Xiaomi એ MiMo V2.5 લોન્ચ કર્યું છે, જે એક open-weight મલ્ટિમોડલ મોડેલ છે જે ઓડિયો, ઈમેજ અને વીડિયોને નેટિવ ટોકન્સ તરીકે ગણે છે અને 1.05-મિલિયન-ટોકન કોન્ટેક્સ્ટ વિન્ડો ઓફર કરે છે. તેની કિંમત પત્રકમાં પ્રતિ મિલિયન ઇનપુટ ટોકન્સ માટે $0.14 અને પ્રતિ મિલિયન આઉટપુટ ટોકન્સ માટે $0.28 દર્શાવવામાં આવ્યા છે, જેવી ખર્ચ રચના લાંબા સમયની મીટિંગ્સ અથવા વીડિયો સ્ટ્રીમ્સને સિંગલ પ્રોમ્પ્ટમાં ચલાવવાનું શક્ય બનાવે છે.
“open-weight” શા માટે મહત્વનું છે
મોટાભાગના મલ્ટિમોડલ AI અલગ-અલગ ફ્રન્ટ-એન્ડ્સને જોડે છે: સ્પીચ-ટુ-ટેક્સ્ટ એન્જિન, ઈમેજ-કેપ્શનિંગ મોડેલ, અને પછી પરિણામી ટેક્સ્ટને લાર્જ લેંગ્વેજ મોડેલ (LLM) માં ફીડ કરે છે. LLM ક્યારેય રો (raw) વેવફોર્મ અથવા પિક્સેલ ડેટા જોતું નથી, તેથી ટોન, વિરામ અથવા હાવભાવ જેવા સૂક્ષ્મ તફાવતો ગુમાવી શકાય છે. Xiaomi નો દાવો છે કે MiMo V2.5 સીધો જ ઓડિયો અને વીડિયો ગ્રહણ કરે છે, જેનાથી ટાઈમિંગ, સ્વર (intonation) અને વિઝ્યુઅલ ક્યુઝ જળવાઈ રહે છે. સૈદ્ધાંતિક રીતે, આ મોડેલને ફોન કોલમાં નિસાસો લેવો, વ્હાઇટબોર્ડ પરના સ્કેચને અનુસરવો, અથવા મધ્યવર્તી ટ્રાન્સક્રિપ્શન સ્ટેપ વગર એકબીજા પર ઓવરલેપ થતા વક્તાઓને ઓળખવા દે છે.
મોડેલના વેટ્સ (weights) ખુલ્લેઆમ રિલીઝ કરવામાં આવ્યા હોવાથી, સંસ્થાઓ તેને ડાઉનલોડ કરી શકે છે અને ઓન-પ્રેમિસ (on-premise) ચલાવી શકે છે. આ ક્લાઉડ API માં રો મીડિયા મોકલવાની સામાન્ય પદ્ધતિને ટાળે છે, જે પગલું હેલ્થકેર અને ફાઇનાન્સ જેવા ઘણા નિયંત્રિત ક્ષેત્રો લેવા માટે અનિચ્છુક છે અથવા તેમને કરવાની મનાઈ છે.
ટેકનિકલ મુખ્ય આંકડા
- Context window: 1.05 મિલિયન ટોકન્સ, જે એક જ રિક્વેસ્ટમાં બહુ કલાકોની મીટિંગ અથવા સંપૂર્ણ ડોક્યુમેન્ટરી સમાવવા માટે પૂરતા છે.
- Pricing: પ્રતિ મિલિયન ઇનપુટ ટોકન્સ
MiMo V2.5 ચર્ચાને “મલ્ટીમોડલ ગ્લુ” થી “મલ્ટીમોડલ બ્રેઈન” તરફ લઈ જાય છે, જે કોર્પોરેટ ફાયરવોલની પાછળ ચાલી શકે છે. તેની ઓપન-વેઇટ પ્રકૃતિ ગોપનીયતા પ્રત્યે સંવેદનશીલ સંસ્થાઓ માટેના અવરોધો ઘટાડે છે, પરંતુ વચન આપેલ ઓડિયો/વિડિયો ફિડેલિટી માટે હજુ પણ પુરાવાની જરૂર છે. જ્યાં સુધી સ્વતંત્ર પરીક્ષણો આ દાવાઓની પુષ્ટિ ન કરે ત્યાં સુધી, આ મોડેલની સૌથી મોટી ખાસિયત તેનું વિશાળ કોન્ટેક્સ્ટ વિન્ડો અને અનેક AI સેવાઓને એક સિંગલ, સેલ્ફ-હોસ્ટેડ સ્ટેકમાં એકત્રિત કરવાની શક્યતા છે.