بغیر سنسر شپ MiMo وژن API

سستے کثیر وسیلہ اینڈ پوائنٹس اس لیے سستے ہوتے ہیں کہ کچھ نہ کچھ کاٹا گیا ہے، اور جو کاٹا جاتا ہے وہ عموماً وہی حصہ ہوتا ہے جو آپ کو نظر نہیں آتا: وزن نچوڑ کر تین یا چار بٹ تک لائے جاتے ہیں، اور ماڈل پھر بھی پورے اعتماد سے اُس چارٹ کے بارے میں جواب دیتا ہے جسے وہ دراصل اب پڑھ ہی نہیں سکتا۔ MiMo-V2.5 ہماری فہرست میں اس کی ضد ہے — بیک وقت قیمت کے فرش پر اور سب سے اوپر والے درستگی درجے پر، کیونکہ جس بنیاد سے یہ نکلا ہے وہ دیوقامت اور خلوی ہونے کے بجائے چھوٹی اور گھنی بنائی گئی تھی۔

01MiMo کہاں سے آتا ہے: پہلے استدلالی ماڈل، پھر وژن ماڈل

MiMo قطار Xiaomi کا کھلے وزنوں والا تحقیقی پروگرام ہے، اور اس کی بنیادی دلیل رواج کے خلاف ہے: استدلال کی صلاحیت پیشگی تربیت کے دوران طے ہوتی ہے، بعد میں RL کے ساتھ جوڑی نہیں جاتی۔ کام زیادہ تر ڈیٹا انجینئرنگ کا ہے — Xiaomi نے متن نکالنے اور چھاننے کا نظام ازسرِنو بنایا تاکہ ذخیرے میں استدلالی نمونوں کی کثافت بڑھے، بڑے پیمانے پر مصنوعی استدلالی ڈیٹا تیار کیا، اور MiMo-7B-Base کو تقریباً 25 کھرب ٹوکن پر تین مرحلوں کے آمیزے کے تحت پیشگی تربیت دی، جس میں Multiple-Token Prediction ایک ضمنی ہدف تھا جو استنباط کے وقت قیاسی ڈی کوڈر کا کام بھی دیتا ہے (Xiaomi کے مطابق قبولیت کی شرح 90% کے قریب)۔

تربیت کے بعد کا مرحلہ جان بوجھ کر سادہ ہے: 130,000 ریاضی اور کوڈ کے مسائل صرف اصولوں پر مبنی درستگی کے انعامات کے ساتھ، کوئی سیکھا ہوا انعامی ماڈل نہیں، اس دلیل پر کہ عصبی انعامی ماڈل ایک ایسی سطح ہے جسے ہیک کیا جا سکتا ہے۔ قابلِ تصدیق انعامات کو خوشامد سے نہیں پھسلایا جا سکتا۔ MiMo-7B-RL اپنی جسامت کے تناسب سے کہیں بڑے اعداد دیتا ہے — Xiaomi AIME 2024 پر 68.2%، MATH-500 پر 95.8% اور LiveCodeBench v5 پر 57.8% بتاتا ہے، pass@1 پر، جو OpenAI کے o1-mini کے برابر ہے۔ آپ جس ماڈل کو پکار رہے ہیں اس کی شکل یہی ہے: نپا تلا، گھنے انداز میں تربیت یافتہ، اور جواب یاد کرنے کے بجائے مسئلے میں سے گزر کر نکلنے پر ٹیون کیا ہوا — اور یہ مزاج کثیر وسیلہ اولاد میں بھی زندہ رہتا ہے۔

02MiMo نے دیکھنا کیسے سیکھا: MiMo-VL کی ساخت

MiMo-VL وژن اور زبان والی شاخ ہے، اور اس کی تعمیر سبق آموز ہے۔ Xiaomi نے تین حصے جوڑے: ایک اصل قرارداد والا ViT اینکوڈر جو ہر تصویر کو کسی مقررہ کم قرارداد والے جال سے گزارنے کے بجائے باریک تفصیل محفوظ رکھتا ہے، ایک بے ترتیب ابتدائی قدروں والا MLP پیش کار جو زبان ماڈل کی مخفی فضا میں لے جاتا ہے، اور — سب سے اہم — زبان ماڈل کے طور پر MiMo کی استدلالی ریڑھ کی ہڈی۔ وژن نظام کو ایسا ڈی کوڈر ورثے میں ملتا ہے جو پہلے ہی کئی قدموں کی سوچ میں اچھا ہے، نہ کہ ایسا جو محض تصویری عنوان لکھنے میں اچھا ہو۔

تربیت چار پیشگی مرحلوں میں چلی — پیش کار کی گرمائش، وژن اور زبان کی ہم آہنگی، عمومی کثیر وسیلہ پیشگی تربیت، طویل سیاق کی SFT — تقریباً 2.4 کھرب ٹوکن پر، پھر Mixed On-policy Reinforcement Learning (MORL)، جو ادراک کی درستگی، بصری تعیّن کی صحت، استدلال کی درستی، اور انسانی و مصنوعی ترجیح کو ایک ہی on-policy چکر میں سمیٹتا ہے۔ رپورٹ کھل کر کہتی ہے کہ ان سب کو بیک وقت بہتر بنانا غیر مستحکم ہے — یہ زیادہ تر کثیر وسیلہ مقالوں کی نسبت زیادہ ایماندار پیش کش ہے۔

شائع شدہ نتائج پیرامیٹر کی تعداد کے لحاظ سے مضبوط ہیں۔ Xiaomi بتاتا ہے کہ MiMo-VL-7B-RL نے 40 میں سے 35 کاموں پر Qwen2.5-VL-7B کو مات دی، OlympiadBench پر 59.4 حاصل کیے (78B تک کے ماڈلوں سے اوپر)، اور GUI تعیّن کے لیے OSWorld-G پر 56.1، جو خاص طور پر بنائے گئے انٹرفیس ایجنٹوں سے آگے ہے۔ بعد کی 2508 تازہ کاری نے سلسلے میں پہلی بار MMMU کو 70 سے اوپر پہنچایا (70.6)، ChartQA پر 94.4، ScreenSpot-v2 پر 92.5 اور VideoMME پر 70.8 حاصل کیے، اور ایک سوچ کا قابو رکھنے والا سوئچ شامل کیا تاکہ استدلالی نشانات فی درخواست بند کیے جا سکیں۔

03W8A16 کا مطلب کیا ہے، اور یہ متن کی نسبت وژن کے لیے زیادہ اہم کیوں ہے

گیٹ وے کے ہر ماڈل کے ساتھ ایک کوانٹائزیشن لاحقہ ہے۔ یہ سجاوٹ نہیں — یہ بتاتا ہے کہ ماڈل کو قابلِ پیشکش بنانے کے لیے کس چیز کا سودا کیا گیا۔

لاحقہ	یہ کیا ہے	یہ استعمال کیوں ہوتا ہے
3BIT-REAP	3 بٹ وزن اور ساتھ REAP، ماہر کٹائی کا ایک طریقہ جو کوانٹائز کرنے سے پہلے MoE ماڈل سے کم منتخب ہونے والے ماہرین ہٹا دیتا ہے	سب سے بڑی بنیادوں کو معقول رفتار پر سمانے اور چلانے کا واحد راستہ
W4A16-AUTOROUND-REAP	4 بٹ وزن، 16 بٹ ایکٹیویشنز، AutoRound سے کوانٹائز شدہ — سیکھا ہوا گول کرنا جو سادہ قریب ترین گول کرنے کی نسبت درستگی بحال کرتا ہے — اور ساتھ REAP کٹائی	اُن بڑی بنیادوں کے لیے درمیانی راستہ جنہیں انتہائی ترکیب کی ضرورت نہیں
W8A16	8 بٹ وزن، 16 بٹ ایکٹیویشنز — سب سے زیادہ وفاداری والا درجہ جو ہم چلاتے ہیں	وہاں استعمال ہوتا ہے جہاں بنیاد اتنی چھوٹی ہو کہ سخت ترکیب کی ضرورت نہ رہے

MiMo-V2.5 تیسری قطار اپنی نفاست سے کماتا ہے: اس درجے کی گھنی بنیاد کو سمانے کے لیے تین بٹ تک کچلنے کی ضرورت نہیں، چنانچہ آپ آٹھ رکھنے کی استطاعت رکھتے ہیں، اور جن وزنوں سے آپ نمونہ لیتے ہیں وہ اُنہی کے قریب رہتے ہیں جو تربیت پائے تھے۔ یہ تصویری کام کے لیے غیر متناسب طور پر اہم ہے، ایک ساختی وجہ سے۔ صرف متنی ڈی کوڈر میں جو ایمبیڈنگ کوانٹائزیشن کے تحت بہک جائے، اسے درجنوں بعد کی توجہ کی تہیں دوبارہ سیاق دے دیتی ہیں — سنبھلنے کے کئی مواقع۔ وژن کے ڈھیر میں ایسی گنجائش نہیں: بصری معلومات ڈی کوڈر تک پہنچنے سے پہلے ایک ہی اینکوڈر اور ایک ہی تنگ پیش کار سے گزرتی ہیں، اور اس کے بعد سب کچھ اُسی تنگنائے کی پیداوار پر مشروط ہے۔ باریک اشارہ — کم تضاد والی اسکین میں 3 بمقابلہ 8، چارٹ کے محور پر عین وہ پکسل جہاں ستون ختم ہوتا ہے، اُس انٹرفیس عنصر کی حد جس پر کلک کرنے کو کہا گیا ہے — وزن کی اُس کم مقدار والی تفصیل میں بستا ہے جسے سخت کوانٹائزیشن سب سے پہلے پھینکتی ہے۔

3 بٹ وژن ماڈل شور مچا کر ناکام نہیں ہوتا؛ وہ خاموشی سے ناکام ہوتا ہے، اور کسی دستاویز کی روانی سے بھرپور تفصیل دیتا ہے جس میں کل رقم کے دو ہندسے آپس میں بدل چکے ہوتے ہیں۔ زیادہ وزنی درستگی اُس ناکامی کے خلاف سب سے سستی بیمہ ہے، اور یہاں یہ مفت ہے — قیمت آپ بہرحال فرش والی ہی دیتے ہیں۔

04فرش قیمت، سیاق کے ساتھ

ہماری بارہ ماڈلوں کی فہرست میں چار ماڈل $0.50 داخل / $2.00 خارج فی ملین ٹوکن کی فرش قیمت پر بیٹھے ہیں۔ ان میں سے صرف ایک تصاویر لیتا ہے۔ اخراجی لاگت پر وژن رکھنے والے ماڈل کہاں آتے ہیں — اور یہی وہ عدد ہے جو زیادہ تر حقیقی بلوں پر غالب رہتا ہے:

فی 1M ٹوکن اخراجی قیمت امریکی ڈالر میں، Shannon AI گیٹ وے کے فہرستی نرخ، ستمبر 2026۔ ستون کی لمبائی فہرست کے سب سے مہنگے وژن ماڈل کے تناسب سے ہے۔

Kimi-K3 کے مقابلے میں — یعنی سرِفہرست وژن ماڈل، اور واقعی زیادہ مضبوط ماڈل — MiMo-V2.5 اخراج پر تقریباً 9.6× سستا اور داخلے پر 7.7× سستا ہے۔ یہ برابری کا دعویٰ نہیں؛ یہ کام کی شکل کے بارے میں دلیل ہے۔ مہینے میں ایک لاکھ تصاویر پر سرِفہرست ماڈل آپ کی استطاعت میں نہیں اور فرش ماڈل ہے، اور ایماندار سوال یہ ہے کہ آیا فرش ماڈل آپ کے درستگی کے معیار پر پورا اترتا ہے — یہ نہیں کہ آیا وہ کوئی معیاری امتحان جیتتا ہے۔

05MiMo-V2.5 بمقابلہ MiniMax-M3: دو سستے وژن ماڈل، ایمانداری سے تقابل

یہ دونوں قیمت، سیاق اور اینڈ پوائنٹ کی سطح پر بالکل برابر ہیں۔ یہ ایک دوسرے کے متبادل نہیں: کوانٹائزیشن کا درجہ دو مختلف داؤوں کا نمائندہ ہے کہ وژن ماڈل کو مفید کیا چیز بناتی ہے۔

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
فی 1M داخل / خارج	$0.50 / $2.00	$0.50 / $2.00
وزنی درستگی	8 بٹ	3 بٹ + ماہر کٹائی
بنیاد کی جسامت	نپی تلی، گھنی	بڑی، خلوی MoE
وژن	ہاں	ہاں
سیاق کھڑکی	262,144	262,144
اسکیما · ٹول · اسٹریمنگ	ہاں	ہاں

MiMo-V2.5 تب چنیں جب تصویر ہی مشکل حصہ ہو: ناقص اسکینوں پر گھنا OCR، چارٹوں اور جدولوں سے اعداد نکالنا، اسکرین شاٹ اور انٹرفیس کا تعیّن، باریک متن پڑھنا، تقریباً ایک جیسی مصنوعات کی تصاویر میں فرق کرنا — ہر وہ جگہ جہاں بدلا ہوا ہندسہ ظاہری خامی نہیں بلکہ نقص ہے۔ آپ کو پکسل سے ٹوکن تک سب سے زیادہ وفاداری والا راستہ چاہیے، اور اس قیمت پر 8 بٹ وزن ہی وہ راستہ دیتے ہیں۔

MiniMax-M3 تب چنیں جب تصویر آسان حصہ ہو۔ 3 بٹ تک ترکیب شدہ بڑی خلوی بنیاد کٹائی کے بعد بھی اتنی دنیاوی معلومات اور استدلالی وسعت رکھتی ہے جتنی کوئی نپی تلی گھنی بنیاد نہیں رکھ سکتی۔ اگر کام یہ ہو کہ ”اس تصویر کو دیکھو اور تفصیل سے سوچو کہ اس کا کیا مطلب نکلتا ہے“، یا تصویر بڑی حد تک متنی گفتگو میں ایک داخلہ ہو، تو بڑی بنیاد بہتر آلہ ہے — جو بصری تیزی آپ نے چھوڑی وہ پابند کرنے والی رکاوٹ تھی ہی نہیں۔

06MiMo-V2.5 بمقابلہ MiMo-V2.5-Pro: وہ ہم نسل جس نے آنکھوں کے بدلے گہرائی لی

یہی وہ تقابل ہے جو سب سے زیادہ سپورٹ ٹکٹ پیدا کرتا ہے، سو صاف کہہ دینا بہتر ہے۔ MiMo-V2.5-Pro-W8A16 اور MiMo-V2.5-W8A16 ایک قیمت، ایک سیاق کھڑکی، ایک درستگی درجہ اور ایک خاندانی نام رکھتے ہیں۔ Pro تصاویر قبول نہیں کرتا۔ یہ اس کا وسیع تر مجموعہ نہیں۔ یہ اُسی بجٹ کی مختلف تقسیم ہے۔

کثیر وسیلہ ماڈل پیش کرنے کا مطلب ہے ڈی کوڈر کے ساتھ ساتھ وژن مینار اور پیش کار کی قیمت بھی ادا کرنا — مقررہ لاگت کے ہدف پر یہ وہ گنجائش ہے جو خود زبان ماڈل پر خرچ نہیں ہوتی۔ Pro سارا کچھ متن پر خرچ کرتا ہے: ایک بڑی بنیاد جس میں طویل تحریر، بڑھے ہوئے استدلال اور کوڈ کے لیے زیادہ گنجائش ہے۔ MiMo-V2.5 اس کا کچھ حصہ دیکھنے پر خرچ کرتا ہے۔

چنانچہ فیصلے کا اصول آپ کے داخلوں کے بارے میں ہے، آپ کے عزائم کے بارے میں نہیں۔ اگر کوئی بھی درخواست اسکرین شاٹ، اسکین شدہ صفحہ، چارٹ، خاکہ یا تصویر رکھ سکتی ہے تو آپ کو MiMo-V2.5 چاہیے — Pro اُس مواد کے بلاک کو رد کر دے گا۔ اور اگر ہر درخواست متن ہے اور آپ نے عادتاً وژن ماڈل اٹھا لیا ہے تو آپ بلاوجہ بنیاد کا معیار چھوڑ رہے ہیں: اسی نرخ پر MiMo-V2.5-Pro لے لیجیے۔

ایک نمونہ جو چرانے لائق ہے: مواد کی قسم کے حساب سے راستہ دیجیے۔ جس میں بھی تصویری حصہ ہو وہ MiMo-V2.5-W8A16 پر جائے، باقی سب MiMo-V2.5-Pro-W8A16 پر۔ وہی خاندان، وہی قیمت، وہی سیاقی بجٹ — راستہ ساز معمولی سا ہے اور ملانے کے لیے کوئی لاگت کا ماڈل ہے ہی نہیں۔

07”بغیر سنسر شپ تصویری فہم“ کا دراصل مطلب کیا ہے

اس ماڈل کے آگے کوئی انکار کی پرت نہیں اور اس کے اخراج پر کوئی مواد کی چھلنی نہیں۔ یہ ایک مصنوعاتی فیصلہ ہے جس کا وژن کے کام پر ایک مخصوص نتیجہ ہے: ماڈل موضوع کی بنیاد پر انکار کرنے کے بجائے یہ بتاتا ہے کہ فریم میں کیا ہے۔

یہ اس لیے اہم ہے کہ چھنے ہوئے وژن API ساختی طور پر جائز کام کے ایک پورے زمرے کے لیے نامناسب ہیں۔ کسی بھی نگرانی کی پائپ لائن کو اُس مواد کو دیکھنا ہی پڑتا ہے جس کی وہ نگرانی کرتی ہے اور بتانا پڑتا ہے کہ وہ کیا ہے؛ ایسا درجہ بند جو اُسی چیز کو دیکھنے سے انکار کرے جس کی درجہ بندی کرنی ہے، درجہ بند ہے ہی نہیں۔ یہی بات حقیقی کاموں کی ایک لمبی فہرست پر لاگو ہوتی ہے:

• اعتماد اور تحفظ کے آلات — عین وہی تصاویر لیبل کرنا جنہیں کوئی عام API کارروائی میں نہیں لے گا، اور یہی وہ تصاویر ہیں جنہیں لیبل کی سب سے زیادہ ضرورت ہے۔
• طبی، فرانزک اور حادثاتی تصاویر — طبی، زخموں اور جائے وقوعہ کی تصویری کشی، جسے عام چھلنیاں پوچھنے والے سے قطع نظر ”سخت“ کہہ کر ٹھکرا دیتی ہیں۔
• سیکیورٹی تحقیق — فشنگ صفحات، بدنیت انٹرفیس اور محفوظ کی گئی اسکرینیں پڑھنا، بغیر اس کے کہ ماڈل بنیاد ہی پر ہچکچائے۔
• بالغ مواد کی درجہ بندی اور آرکائیو فہرست سازی — وہ پائپ لائنیں جو مواد کی شناخت کے لیے ہی وجود رکھتی ہیں اور دیکھنے کا کام کسی اور کے سپرد نہیں کر سکتیں، نیز وہ تاریخی ذخیرے جنہیں چھلنیاں ناقابلِ لیبل سمجھتی ہیں۔

انکار کی پرت ہٹانا ایک انجینئری رکاوٹ ہٹاتا ہے، قانونی نہیں۔ Shannon AI کو Shannon Lab LLC، نیو میکسیکو، امریکہ چلاتا ہے، اور API کا استعمال ہماری ذمہ دارانہ استعمال کی پالیسی کے تابع ہے۔ بغیر چھلنی اخراج ایک صلاحیت ہے، اجازت نامہ نہیں۔

08اسے پکارنا: اینڈ پوائنٹس، تصویری داخلہ، اور یہ کہاں فٹ ہوتا ہے

ماڈل MiMo-V2.5-W8A16 ہے، جو انہی وزنوں کے مقابل تین درخواستی لہجوں پر قابلِ رسائی ہے، سو جو SDK آپ کے پاس پہلے سے ہے وہی رکھیے:

• /v1/chat/completions — OpenAI ہم آہنگ۔ تصاویر image_url مواد کے حصوں کے طور پر جاتی ہیں، یا تو https پتے کے طور پر یا base64 data URI کے طور پر۔
• /v1/messages — Anthropic ہم آہنگ۔ تصاویر image مواد بلاک کے طور پر جاتی ہیں۔
• /v1/responses — Responses طرز کا لہجہ۔

اسٹریمنگ اور ٹول کالنگ تینوں پر کام کرتی ہیں، سو ماڈل ایک ہی موڑ میں اسکرین شاٹ دیکھ کر جو دیکھا اس کے بارے میں کوئی فنکشن پکار سکتا ہے۔ درخواست اور جواب کے مکمل اسکیما API دستاویزکاری میں ہیں، جہاں ایک کھیل کا میدان بھی موجود ہے جس میں آپ کوئی کوڈ لکھنے سے پہلے تصویر چسپاں کر سکتے ہیں۔

MiMo-V2.5 سخت json_schema اور response_format کی حمایت کرتا ہے — یہی نمائشی مظاہرے اور پائپ لائن کا فرق ہے۔ اسے کوئی رسید دیجیے اور ساتھ ایک ایسا اسکیما جس میں بیچنے والے، تاریخ، سطری اندراجات اور کل رقم کے لیے قسم بند خانے ہوں، اور آپ کو ایسا شے ملے گی جس کی آپ کا کوڈ توثیق کر سکے، نہ کہ ایسا پیراگراف جس پر آپ کو ریگولر ایکسپریشن چلانی پڑے۔ اس فہرست کے بارہ میں سے دو ماڈلوں میں ساختی اخراج کی مکمل حمایت نہیں؛ اس میں ہے، اور یہی وجہ ہے کہ یہ بڑی مقدار والی استخراجی خدمت کے طور پر کام کرتا ہے۔

سیاق کھڑکی 262,144 ٹوکن ہے؛ پیدا شدہ اخراج فی درخواست 16,384 ٹوکن تک محدود ہے۔ تصاویر قرارداد کے تناسب سے داخلی ٹوکن کھاتی ہیں، سو زیادہ قرارداد والی صفحاتی اسکینیں اتنے ہی الفاظ کے متن کی نسبت سیاق کہیں تیزی سے چٹ کر جاتی ہیں۔ لمبی دستاویزات کو صفحات میں بانٹیے، 300 صفحے کی اسکین ایک ہی درخواست میں مت لادیے، اور اخراجی حد کو مکمل استخراج پر ایک حقیقی پابندی سمجھیے — گھنی جدولوں کو قطاروں کے دائرے سے بانٹیے، ورنہ جواب کٹا ہوا ملے گا۔

خاندان کے پس منظر کو دیکھتے ہوئے reasoning_effort ڈائل یہاں واقعی اثر رکھتا ہے۔ بڑی مقدار والی درجہ بندی کے لیے اسے نیچے کیجیے، جہاں جواب ایک لیبل ہے اور سوچ کے ٹوکن خالص لاگت ہیں؛ چارٹ کی تعبیر، بصری ریاضی اور خاکوں پر استدلال کے لیے اسے اوپر کیجیے، جہاں ماڈل کو جواب دینے سے پہلے کئی دیکھی ہوئی چیزیں جوڑنی پڑتی ہیں۔

یہ کہاں فٹ ہوتا ہے، اور کہاں نہیں

اچھی جوڑ۔ بڑی مقدار میں دستاویزات اور رسیدوں سے استخراج؛ ناقص اسکینوں پر OCR سے ملحقہ کام؛ چارٹ، ڈیش بورڈ اور جدول پڑھنا؛ اسکرین شاٹ کا فہم اور انٹرفیس کا تعیّن؛ فہرست کی ٹیگنگ اور بصری سوال و جواب؛ نگرانی کی پائپ لائنیں — ہر وہ کثیر وسیلہ کام جہاں فی کال لاگت پابند کرتی ہو اور باریک تفصیل کی درستگی وہ چیز ہو جسے آپ چھوڑنے کو تیار نہیں۔

بری جوڑ۔ سب سے مشکل درجے کا کثیر وسیلہ استدلال جس کے لیے قیمت سے قطع نظر مضبوط ترین ماڈل چاہیے — یہ Kimi-K3 کا کام ہے، اور وہ ایک وجہ سے تقریباً دس گنا مہنگا ہے۔ صرف متنی تخلیق، جہاں MiMo-V2.5-Pro اسی نرخ پر بہتر بنیاد دیتا ہے۔ وہ کام جو دائرۃ المعارف جیسی دنیاوی معلومات پر ٹیک لگاتا ہو، جہاں بڑی خلوی بنیاد نپی تلی گھنی بنیاد سے آگے نکل جاتی ہے۔ اور ہر وہ چیز جسے 262K سے زیادہ سیاق چاہیے، جو یہاں کوئی ماڈل نہیں دیتا۔

09اکثر پوچھے جانے والے سوالات

---

مآخذ: MiMo تکنیکی رپورٹ (arXiv 2505.07608) · MiMo-VL تکنیکی رپورٹ (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508۔ تمام معیاری اعداد Xiaomi کے بتائے ہوئے ہیں، اوپر نامزد جاری شدہ چیک پوائنٹس کے لیے، اور وہ خاندانی نسل بیان کرتے ہیں، اس اینڈ پوائنٹ پر موجود عین بلڈ کو نہیں۔ قیمتیں، سیاق اور صلاحیتی نشانات Shannon AI گیٹ وے کی فہرستی قدریں ہیں، ستمبر 2026۔