Нецензурований API MiMo для зору

Дешеві мультимодальні ендпоїнти дешеві тому, що з них щось вирізали, і вирізають зазвичай те, чого ви не бачите: ваги стискають до трьох-чотирьох бітів, і модель усе одно впевнено відповідає про графік, який насправді вже не може прочитати. MiMo-V2.5 — контрприклад у нашій лінійці: одночасно за мінімальною ціною і на найвищому рівні точності, бо фундамент, від якого вона походить, будували малим і щільним, а не величезним і розрідженим.

01Звідки взялася MiMo: спершу модель міркування, потім модель зору

Лінійка MiMo — дослідницька програма Xiaomi з відкритими вагами, і її засадниче твердження немодне: здатність міркувати закладається під час передтренування, а не прикручується потім за допомогою RL. Робота здебільшого зводиться до інженерії даних — Xiaomi перебудувала видобування й фільтрацію тексту, щоб підняти щільність шаблонів міркування в корпусі, згенерувала синтетичні дані міркування у великому обсязі й передтренувала MiMo-7B-Base приблизно на 25 трильйонах токенів за тристадійною сумішшю, із Multiple-Token Prediction як допоміжною ціллю, яка на інференсі водночас слугує спекулятивним декодером (за даними Xiaomi, частка прийняття близька до 90%).

Посттренування навмисно аскетичне: 130 000 математичних і програмних задач із винагородою лише за правильність, заданою правилами, без навченої моделі винагороди — з міркування, що нейронна модель винагороди є поверхнею, яку зламають. Перевірювані винагороди не піддаються умовлянням. MiMo-7B-RL показує цифри, непропорційні своєму розміру: Xiaomi повідомляє 68.2% на AIME 2024, 95.8% на MATH-500, 57.8% на LiveCodeBench v5 за pass@1 — нарівні з o1-mini від OpenAI. Ось якої форми модель ви викликаєте: компактна, щільно навчена, налаштована проходити задачу, а не пригадувати відповідь, — і цей темперамент переходить до мультимодальних нащадків.

02Як MiMo навчилася бачити: архітектура MiMo-VL

MiMo-VL — гілка «зір — мова», і її будова повчальна. Xiaomi зібрала три частини: ViT-енкодер із рідною роздільністю, який зберігає дрібну деталь замість того, щоб проганяти кожне зображення крізь фіксовану сітку низької роздільності; випадково ініціалізований MLP-проєктор у латентний простір мовної моделі; і — принципово — бекбон міркування MiMo як мовну модель. Система зору успадковує декодер, який уже добре мислить у кілька кроків, а не такий, що добре лише підписує картинки.

Навчання пройшло в чотири стадії передтренування — розігрів проєктора, вирівнювання «зір — мова», загальне мультимодальне передтренування, SFT на довгому контексті — приблизно на 2.4 трильйона токенів, а далі — Mixed On-policy Reinforcement Learning (MORL), що зводить точність сприйняття, точність візуального прив'язування, коректність міркування й уподобання людей та ШІ в один on-policy цикл. У звіті чесно сказано, що оптимізувати все це одночасно нестабільно, — це відвертіше, ніж у більшості мультимодальних статей.

Опубліковані результати сильні як на таку кількість параметрів. Xiaomi повідомляє, що MiMo-VL-7B-RL перевершує Qwen2.5-VL-7B на 35 із 40 задач, набирає 59.4 на OlympiadBench (вище за моделі аж до 78 млрд) і 56.1 на OSWorld-G для прив'язування в GUI, випереджаючи спеціально створених агентів для інтерфейсів. Пізніше оновлення 2508 вперше в серії підняло MMMU понад 70 (70.6), досягло 94.4 на ChartQA, 92.5 на ScreenSpot-v2 і 70.8 на VideoMME та додало перемикач керування мисленням, щоб траси міркування можна було вимикати для окремого запиту.

03Що означає W8A16 і чому для зору це важливіше, ніж для тексту

Кожна модель на шлюзі має суфікс квантування. Це не оздоба — він каже вам, чим пожертвували, щоб модель можна було обслуговувати.

Суфікс	Що це	Навіщо його застосовують
3BIT-REAP	3-бітні ваги плюс REAP — метод проріджування експертів, який до квантування прибирає з MoE-моделі рідко маршрутизованих експертів	Єдиний спосіб умістити й обслуговувати найбільші фундаменти з притомною швидкістю
W4A16-AUTOROUND-REAP	4-бітні ваги, 16-бітні активації, квантовані за допомогою AutoRound — навченого округлення, яке відновлює точність порівняно з наївним округленням до найближчого, — плюс проріджування REAP	Золота середина для великих фундаментів, яким не потрібне екстремальне стиснення
W8A16	8-бітні ваги, 16-бітні активації — рівень із найвищою точністю, який ми обслуговуємо	Застосовують там, де фундамент достатньо малий, щоб агресивне стиснення було зайвим

MiMo-V2.5 заслуговує на третій рядок своєю компактністю: щільний фундамент цього класу не треба чавити до трьох бітів, щоб він умістився, тож можна дозволити собі лишити вісім, а ваги, з яких ви семплюєте, лишаються близькими до навчених. Для роботи із зображеннями це важить непропорційно багато — зі структурної причини. У суто текстовому декодері ембединг, який зсунувся під квантуванням, реконтекстуалізують десятки наступних шарів уваги: багато шансів відновитися. У стеку зору такого запасу немає — візуальна інформація проходить крізь один енкодер і один вузький проєктор, перш ніж дістатися декодера, і все далі за течією зумовлене тим, що видало це вузьке місце. Дрібнозернистий сигнал — 3 проти 8 у скані з низьким контрастом, точний піксель, де стовпчик закінчується на осі графіка, межа елемента інтерфейсу, який вас просять натиснути, — живе в деталях ваг малої величини, які агресивне квантування відкидає першими.

3-бітна модель зору не збоїть голосно; вона збоїть тихо, видаючи плавний опис документа з двома переставленими цифрами в підсумку. Вища точність ваг — найдешевша страховка від такого збою, а тут вона безкоштовна: ви в будь-якому разі платите мінімальну ціну.

04Мінімальна ціна в контексті

Чотири моделі з нашої лінійки на дванадцять стоять за мінімальною ціною $0.50 вхід / $2.00 вихід за мільйон токенів. Зображення приймає лише одна з них. Ось де опиняються моделі з підтримкою зору за вартістю виходу — цифрою, яка домінує в більшості реальних рахунків:

Ціна виходу в доларах США за 1 млн токенів, прейскурантні ставки шлюзу Shannon AI, вересень 2026. Довжина смуги подана відносно найдорожчої моделі зору в лінійці.

Проти Kimi-K3 — стельової моделі зору, і справді сильнішої — MiMo-V2.5 приблизно у 9.6 раза дешевша на виході й у 7.7 раза дешевша на вході. Це не заява про рівність; це аргумент про форму навантаження. На ста тисячах зображень на місяць стельова модель вам не по кишені, а модель початкового рівня — по кишені, і чесне питання в тому, чи проходить вона вашу планку точності, а не чи виграє вона бенчмарк.

05MiMo-V2.5 проти MiniMax-M3: дві дешеві моделі зору, чесне порівняння

Ці дві збігаються рівно за ціною, контекстом і набором ендпоїнтів. Вони не взаємозамінні: рівень квантування тут — проксі для двох різних ставок на те, що робить модель зору корисною.

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
Вхід / вихід за 1 млн	$0.50 / $2.00	$0.50 / $2.00
Точність ваг	8 біт	3 біти + проріджування експертів
Розмір фундаменту	Компактний, щільний	Великий, розріджений MoE
Зір	Так	Так
Контекстне вікно	262 144	262 144
Схема · інструменти · стримінг	Так	Так

Беріть MiMo-V2.5, коли складна частина — це саме зображення: щільне розпізнавання тексту на недосконалих сканах, видобування чисел із графіків і таблиць, прив'язування до скриншотів та інтерфейсів, читання дрібного тексту, розрізнення майже однакових фото товарів — усе, де переставлена цифра є дефектом, а не косметичною вадою. Вам потрібен найточніший шлях від пікселів до токенів, і 8-бітні ваги — це те, як ви отримуєте його за таку ціну.

Беріть MiniMax-M3, коли зображення — легка частина. Великий розріджений фундамент, стиснутий до 3 бітів, усе одно тримає більше знань про світ і ширше міркування, ніж може компактна щільна модель, навіть після проріджування. Якщо задача звучить як «подивися на це фото й розлого поміркуй, що з нього випливає» або зображення — лише один вхід у здебільшого текстовій розмові, більший фундамент буде кращим інструментом: гострота зору, якою ви пожертвували, і не була обмежувальним чинником.

06MiMo-V2.5 проти MiMo-V2.5-Pro: сусід, що проміняв очі на глибину

Саме це порівняння породжує найбільше звернень у підтримку, тож варто сказати прямо. MiMo-V2.5-Pro-W8A16 і MiMo-V2.5-W8A16 мають спільні ціну, контекстне вікно, рівень точності й родинну назву. Pro не приймає зображень. Це не надмножина. Це інший розподіл того самого бюджету.

Обслуговувати мультимодальну модель означає платити за вежу зору й проєктор поряд із декодером — при фіксованій цільовій вартості це потужність, не витрачена на саму мовну модель. Pro витрачає її всю на текст: більший фундамент із більшим запасом для довгих текстів, розгорнутого міркування й коду. MiMo-V2.5 витрачає частину на зір.

Тож правило вибору стосується ваших входів, а не ваших амбіцій. Якщо будь-який запит може містити скриншот, скановану сторінку, графік, діаграму чи фотографію — вам потрібна MiMo-V2.5: Pro відхилить такий блок вмісту. Якщо ж кожен запит текстовий, а до моделі зору ви потягнулися за звичкою, ви задарма лишаєте якість фундаменту невикористаною: беріть MiMo-V2.5-Pro за ідентичною ціною.

Патерн, який варто запозичити: маршрутизуйте за типом вмісту. Усе, що має частину із зображенням, іде на MiMo-V2.5-W8A16, решта — на MiMo-V2.5-Pro-W8A16. Та сама родина, та сама ціна, той самий бюджет контексту — маршрутизатор тривіальний, і жодної цінової моделі узгоджувати не треба.

07Що насправді означає «нецензуроване розуміння зображень»

Перед цією моделлю немає шару відмов, а на її виводі немає фільтра вмісту. Це продуктове рішення з конкретним наслідком для роботи із зором: модель описує те, що в кадрі, замість відмовлятися через тематику.

Це важливо, бо фільтровані API зору структурно непридатні для цілої категорії законної роботи. Конвеєр модерації мусить подивитися на матеріал, який він модерує, і сказати, що це; класифікатор, який відмовляється розглядати те, що класифікує, — не класифікатор. Те саме стосується довгого списку реальних задач:

• Інструменти довіри й безпеки — маркування саме тих зображень, які мейнстримний API не оброблятиме, тобто тих, які найбільше потребують маркування.
• Медичні, криміналістичні й аварійні зображення — клінічна зйомка, знімки травм і місць подій, які загальні фільтри відхиляють як шокуючі незалежно від того, хто питає.
• Дослідження безпеки — читання фішингових сторінок, шкідливих інтерфейсів і захоплених екранів без того, щоб модель упиралася через саму постановку.
• Класифікація дорослого вмісту й архівне каталогізування — конвеєри, що існують саме заради ідентифікації матеріалу й не можуть віддати «дивитися» комусь іншому, а також історичні колекції, які фільтри вважають непозначуваними.

Прибирання шару відмов усуває інженерну перешкоду, а не юридичну. Shannon AI керує Shannon Lab LLC у Нью-Мексико, США, і користування API регулює наша Політика відповідального використання. Нефільтрований вивід — це можливість, а не дозвільна записка.

08Як її викликати: ендпоїнти, вхідні зображення й де їй місце

Ідентифікатор моделі — MiMo-V2.5-W8A16, доступний у трьох діалектах запиту до тих самих ваг, тож ви лишаєте той SDK, який уже маєте:

• /v1/chat/completions — сумісний з OpenAI. Зображення надходять як частини вмісту image_url: або https-посилання, або data-URI у base64.
• /v1/messages — сумісний з Anthropic. Зображення надходять як блоки вмісту image.
• /v1/responses — діалект у стилі Responses.

Стримінг і виклик інструментів працюють в усіх трьох, тож модель може подивитися на скриншот і за один хід викликати функцію щодо побаченого. Повні схеми запиту й відповіді — у документації API, де також є пісочник, у який можна вставити зображення ще до написання будь-якого коду.

MiMo-V2.5 підтримує строгі json_schema й response_format — це різниця між демонстрацією та конвеєром. Дайте їй чек і схему з типізованими полями для продавця, дати, позицій і суми — і ви отримаєте об'єкт, який ваш код може перевірити, а не абзац, який доводиться розбирати регулярками. Дві з дванадцяти моделей у цій лінійці не мають повної підтримки структурованого виводу; ця має — і саме тому вона працює як високонавантажений сервіс видобування даних.

Контекстне вікно — 262 144 токени; згенерований вивід обмежено 16 384 токенами на запит. Зображення споживають вхідні токени залежно від роздільності, тож скани сторінок у високій роздільності з'їдають контекст значно швидше, ніж еквівалентна кількість слів тексту. Розбивайте довгі документи на сторінки замість завантажувати скан на 300 сторінок одним запитом і сприймайте стелю виводу як реальне обмеження вичерпного видобування — ділити щільні таблиці за діапазонами рядків краще, ніж отримати обрізану відповідь.

Регулятор reasoning_effort тут має справжній важіль, зважаючи на родовід цієї родини. Прикрутіть його для масової класифікації, де відповідь — це мітка, а токени мислення — чиста витрата; підкрутіть для інтерпретації графіків, візуальної математики й міркування над діаграмами, де модель мусить поєднати кілька побачених речей, перш ніж відповісти.

Де їй місце, а де ні

Гарно пасує. Масове видобування даних із документів і чеків; робота, близька до розпізнавання тексту, на недосконалих сканах; читання графіків, дашбордів і таблиць; розуміння скриншотів і прив'язування до інтерфейсів; тегування каталогів і візуальні запитання-відповіді; конвеєри модерації — будь-яка мультимодальна задача, де вартість виклику є обмеженням, а точність у дрібних деталях — тим, чим ви відмовляєтеся жертвувати.

Пасує погано. Мультимодальне міркування граничної складності, де потрібна найсильніша модель незалежно від ціни, — це робота Kimi-K3, і вона коштує майже вдесятеро дорожче не просто так. Суто текстова генерація, де MiMo-V2.5-Pro дає кращий фундамент за тією самою ціною. Робота, що спирається на енциклопедичні знання про світ, де великий розріджений фундамент обганяє компактний щільний. І будь-що, що потребує понад 262K контексту, чого тут не пропонує жодна модель.

09Часті запитання

---

Джерела: технічний звіт MiMo (arXiv 2505.07608) · технічний звіт MiMo-VL (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Усі бенчмаркові цифри повідомлені Xiaomi для названих вище випущених контрольних точок і описують родовід родини, а не конкретну збірку на цьому ендпоїнті. Ціни, контекст і прапорці можливостей — прейскурантні значення шлюзу Shannon AI, вересень 2026.