واجهة MiniMax بلا رقابة: الرؤية بأدنى سعر

تكاد كل واجهة متعدّدة الوسائط مستضافة تسعّر الرؤية بوصفها ميزة فاخرة. تدفع سعر نموذج نصّي مقابل النصّ، ثم تدفع أكثر — أضعافًا أحيانًا — لحظة دخول صورة إلى الطلب. وفوق ذلك، إدخال الصور هو المكان الذي يكون فيه سلوك الرفض أشدّ صرامة: فالنموذج الذي يناقش موضوعًا نصّيًا بارتياح يرفض وصف الشيء نفسه في صورة فوتوغرافية. والنتيجة منتج غالٍ في كل استدعاء وغير موثوق في كل استدعاء، وهو أسوأ ما يمكن حين تعالج أحجامًا كبيرة. وMiniMax-M3 على Shannon هو جوابنا عن ذلك: السعر نفسه 0.50$ / 2.00$ الذي تدفعه لأرخص نموذج نصّي لدينا، مطبَّقًا على أساس دُرِّب متعدّد الوسائط من الخطوة الأولى، وبلا طبقة رفض تقف أمامه.

01ماذا تعني «أرخص نموذج رؤية بلا رقابة» هنا فعلًا

قائمة Shannon اثنا عشر نموذجًا. خمسة منها تقبل الصور. وإليك أسعارها لكل مليون رمز:

النموذج القادر على الرؤية	الدخل	الخرج	المخرجات المنظَّمة
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 فقط
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

يقع MiniMax-M3 عند القاع — 0.50$ / 2.00$ — متعادلًا مع MiMo-V2.5 ولا شيء تحته، لأن 0.50$ / 2.00$ هو قاع قائمة أسعارنا. وأمام قمّة نطاق الرؤية فهو أرخص بـ7.7 أضعاف على الدخل و9.6 أضعاف على الخرج من Kimi-K3.

ضعْ ذلك في حِمل عمل. لنفترض أنك تفرز 1,000 صورة — لقطات شاشة، وصفحات ممسوحة، وصور منتجات — بمتوسّط نحو 1,200 رمز للصورة والطلب معًا دخلًا، و300 رمز للإجابة خرجًا:

أسعار قائمة Shannon، سبتمبر 2026. أعداد الرموز توضيحية؛ وتقطيع صورك إلى رموز يعتمد على الدقّة وعلى عدد الصور التي ترفقها بكل استدعاء.

ونقطتان مرجعيتان أخريان يفيد أن تبقيهما في ذهنك. ملء نافذة السياق كاملة بـ262,144 رمزًا مرّة واحدة يكلّف نحو 13 سنتًا. واستجابة بالطول الأقصى 16,384 رمزًا تكلّف نحو 3.3 سنتات. هذه هي الحدود الفعلية لطلب واحد في أسوأ حالاته، وهي صغيرة بما يكفي ليكفّ المال عن كونه القيد المهمّ في خطّ معالجة الرؤية، وتحلّ محلّه الإنتاجية.

02نسب MiniMax: مختبر يحسّن الرموز لا العناوين

MiniMax AI مختبر في شنغهاي، وسجلّه كلّه في الأوزان المفتوحة يدور حول سؤال واحد: كيف تجعل الانتباه رخيصًا بما يكفي ليكفّ السياق الطويل وتعدّد الوسائط عن كونهما ترفًا؟ وكل إصدار في السلسلة جواب عن هذا السؤال، والأجوبة يبني بعضها على بعض.

MiniMax-01 — Lightning Attention، والرؤية منذ البداية

قدّمت سلسلة MiniMax-01 (المنشورة بوصفها arXiv 2501.08313) تقنية Lightning Attention، وهي تنفيذ واعٍ بالإدخال والإخراج لصيغة انتباه خطّي، داخل نموذج مزيج خبراء هجين بـ456 مليار معامل إجمالي و45.9 مليارًا نشطة لكل رمز. وصدرت السلسلة زوجًا: MiniMax-Text-01 وMiniMax-VL-01، نموذج الرؤية. واستخدم VL-01 البنية المعروفة اليوم ViT-MLP-LLM، لكن مع محوّل رؤية بـ303 ملايين معامل مدرَّب من الصفر على 694 مليون زوج صورة-وصف بدل مُرمِّز مستعار، ثم جرت محاذاته وضبطه المشترك عبر خطّ متعدّد المراحل عالج 512 مليار رمز.

وهذه التفصيلة تهمّ المقال الذي تقرأه. فالرؤية في هذا النسب ليست محوّلًا متأخّرًا مثبَّتًا على نموذج نصّي لملء خانة. فقد ظلّت MiniMax تدرّب برجها البصري الخاص منذ أول إصدار مفتوح لها، ولهذا كان فهم المستندات، وإدراك واجهات الاستخدام ولقطات الشاشة، وقراءة المخطّطات، من نقاط قوّة العائلة الثابتة لا من الإضافات اللاحقة.

MiniMax-M1 — انتباه هجين للاستدلال المطوَّل

وصف مؤلّفو MiniMax-M1 (arXiv 2506.13585) نموذجهم بأنه أول نموذج استدلال واسع النطاق مفتوح الأوزان بانتباه هجين. أبقى على جسم مزيج الخبراء 456 مليار / 45.9 مليار، وتناوب نوعي الانتباه: كتلة محوّل بانتباه softmax تقليدي بعد كل سبع كتل Lightning Attention. وقيس المردود بالحوسبة لا بموقع لوحة الصدارة — إذ أفادت MiniMax بأن M1 استهلك عند طول توليد 100 ألف رمز نحو 25% من عمليات الفاصلة العائمة التي استهلكها DeepSeek R1، مع دعم أصيل لسياق بمليون رمز.

MiniMax-M2 — المنعطف نحو تفعيل صغير

ذهب MiniMax-M2 في الاتجاه المعاكس من حيث الحجم وكسب الانتباه بذلك: فاكّ ترميز من 62 طبقة بـ229.9 مليار معامل إجمالي لكن نحو 9.8 مليارات نشطة فقط لكل رمز، مستخدمًا 256 خبيرًا دقيق التخصّص في كل طبقة مزيج خبراء مع توجيه سيني إلى ثمانية منها، ومواضع RoPE، وتطبيع QK-RMSNorm لاستقرار التدريب. وكان نموذج برمجة وكيلة صراحةً — تعديلات عبر ملفات متعدّدة، ودورات تشغيل وإصلاح، وإصلاحات مُتحقَّق منها بالاختبارات — وقدّم صيغة التفكير المتداخل، حيث يُحمل الاستدلال بين جولات استدعاء الأدوات بدل إهماله بعد كل دور. وM2 هو النموذج الذي أرسى سمعة MiniMax في تقديم سلوك وكيل قريب من الحدود بجزء يسير من كلفة الرمز الواحد، لمجرّد إبقاء التفعيلات صغيرة.

MiniMax-M3 — الأساس تحت هذه النقطة

صدر MiniMax-M3 في 1 يونيو 2026، مع أوزان على Hugging Face بعد ذلك بقليل وتقرير تقني على arXiv 2606.13392. وهو نموذج مزيج خبراء بـ428 مليار معامل مع نحو 23 مليارًا نشطة لكل رمز، بسياق موثَّق يبلغ مليون رمز، وإدخال أصيل للصور والفيديو — وتصفه MiniMax بأنه مدرَّب بوسائط مختلطة «منذ الخطوة الأولى»، لا مدرَّبًا مسبقًا على النصّ ثم مكيَّفًا لتعدّد الوسائط. وبحسب أرقام MiniMax المنشورة، يسجّل 80.5% على SWE-bench Verified و59.0% على SWE-bench Pro. وهذه أرقام معلنة من المورّد على اختبار برمجة، وهكذا ينبغي أن تزنها بالضبط؛ ونحن نوردها لأنها ادّعاءات المختبر المنشورة، لا لأننا كرّرناها بشكل مستقلّ.

03الانتباه المتفرّق MiniMax: لماذا يمكن لنموذج رؤية أن يكون بهذا الرخص

الهندسة اللافتة في M3 هي الانتباه المتفرّق MiniMax (MSA)، وهو السبب المباشر في أن نموذجًا متعدّد الوسائط بهذا الحجم يمكن أن يقف عند أدنى أسعارنا. فالصور مكلفة بالرموز. وحفنة صفحات عالية الدقّة قد تضع عشرات الآلاف من الرموز في الطلب قبل أن تكتب تعليمة واحدة. وتحت الانتباه القياسي، تتضاعف هذه الكلفة تربيعيًا، فالنموذج الذي يقرأ عشرين صفحة ليس أغلى مرّتين من الذي يقرأ عشرًا — بل أسوأ من ذلك بكثير.

ويغيّر MSA شكل هذا المنحنى. فهو آلية متفرّقة بالكتل مبنية على هيكل انتباه الاستعلامات المجمَّعة، مقسومة إلى فرعين:

• فرع الفهرسة الخفيف الذي يمنح كتل المفاتيح والقيم درجات — بتجميع أقصى الدرجات عبر الرموز داخل كل كتلة — ويختار أعلى k لكل موضع استعلام ولكل مجموعة استعلامات مجمَّعة، مع تضمين الكتلة المحلّية التي تحوي الاستعلام نفسه دائمًا لاستقرار التدريب.
• الفرع الرئيس الذي يشغّل انتباه softmax العادي على الكتل التي اختارها الفهرس فقط.

والإعداد في ورقة MSA هو k = 16 كتلة بحجم 128 رمزًا، ما يمنح كل استعلام ميزانية ثابتة قوامها 2,048 رمزًا مشمولًا بالانتباه. ثابتة، أي أنها لا تنمو مع طول التسلسل. وهذه هي الحيلة كلّها: مع نموّ السياق، تظلّ كلفة الانتباه في الخطّ المرجعي الكثيف تتسلّق بينما تبقى كلفة الفرع الرئيس في MSA مسطّحة، فيتوسّع الانتباه خطّيًا بدل أن يتوسّع تربيعيًا.

الأرقام من تقرير الانتباه المتفرّق MiniMax (arXiv 2606.13392): خفض بمقدار 28.4 ضعفًا في عمليات الانتباه لكل رمز مقارنة بانتباه استعلامات مجمَّعة مُعدّ بالمثل عند سياق مليون رمز، وتسريع بمقدار 14.2 ضعفًا في التعبئة و7.6 أضعاف في فكّ الترميز بالزمن الفعلي، مقيسًا على عتاد H800 في دراسة الورقة على نموذج بـ109 مليارات معامل. وتذكر MiniMax بشكل منفصل تسريعًا بتسعة أضعاف في التعبئة و15 ضعفًا في فكّ الترميز لـM3 مقابل M2 عند سياق مليون رمز. وكلّها أرقام معلنة من المختبر.

وتُجري الورقة أيضًا الفحص الذي يهمّ مقالًا عن الرؤية: على نموذج مزيج خبراء بـ109 مليارات معامل متعدّد الوسائط أصالةً، حافظ MSA على أداء مماثل لخطّ مرجعي بانتباه كامل عبر اختبارات صور تشمل AI2D وChartQA وMMMU، وعبر اختبارات فيديو تشمل EgoSchema وLongVideoBench وVideoMME — بل إن النسخ المتفرّقة تحسّنت أحيانًا في مهام الفيديو الأطول سياقًا. فالتفرّق هنا ليس ضريبة جودة تدفعها مقابل السرعة؛ وعلى المدخلات الطويلة يبدو مجانيًا تقريبًا.

ولماذا يعنيك هذا كعميل: كلفة التقديم هي ما يحدّد سعر القائمة. والأساس الذي تتوقّف كلفة انتباهه عن النموّ هو أساس تستطيع تحمّل توجيهه إلى مئة ألف صورة. هذه هي الآلية وراء «أرخص نموذج رؤية بلا رقابة» — ليست سعرًا ترويجيًا، بل معمارية.

04ماذا تعني 3BIT-REAP، وأين تكلّفك

نموذج بـ428 مليار معامل لا يتّسع في أي مكان مريح بدقّته الكاملة. ونسختنا من MiniMax-M3 تحمل اللاحقة 3BIT-REAP، وهي تصف عمليتين منفصلتين مطبَّقتين بترتيب محدّد.

REAP: احذف الخبراء قبل أن تضغطهم

REAP — تشذيب تفعيل الخبراء الموزون بالموجِّه — طريقة ضغط لمزيج الخبراء بخطوة واحدة من Cerebras وجامعة كالغاري، نُشرت بوصفها arXiv 2510.13999 وقُبلت في ICLR 2026. وحجّتها أن تشذيب الخبراء يتفوّق على دمجهم في المهام التوليدية: فالدمج يدمّر تحكّم الموجِّه الدقيق ويُدخل خطأً لا يمكن استرداده أبدًا. فتمنح REAP بدل ذلك كل خبير درجة وفق معيار أهمّية يجمع بين قيم بوّابة الموجِّه (كم مرّة يختاره الموجِّه وبأي قوّة) ومعايير تفعيل الخبير (كم يسهم مخرجه فعليًا)، ثم تحذف الخبراء الأقلّ أهمّية نهائيًا.

ويذكر المؤلّفون إزالة ما يصل إلى 50% من الخبراء من نماذج تبلغ تريليون معامل مع الحفاظ إلى حدّ بعيد على الجودة المرجعية — ففي Qwen3-480B-Coder-FP8 عند تشذيب 50%، جرى الاحتفاظ بـ97.6% من قدرة البرمجة غير الوكيلة المرجعية و96.7% على SWE-Bench الوكيلة. وهذه أرقام الورقة على نماذج الورقة، لا أرقامنا على MiniMax-M3؛ ونوردها لتحكم على الطريقة، لا لنوحي بقياس مكافئ هنا.

أوزان بثلاث بتات، ثانيًا

ثم تُخزَّن الأوزان الباقية بثلاث بتات. والترتيب مقصود وهو جوهر التوليفة: شذِّب أولًا، ثم كمِّم. فلا معنى لإنفاق بتّاتك الثلاث الثمينة لكل وزن في ترميز أمين لخبراء أنت على وشك حذفهم. شذِّب الذيل المتفرّق، ثم دعْ الميزانية الباقية تذهب كلّها إلى خبراء يشتغلون فعلًا.

التحفّظ الصادق

3BIT-REAP أشرس طبقة نقدّمها. ونستخدمها على أكبر الأسس — MiniMax-M3 وKimi-K3 وDeepSeek-V4-Pro وGLM-5.2 وNemotron3Ultra — لأنها الفرق بين توفّر تلك النماذج بسعر معقول وعدم توفّرها أصلًا. وحيث يكون الأساس صغيرًا بما يكفي للاستغناء عنها، لا نستخدمها: فنماذج W8A16 في القائمة تعمل بأوزان 8 بت وتفعيلات 16 بت، وW4A16-AUTOROUND-REAP تقع بينهما، مستخدمةً تقريب AutoRound المتعلَّم لاستعادة دقّة يفرّط بها التكميم الساذج بالتقريب إلى أقرب قيمة. اختر الطبقة التي تناسب حدّ تحمّلك. فإن كنت تستخرج حقولًا من عشرة آلاف فاتورة، فالثلاث بتات هي المقايضة الصحيحة. وإن كنت تجري قراءة جنائية واحدة عالية المخاطر لصورة واحدة، فأنفق المال على Kimi-K3.

05ماذا تعني «بلا طبقة رفض» حين يكون المُدخل صورة

«بلا رقابة» كلمة تُستخدم بتساهل، وإليك الادّعاء الدقيق: لا توجد طبقة رفض ولا ترشيح للمخرجات على هذه النقطة. لا مصنّف يفحص صورتك قبل أن يراها النموذج. ولا نموذج سياسات يفحص الرموز في طريقها إلى الخارج. وما ينتجه النموذج هو ما تستلمه.

في النصّ، أثر ذلك مألوف. أمّا في الرؤية فمختلف في النوع، لأن سلوك الرفض على مدخلات الصور هو حيث تكون الواجهات التجارية متعدّدة الوسائط في أشدّ حالاتها تحفّظًا وتعسّفًا. وتبدو الإخفاقات المميّزة هكذا:

• رفض شامل للهوية — الامتناع عن وصف الأشخاص في صورة أصلًا، بما في ذلك سمات ظاهرة تمامًا وبريئة تمامًا، لأن السياسة لا تستطيع التمييز بين الوصف والتعرّف.
• انسحاب بسبب الموضوع — رفض نسخ مستند أو تلخيصه بسبب موضوعه، مع أن النسخ مهمّة آلية.
• تحرّج طبّي وجنائي — الامتناع عن وصف صور سريرية أو توثيق إصابات أو صور حوادث يحتاج مهنيّ إلى وصفها.
• إنذارات كاذبة لأدوات الأمن — رفض قراءة لقطة شاشة لأنها تحوي طرفية أو التقاط حزم أو مصحّح أخطاء.
• التدهور الصامت — وهو الأسوأ: ليس رفضًا بل لا-إجابة متحفّظة، تمرّ من تحقّق مخطّطك وتسمّم مجموعة بياناتك دون أن تثير خطأً قطّ.

والمشكلة التشغيلية في الخمسة جميعًا ليست أنها غير منصفة. بل أنها غير قابلة للقياس. فالإجابة الخاطئة نقطة بيانات؛ يمكنك تقييمها والتقاطها في التقييم والتصحيح لها. أمّا الرفض ففجوة. وعلى حجم الدُّفعات، فإن نسبة رفض 3% موزّعة توزيعًا غير عشوائي على مدخلاتك — متركّزة، بحكم البناء، على الحالات الصعبة وغير المعتادة بالضبط — هي تحيّز منهجي في نتائجك لا يستردّه أي قدر من التنظيف اللاحق. وإزالة طبقة الرفض تزيل مصدرًا لبيانات مفقودة صامتة ومترابطة.

وتشغّل Shannon شركة Shannon Lab LLC، نيومكسيكو، الولايات المتحدة، بموجب سياسة الاستخدام المسؤول لدينا. «بلا رقابة» تعني أن النموذج لا يعلّق تحريريًا على مدخلاتك؛ ولا تعني أن الحساب بلا شروط.

06المواصفات الكاملة

الحقل	MiniMax-M3 · 3BIT-REAP
معرّف النموذج	MiniMax-M3-3BIT-REAP
الأساس	MiniMax-M3 (MiniMax AI)
نافذة السياق	262,144 رمزًا
أقصى خرج	16,384 رمزًا
إدخال الصور	نعم
إدخال الفيديو	غير متاح
البثّ	نعم
استدعاء الأدوات	نعم
الاستدلال	نعم (reasoning_effort)
المخرجات المنظَّمة	json_schema + response_format
طبقة الرفض	لا توجد
نقاط الوصول	/v1/chat/completions · /v1/messages · /v1/responses
يُقدَّم على	عنقود GPU الخاص بـShannon

وسطران في هذا الجدول يستحقّان التشديد. إدخال الفيديو غير متاح. فأساس M3 الأصلي دُرِّب على الفيديو وتوثّق MiniMax إدخال الفيديو؛ أمّا نقطتنا فتقبل الصور. ابنِ على الصور. وثانيًا، نافذة 262,144 رمزًا هي نافذتنا، لا رقم المليون الأصلي — خطّط أعمال المستندات الطويلة والصور الكثيرة على أساس 262,144 ولن تُفاجأ أبدًا.

07استدعاء واجهة MiniMax بلا رقابة

ثلاث لهجات، والنموذج نفسه وراءها كلّها، والبثّ متاح في الثلاث. استخدم أيًّا منها يتقنها عميلك الحالي؛ فلا فرق في القدرات بينها. وجّه عنوانك الأساسي إلى Shannon وغيّر معرّف النموذج.

فهم الصور عبر لهجة OpenAI

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
  }'

تعمل روابط https:// البعيدة وروابط البيانات بترميز base64 كلتاهما في جزء image_url. أرفق عدّة أجزاء صور في رسالة واحدة حين تحتاج إلى مقارنة عبر الصفحات — فأمامك 262,144 رمزًا لإنفاقها، وعند 0.50$ لكل مليون، إنفاقها رخيص.

استخراج مُنمَّط بمخطّط JSON

وحيث يستحقّ هذا النموذج مكانه في خطّ معالجة هو توليفة الرؤية + المخطّط الصارم + أدنى سعر. وليست كل نماذج قائمتنا تجمع الثلاثة: فـLaguna-S-2.1 وinkling لا يدعمان json_schema. أمّا MiniMax-M3 فيدعمه، ما يعني أنك تستطيع الحصول على كائن مُتحقَّق منه من صورة دون طبقة تحليل نصّي:

{
  "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
      }
    }
  }
}

جهد الاستدلال

يتيح النموذج معامل reasoning_effort. وفي تصنيف الصور بالجملة، أبقِه منخفضًا — فأنت تطرح سؤالًا إدراكيًا، ورموز الاستدلال رموز خرج تدفع ثمنها. وارفعه في الاستدعاءات التي تكون فيها الصورة دليلًا في حجّة أطول: قراءة مخطّط مقابل مواصفة، أو مطابقة رسم بياني بجدول، أو تقرير ما إذا كانت لقطتا شاشة تُظهران العيب نفسه.

والمرجع الكامل للمعاملات، ودلالات الأخطاء، وصيغ البثّ للّهجات الثلاث كلّها، موجودة في توثيق واجهة Shannon البرمجية.

08أين يكون MiniMax-M3 الخيار الصحيح — وأين لا يكون

اختره حين

• أعمال الصور بالحجم الكبير. وسم مجموعات البيانات، وأبحاث الإشراف على المحتوى، وإثراء الكتالوجات، وفرز لقطات الشاشة، والتعرّف على النصوص وهيكلتها بالجملة في المستندات الممسوحة. أدنى سعر هو الحجّة كلّها.
• تحويل الصور إلى سجلّات مُنمَّطة. الرؤية مع json_schema الصارم مع أرخص الرموز في القائمة توليفة لا يقدّمها هنا سوى نموذجين.
• السياق الطويل متعدّد الوسائط. صفحات كثيرة، أو لقطات كثيرة، في طلب واحد — فالمعمارية تحته مبنية لهذا الشكل من المدخلات بالضبط.
• الأبحاث التي يفسد فيها الرفض العيّنة. أي دراسة تتوقّف صلاحيتها على إجابة النموذج عن كل بند، بما فيها المزعجة.
• الدورات الوكيلة التي تقرأ الشاشة. فنسب السلسلة M وكيليّ صراحةً، واستدعاء الأدوات متاح.

اختر غيره حين

• تحتاج إلى أعلى سقف رؤية والميزانية متوفّرة. Kimi-K3 · 3BIT-REAP أغلى بـ7.7 أضعاف على الدخل لسبب؛ وفي قراءة واحدة عالية المخاطر، هذا هو المال الصحيح لإنفاقه.
• تحتاج إلى أوزان بأقصى أمانة. الثلاث بتات أشرس طبقاتنا. ونماذج W8A16 تقايض السعر بالدقّة، وMiMo-V2.5 · W8A16 قادر على الرؤية بالسعر نفسه 0.50$ / 2.00$ إن كانت الأمانة لكل وزن هي ما تحسّنه.
• تحتاج إلى الفيديو. فنحن لا نتيح إدخال الفيديو على هذه النقطة.
• المهمّة نصّية خالصة عند الحدود. DeepSeek-V4-Pro-0813 موجود لذلك؛ وإلا فستدفع ثمن برج رؤية لن تستخدمه أبدًا.

أرقام المعمارية والاختبارات والتسريع لعائلة MiniMax معلنة من مختبر MiniMax AI؛ وأرقام REAP معلنة من مؤلّفيها على نماذجهم هم، وليست قياسًا لهذه النسخة. أمّا أسعار Shannon ونافذة السياق وأعلام القدرات فهي لنا، ومقروءة من قائمة نماذجنا الحيّة.

09أسئلة شائعة

---

المصادر: بطاقة نموذج MiniMax-M3 · MiniMax-M1: توسيع حوسبة وقت الاختبار بكفاءة عبر Lightning Attention · MiniMax-01: توسيع النماذج الأساسية عبر Lightning Attention · REAP the Experts: لماذا يتفوّق التشذيب في ضغط مزيج الخبراء بخطوة واحدة. أرقام اختبارات MiniMax والتسريع معلنة من المختبر ومؤقّتة بانتظار تحقّق مستقلّ. وأسعار Shannon وأعلام القدرات سارية حتى 5 سبتمبر 2026.