Mis on MiMo-VL-7B-SFT-2508?
MiMo-VL-7B-SFT-2508 on Xiaomi MiMo järelevalvega peenhäälestatud kontrollpunkt MiMo-VL 2508 mudeliseeriast. See on avatud kaaludega nägemise ja keele mudel, mis tähendab, et selle kaalud saab alla laadida ja sobiva riistvaraga käivitada, selle asemel et kasutada seda ainult teenusepakkuja hostitud API kaudu. Mudelil on ligikaudu 7 miljardit parameetrit ning seda levitatakse MIT-litsentsi alusel.
Tähis „VL” viitab nägemise ja keele funktsionaalsusele: mudel ühendab visuaalsed sisendid kirjalike juhistega ja tagastab tekstilise vastuse. Tähis „SFT” tähendab järelevalvega peenhäälestust. Selles etapis treenitakse mudelit soovitud vastuste näidete abil, et see suudaks multimodaalseid juhiseid tõhusamalt järgida. Seetõttu sobib see kontrollpunkt nii toimiva nägemise ja keele mudelina kui ka lähtekohaks teadlastele või arendajatele, kes soovivad selle treenimist jätkata.
Xiaomi avaldas MiMo-VL-7B-SFT-2508 21. augustil 2025. Allalaaditavad kaalud on saadaval Xiaomi MiMo Hugging Face’i organisatsiooni ja ModelScope’i kogu kaudu. Ametlikes materjalides eristatakse seda varasemast MiMo-VL-7B-SFT kontrollpunktist ning seotud mudelist MiMo-VL-7B-RL-2508.
Milline on selle koht Xiaomi MiMo mudelivalikus?
SFT-2508 kontrollpunkti ei esitleta Xiaomi eelistatud valikuna iga otsese kasutusstsenaariumi jaoks. Xiaomi kirjeldab seda sobiva alusena täiendavaks järelevalvega peenhäälestuseks ja tugevdusõppeks ning soovitab enamikule kasutajatele, kes soovivad lihtsalt mudelit käivitada ja vastuseid saada, mudelit MiMo-VL-7B-RL-2508.
See eristus on praktikas oluline. Teadustöötlust üles ehitav kasutaja võib eelistada SFT-kontrollpunkti, sest see pakub kontrollitud lähtekohta täiendavaks treenimiseks. Kasutajal, kes otsib tavapäraseks järeldamiseks kõige paremini ettevalmistatud kontrollpunkti, võib olla rohkem põhjust kaaluda RL-2508 sõsarmudelit. SFT-mudel on küll selle lehe keskmes, kuid selle kavandatud roll on pigem kohandatav teadus- ja arendustöö kontrollpunkt kui hallatud tarbijatele mõeldud assistent.
Toetatud sisendid ja väljundid
MiMo-VL-7B-SFT-2508 toetab teksti, pilte ja videot. See suudab ühendada kirjaliku küsimuse visuaalse sisendiga, näiteks vastata, mida fotol kujutatakse, selgitada diagrammi või kirjeldada videos toimuvat. Dokumenteeritud visuaalsed ülesanded hõlmavad järgmist:
- Visuaalne küsimustele vastamine
- Piltide ja videote kirjeldamine
- Optiliste märkide mõistmine ning muu pildi ja teksti tõlgendamine
- Visuaalne arutlemine
- Multimodaalsete matemaatika- ja loogikaülesannete lahendamine
Mudeli loomulik väljund on tekst. See ei loo loomupäraselt pilte, videot, heli, kõnet ega muusikat. Seetõttu sobib see meediumide tõlgendamiseks, mitte meediat genereerivaks mudeliks. Samuti ei tohiks seda segi ajada üldotstarbelise agendiga: selle konkreetse kontrollpunkti puhul ei ole kontrollitud loomupärast veebotsingut, funktsioonikutseid ega väliste tööriistade kasutamise võimalust.
Arhitektuur ja 128K kontekst
Mudel ühendab loomuliku eraldusvõimega nägemis kodeerija, MLP-põhise ristmodaalse projektori ja Xiaomi MiMo-7B keelemudeli põhja. Nägemis kodeerija töötleb visuaalset teavet, projektor teisendab selle aga esituseks, mida keelemudel saab koos tekstiga kasutada.
Avaldatud konfiguratsioon määrab maksimaalse positsioonipikkuse väärtuseks 128 000 tokenit. Token on mudeli kasutatav väike tekstiosa, seega kirjeldab see piirang tekstilise konteksti kogumahtu, mida juurutuskonfiguratsioon suudab käsitleda. Multimodaalses kasutuses sõltub praktiline maht, mis süsteemi mahub, ka sellest, kuidas pilte või videokaadreid esitatakse, ning järeldussüsteemi käsutuses olevast mälust. Väärtus 128K on kontrollitud konfiguratsiooniseade, mitte garantii, et iga riistvarakonfiguratsioon suudab maksimaalset mahtu tõhusalt töödelda.
Mudel kasutab Qwen2.5-VL-iga ühilduvat tingimusliku genereerimise arhitektuuri. Xiaomi hoidla soovitab genereerimisel temperatuuri 0,3 ja top-p väärtust 0,95. Dokumenteeritud seadistuses on mõtlemine vaikimisi sisse lülitatud; teksti /no_think lisamine kasutajapäringu lõppu palub anda otsese vastuse ilma nähtava arutlusrežiimita.
Arutlemis- ja kodeerimisvõimekus
MiMo-VL-7B-SFT-2508 on loodud multimodaalseks arutlemiseks, sealhulgas ülesanneteks, mis nõuavad visuaalsete tõendite ühendamist matemaatiliste, loogiliste või tekstiliste juhistega. Näiteks saab seda kasutada diagrammi tõlgendamiseks, pildistatud ülesande üle arutlemiseks või videos toimuva sündmuste jada jälgimiseks. Selle arutlemiskäitumist tuleks siiski hinnata konkreetsete piltide, videote, keelte ja ülesandevormingute põhjal, mis on rakenduse jaoks olulised.
Esitatud hinnang on toimetuslik, mitte teenusepakkuja avaldatud võrdlustulemus: arutlemine saab hindeks 7 punkti 10-st, kodeerimine 5 punkti 10-st ja kiirus 6 punkti 10-st. Arutlemise hinnang kajastab mudeli multimodaalset ülesehitust ja kavandatud treeningrolli, mitte standardiseeritud tulemust. Kodeerimine ei ole selle peamine spetsialiseerumisala. Mudel võib teksti kujul koodi luua või selgitada, kuid uuringud ei kinnita spetsiaalset kodeerimisrežiimi, koodi käivitamise keskkonda, tarkvaraarenduse tööriistaahelat ega suurepärast jõudlust üldistes kodeerimisülesannetes.
Miks kasutada SFT-kontrollpunkti?
Xiaomi kirjeldab mudeli arendust neljaetapilise treeninguprotsessina, mis hõlmab projektori soojendust, nägemise ja keele joondamist, üldist multimodaalset eeltreenimist ning pika konteksti järelevalvega peenhäälestust. See treeningutee on oluline, sest kontrollpunkt on mõeldud kasutajatele, kes soovivad seda enda andmete ja treeningumenetlustega muuta või edasi arendada.
Järelevalvega peenhäälestus võib kohandada mudeli kindla vastamisstiili, valdkonna, dokumendivormingu või visuaalse ülesandega, kui sobivad treeningunäited on olemas. Mõnes teadustöövoos saab seejärel kasutada tugevdusõpet, et optimeerida käitumist tasu- või eelistussignaali alusel. Need tegevused nõuavad inseneriteadmisi, arvutusressursse, andmete ettevalmistamist ja hindamist; üksnes kaalude allalaadimine ei paku hallatud treeninguteenust.
MIT-litsents on lubav ja toetab litsentsitingimustest lähtudes laia valikut katsetamist ja juurutamist. Enne mudeli lisamist kommerts- või tundlikku rakendusse peavad kasutajad siiski üle vaatama litsentsi, mudeli dokumentatsiooni, andmeõigused ja kõik kohaldatavad eeskirjad.
Juurutamine, hinnakujundus ja API saadavus
MiMo-VL-7B-SFT-2508 jaoks ei ole kontrollitud ametlikku hostitud API hinnakirja tokeni kohta. Kuna kaalud on allalaaditavad, ei väljendata mudeli otsest hinda teenusepakkuja tellimuse ega sisend- ja väljundtokeni hinnana. Selle asemel kannavad kasutajad riistvara, salvestusruumi, elektri, juurutamise, hoolduse või kolmanda osapoole järeldusteenuse praktilised kulud, kui nad ei käita mudelit ise.
Esitatud uuringu kohaselt saab mudelit käitada Transformersi, vLLM-i, SGLangi või ühilduvate kohalike järeldustööriistadega. Need on juurutusvõimalused, mitte tõend selle kohta, et Xiaomi haldab spetsiaalset hallatud API-t just selle kontrollpunkti jaoks. Ametlikku genereeritavate tokenite maksimaalset piiri ei ole kontrollitud. Maksimaalne konteksti konfiguratsioon on teadaolevalt 128 000 tokenit, kuid selle mudeli genereeritud vastuse eraldi maksimaalset pikkust ei ole dokumenteeritud.
Ka voogedastuse tugi, viipade vahemällu salvestamine, partiilise API kasutamine, struktureeritud JSON-režiim ja loomupärane veebotsingu integratsioon on selle konkreetse kontrollpunkti puhul kontrollimata. Arendajad võivad selle ümber infrastruktuuri luua, kuid neid lisasid ei tohiks esitleda mudeli loomupäraste võimekustena.
Peamised tugevused ja piirangud
Tugevused
- Avatud kaalud: Mudeli saab alla laadida ja seda kohandada, selle asemel et nõuda juurdepääsu suletud hostitud lõpp-punkti kaudu.
- Lai visuaalsete sisendite tugi: See toetab teksti kõrval nii pilte kui ka videot, võimaldades enamat kui tavaline ainult tekstil põhinev küsimustele vastamine.
- Pikk kontekst: Avaldatud 128 000 tokeni pikkune positsioonipiir on kasulik pikkade juhiste ja ulatuslike multimodaalsete töövoogude puhul, arvestades riistvara piiranguid.
- Paindlikkus teadustöös: Xiaomi esitleb kontrollpunkti konkreetselt alusena edasiseks järelevalvega peenhäälestuseks ja tugevdusõppeks.
- Lubav litsents: Kaalud on avaldatud MIT-litsentsi alusel.
Piirangud
- Ei ole meediageneraator: See toodab teksti ega loo loomupäraselt pilte, videot, heli, kõnet ega muusikat.
- Ei ole valmis hostitud teenus: Selle konkreetse kontrollpunkti jaoks ei ole kontrollitud Xiaomi hostitud hinda ega spetsiaalset API-pakkumist.
- Riistvara eest vastutab kasutaja: Ise hostimiseks on vaja sobivat arvutusvõimsust ning 128K kontekstiseade võib praktikas olla nõudlik.
- Kontrollimata integratsioonid: Loomupärast veebotsingut, tööriistu, struktureeritud väljundi garantiisid, vahemällu salvestamist, partiilist järeldamist ega maksimaalset väljundtokenite arvu ei ole dokumenteeritud kontrollitud funktsioonidena.
- Kontrollpunkti positsioneerimine: Xiaomi soovitab otseseks kasutamiseks enamikule kasutajatele RL-2508 sõsarmudelit, mistõttu võib SFT-versioon nõuda rohkem kohandamist või hindamist.
Millal valida MiMo-VL-7B-SFT-2508?
Vali MiMo-VL-7B-SFT-2508, kui vajad avatud kaaludega mudelit piltide või videote mõistmiseks ning soovid kontrollida juurutamist või treeningu jätkamist. See on eriti asjakohane teadusrühmadele, kes katsetavad multimodaalset arutlemist, arendajatele, kes kohandavad nägemise ja keele mudelit spetsiaalse andmestikuga, ning organisatsioonidele, kes eelistavad järeldamist oma infrastruktuuris, mitte teenusepakkuja hostitud API kaudu.
Selle kuluprofiil võib olla atraktiivne võrreldes tokenipõhiste kommertsteenustega, kui organisatsioonil on juba sobiv riistvara ja eeldatav kasutusmaht on suur. „Tasuta kaalud” ei tähenda siiski, et käitamisega ei kaasne kulusid. Arvutusvõimsus, inseneritöö, mudeli hindamine ja infrastruktuur kuuluvad endiselt kogukulu hulka. Toimetuslik hinnang annab kuludele hindeks 9 punkti 10-st, sest ametlikku kaalude allalaadimise tasu ei ole, kuid see ei ole teenusepakkuja avaldatud kuluvõrdlus.
Teine valik võib olla sobivam, kui prioriteediks on kohene hallatud juurdepääs, dokumenteeritud API hind, garanteeritud struktureeritud väljund, sisseehitatud veebotsing või tööriistade käivitamine või piltide, video ja kõne genereerimine. Kui eesmärk on tavaline otsene järeldamine, mitte täiendav treenimine, tasub kaaluda Xiaomi seotud RL-2508 kontrollpunkti, sest Xiaomi soovitab seda enamikule kasutajatele. Tarkvaraarenduseks võib paremini sobida tekstile keskenduv kodeerimismudel, mittetekstilise sisu loomiseks aga spetsiaalne generatiivse meedia mudel.
Kokkuvõte
MiMo-VL-7B-SFT-2508 on kõige mõistlikumalt käsitatav kohandatava avatud kaaludega nägemise ja keele alusena. Piltide ja videote sisendi, tekstilise väljundi, 128K konteksti konfiguratsiooni, MIT-litsentsi ning edasise SFT- või tugevdusõppe toe kombinatsioon muudab selle kasulikuks multimodaalses teadustöös ja ise hostitud arenduses. Peamine kompromiss seisneb selles, et tegemist ei ole täielikult hallatud tootega: hinnakujundust, maksimaalset väljundi pikkust, tööriistade integratsioone ja mitut tootmiskeskkonna funktsiooni ei ole kontrollitud ning Xiaomi suunab enamiku otseseks kasutamiseks mõeldud kasutajaid RL-2508 alternatiivi poole.