ሳንሱር-አልባው የMiniMax API፦ እይታ በወለል ዋጋ

ማለት ይቻላል እያንዳንዱ የተስተናገደ ብዙ-ዘዴ API እይታን እንደ ተጨማሪ ክፍያ ይተምናል። ለጽሑፍ የጽሑፍ-ሞዴል ተመን ትከፍላላችሁ፣ ከዚያም ምስል ወደ ጥያቄው ሲገባ የበለጠ — አንዳንዴም በብዙ እጥፍ የበለጠ — ትከፍላላችሁ። ከዚያ በተጨማሪ፣ የምስል ግብዓቶች የእምቢታ ባህርይ እጅግ ጠበኛ የሚሆንበት ቦታ ናቸው፦ በጽሑፍ ርዕስን በደስታ የሚወያይ ሞዴል ተመሳሳዩን ነገር በፎቶግራፍ መግለጽ ይከለክላል። ውጤቱም በአንድ-ጥሪ ውድና በአንድ-ጥሪ የማይታመን ምርት ነው፣ መጠን ስታሠሩ ደግሞ የሁለቱም ዓለም መጥፎ ጎን ነው። MiniMax-M3 በShannon ላይ ለዚያ ያለን መልስ ነው፦ ለርካሹ የጽሑፍ ሞዴላችን የምትከፍሉት ተመሳሳይ $0.50 / $2.00፣ ከመጀመሪያው እርምጃ ጀምሮ ብዙ-ዘዴ በሆነ ሥልጠና ለሠለጠነ መሠረት ላይ ተግባራዊ ሆኖ፣ ከፊቱም የቆመ የእምቢታ ንብርብር ሳይኖረው።

01እዚህ ላይ "እጅግ ርካሹ ሳንሱር-አልባ የእይታ ሞዴል" ማለት በእውነት ምን ማለት ነው

የShannon ካታሎግ አስራ ሁለት ሞዴሎች ነው። አምስቱ ምስሎችን ይቀበላሉ። ዋጋቸው፣ በሚሊዮን ቶክን፦

እይታ-ችሎታ ያለው ሞዴል	ግብዓት	ውጤት	የተዋቀረ ውጤት
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	json_schema + response_format
MiMo-V2.5 · W8A16	$0.50	$2.00	json_schema + response_format
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	json_schema + response_format
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	response_format ብቻ
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 በወለሉ ላይ ይቀመጣል — $0.50 / $2.00 — ከMiMo-V2.5 ጋር እኩል፣ ከእሱ በታች ምንም የለም፣ $0.50 / $2.00 የዋጋ ዝርዝራችን ወለል ስለሆነ። ከእይታ ክልል ጫፍ ጋር ሲነጻጸር ከKimi-K3 በግብዓት 7.7× ይረክሳል፣ በውጤትም 9.6× ይረክሳል።

ያንን በሥራ ጫና ውስጥ አስቀምጡት። 1,000 ምስሎችን — ስክሪንሾቶች፣ የተቃኙ ገጾች፣ የምርት ፎቶዎች — በአማካይ በግምት 1,200 የምስልና ጥያቄ ቶክኖች ገብተው 300 የመልስ ቶክኖች እየወጡ እየለያችሁ እንደሆነ አስቡ፦

የShannon ዝርዝር ዋጋዎች፣ መስከረም 2026። የቶክን ቁጥሮች ገላጭ ናቸው፤ የምስል tokenizationዎ በጥራትና በአንድ ጥሪ ላይ በምታያይዟቸው ምስሎች ብዛት ላይ የተመሠረተ ነው።

በአእምሮአችሁ ልትይዙት የሚጠቅሙ ሁለት ተጨማሪ የማጣቀሻ ነጥቦች። ሙሉውን የ262,144-ቶክን ዐውድ አንድ ጊዜ መሙላት በግምት 13 ሳንቲም ያስከፍላል። ከፍተኛ-ርዝመት 16,384-ቶክን ምላሽ በግምት 3.3 ሳንቲም ያስከፍላል። እነዚያ የአንድ እጅግ-መጥፎ-ሁኔታ ጥያቄ ትክክለኛ ገደቦች ናቸው፣ በእይታ ቧንቧ መስመር ላይ ያለው አስደሳች ገደብ ገንዘብ መሆኑን አቁሞ throughput መሆን የሚጀምርበት ያህልም ትንንሽ ናቸው።

02የMiniMax የዘር ሐረግ፦ ቶክኖችን የሚያሻሽል ላቦራቶሪ፣ ራስጌዎችን አይደለም

MiniMax AI ጠቅላላ የክፍት-ክብደት ታሪኩ ስለ አንድ ጥያቄ የሆነ የሻንጋይ ላቦራቶሪ ነው፦ ረጅም ዐውድና ብዙ-ዘዴነት የቅንጦት ነገሮች መሆን የሚያቆሙበት ያህል ትኩረትን እንዴት ርካሽ ማድረግ ይቻላል? በዚያ መስመር ውስጥ ያለ እያንዳንዱ ልቀት ለዚያ ጥያቄ መልስ ነው፣ መልሶቹም እርስ በርስ ይገነባሉ።

MiniMax-01 — Lightning Attention፣ እና እይታ ከመጀመሪያው

የMiniMax-01 ተከታታይ (እንደ arXiv 2501.08313 የታተመ) Lightning Attentionን አስተዋወቀ፣ የlinear attention ዝርያ I/O-አዋቂ ትግበራ፣ በ456B ጠቅላላ መለኪያ በአንድ ቶክን 45.9B ንቁ ባለው ድብልቅ የኤክስፐርቶች ድብልቅ ሞዴል ውስጥ። ተከታታዩ እንደ ጥንድ ተለቀቀ፦ MiniMax-Text-01 እና የእይታ ሞዴሉ MiniMax-VL-01። VL-01 አሁን የተለመደውን ViT-MLP-LLM ቁልል ተጠቅሟል፣ ነገር ግን ተውሶ በተገኘ ኢንኮደር ፈንታ በ694 ሚሊዮን የምስል-መግለጫ ጥንዶች ላይ ከባዶ የሠለጠነ የ303-ሚሊዮን-መለኪያ Vision Transformer ይዞ፣ ከዚያም 512 ቢሊዮን ቶክኖችን በሚያካሂድ ብዙ-ደረጃ ቧንቧ መስመር ውስጥ ተስተካክሎና በጋራ ተጣርቷል።

ያ ዝርዝር ለምታነቡት ጽሑፍ ይጠቅማል። በዚህ የዘር ሐረግ ውስጥ እይታ ሳጥን ለመቅረት ብቻ በጽሑፍ ሞዴል ላይ የተለጠፈ ዘግይቶ የመጣ adapter አይደለም። MiniMax ከመጀመሪያ ክፍት ልቀቱ ጀምሮ የራሱን የእይታ ግንብ ሲያሠለጥን ቆይቷል፣ ለዚህም ነው የሰነድ መረዳት፣ የUIና የስክሪንሾት ግንዛቤ፣ እና ገበታ ማንበብ ዘግይተው የታሰቡ ሳይሆኑ የቤተሰቡ ወጥ ጥንካሬዎች ሆነው የቆዩት።

MiniMax-M1 — ድብልቅ ትኩረት ለረጅም ማመዛዘን

MiniMax-M1 (arXiv 2506.13585) በደራሲዎቹ የመጀመሪያው ክፍት-ክብደት፣ ትልቅ-ደረጃ ድብልቅ-ትኩረት ማመዛዘን ሞዴል ተብሎ ተገልጿል። 456B / 45.9B የMoE አካሉን ይዞ ሁለቱን የትኩረት ዓይነቶች ቀላቅሏል፦ ከየሰባት Lightning Attention ብሎኮች በኋላ የተለመደ softmax-attention transformer ብሎክ። ውጤቱ የተለካው በስሌት እንጂ በሰሌዳ ደረጃ አልነበረም — MiniMax በ100K-ቶክን የማመንጨት ርዝመት ላይ M1 በግምት 25% የDeepSeek R1ን FLOPs እንደተጠቀመ ዘግቧል፣ በተፈጥሮም የአንድ-ሚሊዮን-ቶክን ዐውድን ይደግፋል።

MiniMax-M2 — ወደ ትንሽ-አክቲቬሽን መዞር

MiniMax-M2 በመጠን ወደ ተቃራኒ አቅጣጫ ሄዶ ለዚያ ትኩረት አገኘ፦ በ229.9B ጠቅላላ መለኪያ ግን በአንድ ቶክን ~9.8B ንቁ ብቻ ያለው የ62-ንብርብር decoder፣ በአንድ MoE ንብርብር 256 ጥርት ያሉ ኤክስፐርቶችን ከስምንቱ ጋር በsigmoid routing፣ RoPE positionsና QK-RMSNormን ለሥልጠና መረጋጋት ተጠቅሟል። በግልጽ የወኪልነት-ኮድ ሞዴል ነበር — ብዙ-ፋይል ማረሚያዎች፣ run-fix loops፣ በፈተና-የተረጋገጡ ጥገናዎች — interleaved thinking ቅርጸትንም አስተዋወቀ፣ ማመዛዘን ከእያንዳንዱ ተራ በኋላ ከመጣል ይልቅ በመሣሪያ-ጥሪ ዙሮች መካከል የሚሸከምበት። M2 አክቲቬሽኖችን ጥቃቅን በማድረግ ብቻ የMiniMaxን ስም ለfrontier-ቅርብ የወኪልነት ባህርይ በአንድ-ቶክን ወጪ ክፍልፋይ ማድረስ ላይ ያቋቋመ ሞዴል ነው።

MiniMax-M3 — ከዚህ የመዳረሻ ነጥብ ስር ያለው መሠረት

MiniMax-M3 በሰኔ 1, 2026 ተለቀቀ፣ ክብደቶቹም ብዙም ሳይቆይ በHugging Face ላይ ወጡ፣ ቴክኒካዊ ሪፖርቱም arXiv 2606.13392 ላይ ነው። በአንድ ቶክን በግምት 23B ንቁ ያለው የ428B መለኪያ የኤክስፐርቶች ድብልቅ ሞዴል ነው፣ የተመዘገበ የአንድ-ሚሊዮን-ቶክን ዐውድና ተፈጥሯዊ የምስልና የቪዲዮ ግብዓት ያለው — MiniMax "ከመጀመሪያው እርምጃ ጀምሮ" የተደባለቀ-ዘዴ ሠልጥኗል ይለዋል፣ ጽሑፍ-ቅድመ-ሠልጥኖ ከዚያ ወደ ብዙ-ዘዴ ከመስተካከል ይልቅ። በMiniMax ራሱ በታተሙ ቁጥሮች በSWE-bench Verified 80.5% እና በSWE-bench Pro 59.0% ያስመዘግባል። እነዚያ በኮድ መለኪያ ላይ በአቅራቢ የተዘገቡ ቁጥሮች ናቸው፣ በትክክልም እንደዚያ ልትመዝኗቸው ይገባል፤ የምንጠቅሳቸው የላቦራቶሪው የታተመ የይገባኛል ጥያቄ ስለሆኑ እንጂ ራሳችን ችለን ስላባዛናቸው አይደለም።

03MiniMax Sparse Attention፦ የእይታ ሞዴል ለምን ይህን ያህል ሊረክስ ይችላል

በM3 ውስጥ ያለው አስደሳች ምህንድስና MiniMax Sparse Attention (MSA) ነው፣ ይህን ያህል መጠን ያለው ብዙ-ዘዴ ሞዴል በወለል ዋጋችን ላይ ሊቀመጥ የቻለውም በቀጥታ ምክንያት ነው። ምስሎች በቶክን ውድ ናቸው። ጥቂት ከፍተኛ-ጥራት ገጾች አንድ መመሪያ ከመጻፋችሁ በፊት አስር ሺዎችን ቶክኖች ወደ ጥያቄ ውስጥ ሊያስገቡ ይችላሉ። በመደበኛ ትኩረት ስር፣ ያ ወጪ quadratically ይደራረባል፣ ሃያ ገጾችን የሚያነብ ሞዴልም አስር ገጾችን ከሚያነበው በእጥፍ ውድ አይደለም — ከእጥፍ በጣም የከፋ ነው።

MSA የዚያን ኩርባ ቅርጽ ይቀይራል። በGrouped Query Attention አጥንት ላይ የተገነባ block-sparse ስልት ሲሆን ወደ ሁለት ቅርንጫፎች ይከፈላል፦

• ቀላል Index Branch key-value ብሎኮችን ያስመዘግባል — በእያንዳንዱ ብሎክ ውስጥ ባሉ ቶክኖች ላይ max-pooling ውጤቶችን — በእያንዳንዱ query position እና በእያንዳንዱ GQA group ላይ top-kን ይመርጣል፣ ለሥልጠና መረጋጋት ሁልጊዜ ራሱን query ያለበትን local ብሎክ ጨምሮ።
• Main Branch መደበኛ softmax attention ኢንዴክሱ በመረጣቸው ብሎኮች ላይ ብቻ ያሮጣል።

በMSA ጽሑፍ ውስጥ ያለው ውቅር k = 16 ብሎኮች እያንዳንዳቸው 128 ቶክኖች ነው፣ ይህም ለእያንዳንዱ query ቋሚ በጀት የ2,048 የተስተናገዱ ቶክኖች ይሰጣል። ቋሚ፣ ትርጉሙም ከቅደም ተከተል ርዝመት ጋር አያድግም ማለት ነው። ብልሃቱ ሙሉ ለሙሉ ያ ነው፦ ዐውድ እያደገ ሲሄድ፣ የጥቅጥቅ ማጣቀሻ የትኩረት ወጪ መውጣቱን ይቀጥላል፣ የMSA main-branch ወጪ ግን ጠፍጣፋ ሆኖ ይቆያል፣ ስለዚህ ትኩረት quadratically ሳይሆን በቀጥታ መስመር ይመዘናል።

ከMiniMax Sparse Attention ሪፖርት (arXiv 2606.13392) የመጡ ቁጥሮች፦ በ1M ዐውድ ላይ ተመጣጣኝ ውቅር ካለው GQA ጋር ሲነጻጸር በአንድ-ቶክን የትኩረት FLOPs 28.4× ቅናሽ፣ እና በጽሑፉ የ109B-መለኪያ ጥናት ላይ በH800 ሃርድዌር የተለካ 14.2× prefill / 7.6× decode wall-clock ማፍጠን። MiniMax በተለይ ደግሞ ለM3 ከM2 ጋር በ1M ዐውድ ላይ 9× prefill እና 15× decode ማፍጠን ይዘግባል። ሁሉም በላቦራቶሪ የተዘገቡ ናቸው።

ጽሑፉ ለእይታ ጽሑፍ ለሚጠቅም ማረጋገጫም ያደርጋል፦ በተፈጥሮ ብዙ-ዘዴ በሆነ 109B MoE ላይ፣ MSA እንደ AI2D፣ ChartQA እና MMMU ባሉ የምስል መለኪያዎችና እንደ EgoSchema፣ LongVideoBench እና VideoMME ባሉ የቪዲዮ መለኪያዎች ላይ ከሙሉ-ትኩረት ማጣቀሻ ጋር ተመጣጣኝ አፈጻጸም ይዞ ቆይቷል — ሳሳ ልዩነቶቹም አንዳንዴ ረዘም ባለ-ዐውድ የቪዲዮ ተግባራት ላይ እየተሻሻሉ። ስስነት እዚህ ላይ ለፍጥነት የምትከፍሉት የጥራት ቀረጥ አይደለም፤ በረጅም ግብዓቶች ላይ ማለት ይቻላል ነጻ የሚመስል ነው።

እንደ ደንበኛ ለምን ልትጨነቁ እንደሚገባ፦ የአገልግሎት ወጪ ነው የዝርዝር ዋጋን የሚወስነው። የትኩረት ወጪው ማደግ ያቆመ መሠረት ወደ መቶ ሺህ ምስሎች ማዞር የምትችሉት መሠረት ነው። ከ"እጅግ ርካሹ ሳንሱር-አልባ የእይታ ሞዴል" በስተጀርባ ያለው ስልት ያ ነው — የማስተዋወቂያ ተመን አይደለም፣ ሥነ ሕንጻ ነው።

043BIT-REAP ማለት ምን ማለት ነው፣ የት እንደሚያስከፍላችሁ

የ428-ቢሊዮን-መለኪያ ሞዴል በሙሉ ትክክለኛነት በምቹ ቦታ ላይ አይገጥምም። የእኛ የMiniMax-M3 ግንባታ በተለየ ቅደም ተከተል የተተገበሩ ሁለት ራሳቸውን የቻሉ ሥራዎችን የሚገልጸውን 3BIT-REAP ቅጥያ ይይዛል።

REAP፦ ኤክስፐርቶችን ከመጨመቃችሁ በፊት ሰርዙ

REAP — Router-weighted Expert Activation Pruning — ከCerebrasና ከካልጋሪ ዩኒቨርስቲ የመጣ one-shot MoE የመጨመቂያ ዘዴ ነው፣ እንደ arXiv 2510.13999 የታተመና ለICLR 2026 ተቀባይነት ያገኘ። ክርክሩ ለአመንጪ ተግባራት ኤክስፐርቶችን መከርከም ማዋሃድን እንደሚበልጥ ነው፦ ማዋሃድ የመሪውን ጥርት ያለ ቁጥጥር ያጠፋል፣ ፈጽሞ ማገገም የማትችሉትንም ስህተት ያስተዋውቃል። ስለዚህ REAP በምትኩ እያንዳንዱን ኤክስፐርት የመሪ በር እሴቶችን (ምን ያህል ጊዜና ምን ያህል በጠንካራነት እንደሚመርጠው) ከየኤክስፐርት አክቲቬሽን ኖርሞች (ውጤቱ በእውነት ምን ያህል እንደሚያበረክት) ጋር በሚያጣምር የጎላነት መስፈርት ያስመዘግባል፣ ከዚያም እጅግ ያነሱትን ኤክስፐርቶች በቀጥታ ይሰርዛል።

ደራሲዎቹ እስከ 1 ትሪሊዮን መለኪያ ካላቸው ሞዴሎች እስከ 50% ኤክስፐርቶች ማስወገድ የመሠረት ጥራትን በአብዛኛው እየጠበቁ እንደሚቻል ይዘግባሉ — በQwen3-480B-Coder-FP8 ላይ በ50% መከርከም፣ 97.6% የመሠረት ያልሆነ-ወኪልነት የኮድ ችሎታ እና 96.7% በወኪልነት SWE-Bench ተጠብቀዋል። እነዚያ የጽሑፉ ቁጥሮች በጽሑፉ ሞዴሎች ላይ ናቸው፣ የእኛ በMiniMax-M3 ላይ አይደሉም፤ የምንጠቅሳቸው ዘዴውን እንድትፈርዱበት እንጂ እዚህ ተመጣጣኝ ልኬት እንዳለ ለማመልከት አይደለም።

የ3-ቢት ክብደቶች፣ ሁለተኛ

የተረፉት ክብደቶች ከዚያ በ3 ቢት ይቀመጣሉ። ቅደም ተከተሉ ሆን ተብሎ የተደረገ ሲሆን የጥምረቱ ነጥብም ያ ነው፦ መጀመሪያ መከርከም፣ ሁለተኛ ኳንታይዝ ማድረግ። ሊሰርዟቸው ያሰቧቸውን ኤክስፐርቶች በታማኝነት በመቅረጽ የተከበሩትን ሦስት ቢት በአንድ ክብደት ማሳለፍ ትርጉም የለውም። ሳሳውን ጅራት ከርክሙ፣ ከዚያም የተረፈውን በጀት ሙሉ ለሙሉ በእውነት ለሚቀጣጠሉ ኤክስፐርቶች ይሂድ።

ታማኙ ማስጠንቀቂያ

3BIT-REAP የምንልከው እጅግ ኃይለኛው ደረጃ ነው። በትልልቆቹ መሠረቶች ላይ እንጠቀምበታለን — MiniMax-M3፣ Kimi-K3፣ DeepSeek-V4-Pro፣ GLM-5.2፣ Nemotron3Ultra — እነዚያ ሞዴሎች በምክንያታዊ ዋጋ መገኘትና ጨርሶ አለመገኘት መካከል ያለው ልዩነት ስለሆነ። መሠረት የማያስፈልገው ያህል ትንሽ በሆነበት አንጠቀምበትም፦ በካታሎጉ ውስጥ ያሉ W8A16 ሞዴሎች 8-ቢት ክብደቶችን ከ16-ቢት አክቲቬሽኖች ጋር ያሮጣሉ፣ W4A16-AUTOROUND-REAP ደግሞ በመሃል ላይ ይቀመጣል፣ ዘገምተኛ round-to-nearest ኳንታይዜሽን የሚተወውን ትክክለኛነት ለመመለስ የAutoRound የተማረ ማጠጋጋትን ይጠቀማል። ከትዕግስታችሁ ጋር የሚስማማውን ደረጃ ምረጡ። ከአስር ሺህ ደረሰኞች ውስጥ መስኮች እያወጣችሁ ከሆነ፣ 3-ቢት ትክክለኛው ልውውጥ ነው። አንድ ከፍተኛ-ደረጃ forensic ንባብ በአንድ ምስል ላይ እያደረጋችሁ ከሆነ ግን፣ ገንዘቡን በKimi-K3 ላይ አውጡ።

05ግብዓቱ ምስል ሲሆን "የእምቢታ ንብርብር የለም" ማለት ምን ማለት ነው

ሳንሱር-አልባ ልል ሆኖ የሚያገለግል ቃል ነው፣ ስለዚህ ትክክለኛው የይገባኛል ጥያቄ ይኸው ነው፦ በዚህ የመዳረሻ ነጥብ ላይ የእምቢታ ንብርብር የለም፣ የውጤት ማጣሪያም የለም። ሞዴሉ ከማየቱ በፊት ምስላችሁን የሚመረምር ምድብ-ሰጪ የለም። ቶክኖቹ ሲወጡ የሚመረምር የፖሊሲ ሞዴል የለም። ሞዴሉ የሚያመነጨው የምትቀበሉት ነው።

በጽሑፍ ላይ የዚያ ውጤት የተለመደ ነው። በእይታ ላይ ግን በዓይነት የተለየ ነው፣ በምስል ግብዓቶች ላይ ያለ የእምቢታ ባህርይ የንግድ ብዙ-ዘዴ APIዎች እጅግ ወግ አጥባቂና እጅግ የዘፈቀደ የሚሆኑበት ቦታ ስለሆነ። ባህርያዊ ውድቀቶቹ የሚመስሉት እንደዚህ ነው፦

• ጠቅላላ የማንነት እምቢታዎች — በግልጽ የሚታዩና ፈጽሞ ጉዳት የሌላቸውን ገጽታዎች ጨምሮ በፎቶግራፍ ውስጥ ያሉ ሰዎችን ጨርሶ ከመግለጽ መከልከል፣ ፖሊሲ መግለጽንና ማንነት መለየትን መለየት ስለማይችል።
• የርዕስ-ጉዳይ ማምለጫዎች — ግልባጭ ማድረግ ሜካኒካዊ ተግባር ቢሆንም፣ ሰነዱ ስለምን እንደሆነ ብቻ አንድን ሰነድ ግልባጭ ማድረግ ወይም ማጠቃለልን መከልከል።
• የሕክምናና የforensic ወላዋይነት — ባለሙያ እንዲገለጹለት የሚያስፈልገውን ክሊኒካዊ ምስል፣ የጉዳት ማስረጃ፣ ወይም የአደጋ ፎቶዎችን ከመግለጽ መከልከል።
• የደህንነት-መሣሪያ የሐሰት አዎንታዎች — ተርሚናል፣ packet capture፣ ወይም debugger ስላለው ስክሪንሾት ማንበብን መከልከል።
• ጸጥ ያለ መዳከም — እጅግ የከፋው፦ እምቢታ ሳይሆን ተጠራጣሪ ያልሆነ-መልስ፣ ይህም የስኪማችሁን ማረጋገጫ አልፎ ስህተት ፈጽሞ ሳያስነሳ የውሂብ ስብስባችሁን ይመርዛል።

ከአምስቱም ጋር ያለው የአሠራር ችግር ኢ-ፍትሐዊ መሆናቸው አይደለም። የማይለኩ መሆናቸው ነው። የተሳሳተ መልስ የመረጃ ነጥብ ነው፤ ልትገመግሙት፣ በግምገማ ልትይዙት፣ ልታስተካክሉትም ትችላላችሁ። እምቢታ ግን ጉድጓድ ነው። በbatch ደረጃ፣ በያዥነት በትክክል በከበዱና ባልተለመዱ ጉዳዮች ላይ ያተኮረ በእናንተ ግብዓቶች ላይ በዘፈቀደ ያልተከፋፈለ 3% የእምቢታ መጠን፣ ምንም ያህል ወደኋላ-ማጽዳት ማገገም የማይችለው ስልታዊ አድልዎ በውጤቶቻችሁ ውስጥ ነው። የእምቢታ ንብርብር ማስወገድ የጸጥ ያለ፣ የተዛመደ የጎደለ ውሂብ ምንጭ ያስወግዳል።

Shannon የሚንቀሳቀሰው በShannon Lab LLC፣ ኒው ሜክሲኮ፣ አሜሪካ፣ በResponsible Use Policyያችን ስር ነው። ሳንሱር-አልባ ማለት ሞዴሉ ስለ ግብዓቶቻችሁ አስተያየት አይሰጥም ማለት ነው፤ መለያው ውል የለውም ማለት አይደለም።

06ሙሉ ዝርዝሩ

መስክ	MiniMax-M3 · 3BIT-REAP
የሞዴል መለያ	MiniMax-M3-3BIT-REAP
መሠረት	MiniMax-M3 (MiniMax AI)
የዐውድ መስኮት	262,144 ቶክኖች
ከፍተኛ ውጤት	16,384 ቶክኖች
የምስል ግብዓት	አለ
የቪዲዮ ግብዓት	አልተጋለጠም
ስትሪሚንግ	አለ
መሣሪያ መጥራት	አለ
ማመዛዘን	አለ (reasoning_effort)
የተዋቀረ ውጤት	json_schema + response_format
የእምቢታ ንብርብር	የለም
የመዳረሻ ነጥቦች	/v1/chat/completions · /v1/messages · /v1/responses
የሚቀርበው በ	የራሳችን GPU ክላስተር

በዚያ ሠንጠረዥ ውስጥ ሁለት መስመሮች አጽንዖት ይገባቸዋል። የቪዲዮ ግብዓት አልተጋለጠም። ወደላይኛው M3 መሠረት በቪዲዮ ላይ ሠልጥኗል፣ MiniMax የቪዲዮ ግብዓትንም ይመዘግባል፤ የመዳረሻ ነጥባችን ግን ምስሎችን ይቀበላል። ምስሎችን ተጠቅማችሁ ገንቡ። ሁለተኛ፣ የ262,144-ቶክን መስኮት የእኛ ነው፣ ወደላይኛው የአንድ-ሚሊዮን ቁጥር አይደለም — ረጅም-ሰነድና ብዙ-ምስል የሥራ ጫናዎችን በ262,144 ላይ አቅዱ ፈጽሞም አትደነቁም።

07ሳንሱር-አልባውን የMiniMax API መጥራት

ሦስት ዘይቤዎች፣ ከሁሉም በስተጀርባ ተመሳሳዩ ሞዴል፣ በሦስቱም ላይ ስትሪሚንግ። ነባር ደንበኛችሁ አስቀድሞ የሚናገረውን ተጠቀሙ፤ በመካከላቸው የችሎታ ልዩነት የለም። base URLያችሁን ወደ Shannon አዙሩና የሞዴል መለያውን ቀይሩ።

የምስል መረዳት በOpenAI ዘይቤ

curl https://api.shannon-ai.com/v1/chat/completions \
  -H "Authorization: Bearer $SHANNON_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "MiniMax-M3-3BIT-REAP",
    "messages": [{
      "role": "user",
      "content": [
        { "type": "text", "text": "Transcribe every field in this scan. Do not summarize." },
        { "type": "image_url",
          "image_url": { "url": "data:image/png;base64,iVBORw0KGgo..." } }
      ]
    }],
    "max_tokens": 4096,
    "stream": true
  }'

ሩቅ https:// URLsም ሆኑ base64 data URLs ሁለቱም በimage_url ክፍል ውስጥ ይሠራሉ። ገጽ-ተሻጋሪ ንጽጽር ሲያስፈልጋችሁ ብዙ የምስል ክፍሎችን በአንድ መልእክት ላይ አያይዙ — 262,144 ቶክኖች ልታሳልፉ ትችላላችሁ፣ በ1M $0.50 ላይ ደግሞ ማሳለፍ ርካሽ ነው።

የተለየ ዓይነት ማውጣት በJSON schema

ይህ ሞዴል በቧንቧ መስመር ውስጥ ቦታውን የሚያገኘው በእይታ + ጥብቅ schema + ወለል ዋጋ ጥምረት ነው። በካታሎጋችን ውስጥ ያለ እያንዳንዱ ሞዴል ሦስቱንም የለውም፦ Laguna-S-2.1 እና inkling json_schemaን አይደግፉም። MiniMax-M3 ይደግፋል፣ ትርጉሙም ያለ parsing ንብርብር ከምስል የተረጋገጠ ነገር ማግኘት ትችላላችሁ ማለት ነው፦

{
  "model": "MiniMax-M3-3BIT-REAP",
  "messages": [ /* text part + image_url part */ ],
  "response_format": {
    "type": "json_schema",
    "json_schema": {
      "name": "invoice",
      "strict": true,
      "schema": {
        "type": "object",
        "properties": {
          "vendor":     { "type": "string" },
          "issued_on":  { "type": "string" },
          "total_cents":{ "type": "integer" },
          "line_items": { "type": "array", "items": { "type": "string" } }
        },
        "required": ["vendor", "issued_on", "total_cents", "line_items"],
        "additionalProperties": false
      }
    }
  }
}

የማመዛዘን ጥረት

ሞዴሉ reasoning_effortን ያጋልጣል። በጅምላ የምስል ምድብ ማድረግ ላይ፣ ዝቅ አድርገው ያዙት — perceptual ጥያቄ እየጠየቃችሁ ነው፣ የማመዛዘን ቶክኖችም የምትከፍሉት የውጤት ቶክኖች ናቸው። ምስሉ በረጅም ክርክር ውስጥ ማስረጃ በሆነባቸው ጥሪዎች ላይ ግን ከፍ አድርጉት፦ ገበታን ከመመዘኛ ጋር ማንበብ፣ ገበታን ከሠንጠረዥ ጋር ማስታረቅ፣ ሁለት ስክሪንሾቶች ተመሳሳዩን ጉድለት ያሳያሉ ወይ መወሰን።

ሙሉ የመለኪያ ማጣቀሻ፣ የስህተት ትርጉምና ለሦስቱም ዘይቤዎች የስትሪሚንግ ቅርጸቶች በShannon API ሰነዶች ውስጥ ይኖራሉ።

08MiniMax-M3 ትክክለኛ ምርጫ የሚሆነው የት ነው — እና የማይሆነውስ የት

የምትደርሱበት ጊዜ

• የመጠን ምስል ሥራ። የውሂብ ስብስብ መሰየም፣ ማጣራት ምርምር፣ የካታሎግ ማበልጸግ፣ የስክሪንሾት ምደባ፣ በተቃኙ ሰነዶች ላይ batch OCR-እና-አወቃቀር። ወለል ዋጋው ሙሉው ክርክር ነው።
• ምስሎችን ወደ የተለየ-ዓይነት መዝገቦች። እይታ ከጥብቅ json_schema ከካታሎጉ ውስጥ ካሉት ርካሽ ቶክኖች ጋር ተደምሮ እዚህ ሁለት ሞዴሎች ብቻ የሚያቀርቡት ጥምረት ነው።
• ረጅም ብዙ-ዘዴ ዐውድ። ብዙ ገጾች፣ ወይም ብዙ ፍሬሞች፣ በአንድ ጥያቄ ውስጥ — ከበስተጀርባ ያለው ሥነ ሕንጻ በትክክል ለዚህ የግብዓት ቅርጽ የተገነባ ነው።
• እምቢታዎች ናሙናውን የሚያበላሹበት ምርምር። ትክክለኛነቱ ሞዴሉ ምቾት የማይሰጡትን ጨምሮ እያንዳንዱን ጉዳይ በመመለስ ላይ የተመሠረተ ማንኛውም ጥናት።
• ስክሪን የሚያነቡ የወኪልነት ሉፖች። የM-ተከታታይ የዘር ሐረግ በግልጽ የወኪልነት ነው፣ መሣሪያ መጥራትም ይገኛል።

ሌላ ነገር የምትደርሱበት ጊዜ

• ከፍተኛውን የእይታ ጣሪያ ያስፈልጋችኋል በጀትም አለ። Kimi-K3 · 3BIT-REAP በምክንያት 7.7× የግብዓት ዋጋ ነው፤ በአንድ ከፍተኛ-ደረጃ ንባብ ላይ፣ ያ ገንዘብ ማውጣት ትክክለኛ ነው።
• ከፍተኛ-ታማኝነት ክብደቶች ያስፈልጋችኋል። 3-ቢት እኛ የምንልከው እጅግ ኃይለኛ ደረጃ ነው። የW8A16 ሞዴሎች ትክክለኛነትን በዋጋ ይለውጣሉ፣ የምታሻሽሉት በአንድ ክብደት ያለ ታማኝነት ከሆነ MiMo-V2.5 · W8A16 በተመሳሳዩ $0.50 / $2.00 እይታ-ችሎታ አለው።
• ቪዲዮ ያስፈልጋችኋል። በዚህ የመዳረሻ ነጥብ ላይ የቪዲዮ ግብዓት አናጋልጥም።
• ተግባሩ ንጹህ ጽሑፍ በfrontier ደረጃ ነው። DeepSeek-V4-Pro-0813 ለዚያ አለ፤ ፈጽሞ ለማትጠቀሙበት የእይታ ግንብ ትከፍላላችሁ።

ለMiniMax ቤተሰብ ያሉ የሥነ ሕንጻ፣ የመለኪያና የማፍጠን ቁጥሮች በMiniMax AI የተዘገቡ ናቸው፤ የREAP ቁጥሮች በራሳቸው ሞዴሎች ላይ በREAP ደራሲዎች የተዘገቡ ናቸው እንጂ የዚህ ግንባታ ልኬት አይደሉም። የShannon ዋጋዎች፣ የዐውድ መስኮትና የችሎታ ባንዲራዎች የእኛ ናቸው፣ ከቀጥታ የሞዴል ካታሎጋችን የተነበቡ።

09በተደጋጋሚ የሚጠየቁ ጥያቄዎች

---

ምንጮች፦ የMiniMax-M3 ሞዴል ካርድ · MiniMax-M1: Scaling Test-Time Compute Efficiently with Lightning Attention · MiniMax-01: Scaling Foundation Models with Lightning Attention · REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression። የMiniMax የመለኪያና የማፍጠን ቁጥሮች በላቦራቶሪ የተዘገቡና ራሱን የቻለ ማረጋገጫ በመጠባበቅ ላይ ያሉ ናቸው። የShannon ዋጋዎችና የችሎታ ባንዲራዎች እስከ መስከረም 5, 2026 ወቅታዊ ናቸው።