Uncensored na MiMo Vision API

Mura ang mga murang multimodal na endpoint dahil may pinutol, at ang napuputol ay karaniwang ang bahaging hindi mo nakikita: sinisiksik ang weights tungo sa tatlo o apat na bit, at buong tiwala pa ring sumasagot ang modelo tungkol sa tsart na hindi na niya talaga kayang basahin. Ang MiMo-V2.5 ang kontra-halimbawa sa aming katalogo — nasa sahig ng presyo at nasa pinakamataas na antas ng presisyon nang sabay, dahil ang pundasyong pinagmulan nito ay ginawang maliit at dense sa halip na napakalaki at sparse.

01Saan nagmula ang MiMo: reasoning model muna, vision model pangalawa

Ang linyang MiMo ang open-weights na programang pananaliksik ng Xiaomi, at hindi uso ang pundasyong argumento nito: naitatakda ang kakayahang mangatwiran habang nagpe-pretrain, hindi idinudugtong pagkatapos gamit ang RL. Halos inhenyeriya ng datos ang gawain — muling itinayo ng Xiaomi ang pagkuha at pagsala ng teksto upang itaas ang densidad ng mga padrong pangangatwiran sa korpus, gumawa ng sintetikong datos sa pangangatwiran nang malakihan, at pinretrain ang MiMo-7B-Base sa mga 25 trilyong token sa ilalim ng tatlong-yugtong halo, kasama ang Multiple-Token Prediction bilang pantulong na layuning nagsisilbi ring speculative decoder habang nag-i-inference (halos 90% ang antas ng pagtanggap, ayon sa Xiaomi).

Sinadyang matipid ang posttraining: 130,000 na problema sa matematika at code na may gantimpalang batay lamang sa tuntunin at katumpakan, walang natutunang reward model, sa pangangatwirang ang neural na reward model ay ibabaw na maaaring lokohin. Hindi mabobola ang mga gantimpalang napapatunayan. Naglalabas ang MiMo-7B-RL ng mga bilang na hindi katimbang ng laki nito — iniuulat ng Xiaomi ang 68.2% sa AIME 2024, 95.8% sa MATH-500, 57.8% sa LiveCodeBench v5 sa pass@1, katapat ng o1-mini ng OpenAI. Iyon ang hugis ng modelong tinatawag mo: siksik, mahigpit ang pagsasanay, nakatutok sa pagdaan sa isang problema sa halip na alalahanin ang sagot — at nananatili ang ugaling iyon sa mga multimodal na inapo.

02Paano natutong makakita ang MiMo: ang arkitektura ng MiMo-VL

Ang MiMo-VL ang sangay na vision-language, at nakapagtuturo ang pagkakabuo nito. Tinipon ng Xiaomi ang tatlong bahagi: isang ViT encoder na likas ang resolusyon na nagpapanatili ng pinong detalye sa halip na pilitin ang bawat larawan sa nakapirming mababang-resolusyong grid, isang basta-inumpisahang MLP projector tungo sa latent space ng modelong pangwika, at — pinakamahalaga — ang reasoning backbone ng MiMo bilang modelong pangwika. Namamana ng sistemang vision ang isang decoder na magaling na sa maraming-hakbang na pag-iisip sa halip na isang magaling lamang maglapat ng kapsyon.

Tumakbo ang pagsasanay sa apat na yugto ng pretraining — pag-init ng projector, paghahanay ng vision at wika, pangkalahatang multimodal na pretraining, mahabang-context na SFT — sa mga 2.4 trilyong token, saka Mixed On-policy Reinforcement Learning (MORL), na pinagsasama ang katumpakan ng persepsiyon, ang presisyon ng visual grounding, ang tama ng pangangatwiran, at ang kagustuhan ng tao/AI sa isang on-policy na loop. Tapat ang ulat na hindi matatag ang sabay-sabay na pag-optimisa sa lahat ng iyon — mas tapat na pagbabalangkas kaysa sa inaalok ng karamihan sa mga papel na multimodal.

Malakas ang inilathalang resulta para sa bilang ng parameter. Iniuulat ng Xiaomi na tinatalo ng MiMo-VL-7B-RL ang Qwen2.5-VL-7B sa 35 ng 40 na gawain, 59.4 sa OlympiadBench (mas mataas sa mga modelong hanggang 78B), at 56.1 sa OSWorld-G para sa GUI grounding, nauuna sa mga agent ng interface na sadyang ginawa para roon. Itinulak ng kasunod na 2508 na pagbabago ang MMMU lagpas sa 70 sa unang pagkakataon sa serye (70.6), umabot sa 94.4 sa ChartQA, 92.5 sa ScreenSpot-v2 at 70.8 sa VideoMME, at nagdagdag ng switch sa pagkontrol ng pag-iisip upang mapatay ang bakas ng pangangatwiran kada request.

03Ang ibig sabihin ng W8A16, at bakit mas mahalaga ito sa vision kaysa sa teksto

Bawat modelo sa gateway ay may dalang suffix ng kuwantisasyon. Hindi ito palamuti — sinasabi nito kung ano ang ipinalit upang maging maihahain ang modelo.

Suffix	Ano ito	Bakit ito ginagamit
3BIT-REAP	3-bit na weights kasama ang REAP, isang paraan ng pagputol sa expert na nagbabagsak sa bihirang niruruta na expert mula sa isang MoE na modelo bago ang pagkuwantisa	Ang tanging paraan para kumasya at maihain ang pinakamalalaking pundasyon sa katinong bilis
W4A16-AUTOROUND-REAP	4-bit na weights, 16-bit na activations, kinuwantisa gamit ang AutoRound — natutong pag-round na nagbabawi ng katumpakan laban sa payak na pag-round sa pinakamalapit — kasama ang pagputol na REAP	Gitnang landas para sa malalaking pundasyong hindi nangangailangan ng sukdulang pagsisiksik
W8A16	8-bit na weights, 16-bit na activations — ang pinakamataas ang katapatang antas na inihahain namin	Ginagamit kung saan sapat nang maliit ang pundasyon para hindi na kailanganin ang agresibong pagsisiksik

Nakukuha ng MiMo-V2.5 ang ikatlong hilera dahil siksik ito: ang dense na pundasyon sa klaseng ito ay hindi kailangang durugin sa tatlong bit para kumasya, kaya kaya mong panatilihin ang walo, at ang weights na sinasample mo ay nananatiling malapit sa mga sinanay. Hindi katimbang ang halaga niyon sa gawaing may larawan, at istruktural ang dahilan. Sa isang decoder na teksto lamang, ang embedding na lumilihis dahil sa kuwantisasyon ay muling binibigyang-konteksto ng dose-dosenang susunod na layer ng attention — maraming pagkakataong makabawi. Walang ganoong luwag ang salansang vision: dumadaan ang biswal na impormasyon sa iisang encoder at iisang makitid na projector bago ito umabot sa decoder, at nakabatay ang lahat ng kasunod sa inilabas ng makitid na daanang iyon. Ang pinong senyas — 3 laban sa 8 sa isang scan na mahina ang kontrast, ang eksaktong pixel kung saan nagtatapos ang isang bar sa axis ng tsart, ang hangganan ng elemento ng UI na pinapindot sa iyo — ay nakatira sa mababang-magnitude na detalye ng weight na siyang unang itinatapon ng agresibong kuwantisasyon.

Hindi maingay bumabagsak ang isang 3-bit na vision model; tahimik itong bumabagsak, na naglalabas ng matatas na paglalarawan sa isang dokumento na may dalawang digit na nagpalit ng puwesto sa kabuuan. Ang mas mataas na presisyon ng weight ang pinakamurang seguro laban sa pagkabigong iyon, at dito libre ito — pinakamababang presyo pa rin ang binabayaran mo kahit alin.

04Ang pinakamababang presyo, sa konteksto

Apat na modelo sa aming labindalawang-modelong katalogo ang nakaupo sa sahig ng presyong $0.50 na input / $2.00 na output kada milyong token. Isa lamang sa kanila ang tumatanggap ng larawan. Narito kung saan bumabagsak ang mga vision-capable na modelo sa halaga ng output, ang numerong nangingibabaw sa karamihan ng tunay na bayarin:

Presyo ng output sa USD kada 1M na token, mga nakalistang halaga ng Shannon AI Gateway, Setyembre 2026. Kaugnay ang haba ng bar sa pinakamahal na vision model sa katalogo.

Laban sa Kimi-K3 — ang vision model sa kisame, at tunay ngang mas malakas — ang MiMo-V2.5 ay mga 9.6× na mas mura sa output at 7.7× na mas mura sa input. Hindi iyon pag-angkin ng pagkakapantay; argumento iyon tungkol sa hugis ng trabaho. Sa sandaang libong larawan kada buwan, hindi kayang bayaran ang modelo sa kisame at kaya ang modelo sa sahig, at ang tapat na tanong ay kung nalalampasan ng modelo sa sahig ang iyong pamantayan sa katumpakan — hindi kung nananalo ito sa isang benchmark.

05MiMo-V2.5 laban sa MiniMax-M3: ang dalawang murang vision model, tapat na inihambing

Eksaktong magkatabla ang dalawang ito sa presyo, context at ibabaw ng endpoint. Hindi sila mapagpapalit: kinakatawan ng antas ng kuwantisasyon ang dalawang magkaibang pusta kung ano ang nagpapasilbi sa isang vision model.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Input / output kada 1M	$0.50 / $2.00	$0.50 / $2.00
Presisyon ng weight	8-bit	3-bit + pagputol sa expert
Laki ng pundasyon	Siksik, dense	Malaki, sparse na MoE
Vision	Oo	Oo
Context window	262,144	262,144
Schema · tools · streaming	Oo	Oo

Piliin ang MiMo-V2.5 kapag ang larawan ang mahirap na bahagi: siksik na OCR sa mga di-perpektong scan, pagkuha ng numero mula sa tsart at talahanayan, screenshot at UI grounding, pagbasa ng maliit na teksto, paghihiwalay ng halos magkaparehong larawan ng produkto — anumang kung saan depekto at hindi lamang kapintasan sa hitsura ang nagpalit-puwestong digit. Gusto mo ang pinakamataas ang katapatang daanan mula pixel tungong token, at 8-bit na weights ang paraan para makuha iyon sa presyong ito.

Piliin ang MiniMax-M3 kapag ang larawan ang madaling bahagi. Ang malaking sparse na pundasyong sinisiksik sa 3 na bit ay may hawak pa ring mas maraming kaalaman sa mundo at lawak ng pangangatwiran kaysa kayang taglayin ng siksik na dense na modelo, kahit pagkatapos ng pagputol. Kung ang gawain ay "tingnan ang larawang ito at mangatwiran nang mahaba tungkol sa ipinapahiwatig nito," o isa lamang ang larawan sa mga input ng isang halos-tekstong usapan, ang mas malaking pundasyon ang mas mainam na kasangkapan — hindi ang biswal na talas na ipinalit mo ang naging hadlang.

06MiMo-V2.5 laban sa MiMo-V2.5-Pro: ang kapatid na ipinalit ang mata sa lalim

Ito ang paghahambing na pinakamaraming tiket sa suporta ang nagagawa, kaya sulit maging tuwiran. Magkabahagi ang MiMo-V2.5-Pro-W8A16 at ang MiMo-V2.5-W8A16 sa isang presyo, isang context window, isang antas ng presisyon at isang pangalan ng pamilya. Hindi tumatanggap ng larawan ang Pro. Hindi ito superset. Ibang paglalaan ito ng parehong badyet.

Ang paghahain ng multimodal na modelo ay pagbabayad para sa isang vision tower at projector kasabay ng decoder — sa nakapirming target na gastos, kapasidad na hindi nagugol sa mismong modelong pangwika. Ginugugol iyon ng Pro nang buo sa teksto: mas malaking pundasyong may dagdag na luwag para sa mahabang pagsulat, palawig na pangangatwiran, at code. Ginugugol ng MiMo-V2.5 ang bahagi nito sa paningin.

Kaya tungkol sa iyong mga input ang tuntunin sa pagpapasya, hindi sa iyong mga ambisyon. Kung may request na maaaring maglaman ng screenshot, iskaneadong pahina, tsart, diagram o litrato, kailangan mo ang MiMo-V2.5 — tatanggihan ng Pro ang blokeng nilalaman. Kung teksto ang bawat request at inabot mo ang vision model dahil lang sa nakasanayan, iniiwan mo ang kalidad ng pundasyon sa mesa nang walang kapalit: kunin ang MiMo-V2.5-Pro sa parehong halaga.

Isang padrong sulit nakawin: magruta ayon sa uri ng nilalaman. Anumang may bahaging larawan ay tumutungo sa MiMo-V2.5-W8A16, lahat ng iba ay sa MiMo-V2.5-Pro-W8A16. Parehong pamilya, parehong presyo, parehong badyet sa context — walang halaga ang router at walang modelo sa gastos na kailangang pagkasunduin.

07Ang talagang ibig sabihin ng "uncensored na pag-unawa sa larawan"

Walang refusal layer sa harap ng modelong ito at walang filter ng nilalaman sa output nito. Desisyon iyon ng produkto na may tiyak na bunga sa gawaing vision: inilalarawan ng modelo ang nasa kuwadro sa halip na tumanggi batay sa paksa.

Mahalaga ito dahil istruktural na hindi bagay ang mga nasasalang vision API sa isang buong kategorya ng lehitimong trabaho. Kailangang tingnan ng isang daloy ng moderasyon ang materyal na minomoderahan nito at sabihin kung ano ito; ang klasipikador na tumatangging suriin ang inuuri nito ay hindi klasipikador. Ganoon din sa mahabang listahan ng tunay na trabaho:

• Kasangkapan sa tiwala at kaligtasan — paglalagay ng label sa mismong imaheng hindi ipoproseso ng isang pangunahing API, na siya namang imaheng pinakanangangailangan ng label.
• Imaheng medikal, forensic at pang-aksidente — klinikal na litrato, larawan ng sugat at ng pinangyarihan na tinatanggihan ng pangkalahatang filter bilang madugo anuman ang nagtatanong.
• Pananaliksik sa seguridad — pagbasa ng mga pahinang phishing, mapaminsalang interface, at nakuhang screen nang hindi umuurong ang modelo sa premisa.
• Klasipikasyon ng nilalamang pang-adulto at pagkakatalogo ng arkibo — mga daloy na umiiral upang tukuyin ang materyal at hindi maipapasa sa iba ang pagtingin, kasama ang mga makasaysayang koleksiyong itinuturing ng mga filter na hindi malalagyan ng label.

Ang pag-alis ng refusal layer ay nag-aalis ng hadlang sa inhenyeriya, hindi ng hadlang na legal. Pinapatakbo ang Shannon AI ng Shannon Lab LLC sa New Mexico, USA, at pinamamahalaan ng aming Patakaran sa Responsableng Paggamit ang paggamit ng API. Kakayahan ang output na walang filter, hindi pahintulot.

08Pagtawag dito: mga endpoint, input na larawan, at kung saan ito bagay

Ang modelo ay MiMo-V2.5-W8A16, maaabot sa tatlong dayalekto ng request laban sa iisang weights, kaya mananatili sa iyo ang alinmang SDK na mayroon ka na:

• /v1/chat/completions — tugma sa OpenAI. Pumapasok ang mga larawan bilang bahaging image_url, https URL man o base64 na data URI.
• /v1/messages — tugma sa Anthropic. Pumapasok ang mga larawan bilang blokeng image.
• /v1/responses — ang dayalektong estilong Responses.

Gumagana ang streaming at tool calling sa tatlo, kaya kayang tingnan ng modelo ang isang screenshot at tumawag ng function tungkol sa nakita niya sa iisang turn. Nasa dokumentasyon ng API ang buong schema ng request at response, at may playground din doon kung saan makapagdi-dikit ka ng larawan bago ka magsulat ng anumang code.

Sinusuportahan ng MiMo-V2.5 ang mahigpit na json_schema at response_format — ang pagkakaiba ng demo at ng tunay na daloy. Ibigay mo rito ang isang resibo kasama ang schema na may tipadong field para sa nagbenta, petsa, mga aytem sa linya at kabuuan, at ibabalik nito ang isang bagay na kayang patunayan ng iyong code sa halip na isang talatang kailangan mong i-regex. Dalawa sa labindalawang modelo sa katalogong ito ang walang buong suporta sa structured output; may ganoon ang isang ito, at iyon ang dahilan kung bakit gumagana ito bilang serbisyong pang-ekstraksiyon na mataas ang volume.

Ang context window ay 262,144 na token; nakatakda ang nalilikhang output sa 16,384 na token kada request. Kumakain ang mga larawan ng input na token bilang bunga ng resolusyon, kaya mas mabilis lumamon ng context ang mataas na resolusyong scan ng pahina kaysa sa katumbas na bilang ng salita ng teksto. Pahinahin ang mahahabang dokumento sa halip na ikarga ang 300-pahinang scan sa isang request, at ituring na tunay na hangganan ang takip sa output para sa masusing ekstraksiyon — hatiin ang siksik na talahanayan ayon sa saklaw ng hilera sa halip na makakuha ng putol na sagot.

May tunay na lakas ang perilyang reasoning_effort dito dahil sa pinagmulan ng pamilya. Ibaba ito para sa malakihang klasipikasyon, kung saan label ang sagot at purong gastos ang mga token ng pag-iisip; itaas ito para sa pagbibigay-kahulugan sa tsart, biswal na matematika, at pangangatwiran sa diagram, kung saan kailangang pagsamahin ng modelo ang ilang bagay na nakikita niya bago siya makasagot.

Kung saan ito bagay, at kung saan hindi

Magandang bagay. Malakihang ekstraksiyon ng dokumento at resibo; gawaing katabi ng OCR sa di-perpektong scan; pagbasa ng tsart, dashboard at talahanayan; pag-unawa sa screenshot at UI grounding; pagtatag ng katalogo at biswal na QA; mga daloy ng moderasyon — anumang gawaing multimodal kung saan mahigpit ang gastos kada tawag at ang presisyon sa pinong detalye ang tumatangging ipamigay.

Hindi bagay. Multimodal na pangangatwirang nasa hirap ng prontera na nangangailangan ng pinakamalakas na modelo anuman ang presyo — trabaho iyon ng Kimi-K3, at may dahilan kung bakit halos sampung beses ang halaga nito. Paglikha ng tekstong walang larawan, kung saan mas mainam na pundasyon ang ibinibigay ng MiMo-V2.5-Pro sa parehong halaga. Trabahong nakasandal sa ensiklopedikong kaalaman sa mundo, kung saan nalalampasan ng malaking sparse na pundasyon ang siksik na dense. At anumang nangangailangan ng higit sa 262K na context, na walang modelo rito ang nag-aalok.

09Mga madalas itanong

---

Mga sanggunian: teknikal na ulat ng MiMo (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Lahat ng bilang sa benchmark ay iniulat ng Xiaomi para sa mga inilabas na checkpoint na pinangalanan sa itaas at naglalarawan ng lahi ng pamilya, hindi ng eksaktong build sa endpoint na ito. Ang mga presyo, context at bandila ng kakayahan ay nakalistang halaga ng Shannon AI Gateway, Setyembre 2026.