Senzurasiz MiMo tasvir API si
Katalogimizda 8-bitli og'irlik aniqligini rasmni tushunish bilan birlashtirgan yagona model — va u faqat matnli eng quyi modellar turadigan narxning o'zini turadi: million tokenga $0.50 kirish / $2.00 chiqish.
TL;DR
MiMo-V2.5-W8A16 — Shannon AI Gateway idagi MiMo juftligining tasvirga qodir a'zosi, Xiaomi ning MiMo yo'nalishidan kelib chiqqan — tasvir minorasi payvandlangan, fikrlashni birinchi qo'yadigan til modeli — va o'z GPU klasterimizda eng yuqori sadoqatli kvantlash darajamiz W8A16 da xizmat qiladi. 262,144 tokenli kontekst, 16,384 maksimal chiqish tokeni, vosita chaqirish, qat'iy JSON sxema, striming va reasoning_effort richagi. Rad etish qatlami yo'q, chiqish filtri yo'q. U ro'yxatdagi eng arzon tasvir bo'yicha MiniMax-M3 bilan teng va aniqlikda undan ustun keladi.
Arzon multimodal endpointlar arzon, chunki biror narsa kesilgan va odatda kesiladigani siz ko'ra olmaydigan qism: og'irliklar uch yoki to'rt bitgacha siqiladi va model o'zi endi o'qiy olmaydigan diagramma haqida baribir ishonch bilan javob beradi. MiMo-V2.5 — katalogimizdagi qarshi misol: bir vaqtning o'zida ham narx poyida, ham eng yuqori aniqlik darajasida, chunki u kelib chiqqan poydevor ulkan va siyrak emas, kichik va zich qilib qurilgan.
01MiMo qayerdan keladi: avvalo fikrlovchi model, keyin tasvir modeli
MiMo yo'nalishi — Xiaomi ning ochiq og'irlikli tadqiqot dasturi va uning asos dalili urfda emas: fikrlash qobiliyati keyinroq RL bilan mahkamlanmaydi, oldindan o'qitish paytida belgilanadi. Ish asosan ma'lumot muhandisligi — Xiaomi korpusda fikrlash naqshlarining zichligini oshirish uchun matn ajratish va filtrlashni qaytadan qurdi, sintetik fikrlash ma'lumotini katta miqyosda generatsiya qildi va MiMo-7B-Base ni taxminan 25 trillion tokenda uch bosqichli aralashma ostida oldindan o'qitdi, yordamchi maqsad sifatida Multiple-Token Prediction bilan — u inference paytida spekulyativ dekoder vazifasini ham bajaradi (Xiaomi ga ko'ra qabul qilish darajasi 90% ga yaqin).
Post-treyning ataylab qat'iy: 130,000 matematika va kod masalasi, faqat qoidaga asoslangan aniqlik mukofotlari bilan, hech qanday o'rganilgan mukofot modelisiz — chunki neyral mukofot modeli buzib ochiladigan yuza. Tekshirib bo'ladigan mukofotlarni shirin so'z bilan ko'ndirib bo'lmaydi. MiMo-7B-RL o'z o'lchamiga nomutanosib raqamlarni ko'rsatadi — Xiaomi pass@1 da AIME 2024 da 68.2%, MATH-500 da 95.8%, LiveCodeBench v5 da 57.8% ni xabar qiladi va bu OpenAI ning o1-mini siga teng keladi. Siz chaqirayotgan modelning shakli shu: ixcham, zich o'qitilgan, javobni eslash emas, masalani bosqichma-bosqich yechish uchun sozlangan — va bu fe'l multimodal avlodlariga ham o'tgan.
02MiMo qanday ko'rishni o'rgandi: MiMo-VL arxitekturasi
MiMo-VL — tasvir-til shoxi va uning qurilishi ibratli. Xiaomi uchta qismni yig'di: har bir rasmni qat'iy past ruxsatli panjaradan majburan o'tkazish o'rniga nozik tafsilotni saqlaydigan nativ ruxsatli ViT enkoderi, til modelining latent fazosiga tasodifiy boshlang'ich holatdagi MLP proyektori va — hal qiluvchi tarzda — til modeli sifatida MiMo fikrlash o'zagi. Tasvir tizimi shunchaki sarlavhalashda emas, ko'p bosqichli o'ylashda allaqachon yaxshi bo'lgan dekoderni meros qilib oladi.
O'qitish to'rtta oldindan o'qitish bosqichida — proyektorni isitish, tasvir-til moslashtirish, umumiy multimodal oldindan o'qitish, uzun kontekstli SFT — taxminan 2.4 trillion token bo'ylab o'tdi, so'ng Mixed On-policy Reinforcement Learning (MORL) idrok aniqligini, vizual bog'lash aniqligini, fikrlash to'g'riligini va inson/AI afzalligini bitta on-policy siklga jamladi. Hisobot bularning hammasini bir vaqtda optimallashtirish beqaror ekanini ochiq aytadi — bu multimodal maqolalarning aksariyati taklif qiladiganidan halolroq tuzilma.
Chop etilgan natijalar parametr soni uchun kuchli. Xiaomi MiMo-VL-7B-RL ning Qwen2.5-VL-7B ni 40 vazifadan 35 tasida yengganini, OlympiadBench da 59.4 (78B gacha bo'lgan modellardan yuqori) va GUI bog'lash uchun OSWorld-G da 56.1, ya'ni maxsus qurilgan interfeys agentlaridan oldinda ekanini xabar qiladi. Keyingi 2508 yangilanishi seriyada birinchi marta MMMU ni 70 dan yuqoriga ko'tardi (70.6), ChartQA da 94.4, ScreenSpot-v2 da 92.5 va VideoMME da 70.8 ga yetdi hamda fikrlashni boshqarish o'girgichini qo'shdi, shunda fikrlash izlarini har bir so'rovda o'chirib qo'ysa bo'ladi.
Versiya da'volari haqida izoh
Yuqoridagi har bir ko'rsatkich — Xiaomi ning o'zi chiqargan muayyan nazorat nuqtasi uchun chop etgan raqami, quyidagi manbalar blokida havolasi bilan. Bizning katalog yozuvimiz o'sha nasldagi keyingi nuqta. Biz model qayerdan kelgani va oila nima qilish uchun qurilganini ta'riflaymiz — o'sha aniq ballar siz chaqiradigan yig'maga o'tishini da'vo qilmaymiz. O'z ish yukingizda benchmark o'tkazing; narx poyi shuning uchun bor.
03W8A16 nimani anglatadi va nega u tasvir uchun matndan ko'ra muhimroq
Gateway dagi har bir model kvantlash qo'shimchasini olib yuradi. Bu bezak emas — u modelni xizmatga yaroqli qilish uchun nima almashtirilganini aytadi.
| Qo'shimcha | Bu nima | Nega ishlatiladi |
|---|---|---|
| 3BIT-REAP | 3-bitli og'irliklar plyus REAP, ya'ni MoE modelidan kvantlashdan oldin kamdan-kam yo'naltiriladigan ekspertlarni tashlaydigan ekspert kesish usuli | Juda katta poydevorlarni oqilona tezlikda sig'dirish va xizmatga qo'yishning yagona yo'li |
| W4A16-AUTOROUND-REAP | 4-bitli og'irliklar, 16-bitli aktivatsiyalar, AutoRound bilan kvantlangan — sodda eng yaqinga yaxlitlashga nisbatan aniqlikni tiklaydigan o'rganilgan yaxlitlash — plyus REAP kesishi | Ekstremal siqishga muhtoj bo'lmagan katta poydevorlar uchun o'rta yo'l |
| W8A16 | 8-bitli og'irliklar, 16-bitli aktivatsiyalar — biz xizmatga qo'yadigan eng yuqori sadoqatli daraja | Poydevor agressiv siqishga muhtoj bo'lmaguday kichik bo'lgan joyda ishlatiladi |
MiMo-V2.5 uchinchi qatorni ixchamligi bilan qozonadi: bu sinfdagi zich poydevorga sig'ish uchun uch bitgacha ezish shart emas, shuning uchun sakkiztasini saqlashga qurbingiz yetadi va siz namuna oladigan og'irliklar o'qitilganlariga yaqin qoladi. Bu rasm ishi uchun tuzilmaviy sabab bo'yicha nomutanosib muhim. Faqat matnli dekoderda kvantlash ostida chetga og'gan joylashtirish keyingi o'nlab e'tibor qatlami tomonidan qayta kontekstlanadi — tiklanish uchun ko'p imkoniyat. Tasvir to'plamida bunday bo'sh joy yo'q: vizual axborot dekoderga yetib borishidan oldin bitta enkoder va bitta tor proyektor orqali o'tadi va undan keyingi hamma narsa o'sha tor joy ishlab chiqargan narsaga shartlanadi. Mayda donali signal — past kontrastli skanerda 3 va 8 farqi, diagramma o'qida ustun tugaydigan aniq piksel, bosishingiz so'ralgan UI elementining chegarasi — agressiv kvantlash birinchi bo'lib tashlaydigan past kattalikdagi og'irlik tafsilotida yashaydi.
3-bitli tasvir modeli shovqin bilan muvaffaqiyatsizlikka uchramaydi; u jimgina muvaffaqiyatsizlikka uchraydi va hujjatning ravon tavsifini ishlab chiqaradi, faqat jamida ikkita raqam o'rin almashgan bo'ladi. Yuqoriroq og'irlik aniqligi — shu nosozlikka qarshi eng arzon sug'urta va bu yerda u bepul: siz baribir eng quyi narxni to'laysiz.
04Eng quyi narx, kontekstda
O'n ikki modelli katalogimizdagi to'rtta model million tokenga $0.50 kirish / $2.00 chiqish narx poyida turadi. Ulardan faqat bittasi rasm oladi. Mana, tasvirga qodir modellar aksariyat haqiqiy hisoblarda hukmronlik qiladigan raqam — chiqish narxi — bo'yicha qayerda joylashadi:
1M token uchun AQSh dollarida chiqish narxi, Shannon AI Gateway ro'yxat stavkalari, 2026-yil sentabr. Ustun uzunligi katalogdagi eng qimmat tasvir modeliga nisbatan.
Shift tasvir modeli va chinakam kuchliroq model bo'lgan Kimi-K3 ga qarshi MiMo-V2.5 chiqishda taxminan 9.6× arzonroq va kirishda 7.7× arzonroq. Bu tenglik da'vosi emas; bu ish yuki shakli haqidagi dalil. Oyiga yuz ming rasmda shift modeliga qurbingiz yetmaydi, poya modeliga esa yetadi va halol savol — poya modeli sizning aniqlik chizig'ingizdan o'tadimi, benchmarkda yutadimi emas.
05MiMo-V2.5 va MiniMax-M3: ikkita arzon tasvir modeli halol taqqoslanadi
Bu ikkisi narx, kontekst va endpoint yuzasi bo'yicha aynan teng. Ular bir-birining o'rnini bosmaydi: kvantlash darajasi tasvir modelini nima foydali qiladi degan ikki xil garovning ko'rsatkichi.
| MiMo-V2.5 · W8A16 | MiniMax-M3 · 3BIT-REAP | |
|---|---|---|
| 1M ga kirish / chiqish | $0.50 / $2.00 | $0.50 / $2.00 |
| Og'irlik aniqligi | 8-bit | 3-bit + ekspert kesish |
| Poydevor o'lchami | Ixcham, zich | Katta, siyrak MoE |
| Tasvir | Ha | Ha |
| Kontekst oynasi | 262,144 | 262,144 |
| Sxema · vositalar · striming | Ha | Ha |
Rasm qiyin qism bo'lganda MiMo-V2.5 ni tanlang: nomukammal skanerlarda zich OCR, diagramma va jadvallardan sonli ajratib olish, skrinshot va UI bog'lash, mayda matn o'qish, deyarli bir xil mahsulot suratlarini bir-biridan farqlash — o'rin almashgan raqam kosmetik nuqson emas, chinakam nuqson bo'lgan har qanday narsa. Sizga pikseldan tokengacha eng yuqori sadoqatli yo'l kerak va bu narxda uni 8-bitli og'irliklar orqali olasiz.
Rasm oson qism bo'lganda MiniMax-M3 ni tanlang. 3 bitgacha siqilgan katta siyrak poydevor hatto kesishdan keyin ham ixcham zich model ushlab tura oladiganidan ko'proq dunyoviy bilim va fikrlash kengligini saqlaydi. Agar vazifa "bu suratga qara va u nimani anglatishi haqida uzoq mulohaza yurit" bo'lsa, yoki rasm asosan matnli suhbatdagi bitta kirish bo'lsa, kattaroq poydevor yaxshiroq asbob — siz voz kechgan vizual o'tkirlik cheklovchi omil emas edi.
06MiMo-V2.5 va MiMo-V2.5-Pro: ko'zni chuqurlikka almashtirgan qardosh
Bu — eng ko'p qo'llab-quvvatlash murojaati keltirib chiqaradigan taqqoslash, shuning uchun ochiq aytish arziydi. MiMo-V2.5-Pro-W8A16 va MiMo-V2.5-W8A16 narxni, kontekst oynasini, aniqlik darajasini va oila nomini bo'lishadi. Pro rasm qabul qilmaydi. U ustki to'plam emas. U — o'sha byudjetning boshqacha taqsimlanishi.
Multimodal modelni xizmatga qo'yish dekoder yonida tasvir minorasi va proyektor uchun to'lashni anglatadi — qat'iy narx nishonida bu til modelining o'ziga sarflanmagan sig'im degani. Pro uning hammasini matnga sarflaydi: uzun shakldagi yozuv, kengaytirilgan fikrlash va kod uchun ko'proq zaxirasi bor kattaroq poydevor. MiMo-V2.5 esa uning bir qismini ko'rishga sarflaydi.
Demak, qaror qoidasi sizning ambitsiyalaringiz emas, kirishlaringiz haqida. Agar biror so'rovda skrinshot, skanerlangan sahifa, diagramma, sxema yoki fotosurat bo'lishi mumkin bo'lsa, sizga MiMo-V2.5 kerak — Pro kontent blokini rad etadi. Agar har bir so'rov matn bo'lsa va siz tasvir modeliga odat bo'yicha qo'l cho'zgan bo'lsangiz, siz poydevor sifatini bekorga stolda qoldirayapsiz: aynan o'sha stavkada MiMo-V2.5-Pro ni oling.
O'g'irlashga arziydigan naqsh: kontent turi bo'yicha yo'naltiring. Rasm qismi bor har narsa MiMo-V2.5-W8A16 ga, qolgan hammasi MiMo-V2.5-Pro-W8A16 ga ketadi. O'sha oila, o'sha narx, o'sha kontekst byudjeti — router juda oddiy va kelishtiriladigan narx modeli yo'q.
07"Senzurasiz rasmni tushunish" aslida nimani anglatadi
Bu modelning oldida rad etish qatlami yo'q va uning chiqishida kontent filtri yo'q. Bu — tasvir ishi uchun aniq oqibatga ega mahsulot qarori: model mavzuga qarab rad etish o'rniga kadrda nima borligini tasvirlaydi.
Bu muhim, chunki filtrlangan tasvir API lari qonuniy ishning butun bir toifasiga tuzilmaviy jihatdan yaroqsiz. Moderatsiya quvuri o'zi moderatsiya qiladigan materialga qarashi va u nima ekanini aytishi shart; o'zi tasniflaydigan narsani ko'rishdan bosh tortadigan klassifikator — klassifikator emas. Xuddi shu narsa haqiqiy ishlarning uzun ro'yxati bo'ylab amal qiladi:
- Ishonch va xavfsizlik asboblari — asosiy API qayta ishlamaydigan tasvirlarga aynan yorliq qo'yish, holbuki eng ko'p yorliqqa muhtoj tasvirlar ham shular.
- Tibbiy, ekspertiza va baxtsiz hodisa tasvirlari — umumiy filtrlar kim so'rashidan qat'i nazar qo'pol deb rad etadigan klinik, jarohat va voqea joyi fotosuratlari.
- Xavfsizlik tadqiqoti — model asosga qarshilik ko'rsatmasdan fishing sahifalarini, zararli interfeyslarni va olingan ekranlarni o'qish.
- Kattalar kontentini tasniflash va arxiv kataloglash — materialni aniqlash uchun mavjud va qarashni tashqariga bera olmaydigan quvurlar, plyus filtrlar yorliq qo'yib bo'lmaydigan deb qaraydigan tarixiy to'plamlar.
Rad etish qatlamini olib tashlash huquqiy emas, muhandislik to'sig'ini olib tashlaydi. Shannon AI ni Nyu-Meksiko, AQSh dagi Shannon Lab LLC boshqaradi va API dan foydalanish Mas'uliyatli Foydalanish Siyosatimiz bilan tartibga solinadi. Filtrsiz chiqish — ruxsatnoma emas, qobiliyat.
08Uni chaqirish: endpointlar, rasm kirishi va u qayerga to'g'ri keladi
Model — MiMo-V2.5-W8A16, unga bir xil og'irliklarga qarshi uchta so'rov dialektida yetib boriladi, shuning uchun sizda allaqachon bor SDK ni saqlaysiz:
/v1/chat/completions— OpenAI mos. Rasmlarimage_urlkontent qismlari sifatida, https URL yoki base64 data URI ko'rinishida kiradi./v1/messages— Anthropic mos. Rasmlarimagekontent bloklari sifatida kiradi./v1/responses— Responses uslubidagi dialekt.
Striming va vosita chaqirish uchalasida ham ishlaydi, shuning uchun model skrinshotga qarab, ko'rgani haqida bitta navbatda funksiya chaqira oladi. So'rov va javobning to'liq sxemalari API hujjatlarida, u yerda kod yozishdan oldin rasm joylashtira oladigan sinov maydoni ham bor.
MiMo-V2.5 qat'iy json_schema va response_format ni qo'llab-quvvatlaydi — demo bilan quvur orasidagi farq. Unga chekni plyus sotuvchi, sana, qatorlar va jami uchun tiplashtirilgan maydonli sxemani bering va siz regex qilishingiz kerak bo'lgan paragraf emas, kodingiz tekshira oladigan obyektni olasiz. Bu katalogdagi o'n ikki modeldan ikkitasida to'liq tuzilmali chiqish qo'llab-quvvatlashi yo'q; bunisida bor va aynan shuning uchun u katta hajmli ajratib olish xizmati sifatida ishlaydi.
Kontekst oynasi — 262,144 token; generatsiya qilinadigan chiqish har bir so'rovga 16,384 token bilan cheklangan. Rasmlar kirish tokenlarini ruxsatning funksiyasi sifatida sarflaydi, shuning uchun yuqori ruxsatli sahifa skanerlari kontekstni teng so'z sonidagi matndan ancha tezroq yeydi. 300 sahifali skanerni bitta so'rovga yuklash o'rniga uzun hujjatlarni sahifalarga bo'ling va chiqish shiftini to'liq ajratib olish uchun haqiqiy cheklov deb qarang — qisqartirilgan javob olish o'rniga zich jadvallarni qator oralig'i bo'yicha bo'laklang.
reasoning_effort richagi oilaning naslnomasini hisobga olganda bu yerda haqiqiy kuchga ega. Katta hajmli tasniflash uchun uni pasaytiring — u yerda javob yorliq, fikrlash tokenlari esa sof xarajat; diagramma talqini, vizual matematika va sxema bo'yicha fikrlash uchun uni ko'taring — u yerda model javob berishdan oldin ko'rgan bir nechta narsani birlashtirishi kerak.
U qayerga to'g'ri keladi va qayerga kelmaydi
Yaxshi mos keladi. Katta hajmli hujjat va chek ajratib olish; nomukammal skanerlarda OCR ga yaqin ish; diagramma, dashboard va jadval o'qish; skrinshotni tushunish va UI bog'lash; katalogga teg qo'yish va vizual savol-javob; moderatsiya quvurlari — har bir chaqiriqdagi narx cheklovchi bo'lgan va mayda tafsilot aniqligidan voz kechishni istamaydigan har qanday multimodal vazifa.
Yomon mos keladi. Narxidan qat'i nazar eng kuchli modelni talab qiladigan chegara qiyinligidagi multimodal fikrlash — bu Kimi-K3 ning ishi va u deyarli o'n barobar qimmat turishining sababi bor. Faqat matnli generatsiya, u yerda MiMo-V2.5-Pro o'sha stavkada yaxshiroq poydevor beradi. Ensiklopedik dunyoviy bilimga tayanadigan ish, u yerda katta siyrak poydevor ixcham zichidan o'zib ketadi. Va 262K dan ortiq kontekstga muhtoj har qanday narsa — buni bu yerdagi hech bir model taklif qilmaydi.
Yuqoridagi har bir chop etilgan ko'rsatkich — Xiaomi ning o'z raqami, MiMo va MiMo-VL seriyasidagi nomlangan nazorat nuqtasi uchun. Bizning xulosamizni emas, birlamchi materialni o'qing.
09Ko'p beriladigan savollar
Senzurasiz MiMo tasvir API si nima?
Bu — Shannon AI Gateway idagi MiMo-V2.5 W8A16 modeli: Xiaomi ning MiMo naslidagi tasvirga qodir model, o'z GPU klasterimizda 8-bitli og'irlik aniqligida, 262,144 tokenli kontekst bilan, rad etish qatlami yoki chiqish filtrisiz xizmat qiladi. U /v1/chat/completions, /v1/messages va /v1/responses da rasm va matnni million kirish tokeni uchun $0.50 va million chiqish tokeni uchun $2.00 narxida qabul qiladi.
Rasmlarni haqiqatan ko'ra oladigan eng arzon senzurasiz model qaysi?
Million tokenga $0.50 kirish / $2.00 chiqish narx poyida ikkitasi teng keladi: MiMo-V2.5 W8A16 va MiniMax-M3 3BIT-REAP. MiMo-V2.5 ikkalasidan 8-bitli og'irliklari bilan yuqoriroq aniqlikdagisi va tafsilotga sezgir rasm ishi uchun xavfsizroq standart tanlov. MiniMax-M3 esa 3 bitgacha siqilgan ancha kattaroq poydevorni ishlatadi va har bir pikseldagi sadoqatdan ko'ra dunyoviy bilim kengligini afzal ko'radi.
W8A16 nimani anglatadi va nega u tasvir uchun muhim?
W8A16 16-bitli aktivatsiyalar bilan 8-bitli og'irliklarni bildiradi, ya'ni Shannon katalogidagi eng yuqori sadoqatli daraja, u poydevor agressiv siqishga muhtoj bo'lmaguday kichik bo'lgan joyda ishlatiladi. U tasvir uchun muhim, chunki tasvir minorasi va uning proyektori mayda donali tafsilotni tor yo'l orqali olib o'tadi va u yerda kiritilgan xatoliklar bir oz xira matn joylashtirishi ko'pincha tiklanadigan tarzda keyinroq tiklanmaydi.
MiMo-V2.5 MiMo-V2.5-Pro dan qanday farq qiladi?
O'sha narx, o'sha 262,144 tokenli kontekst, o'sha W8A16 darajasi, lekin o'sha model emas. MiMo-V2.5 rasm qabul qiladi; MiMo-V2.5-Pro esa yo'q va o'sha xizmat byudjetini buning o'rniga kattaroq matn poydevoriga sarflaydi. Kirishlarda skrinshot, hujjat, diagramma yoki fotosurat bo'lsa MiMo-V2.5 ni, aynan shu stavkada faqat matnli ish uchun esa Pro ni ishlating.
Senzurasiz MiMo tasvir modeli JSON sxema va vosita chaqirishni qo'llab-quvvatlaydimi?
Ha. MiMo-V2.5 W8A16 qat'iy json_schema tuzilmali chiqishini, response_format ni, vosita chaqirishni, striming va reasoning_effort boshqaruvini qo'llab-quvvatlaydi. Uni ajratib olish backendi sifatida ishlatsa bo'ladigan qiladigan narsa aynan shu: unga rasm bering va ajratishingiz kerak bo'lgan nasr emas, tekshirilgan obyektni oling.
Unga rasm jo'nating
8-bitli tasvir, 262K kontekst, rad etish qatlami yo'q — faqat matnli model narxida.
API hujjatlarini o'qing Barcha 12 modelni ko'ringModel id: MiMo-V2.5-W8A16 · Mas'uliyatli Foydalanish Siyosatimiz bilan boshqariladi
Manbalar: MiMo texnik hisoboti (arXiv 2505.07608) · MiMo-VL Technical Report (arXiv 2506.03569) · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508. Barcha benchmark ko'rsatkichlari yuqorida nomlangan chiqarilgan nazorat nuqtalari uchun Xiaomi tomonidan xabar qilingan va bu endpointdagi aniq yig'mani emas, oila naslini ta'riflaydi. Narxlar, kontekst va qobiliyat bayroqlari — Shannon AI Gateway ro'yxat qiymatlari, 2026-yil sentabr.