Senzurasız MiniMax API: döşəmə qiymətində görmə

Demək olar ki, hər hostlanan multimodal API görməni premium kimi qiymətləndirir. Mətnə görə mətn modeli tarifi ödəyirsiniz, sonra sorğuya şəkil düşən an daha çox — bəzən bir neçə dəfə çox — ödəyirsiniz. Üstəlik, imtina davranışının ən aqressiv olduğu yer məhz şəkil girişləridir: mövzunu mətndə həvəslə müzakirə edən model eyni şeyi fotoşəkildə təsvir etməkdən imtina edir. Nəticə çağırış başına həm bahalı, həm də etibarsız məhsuldur — həcm emal edərkən bu, hər iki dünyanın ən pisidir. Shannon-dakı MiniMax-M3 buna cavabımızdır: ilk addımdan multimodal öyrədilmiş bir təmələ tətbiq edilmiş, ən ucuz mətn modelimizlə eyni $0.50 / $2.00, qarşısında isə heç bir imtina qatı yoxdur.

01Burada "ən ucuz senzurasız görmə modeli" əslində nə deməkdir

Shannon kataloqu on iki modeldən ibarətdir. Onlardan beşi şəkil qəbul edir. Milyon token üzrə qiymətləri:

Görmə qabiliyyətli model	Giriş	Çıxış	Strukturlaşdırılmış çıxış
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	yalnız response_format
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 döşəmədədir — $0.50 / $2.00 — MiMo-V2.5 ilə bərabər və altında heç nə yoxdur, çünki $0.50 / $2.00 qiymət siyahımızın özü döşəməsidir. Görmə diapazonunun zirvəsi ilə müqayisədə o, Kimi-K3-dən girişdə 7.7×, çıxışda 9.6× ucuzdur.

Bunu iş yükünə köçürək. Tutaq ki, 1,000 şəkli — ekran görüntüləri, skan edilmiş səhifələr, məhsul fotoları — çeşidləyirsiniz və hər birində təxminən 1,200 token şəkil plus sorğu daxil olur, 300 token cavab çıxır:

Shannon siyahı qiymətləri, sentyabr 2026. Token sayları nümunəvidir; şəkil tokenləşdirməniz həlledicilikdən və hər çağırışa neçə şəkil qoşduğunuzdan asılıdır.

Yadda saxlamağa dəyən daha iki istinad nöqtəsi. Bütöv 262,144 tokenlik konteksti bir dəfə doldurmaq təxminən 13 sentdir. Maksimum uzunluqda 16,384 tokenlik cavab təxminən 3.3 sentdir. Bunlar tək bir ən pis hal sorğusunun real hədləridir və elə kiçikdirlər ki, görmə boru kəmərində maraqlı məhdudiyyət pul olmaqdan çıxıb buraxılış qabiliyyəti olur.

02MiniMax nəsli: manşetləri deyil, tokenləri optimallaşdıran laboratoriya

MiniMax AI Şanxay laboratoriyasıdır və onun bütün açıq çəkili tarixçəsi bir sual ətrafındadır: diqqəti necə o qədər ucuzlaşdırasan ki, uzun kontekst və multimodallıq lüks olmaqdan çıxsın? Xəttdəki hər buraxılış həmin suala cavabdır və cavablar bir-birinin üzərində qurulur.

MiniMax-01 — Lightning Attention və lap əvvəldən görmə

MiniMax-01 seriyası (arXiv 2501.08313 kimi dərc edilib) Lightning Attention-i — xətti diqqət variantının G/Ç-yə həssas tətbiqini — cəmi 456B parametrli, token başına 45.9B aktivi olan hibrid Mixture-of-Experts modelinin içində təqdim etdi. Seriya cüt halında göndərildi: MiniMax-Text-01 və görmə modeli olan MiniMax-VL-01. VL-01 artıq tanış olan ViT-MLP-LLM yığınından istifadə edirdi, lakin borc alınmış enkoder əvəzinə 694 milyon şəkil-başlıq cütü üzərində sıfırdan öyrədilmiş 303 milyon parametrli Vision Transformer ilə; sonra 512 milyard token emal edən çoxmərhələli boru kəmərində uyğunlaşdırıldı və birgə köklənildi.

Bu detal oxuduğunuz məqalə üçün vacibdir. Bu nəsildə görmə mətn modelinə xanaya işarə qoymaq üçün gec bənd edilmiş adapter deyil. MiniMax ilk açıq buraxılışından bəri öz vizual qülləsini öyrədir və elə buna görə sənəd anlama, interfeys və ekran görüntüsü qavrayışı, diaqram oxuma ailənin sonradan düşünülmüş əlavəsi deyil, davamlı güclü tərəfi olub.

MiniMax-M1 — uzunluqda düşünmə üçün hibrid diqqət

MiniMax-M1 (arXiv 2506.13585) müəllifləri tərəfindən ilk açıq çəkili, geniş miqyaslı hibrid diqqətli düşünmə modeli kimi təsvir edilib. O, 456B / 45.9B MoE gövdəsini saxladı və iki diqqət növünü növbələşdirdi: hər yeddi Lightning Attention blokundan sonra bir ənənəvi softmax diqqətli transformer bloku. Qazanc lider cədvəlindəki yer deyil, hesablama ilə ölçüldü — MiniMax bildirdi ki, 100K tokenlik generasiya uzunluğunda M1 DeepSeek R1-in FLOP-larının təxminən 25%-ni sərf edir, üstəlik bir milyon tokenlik konteksti doğma şəkildə dəstəkləyir.

MiniMax-M2 — kiçik aktivasiya dönüşü

MiniMax-M2 ölçüdə əks istiqamətə getdi və bununla diqqət qazandı: 62 qatlı dekoder, cəmi 229.9B parametr, lakin token başına yalnız ~9.8B aktiv, MoE qatı başına 256 incə dənəli ekspert və onlardan səkkizinə siqmoid marşrutlama, öyrətmə sabitliyi üçün RoPE mövqeləri və QK-RMSNorm. O, açıq şəkildə agentik kodlaşdırma modeli idi — çoxfayllı redaktələr, işlət-düzəlt dövrələri, testlə yoxlanmış təmirlər — və növbələşən düşünmə formatını təqdim etdi: burada düşünmə hər növbədən sonra atılmır, alət çağırışı raundları arasında daşınır. MiniMax-ın aktivasiyaları kiçik saxlamaqla, token başına xərcin bir hissəsinə cəbhəyə yaxın agentik davranış verdiyi reputasiyasını məhz M2 formalaşdırdı.

MiniMax-M3 — bu uc nöqtənin altındakı təməl

MiniMax-M3 2026-cı il iyunun 1-də buraxıldı, çəkiləri az sonra Hugging Face-də, texniki hesabatı isə arXiv 2606.13392-də yerləşdirildi. Bu, token başına təxminən 23B aktivi olan 428B parametrli Mixture-of-Experts modelidir, sənədləşdirilmiş bir milyon tokenlik kontekstlə və doğma şəkil və video girişi ilə — MiniMax onu mətn üzərində ön öyrədilib sonra multimodal uyğunlaşdırılmış deyil, "lap ilk addımdan" qarışıq modallıqda öyrədilmiş kimi təsvir edir. MiniMax-ın öz dərc etdiyi rəqəmlərə görə o, SWE-bench Verified-də 80.5% və SWE-bench Pro-da 59.0% alır. Bunlar kodlaşdırma benchmarkında istehsalçı tərəfindən bildirilən göstəricilərdir və onları məhz belə də çəkib-ölçməlisiniz; biz onları müstəqil təkrarladığımız üçün deyil, laboratoriyanın dərc etdiyi iddialar olduğu üçün göstəririk.

03MiniMax Sparse Attention: görmə modeli niyə bu qədər ucuz ola bilər

M3-dəki maraqlı mühəndislik MiniMax Sparse Attention (MSA)-dır və bu ölçüdə multimodal modelin döşəmə qiymətimizdə dayana bilməsinin birbaşa səbəbi odur. Şəkillər token baxımından bahalıdır. Bir neçə yüksək həlledicilikli səhifə hələ bir təlimat yazmamış sorğuya on minlərlə token qoya bilər. Standart diqqətdə bu xərc kvadratik artır və iyirmi səhifə oxuyan model on səhifə oxuyandan iki dəfə baha deyil — ondan xeyli pisdir.

MSA həmin əyrinin formasını dəyişir. Bu, Grouped Query Attention onurğası üzərində qurulmuş blok-seyrək mexanizmdir və iki qola bölünür:

• Açar-dəyər bloklarını qiymətləndirən — hər blok daxilindəki tokenlər üzrə maksimum-hovuzlama xalları ilə — və hər sorğu mövqeyi və hər GQA qrupu üçün ən yaxşı k-nı seçən yüngül İndeks Qolu; öyrətmə sabitliyi üçün sorğunun özünü saxlayan lokal blok həmişə daxil edilir.
• Adi softmax diqqətini yalnız indeksin seçdiyi bloklar üzərində işlədən Əsas Qol.

MSA məqaləsindəki konfiqurasiya k = 128 tokenlik 16 blokdur, bu da hər sorğuya 2,048 tokenlik sabit diqqət büdcəsi verir. Sabit, yəni ardıcıllıq uzunluğu ilə artmır. Bütün hiylə budur: kontekst böyüdükcə sıx bazanın diqqət xərci qalxmaqda davam edir, MSA-nın əsas qol xərci isə düz qalır, ona görə diqqət kvadratik yox, xətti miqyaslanır.

Rəqəmlər MiniMax Sparse Attention hesabatındandır (arXiv 2606.13392): 1M kontekstdə eyni konfiqurasiyalı GQA ilə müqayisədə token başına diqqət FLOP-larında 28.4× azalma, üstəgəl məqalənin 109B parametrli tədqiqatında H800 avadanlığında ölçülmüş 14.2× prefill / 7.6× dekod real vaxt sürətlənməsi. MiniMax ayrıca 1M kontekstdə M3-ün M2-yə qarşı 9× prefill və 15× dekod sürətlənməsini bildirir. Hamısı laboratoriya tərəfindən bildirilib.

Məqalə həm də görmə haqqındakı məqalə üçün əsas olan yoxlamanı aparır: doğma multimodal 109B MoE üzərində MSA AI2D, ChartQA və MMMU daxil olmaqla şəkil benchmarklarında, EgoSchema, LongVideoBench və VideoMME daxil olmaqla video benchmarklarında tam diqqətli baza ilə müqayisə oluna bilən nəticə saxladı — seyrək variantlar daha uzun kontekstli video tapşırıqlarında bəzən hətta irəli getdi. Buradakı seyrəklik sürət üçün ödədiyiniz keyfiyyət vergisi deyil; uzun girişlərdə demək olar pulsuz görünür.

Müştəri kimi buna niyə əhəmiyyət verməlisiniz: siyahı qiymətini verilmə xərci müəyyən edir. Diqqət xərci artmaqdan dayanan təməl yüz min şəklə tuşlaya biləcəyiniz təməldir. "Ən ucuz senzurasız görmə modeli" ifadəsinin arxasındakı mexanizm budur — bu, reklam tarifi deyil, arxitekturadır.

043BIT-REAP nə deməkdir və sizə harada baha oturur

428 milyard parametrli model tam dəqiqlikdə heç bir rahat yerə sığmır. Bizim MiniMax-M3 quruluşumuz 3BIT-REAP şəkilçisini daşıyır və bu, müəyyən ardıcıllıqla tətbiq edilən iki ayrı əməliyyatı bildirir.

REAP: ekspertləri sıxmazdan əvvəl sil

REAP — Marşrutlayıcı Çəkili Ekspert Aktivasiya Budaması — Cerebras və Kalqari Universitetindən gələn, arXiv 2510.13999 kimi dərc edilmiş və ICLR 2026-ya qəbul olunmuş birdəfəlik MoE sıxılma metodudur. Onun arqumenti budur: generativ tapşırıqlar üçün ekspertləri budamaq onları birləşdirməkdən üstündür, çünki birləşdirmə marşrutlayıcının incə dənəli nəzarətini dağıdır və heç vaxt bərpa edə bilməyəcəyiniz səhv gətirir. Ona görə REAP hər eksperti marşrutlayıcı qapı dəyərləri (marşrutlayıcının onu nə qədər tez-tez və nə qədər güclü seçməsi) ilə ekspert aktivasiya normalarını (çıxışının real töhfəsinin nə qədər böyük olması) birləşdirən əhəmiyyət meyarı üzrə qiymətləndirir, sonra ən az əhəmiyyətli ekspertləri birbaşa silir.

Müəlliflər bildirirlər ki, bir trilyon parametrədək böyük modellərdən ekspertlərin 50%-ə qədərini silərkən baza keyfiyyəti böyük ölçüdə saxlanılıb — Qwen3-480B-Coder-FP8-də 50% budama zamanı qeyri-agentik kodlaşdırma qabiliyyətinin 97.6%-i, agentik SWE-Bench-də isə 96.7%-i qorunub. Bunlar məqalənin öz modelləri üzərində məqalənin rəqəmləridir, MiniMax-M3 üzərində bizim rəqəmlərimiz deyil; onları burada ekvivalent ölçmə olduğunu ima etmək üçün deyil, metodu mühakimə edə biləsiniz deyə göstəririk.

Sonra 3-bitlik çəkilər

Sağ qalan çəkilər daha sonra 3 bitdə saxlanılır. Sıra qəsdəndir və birləşmənin bütün mənası odur: əvvəl buda, sonra kvantla. Silməyə hazırlaşdığınız ekspertləri sədaqətlə kodlamağa çəki başına qiymətli üç bitinizi sərf etməyin mənası yoxdur. Seyrək quyruğu budayın, sonra qalan büdcə tamamilə həqiqətən işə düşən ekspertlərə getsin.

Dürüst qeyd-şərt

3BIT-REAP göndərdiyimiz ən aqressiv pillədir. Onu ən böyük təməllərdə — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — işlədirik, çünki bu, həmin modellərin ağıllı qiymətə mövcud olması ilə ümumiyyətlə mövcud olmaması arasındakı fərqdir. Təməl ona ehtiyac duymayacaq qədər kiçikdirsə, işlətmirik: kataloqdakı W8A16 modelləri 8-bitlik çəkilər və 16-bitlik aktivasiyalarla işləyir, W4A16-AUTOROUND-REAP isə aralıqdadır və sadə ən yaxına yuvarlaqlaşdırmanın itirdiyi dəqiqliyi bərpa etmək üçün AutoRound-un öyrənilmiş yuvarlaqlaşdırmasından istifadə edir. Dözümlülüyünüzə uyğun pilləni seçin. On min qaimədən sahə çıxarırsınızsa, 3-bit doğru mübadilədir. Tək bir şəkli yüksək riskli məhkəmə-tibbi oxuma ilə oxuyursunuzsa, pulu Kimi-K3-ə xərcləyin.

05Giriş şəkil olanda "imtina qatı yoxdur" nə deməkdir

Senzurasız sözü boş-boşuna işlədilir, ona görə dəqiq iddia budur: bu uc nöqtədə imtina qatı və çıxış filtri yoxdur. Model şəkli görməzdən əvvəl heç bir təsnifatçı onu yoxlamır. Çıxış yolunda tokenləri heç bir siyasət modeli nəzərdən keçirmir. Model nə istehsal edirsə, onu alırsınız.

Mətndə bunun effekti tanışdır. Görmədə isə keyfiyyətcə fərqlidir, çünki kommersiya multimodal API-larının ən mühafizəkar və ən özbaşına olduğu yer məhz şəkil girişlərindəki imtina davranışıdır. Xarakterik uğursuzluqlar belə görünür:

• Kütləvi kimlik imtinaları — fotoşəkildəki insanları ümumiyyətlə təsvir etməkdən boyun qaçırmaq, hətta açıq-aşkar görünən və tamamilə zərərsiz əlamətləri belə, çünki siyasət təsviri identifikasiyadan ayıra bilmir.
• Mövzudan qaçış — transkripsiya mexaniki tapşırıq olsa da, sənədin nə haqqında olduğuna görə onu köçürməkdən və ya xülasə etməkdən imtina.
• Tibbi və məhkəmə-tibbi həssaslıq — peşəkarın təsvir edilməsinə ehtiyac duyduğu klinik görüntüləri, xəsarət sənədlərini və ya qəza fotolarını təsvir etməkdən imtina.
• Təhlükəsizlik alətləri üzrə yanlış müsbətlər — ekran görüntüsündə terminal, paket tutumu və ya sazlayıcı olduğuna görə onu oxumaqdan imtina.
• Səssiz deqradasiya — ən pisi: imtina deyil, ehtiyatlı qeyri-cavab, sxem yoxlamanızdan keçir və heç vaxt xəta qaldırmadan verilənlər toplunuzu zəhərləyir.

Bu beşinin əməli problemi ədalətsiz olmaları deyil. Problem onların ölçülməz olmasıdır. Səhv cavab verilən nöqtədir; onu qiymətləndirə, qiymətləndirmədə tuta və düzəldə bilərsiniz. İmtina isə deşikdir. Paket miqyasında girişləriniz arasında qeyri-təsadüfi paylanmış 3%-lik imtina dərəcəsi — quruluşca məhz çətin və qeyri-adi hallarda cəmlənən — nəticələrinizdəki sistematik meyldir və heç bir sonrakı təmizləmə onu bərpa etmir. İmtina qatını götürmək səssiz, korrelyasiyalı itkin verilən mənbəyini götürür.

Shannon-u Shannon Lab LLC (Nyu-Meksiko, ABŞ) Məsuliyyətli İstifadə Siyasətimiz çərçivəsində idarə edir. Senzurasız o deməkdir ki, model girişləriniz haqqında rəy bildirmir; hesabın şərtləri yoxdur demək deyil.

06Tam spesifikasiya

Sahə	MiniMax-M3 · 3BIT-REAP
Model ID	MiniMax-M3-3BIT-REAP
Təməl	MiniMax-M3 (MiniMax AI)
Kontekst pəncərəsi	262,144 token
Maksimum çıxış	16,384 token
Şəkil girişi	Bəli
Video girişi	Açılmayıb
Axın	Bəli
Alət çağırışı	Bəli
Düşünmə	Bəli (reasoning_effort)
Strukturlaşdırılmış çıxış	json_schema + response_format
İmtina qatı	Yoxdur
Uc nöqtələr	/v1/chat/completions · /v1/messages · /v1/responses
Verildiyi yer	Shannon-un öz GPU klasteri

Həmin cədvəldəki iki sətir vurğulanmağa layiqdir. Video girişi açılmayıb. Təməl M3 modeli video üzərində öyrədilib və MiniMax video girişini sənədləşdirir; bizim uc nöqtəmiz şəkil qəbul edir. Şəkillərə uyğun qurun. İkincisi, 262,144 tokenlik pəncərə bizimdir, təməldəki bir milyon rəqəmi deyil — uzun sənəd və çoxşəkilli iş yüklərini 262,144-ə görə planlaşdırsanız, heç vaxt təəccüblənməyəcəksiniz.

07Senzurasız MiniMax API-nın çağırılması

Üç dialekt, hamısının arxasında eyni model, hər üçündə axın. Mövcud klientinizin artıq danışdığını işlədin; aralarında imkan fərqi yoxdur. Baza URL-ni Shannon-a yönəldin və model ID-ni dəyişin.

OpenAI dialekti ilə şəkil anlama

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
  }'

image_url hissəsində həm uzaq https:// URL-ləri, həm də base64 data URL-ləri işləyir. Səhifələrarası müqayisə lazım olanda bir mesajda bir neçə şəkil hissəsi qoşun — sərf etməyə 262,144 tokeniniz var və milyon token $0.50 olanda onları sərf etmək ucuzdur.

JSON sxemi ilə tipli çıxarma

Bu modelin boru kəmərində yerini qazandığı şey görmə + ciddi sxem + döşəmə qiyməti birləşməsidir. Kataloqumuzda hər modeldə üçü birdən yoxdur: Laguna-S-2.1 və inkling json_schema dəstəkləmir. MiniMax-M3 dəstəkləyir, yəni şəkildən yoxlanılmış obyekti təhlil qatı olmadan ala bilərsiniz:

{
  "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
      }
    }
  }
}

Düşünmə səyi

Model reasoning_effort parametrini açır. Kütləvi şəkil təsnifatında onu aşağı saxlayın — qavrayış sualı verirsiniz və düşünmə tokenləri pulunu ödədiyiniz çıxış tokenləridir. Şəklin daha uzun mühakimədə sübut olduğu çağırışlar üçün qaldırın: diaqramı spesifikasiya ilə tutuşdurmaq, qrafiki cədvəllə uzlaşdırmaq, iki ekran görüntüsünün eyni qüsuru göstərib-göstərmədiyinə qərar vermək.

Hər üç dialekt üçün tam parametr arayışı, xəta semantikası və axın formatları Shannon API sənədlərindədir.

08MiniMax-M3 harada doğru seçimdir — və harada deyil

Bunlara görə seçin

• Həcmli şəkil işi. Verilən toplusu etiketləmə, moderasiya tədqiqatı, kataloq zənginləşdirmə, ekran görüntüsü çeşidləmə, skan edilmiş sənədlər üzrə paket OCR və strukturlaşdırma. Bütün arqument döşəmə qiymətidir.
• Şəkillərdən tipli qeydlərə. Görmə plus ciddi json_schema plus kataloqdakı ən ucuz tokenlər — burada yalnız iki modelin təklif etdiyi birləşmədir.
• Uzun multimodal kontekst. Tək sorğuda çoxlu səhifə və ya çoxlu kadr — altdakı arxitektura məhz bu formalı giriş üçün qurulub.
• İmtinaların seçməni korladığı tədqiqat. Etibarlılığı modelin hər maddəyə, o cümlədən narahat edənlərə cavab verməsindən asılı olan istənilən araşdırma.
• Ekran oxuyan agent dövrələri. M seriyası nəsli açıq şəkildə agentikdir və alət çağırışı mövcuddur.

Başqasını seçin, əgər

• Ən yüksək görmə tavanına ehtiyacınız var və büdcə mövcuddur. Kimi-K3 · 3BIT-REAP giriş qiymətinin 7.7 mislidir və bunun səbəbi var; tək yüksək riskli oxumada xərclənəcək doğru pul odur.
• Maksimum sədaqətli çəkilər lazımdır. 3-bit ən aqressiv pilləmizdir. W8A16 modelləri qiyməti dəqiqliklə dəyişir və çəki başına sədaqəti optimallaşdırırsınızsa, MiMo-V2.5 · W8A16 eyni $0.50 / $2.00 ilə görmə qabiliyyətlidir.
• Video lazımdır. Bu uc nöqtədə video girişini açmırıq.
• Tapşırıq cəbhədə saf mətndir. Bunun üçün DeepSeek-V4-Pro-0813 var; əks halda heç vaxt işlətmədiyiniz görmə qülləsinə pul verərsiniz.

MiniMax ailəsi üçün arxitektura, benchmark və sürətlənmə rəqəmləri MiniMax AI tərəfindən laboratoriya daxilində bildirilib; REAP rəqəmləri REAP müəllifləri tərəfindən öz modelləri üzərində bildirilib və bu quruluşun ölçməsi deyil. Shannon qiymətləri, kontekst pəncərəsi və imkan bayraqları bizimdir və canlı model kataloqumuzdan oxunur.

09Tez-tez verilən suallar

---

Mənbələr: MiniMax-M3 model kartı · 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. MiniMax benchmark və sürətlənmə rəqəmləri laboratoriya tərəfindən bildirilib və müstəqil yoxlanışa qədər ilkin xarakterlidir. Shannon qiymətləri və imkan bayraqları 5 sentyabr 2026-cı il tarixinə aktualdır.