Sansürsüz MiMo Görü API'si

Ucuz çok kipli uç noktalar ucuzdur, çünkü bir şey kesilmiştir ve kesilen şey genellikle göremediğiniz kısımdır: ağırlıklar üç ya da dört bite sıkılır ve model artık gerçekten okuyamadığı bir grafik hakkında yine de kendinden emin yanıt verir. MiMo-V2.5 kataloğumuzdaki karşı örnektir — aynı anda hem fiyat tabanında hem de en üst hassasiyet katmanında, çünkü türediği temel devasa ve seyrek değil, küçük ve yoğun kurulmuştur.

01MiMo nereden geliyor: önce bir akıl yürütme modeli, sonra bir görü modeli

MiMo soyu Xiaomi'nin açık ağırlıklı araştırma programıdır ve kurucu savı modaya uygun değildir: akıl yürütme yeteneği ön eğitim sırasında belirlenir, sonradan RL ile takılmaz. İş büyük ölçüde veri mühendisliğidir — Xiaomi, derlemdeki akıl yürütme örüntülerinin yoğunluğunu artırmak için metin çıkarma ve süzmeyi yeniden kurdu, ölçekte sentetik akıl yürütme verisi üretti ve MiMo-7B-Base'i kabaca 25 trilyon token üzerinde üç aşamalı bir karışımla ön eğitti; buna, çıkarım zamanında spekülatif kod çözücü olarak da iş gören yardımcı bir hedef olarak Çoklu Token Öngörüsü eşlik etti (Xiaomi'ye göre kabul oranı %90'a yakın).

Eğitim sonrası kasten sadedir: 130.000 matematik ve kod problemi, yalnızca kural tabanlı doğruluk ödülleriyle, öğrenilmiş bir ödül modeli olmadan; gerekçe ise sinirsel bir ödül modelinin sömürülecek bir yüzey olmasıdır. Doğrulanabilir ödüller tatlı dille kandırılamaz. MiMo-7B-RL boyutuyla orantısız rakamlar koyuyor — Xiaomi AIME 2024'te %68,2, MATH-500'de %95,8 ve pass@1'de LiveCodeBench v5'te %57,8 bildiriyor; OpenAI'ın o1-mini'siyle başa baş. Çağırdığınız modelin biçimi budur: derli toplu, yoğun eğitilmiş, bir yanıtı hatırlamak yerine problemi çalışarak çözmeye ayarlı — ve bu mizaç çok kipli torunlara da geçiyor.

02MiMo görmeyi nasıl öğrendi: MiMo-VL mimarisi

MiMo-VL, görü-dil dalıdır ve kuruluşu öğreticidir. Xiaomi üç parça bir araya getirdi: her görseli sabit ve düşük çözünürlüklü bir ızgaraya sokmak yerine ince ayrıntıyı koruyan bir doğal çözünürlüklü ViT kodlayıcı, dil modelinin gizil uzayına açılan rastgele ilklenmiş bir MLP izdüşürücü ve — kritik biçimde — dil modeli olarak MiMo akıl yürütme omurgası. Görü sistemi, yalnızca altyazılamada iyi olan değil, çok adımlı düşünmede zaten iyi olan bir kod çözücüyü devralıyor.

Eğitim dört ön eğitim aşamasında yürüdü — izdüşürücü ısınması, görü-dil hizalama, genel çok kipli ön eğitim, uzun bağlam SFT — kabaca 2,4 trilyon token boyunca; ardından Karışık Politika İçi Pekiştirmeli Öğrenme (MORL) geldi ve algı doğruluğunu, görsel dayandırma hassasiyetini, akıl yürütme doğruluğunu ve insan/YZ tercihini tek bir politika içi döngüde birleştirdi. Rapor, bunların hepsini aynı anda optimize etmenin dengesiz olduğunu açıkça söylüyor — çok kipli makalelerin çoğundan daha dürüst bir çerçeveleme.

Yayımlanan sonuçlar parametre sayısına göre güçlü. Xiaomi, MiMo-VL-7B-RL'in 40 görevin 35'inde Qwen2.5-VL-7B'yi geçtiğini, OlympiadBench'te 59,4 (78B'ye kadar modellerin üzerinde) ve GUI dayandırması için OSWorld-G'de 56,1 ile amaca özel arayüz ajanlarının önünde olduğunu bildiriyor. Sonraki 2508 tazelemesi seride ilk kez MMMU'yu 70'in üstüne taşıdı (70,6), ChartQA'da 94,4, ScreenSpot-v2'de 92,5 ve VideoMME'de 70,8'e ulaştı; ayrıca akıl yürütme izlerinin istek başına kapatılabilmesi için bir düşünme denetimi anahtarı ekledi.

03W8A16 ne demek ve görü için neden metinden daha önemli

Ağ geçidindeki her model bir niceleme son eki taşır. Bu bir süs değildir — modeli sunulabilir kılmak için nelerin takas edildiğini söyler.

Son ek	Nedir	Neden kullanılır
3BIT-REAP	3 bit ağırlıklar artı REAP; nicelemeden önce bir MoE modelinden nadiren yönlendirilen uzmanları düşüren bir uzman budama yöntemi	En büyük temelleri makul bir hızda sığdırıp sunmanın tek yolu
W4A16-AUTOROUND-REAP	4 bit ağırlıklar, 16 bit aktivasyonlar; naif en yakına yuvarlamaya göre doğruluğu geri kazandıran öğrenilmiş yuvarlamayla, yani AutoRound ile nicelenmiş, artı REAP budaması	Aşırı sıkıştırmaya gerek duymayan büyük temeller için orta yol
W8A16	8 bit ağırlıklar, 16 bit aktivasyonlar — sunduğumuz en yüksek sadakatli katman	Temelin agresif sıkıştırmaya gerek kalmayacak kadar küçük olduğu yerlerde kullanılır

MiMo-V2.5 üçüncü satırı derli toplu olarak hak ediyor: bu sınıftaki yoğun bir temelin sığmak için üç bite ezilmesi gerekmez, dolayısıyla sekiz biti tutmayı göze alabilirsiniz ve örneklediğiniz ağırlıklar eğitilenlere yakın kalır. Bu, yapısal bir nedenle görsel işler için orantısız biçimde önemlidir. Yalnızca metin çalışan bir kod çözücüde, niceleme altında savrulan bir gömme sonraki onlarca dikkat katmanı tarafından yeniden bağlamlandırılır — toparlanmak için pek çok şans. Bir görü yığınında böyle bir pay yoktur: görsel bilgi kod çözücüye ulaşmadan önce tek bir kodlayıcıdan ve tek bir dar izdüşürücüden geçer ve akış aşağısındaki her şey o darboğazın ürettiğine koşulludur. İnce taneli sinyal — düşük kontrastlı bir taramada 3 ile 8, bir grafik ekseninde çubuğun tam olarak bittiği piksel, tıklamanız istenen bir arayüz öğesinin sınırı — agresif nicelemenin ilk attığı düşük büyüklüklü ağırlık ayrıntısında yaşar.

3 bitlik bir görü modeli gürültüyle başarısız olmaz; sessizce başarısız olur ve bir belgenin akıcı bir betimlemesini, toplamda iki rakamı yer değiştirmiş olarak üretir. Daha yüksek ağırlık hassasiyeti bu başarısızlığa karşı en ucuz sigortadır ve burada bedavadır — nasılsa taban fiyatı ödüyorsunuz.

04Taban fiyat, bağlamıyla

On iki modellik kataloğumuzdaki dört model, milyon token başına 0,50 $ giriş / 2,00 $ çıkış taban fiyatında oturuyor. Bunlardan yalnızca biri görsel alıyor. Çoğu gerçek faturaya hükmeden sayı olan çıkış maliyetinde, görü yetenekli modeller şuralara düşüyor:

Çıkış fiyatı, 1M token başına USD, Shannon AI Gateway liste tarifeleri, Eylül 2026. Çubuk uzunluğu katalogdaki en pahalı görü modeline görelidir.

Tavandaki görü modeli ve gerçekten daha güçlü olan Kimi-K3 karşısında MiMo-V2.5 çıkışta kabaca 9,6 kat, girişte ise 7,7 kat daha ucuz. Bu bir denklik iddiası değil; iş yükünün biçimine dair bir argüman. Ayda yüz bin görselde tavan model karşılanabilir değildir, taban model ise karşılanabilirdir; dürüst soru da taban modelin doğruluk eşiğinizi geçip geçmediğidir — bir kıyaslamayı kazanıp kazanmadığı değil.

05MiMo-V2.5'e karşı MiniMax-M3: iki ucuz görü modeli, dürüstçe karşılaştırıldı

Bu ikisi fiyatta, bağlamda ve uç nokta yüzeyinde birebir eşitler. Yine de birbirinin yerine geçmezler: niceleme katmanı, bir görü modelini neyin yararlı kıldığına dair iki farklı bahsin vekilidir.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
1M başına giriş / çıkış	$0.50 / $2.00	$0.50 / $2.00
Ağırlık hassasiyeti	8 bit	3 bit + uzman budama
Temel boyutu	Derli toplu, yoğun	Büyük, seyrek MoE
Görü	Evet	Evet
Bağlam penceresi	262.144	262.144
Şema · araçlar · akıtma	Evet	Evet

İşin zor kısmı görselse MiMo-V2.5'i seçin: kusurlu taramalarda yoğun OCR, grafik ve tablolardan sayısal çıkarım, ekran görüntüsü ve arayüz dayandırması, küçük punto okuma, birbirine neredeyse özdeş ürün fotoğraflarını ayırt etme — yer değiştirmiş bir rakamın kozmetik bir kusur değil, bir hata sayıldığı her iş. Piksellerden tokenlara en yüksek sadakatli yolu istersiniz ve bu fiyata onu 8 bit ağırlıklarla alırsınız.

İşin kolay kısmı görselse MiniMax-M3'ü seçin. 3 bite sıkıştırılmış büyük ve seyrek bir temel, budamadan sonra bile derli toplu yoğun bir modelin taşıyabileceğinden daha çok dünya bilgisi ve akıl yürütme genişliği barındırır. Görev "bu fotoğrafa bak ve neyi ima ettiğini uzun uzun düşün" ise ya da görsel çoğunlukla metinden oluşan bir konuşmadaki tek bir girdiyse, daha büyük temel daha iyi alettir — takas ettiğiniz görsel keskinlik bağlayıcı kısıt değildi.

06MiMo-V2.5'e karşı MiMo-V2.5-Pro: gözlerini derinlikle takas eden kardeş

En çok destek talebi yaratan karşılaştırma budur; o yüzden açık konuşmaya değer. MiMo-V2.5-Pro-W8A16 ile MiMo-V2.5-W8A16 bir fiyatı, bir bağlam penceresini, bir hassasiyet katmanını ve bir aile adını paylaşır. Pro görsel kabul etmez. Bir üst küme değildir. Aynı bütçenin farklı bir dağıtımıdır.

Çok kipli bir model sunmak, kod çözücünün yanında bir görü kulesi ile izdüşürücü için de ödeme yapmak demektir — sabit bir maliyet hedefinde, dil modelinin kendisine harcanmayan kapasite. Pro bunun tamamını metne harcar: uzun soluklu yazım, uzatılmış akıl yürütme ve kod için daha çok pay bırakan daha büyük bir temel. MiMo-V2.5 ise bir kısmını görmeye harcar.

Dolayısıyla karar kuralı hırslarınızla değil, girdilerinizle ilgilidir. Herhangi bir istek bir ekran görüntüsü, taranmış bir sayfa, bir grafik, bir şema ya da bir fotoğraf içerebiliyorsa MiMo-V2.5 gerekir — Pro o içerik bloğunu reddeder. Her istek metinse ve görü modeline alışkanlıktan uzandıysanız, karşılığında hiçbir şey almadan temel kalitesinden ödün veriyorsunuz demektir: aynı fiyata MiMo-V2.5-Pro'yu alın.

Çalmaya değer bir örüntü: içerik türüne göre yönlendirin. İçinde görsel parçası olan her şey MiMo-V2.5-W8A16'ya, geri kalan her şey MiMo-V2.5-Pro-W8A16'ya gitsin. Aynı aile, aynı fiyat, aynı bağlam bütçesi — yönlendirici basittir ve uzlaştırılacak bir maliyet modeli yoktur.

07"Sansürsüz görsel anlama" tam olarak ne demek

Bu modelin önünde reddetme katmanı, çıktısında içerik filtresi yok. Bu, görü işleri için belirli bir sonucu olan bir ürün kararıdır: model, konusuna bakıp geri çevirmek yerine karede ne varsa onu betimler.

Bunun önemi şu: filtreli görü API'leri, meşru işlerin koca bir kategorisine yapısal olarak uygun değildir. Bir moderasyon hattı, denetlediği malzemeye bakıp onun ne olduğunu söylemek zorundadır; sınıflandırdığı şeyi incelemeyi reddeden bir sınıflandırıcı, sınıflandırıcı değildir. Aynı şey uzun bir gerçek iş listesi için geçerlidir:

• Güven ve güvenlik araçları — ana akım bir API'nin işlemeyeceği görselleri tam olarak etiketlemek; ki en çok etiketlenmesi gereken görseller onlardır.
• Tıbbi, adli ve kaza görselleri — genel filtrelerin, kimin sorduğuna bakmaksızın grafik bulup reddettiği klinik, yaralanma ve olay yeri fotoğrafçılığı.
• Güvenlik araştırması — modelin öncüle diretmeden kimlik avı sayfalarını, kötücül arayüzleri ve yakalanmış ekranları okuması.
• Yetişkin içerik sınıflandırması ve arşiv kataloglaması — malzemeyi tanımlamak için var olan ve bakma işini dışarıya veremeyen hatlar; artı filtrelerin etiketlenemez saydığı tarihsel koleksiyonlar.

Reddetme katmanını kaldırmak hukuki değil, mühendislik bir engeli kaldırır. Shannon AI, ABD'nin New Mexico eyaletindeki Shannon Lab LLC tarafından işletilir ve API kullanımı Sorumlu Kullanım Politikamıza tabidir. Filtresiz çıktı bir yetenektir, izin kâğıdı değil.

08Çağırmak: uç noktalar, görsel girdi ve nereye oturduğu

Model MiMo-V2.5-W8A16; aynı ağırlıklara karşı üç istek lehçesiyle erişilir, böylece elinizdeki SDK hangisiyse onu korursunuz:

• /v1/chat/completions — OpenAI uyumlu. Görseller image_url içerik parçaları olarak, ya bir https URL'si ya da base64 bir veri URI'siyle girer.
• /v1/messages — Anthropic uyumlu. Görseller image içerik blokları olarak girer.
• /v1/responses — Responses tarzı lehçe.

Akıtma ve araç çağırma üçünde de çalışır; böylece model bir ekran görüntüsüne bakıp gördüğü şey hakkında tek turda bir fonksiyon çağırabilir. Tam istek ve yanıt şemaları API belgelerinde; orada ayrıca tek satır kod yazmadan içine görsel yapıştırabileceğiniz bir oyun alanı da var.

MiMo-V2.5 katı json_schema ve response_format destekler — bir demo ile bir üretim hattı arasındaki fark budur. Ona bir fiş, yanına da satıcı, tarih, satır kalemleri ve toplam için türlenmiş alanlar taşıyan bir şema verin; regex'lemeniz gereken bir paragraf yerine kodunuzun doğrulayabileceği bir nesne alın. Bu katalogdaki on iki modelin ikisinde tam yapılandırılmış çıktı desteği yok; bunda var ve yüksek hacimli bir çıkarım hizmeti olarak işe yaramasının nedeni de bu.

Bağlam penceresi 262.144 token; üretilen çıktı istek başına 16.384 token ile sınırlı. Görseller, çözünürlüğün bir fonksiyonu olarak giriş tokeni tüketir; dolayısıyla yüksek çözünürlüklü sayfa taramaları, eşdeğer sözcük sayısındaki metinden çok daha hızlı bağlam yer. 300 sayfalık bir taramayı tek istekte yüklemek yerine uzun belgeleri sayfalayın ve çıktı sınırını kapsamlı çıkarım üzerinde gerçek bir kısıt sayın — kesilmiş bir yanıt almaktansa yoğun tabloları satır aralıklarına bölün.

Ailenin geçmişi düşünüldüğünde reasoning_effort kadranının burada gerçek bir kaldıracı var. Yanıtın bir etiket olduğu ve düşünme tokenlarının saf maliyet olduğu yüksek hacimli sınıflandırmada kısın; modelin yanıtlamadan önce gördüğü birkaç şeyi birleştirmesi gereken grafik yorumlama, görsel matematik ve şema akıl yürütmesinde yükseltin.

Nereye oturuyor, nereye oturmuyor

İyi oturduğu yerler. Yüksek hacimli belge ve fiş çıkarımı; kusurlu taramalarda OCR'a komşu işler; grafik, gösterge paneli ve tablo okuma; ekran görüntüsü anlama ve arayüz dayandırma; katalog etiketleme ve görsel soru yanıtlama; moderasyon hatları — çağrı başına maliyetin bağlayıcı olduğu ve ince ayrıntı hassasiyetinden vazgeçmeye yanaşmadığınız her çok kipli görev.

Kötü oturduğu yerler. Fiyattan bağımsız olarak en güçlü modeli gerektiren sınır zorluktaki çok kipli akıl yürütme — Kimi-K3'ün işi ve neredeyse on kat pahalı olmasının bir nedeni var. Yalnızca metin üretimi; orada MiMo-V2.5-Pro aynı fiyata daha iyi bir temel veriyor. Ansiklopedik dünya bilgisine yaslanan işler; orada büyük ve seyrek bir temel, derli toplu yoğun olanı geçer. Ve 262K'dan fazla bağlam gerektiren her şey; ki bunu buradaki hiçbir model sunmuyor.

09Sıkça sorulan sorular

---

Kaynaklar: MiMo teknik raporu (arXiv 2505.07608) · MiMo-VL Teknik Raporu (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Tüm kıyaslama rakamları yukarıda adı geçen yayımlanmış kontrol noktaları için Xiaomi'nin bildirdiği rakamlardır ve bu uç noktadaki tam derlemeyi değil, aile soyunu betimler. Fiyatlar, bağlam ve yetenek bayrakları Shannon AI Gateway liste değerleridir, Eylül 2026.