ของประดับ — มันบอกคุณว่ามีอะไรถูกแลกไปเพื่อให้โมเดลให้บริการได้

คำต่อท้าย	มันคืออะไร	ทำไมจึงถูกใช้
3BIT-REAP	น้ำหนัก 3 บิตบวก REAP ซึ่งเป็นวิธีตัดผู้เชี่ยวชาญที่ลบผู้เชี่ยวชาญซึ่งถูกเราต์ไปหาน้อยออกจากโมเดล MoE ก่อนการควอนไทซ์	เป็นทางเดียวที่จะบรรจุและให้บริการโมเดลฐานตัวใหญ่ที่สุดด้วยความเร็วที่ยอมรับได้
W4A16-AUTOROUND-REAP	น้ำหนัก 4 บิต แอกทิเวชัน 16 บิต ควอนไทซ์ด้วย AutoRound — การปัดเศษที่เรียนรู้ได้ซึ่งกู้ความแม่นยำคืนจากการปัดไปยังค่าที่ใกล้ที่สุดแบบตรงไปตรงมา — บวกการตัดแบบ REAP	ทางสายกลางสำหรับโมเดลฐานขนาดใหญ่ที่ไม่ต้องการการบีบอัดสุดขั้ว
W8A16	น้ำหนัก 8 บิต แอกทิเวชัน 16 บิต — ระดับที่ความเที่ยงสูงที่สุดที่เราให้บริการ	ใช้ในกรณีที่โมเดลฐานเล็กพอจนไม่จำเป็นต้องบีบอัดแบบดุ

MiMo-V2.5 ได้แถวที่สามมาเพราะมันกะทัดรัด: โมเดลฐานแบบหนาแน่นในชั้นนี้ไม่จำเป็นต้องถูกบดลงเหลือสามบิตเพื่อให้ใส่ลงเครื่องได้ คุณจึงเก็บแปดบิตไว้ได้ และน้ำหนักที่คุณสุ่มออกมาก็ยังใกล้กับน้ำหนักที่ถูกเทรนมา นั่นสำคัญอย่างไม่สมส่วนสำหรับงานภาพ ด้วยเหตุผลเชิงโครงสร้าง ในดีโคเดอร์ข้อความล้วน เอ็มเบดดิงที่เลื่อนไหลไปจากการควอนไทซ์จะถูกจัดบริบทใหม่โดยชั้นแอตเทนชันอีกหลายสิบชั้นที่ตามมา — มีโอกาสกู้คืนหลายครั้ง สแต็กวิชันไม่มีที่ว่างแบบนั้น: ข้อมูลภาพผ่านเอนโคเดอร์เดียวและโปรเจกเตอร์แคบ ๆ ตัวเดียวก่อนถึงดีโคเดอร์ และทุกอย่างที่อยู่ถัดไปล้วนถูกกำหนดเงื่อนไขด้วยสิ่งที่คอขวดนั้นผลิตออกมา สัญญาณที่ละเอียดยิบ — 3 เทียบกับ 8 ในภาพสแกนที่คอนทราสต์ต่ำ พิกเซลเป๊ะ ๆ ที่แท่งกราฟจบลงบนแกน ขอบเขตขององค์ประกอบ UI ที่คุณถูกขอให้คลิก — อาศัยอยู่ในรายละเอียดของน้ำหนักที่มีขนาดเล็ก ซึ่งการควอนไทซ์แบบดุทิ้งไปเป็นอย่างแรก

โมเดลวิชัน 3 บิตไม่ได้ล้มเหลวเสียงดัง มันล้มเหลวอย่างเงียบ ๆ โดยผลิตคำบรรยายเอกสารที่ลื่นไหลแต่มีตัวเลขสองหลักสลับที่กันในยอดรวม ความละเอียดของน้ำหนักที่สูงกว่าคือประกันที่ถูกที่สุดต่อความล้มเหลวแบบนั้น และตรงนี้มันฟรี — คุณจ่ายราคาพื้นอยู่แล้วไม่ว่าทางไหน

04ราคาพื้น เมื่อมองในบริบท

สี่โมเดลในชุดสิบสองตัวของเราอยู่ที่ราคาพื้น $0.50 อินพุต / $2.00 เอาต์พุต ต่อหนึ่งล้านโทเค็น มีเพียงตัวเดียวที่รับภาพได้ นี่คือตำแหน่งของโมเดลที่รับภาพได้เมื่อวัดด้วยต้นทุนเอาต์พุต ซึ่งเป็นตัวเลขที่ครองบิลจริงส่วนใหญ่:

ราคาเอาต์พุตเป็นดอลลาร์สหรัฐต่อ 1M โทเค็น อัตราตามรายการของ Shannon AI Gateway กันยายน 2026 ความยาวแท่งเทียบกับโมเดลวิชันที่แพงที่สุดในชุด

เทียบกับ Kimi-K3 — โมเดลวิชันระดับเพดาน และแข็งแรงกว่าจริง ๆ — MiMo-V2.5 ถูกกว่าราว 9.6 เท่าฝั่งเอาต์พุต และ 7.7 เท่าฝั่งอินพุต นั่นไม่ใช่การอ้างว่าเท่าเทียมกัน แต่เป็นข้อโต้แย้งเรื่องรูปทรงของงาน ที่ปริมาณแสนภาพต่อเดือน โมเดลระดับเพดานจ่ายไม่ไหว ส่วนโมเดลราคาพื้นจ่ายไหว และคำถามที่ตรงไปตรงมาคือโมเดลราคาพื้นผ่านเกณฑ์ความแม่นยำของคุณหรือไม่ — ไม่ใช่ว่ามันชนะเบนช์มาร์กหรือเปล่า

05MiMo-V2.5 เทียบ MiniMax-M3: สองโมเดลวิชันราคาถูก เทียบกันอย่างซื่อตรง

สองตัวนี้เสมอกันเป๊ะทั้งราคา คอนเท็กซ์ และหน้าตาของเอนด์พอยต์ แต่ใช้แทนกันไม่ได้: ระดับการควอนไทซ์เป็นตัวแทนของการเดิมพันสองแบบว่าอะไรทำให้โมเดลวิชันมีประโยชน์

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
อินพุต / เอาต์พุต ต่อ 1M	$0.50 / $2.00	$0.50 / $2.00
ความละเอียดของน้ำหนัก	8 บิต	3 บิต + การตัดผู้เชี่ยวชาญ
ขนาดโมเดลฐาน	กะทัดรัด หนาแน่น	ใหญ่ MoE เบาบาง
วิชัน	ได้	ได้
หน้าต่างคอนเท็กซ์	262,144	262,144
สคีมา · ทูล · การสตรีม	ได้	ได้

เลือก MiMo-V2.5 เมื่อรูปภาพคือส่วนที่ยาก: การทำ OCR หนาแน่นบนภาพสแกนที่ไม่สมบูรณ์ การดึงตัวเลขจากแผนภูมิและตาราง การอ้างอิงตำแหน่งบนภาพหน้าจอและ UI การอ่านตัวอักษรเล็ก การแยกภาพสินค้าที่แทบเหมือนกัน — อะไรก็ตามที่ตัวเลขสลับที่กันนับเป็นข้อบกพร่อง ไม่ใช่ตำหนิด้านความสวยงาม คุณต้องการเส้นทางที่ความเที่ยงสูงที่สุดจากพิกเซลไปสู่โทเค็น และน้ำหนัก 8 บิตคือวิธีที่คุณจะได้มันมาที่ราคานี้

เลือก MiniMax-M3 เมื่อรูปภาพคือส่วนที่ง่าย โมเดลฐานเบาบางขนาดใหญ่ที่ถูกบีบลงเหลือ 3 บิตยังคงเก็บความรู้โลกและความกว้างของการให้เหตุผลไว้มากกว่าที่โมเดลหนาแน่นกะทัดรัดจะทำได้ แม้หลังถูกตัดแล้วก็ตาม ถ้างานคือ "ดูรูปนี้แล้วให้เหตุผลยาว ๆ ว่ามันสื่อถึงอะไร" หรือรูปเป็นเพียงอินพุตหนึ่งในบทสนทนาที่เป็นข้อความเสียส่วนใหญ่ โมเดลฐานที่ใหญ่กว่าคือเครื่องมือที่ดีกว่า — ความคมชัดทางการมองเห็นที่คุณแลกทิ้งไปไม่ใช่ข้อจำกัดที่ผูกมัด

06MiMo-V2.5 เทียบ MiMo-V2.5-Pro: พี่น้องที่แลกดวงตากับความลึก

นี่คือการเปรียบเทียบที่สร้างตั๋วซัพพอร์ตมากที่สุด จึงควรพูดกันตรง ๆ MiMo-V2.5-Pro-W8A16 และ MiMo-V2.5-W8A16 ใช้ราคา หน้าต่างคอนเท็กซ์ ระดับความละเอียด และชื่อตระกูลร่วมกัน Pro ไม่รับรูปภาพ มันไม่ใช่ซูเปอร์เซตของอีกตัว แต่คือการจัดสรรงบก้อนเดียวกันคนละแบบ

การให้บริการโมเดลมัลติโมดัลหมายถึงการจ่ายค่าหอวิชันและโปรเจกเตอร์ควบคู่ไปกับดีโคเดอร์ — ที่เป้าหมายต้นทุนคงที่ นั่นคือความจุที่ไม่ได้ลงกับตัวโมเดลภาษาเอง Pro ทุ่มทั้งหมดไปที่ข้อความ: โมเดลฐานที่ใหญ่กว่าพร้อมที่ว่างมากกว่าสำหรับงานเขียนยาว การให้เหตุผลแบบขยาย และโค้ด ส่วน MiMo-V2.5 แบ่งไปให้การมองเห็น

กฎการตัดสินใจจึงอยู่ที่อินพุตของคุณ ไม่ใช่ความทะเยอทะยานของคุณ ถ้าคำขอใดก็ตามอาจมีภาพหน้าจอ หน้าเอกสารที่สแกนมา แผนภูมิ ไดอะแกรม หรือภาพถ่าย คุณต้องใช้ MiMo-V2.5 — Pro จะปฏิเสธคอนเท็นต์บล็อกนั้น ถ้าทุกคำขอเป็นข้อความล้วนและคุณหยิบโมเดลวิชันมาใช้เพราะความเคยชิน คุณกำลังทิ้งคุณภาพของโมเดลฐานไว้บนโต๊ะโดยเปล่าประโยชน์ ให้ใช้ MiMo-V2.5-Pro ที่อัตราเดียวกัน

รูปแบบที่ควรลอกไปใช้: เราต์ตามชนิดของคอนเท็นต์ อะไรที่มีส่วนที่เป็นรูปภาพให้ไปที่ MiMo-V2.5-W8A16 ที่เหลือไปที่ MiMo-V2.5-Pro-W8A16 ตระกูลเดียวกัน ราคาเดียวกัน งบคอนเท็กซ์เดียวกัน — ตัวเราต์เขียนง่ายมากและไม่มีแบบจำลองต้นทุนให้ต้องมานั่งกระทบยอด

07"ความเข้าใจภาพแบบไม่เซ็นเซอร์" หมายความว่าอย่างไรจริง ๆ

ไม่มีชั้นการปฏิเสธอยู่หน้าโมเดลนี้ และไม่มีตัวกรองเนื้อหาบนเอาต์พุตของมัน นั่นคือการตัดสินใจเชิงผลิตภัณฑ์ที่มีผลเฉพาะเจาะจงต่องานวิชัน: โมเดลอธิบายสิ่งที่อยู่ในเฟรม แทนที่จะปฏิเสธเพราะเนื้อหาที่ปรากฏ

เรื่องนี้สำคัญเพราะ API วิชันที่ถูกกรองนั้นไม่เหมาะกับงานที่ชอบธรรมทั้งหมวดโดยโครงสร้าง ไปป์ไลน์คัดกรองเนื้อหาต้องดูวัสดุที่มันคัดกรองและบอกว่ามันคืออะไร ตัวจำแนกที่ปฏิเสธจะตรวจสอบสิ่งที่มันจำแนกย่อมไม่ใช่ตัวจำแนก เรื่องเดียวกันนี้ใช้ได้กับงานจริงอีกยาวเหยียด:

• เครื่องมือด้านความไว้วางใจและความปลอดภัย — ติดป้ายกำกับให้กับภาพชนิดที่ API กระแสหลักไม่ยอมประมวลผลพอดี ซึ่งก็คือภาพที่ต้องการการติดป้ายมากที่สุด
• ภาพทางการแพทย์ นิติวิทยาศาสตร์ และอุบัติเหตุ — ภาพถ่ายทางคลินิก ภาพบาดแผล และภาพที่เกิดเหตุ ซึ่งตัวกรองทั่วไปปัดตกว่าน่าสยดสยองไม่ว่าใครจะเป็นคนถาม
• การวิจัยความปลอดภัย — อ่านหน้าฟิชชิง อินเทอร์เฟซที่มุ่งร้าย และหน้าจอที่ถูกจับภาพไว้ โดยที่โมเดลไม่ตะขิดตะขวงกับโจทย์
• การจำแนกเนื้อหาสำหรับผู้ใหญ่และการจัดหมวดหมู่จดหมายเหตุ — ไปป์ไลน์ที่มีอยู่เพื่อระบุวัสดุและไม่สามารถเอาการมองไปจ้างคนอื่นทำได้ รวมถึงคลังเอกสารประวัติศาสตร์ที่ตัวกรองถือว่าติดป้ายไม่ได้

การถอดชั้นการปฏิเสธออกเป็นการเอาอุปสรรคทางวิศวกรรมออก ไม่ใช่อุปสรรคทางกฎหมาย Shannon AI ดำเนินการโดย Shannon Lab LLC ในรัฐนิวเม็กซิโก สหรัฐอเมริกา และการใช้ API อยู่ภายใต้นโยบายการใช้งานอย่างรับผิดชอบของเรา เอาต์พุตที่ไม่ถูกกรองคือความสามารถ ไม่ใช่ใบอนุญาต

08การเรียกใช้: เอนด์พอยต์ การส่งภาพเข้า และมันเหมาะกับตรงไหน

โมเดลคือ MiMo-V2.5-W8A16 เข้าถึงได้ผ่านสามภาษาถิ่นของคำขอที่ชี้ไปยังน้ำหนักชุดเดียวกัน คุณจึงเก็บ SDK ที่คุณมีอยู่แล้วไว้ได้:

• /v1/chat/completions — เข้ากันได้กับ OpenAI รูปภาพส่งเข้าไปเป็นคอนเท็นต์พาร์ต image_url ได้ทั้งแบบ URL https หรือ data URI แบบ base64
• /v1/messages — เข้ากันได้กับ Anthropic รูปภาพส่งเข้าไปเป็นคอนเท็นต์บล็อก image
• /v1/responses — ภาษาถิ่นสไตล์ Responses

การสตรีมและการเรียกใช้ทูลใช้ได้ทั้งสามแบบ โมเดลจึงดูภาพหน้าจอแล้วเรียกฟังก์ชันเกี่ยวกับสิ่งที่มันเห็นได้ในรอบเดียว สคีมาของคำขอและคำตอบฉบับเต็มอยู่ในเอกสาร API ซึ่งมีเพลย์กราวด์ให้คุณวางรูปเข้าไปลองก่อนเขียนโค้ดสักบรรทัดด้วย

MiMo-V2.5 รองรับ json_schema แบบเข้มงวดและ response_format — นั่นคือความต่างระหว่างเดโมกับไปป์ไลน์จริง ส่งใบเสร็จให้มันพร้อมสคีมาที่มีฟิลด์ระบุชนิดสำหรับผู้ขาย วันที่ รายการสินค้า และยอดรวม แล้วคุณจะได้ออบเจ็กต์ที่โค้ดของคุณตรวจสอบความถูกต้องได้ แทนที่จะเป็นย่อหน้าที่คุณต้องเอา regex มาไล่ สองในสิบสองโมเดลในชุดนี้ไม่รองรับเอาต์พุตแบบมีโครงสร้างเต็มรูปแบบ ตัวนี้รองรับ และนั่นคือเหตุผลที่มันทำงานเป็นบริการดึงข้อมูลปริมาณสูงได้

หน้าต่างคอนเท็กซ์คือ 262,144 โทเค็น เอาต์พุตที่สร้างถูกจำกัดที่ 16,384 โทเค็น ต่อคำขอ รูปภาพกินโทเค็นอินพุตตามฟังก์ชันของความละเอียด ภาพสแกนหน้าเอกสารความละเอียดสูงจึงกินคอนเท็กซ์เร็วกว่าข้อความที่มีจำนวนคำเทียบเท่ากันมาก ให้แบ่งเอกสารยาวเป็นหน้า ๆ แทนที่จะโหลดภาพสแกน 300 หน้าในคำขอเดียว และให้ถือว่าเพดานเอาต์พุตเป็นข้อจำกัดจริงของการดึงข้อมูลแบบครบถ้วน — แบ่งตารางที่หนาแน่นตามช่วงแถว แทนที่จะได้คำตอบที่ถูกตัดกลางคัน

ปุ่มปรับ reasoning_effort มีน้ำหนักจริงตรงนี้เมื่อดูจากเชื้อสายของตระกูล หมุนลงสำหรับการจำแนกปริมาณมาก ที่ซึ่งคำตอบคือป้ายกำกับหนึ่งอันและโทเค็นการคิดเป็นต้นทุนล้วน ๆ หมุนขึ้นสำหรับการตีความแผนภูมิ คณิตศาสตร์เชิงภาพ และการให้เหตุผลกับไดอะแกรม ที่ซึ่งโมเดลต้องรวมหลายสิ่งที่มันเห็นเข้าด้วยกันก่อนจะตอบได้

มันเหมาะกับตรงไหน และไม่เหมาะกับตรงไหน

เหมาะดี การดึงข้อมูลจากเอกสารและใบเสร็จปริมาณสูง งานใกล้เคียง OCR บนภาพสแกนที่ไม่สมบูรณ์ การอ่านแผนภูมิ แดชบอร์ด และตาราง การเข้าใจภาพหน้าจอและการอ้างอิงตำแหน่งบน UI การติดแท็กแคตตาล็อกและถามตอบเชิงภาพ ไปป์ไลน์คัดกรองเนื้อหา — งานมัลติโมดัลใดก็ตามที่ต้นทุนต่อการเรียกเป็นข้อผูกมัด และความเที่ยงในรายละเอียดเล็ก ๆ คือสิ่งที่คุณไม่ยอมเสีย

ไม่ค่อยเหมาะ การให้เหตุผลมัลติโมดัลระดับยากแนวหน้าที่ต้องการโมเดลแข็งแรงที่สุดไม่ว่าราคาเท่าไร — นั่นเป็นงานของ Kimi-K3 และมันแพงกว่าเกือบสิบเท่าด้วยเหตุผล การสร้างข้อความล้วน ซึ่ง MiMo-V2.5-Pro ให้โมเดลฐานที่ดีกว่าในอัตราเดียวกัน งานที่พึ่งพาความรู้โลกแบบสารานุกรม ซึ่งโมเดลฐานเบาบางขนาดใหญ่แซงโมเดลหนาแน่นกะทัดรัด และอะไรก็ตามที่ต้องการคอนเท็กซ์เกิน 262K ซึ่งไม่มีโมเดลไหนตรงนี้ให้ได้

09คำถามที่พบบ่อย

---

แหล่งอ้างอิง: MiMo technical report (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508 ตัวเลขเบนช์มาร์กทั้งหมดเป็นตัวเลขที่ Xiaomi รายงานสำหรับเช็กพอยต์ที่ปล่อยออกมาตามชื่อข้างต้น และอธิบายสายพันธุ์ของตระกูล ไม่ใช่บิลด์ที่แน่นอนบนเอนด์พอยต์นี้ ราคา คอนเท็กซ์ และธงความสามารถเป็นค่าตามรายการของ Shannon AI Gateway กันยายน 2026