আনসেন্সরড MiniMax API: মেঝে দামে ভিশন

প্রায় প্রতিটি হোস্ট করা মাল্টিমোডাল API ভিশনকে প্রিমিয়াম হিসেবে দাম দেয়। টেক্সটের জন্য আপনি টেক্সট-মডেলের হার দেন, আর প্রম্পটে একটি ছবি ঢোকামাত্রই বেশি দেন — কখনও কয়েক গুণ বেশি। তার উপর, প্রত্যাখ্যানের আচরণ সবচেয়ে আক্রমণাত্মক হয় ঠিক ছবি ইনপুটেই: যে মডেল খুশিমনে একটি বিষয়ে টেক্সটে আলোচনা করবে, সে-ই একটি আলোকচিত্রে একই জিনিস বর্ণনা করতে অস্বীকার করবে। ফল হলো এমন একটি পণ্য যা প্রতি কলে ব্যয়বহুল আর প্রতি কলে অনির্ভরযোগ্য — আয়তন প্রক্রিয়া করার সময় যা দুই দিক থেকেই সবচেয়ে খারাপ। Shannon-এ MiniMax-M3 তারই আমাদের উত্তর: আমাদের সবচেয়ে সস্তা টেক্সট মডেলের জন্য যে $0.50 / $2.00 দেন, সেটিই প্রয়োগ করা হয়েছে এমন একটি ভিত্তির উপর যা প্রথম পদক্ষেপ থেকেই মাল্টিমোডাল প্রশিক্ষিত, আর যার সামনে কোনো প্রত্যাখ্যানের স্তর বসানো নেই।

01এখানে “সবচেয়ে সস্তা আনসেন্সরড ভিশন মডেল” বলতে আসলে কী বোঝায়

Shannon তালিকায় বারোটি মডেল। তাদের মধ্যে পাঁচটি ছবি নেয়। প্রতি মিলিয়ন টোকেনে তাদের দাম:

ভিশন-সক্ষম মডেল	ইনপুট	আউটপুট	কাঠামোবদ্ধ আউটপুট
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 only
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 বসে মেঝেতে — $0.50 / $2.00 — MiMo-V2.5-এর সঙ্গে সমান, আর তার নিচে কিছু নেই, কারণ $0.50 / $2.00 আমাদের দামের তালিকার মেঝেই। ভিশন পরিসরের শীর্ষের তুলনায় এটি Kimi-K3-র চেয়ে ইনপুটে 7.7× আর আউটপুটে 9.6× সস্তা।

এবার সেটিকে একটি কাজের ভারে বসান। ধরুন আপনি 1,000টি ছবি বাছাই করছেন — স্ক্রিনশট, স্ক্যান করা পাতা, পণ্যের ছবি — যেখানে ভিতরে যাচ্ছে গড়ে মোটামুটি 1,200 টোকেন ছবি ও প্রম্পট, আর বেরিয়ে আসছে 300 টোকেন উত্তর:

Shannon তালিকাভুক্ত দাম, সেপ্টেম্বর ২০২৬। টোকেন সংখ্যাগুলি দৃষ্টান্তমূলক; আপনার ছবির টোকেনাইজেশন নির্ভর করে রেজোলিউশনে আর প্রতি কলে কতগুলি ছবি জুড়ছেন তার উপর।

মাথায় রাখার মতো আরও দুটি রেফারেন্স বিন্দু। গোটা 262,144-টোকেন কনটেক্সট একবার ভরার খরচ প্রায় 13 সেন্ট। সর্বোচ্চ দৈর্ঘ্যের 16,384-টোকেন উত্তরের খরচ প্রায় 3.3 সেন্ট। একটি একক সবচেয়ে খারাপ ক্ষেত্রের রিকোয়েস্টের প্রকৃত সীমা এগুলিই, আর এগুলি এত ছোট যে একটি ভিশন পাইপলাইনে আগ্রহজনক সীমাবদ্ধতা আর টাকা থাকে না — থ্রুপুট হয়ে যায়।

02MiniMax বংশ: যে গবেষণাগার শিরোনাম নয়, টোকেন অপ্টিমাইজ করে

MiniMax AI সাংহাইয়ের একটি গবেষণাগার, যার গোটা ওপেন-ওয়েট কাজের ইতিহাস একটি প্রশ্ন ঘিরে: অ্যাটেনশনকে কতটা সস্তা করলে দীর্ঘ কনটেক্সট আর মাল্টিমোডালিটি আর বিলাসিতা থাকে না? এই ধারার প্রতিটি রিলিজ সেই প্রশ্নের একেকটি উত্তর, আর উত্তরগুলি একে অন্যের উপর দাঁড়ায়।

MiniMax-01 — Lightning Attention, আর শুরু থেকেই ভিশন

MiniMax-01 সিরিজ (arXiv 2501.08313 হিসেবে প্রকাশিত) এনেছিল Lightning Attention — একটি লিনিয়ার অ্যাটেনশন রূপভেদের I/O-সচেতন বাস্তবায়ন — মোট 456B প্যারামিটার ও প্রতি টোকেনে 45.9B সক্রিয় একটি হাইব্রিড Mixture-of-Experts মডেলের ভিতরে। সিরিজটি এসেছিল জোড়ায়: MiniMax-Text-01 আর MiniMax-VL-01, ভিশন মডেলটি। VL-01 এখনকার পরিচিত ViT-MLP-LLM স্তূপ ব্যবহার করেছিল, তবে ধার করা এনকোডারের বদলে 694 মিলিয়ন ছবি-ক্যাপশন জোড়ায় শূন্য থেকে প্রশিক্ষিত 303-মিলিয়ন-প্যারামিটারের একটি Vision Transformer নিয়ে, এরপর 512 বিলিয়ন টোকেন প্রক্রিয়াকারী একটি বহু-ধাপ পাইপলাইন জুড়ে অ্যালাইন ও যৌথভাবে ফাইন-টিউন করা।

আপনি যে লেখাটি পড়ছেন তার জন্য এই খুঁটিনাটি গুরুত্বপূর্ণ। এই বংশে ভিশন কোনো টেক্সট মডেলের গায়ে ঘর ভরাতে পরে আটকানো অ্যাডাপ্টার নয়। MiniMax তার প্রথম উন্মুক্ত রিলিজ থেকেই নিজের ভিজ্যুয়াল টাওয়ার প্রশিক্ষণ দিয়ে আসছে, আর সেই কারণেই নথি বোঝা, UI ও স্ক্রিনশট অনুধাবন, আর চার্ট পড়া এই পরিবারের ধারাবাহিক শক্তি, পরে যোগ করা ভাবনা নয়।

MiniMax-M1 — দীর্ঘ পথে রিজনিংয়ের জন্য হাইব্রিড অ্যাটেনশন

MiniMax-M1 (arXiv 2506.13585)-কে তার লেখকেরা বর্ণনা করেছেন প্রথম ওপেন-ওয়েট, বৃহৎ-মাপের হাইব্রিড-অ্যাটেনশন রিজনিং মডেল হিসেবে। এটি 456B / 45.9B MoE শরীর ধরে রেখে দুই ধরনের অ্যাটেনশন মিশিয়ে দিয়েছিল: প্রতি সাতটি Lightning Attention ব্লকের পর একটি প্রচলিত সফটম্যাক্স-অ্যাটেনশন ট্রান্সফরমার ব্লক। লাভটি মাপা হয়েছিল লিডারবোর্ডের অবস্থানে নয়, কম্পিউটে — MiniMax জানায় 100K-টোকেন জেনারেশন দৈর্ঘ্যে M1 খরচ করেছে DeepSeek R1-এর মোটামুটি 25% FLOPs, আর সেই সঙ্গে নেটিভভাবে এক-মিলিয়ন-টোকেন কনটেক্সট সমর্থন করেছে।

MiniMax-M2 — ছোট-অ্যাক্টিভেশনের মোড়

MiniMax-M2 আকারে উল্টো পথে গিয়ে তার জন্যই নজর কেড়েছিল: 62-স্তরের একটি ডিকোডার, মোট 229.9B প্যারামিটার কিন্তু প্রতি টোকেনে সক্রিয় মাত্র ~9.8B, প্রতিটি MoE স্তরে 256টি সূক্ষ্ম-দানার এক্সপার্ট ও তাদের আটটিতে সিগময়েড রাউটিং, প্রশিক্ষণের স্থিতিশীলতার জন্য RoPE অবস্থান ও QK-RMSNorm সহ। এটি স্পষ্টভাবেই ছিল একটি এজেন্টিক-কোডিং মডেল — বহু-ফাইল সম্পাদনা, রান-ফিক্স লুপ, টেস্ট-যাচাইকৃত মেরামত — আর এটি চালু করেছিল ইন্টারলিভড থিঙ্কিং ফরম্যাট, যেখানে রিজনিং প্রতিটি টার্নের পর ফেলে না দিয়ে টুল-কল রাউন্ডগুলির মাঝে বহন করা হয়। M2-ই সেই মডেল যা কেবল অ্যাক্টিভেশন ছোট রেখে প্রতি-টোকেন খরচের ভগ্নাংশে ফ্রন্টিয়ার-ঘেঁষা এজেন্টিক আচরণ দেওয়ার জন্য MiniMax-এর সুনাম প্রতিষ্ঠা করেছিল।

MiniMax-M3 — এই এন্ডপয়েন্টের নিচের ভিত্তি

MiniMax-M3 প্রকাশিত হয়েছে ১ জুন ২০২৬-এ, তার অল্প পরেই Hugging Face-এ ওয়েট আর arXiv 2606.13392-এ একটি কারিগরি প্রতিবেদন। এটি 428B-প্যারামিটারের একটি Mixture-of-Experts মডেল, প্রতি টোকেনে মোটামুটি 23B সক্রিয়, নথিভুক্ত এক-মিলিয়ন-টোকেন কনটেক্সট, আর নেটিভ ছবি ও ভিডিও ইনপুট সহ — MiniMax একে বর্ণনা করে “একেবারে প্রথম পদক্ষেপ থেকেই” মিশ্র-মোডালিটিতে প্রশিক্ষিত হিসেবে, টেক্সট-প্রিট্রেন করে পরে মাল্টিমোডালি খাপ খাওয়ানো নয়। MiniMax-এর নিজের প্রকাশিত সংখ্যায় এটি পায় SWE-bench Verified-এ 80.5% আর SWE-bench Pro-তে 59.0%। এগুলি একটি কোডিং বেঞ্চমার্কে নির্মাতার জানানো সংখ্যা, আর ঠিক সেভাবেই আপনার এগুলির ওজন করা উচিত; আমরা উদ্ধৃত করছি কারণ এগুলি গবেষণাগারের প্রকাশিত দাবি, স্বাধীনভাবে আমরা এগুলি পুনরুৎপাদন করেছি বলে নয়।

03MiniMax Sparse Attention: একটি ভিশন মডেল কেন এত সস্তা হতে পারে

M3-এর আকর্ষণীয় প্রকৌশলটি হলো MiniMax Sparse Attention (MSA), আর এই আকারের একটি মাল্টিমোডাল মডেল কেন আমাদের মেঝে দামে বসতে পারে তার সরাসরি কারণ এটিই। ছবি টোকেনে ব্যয়বহুল। মুষ্টিমেয় কয়েকটি উচ্চ-রেজোলিউশন পাতা আপনার একটি নির্দেশ লেখার আগেই প্রম্পটে হাজার হাজার টোকেন ঢুকিয়ে দিতে পারে। প্রমিত অ্যাটেনশনে সেই খরচ বর্গাকারে জমতে থাকে, আর যে মডেল কুড়ি পাতা পড়ে সে দশ পাতা পড়া মডেলের দ্বিগুণ ব্যয়বহুল নয় — দ্বিগুণের চেয়ে অনেক বেশি খারাপ।

MSA সেই বক্ররেখার আকারই বদলে দেয়। এটি Grouped Query Attention মেরুদণ্ডের উপর গড়া একটি ব্লক-স্পার্স ব্যবস্থা, দুটি শাখায় বিভক্ত:

• একটি হালকা Index Branch, যা কি-ভ্যালু ব্লকগুলিকে নম্বর দেয় — প্রতিটি ব্লকের ভিতরের টোকেন জুড়ে ম্যাক্স-পুলিং স্কোর — আর প্রতি কোয়েরি অবস্থান ও প্রতি GQA গোষ্ঠীর জন্য শীর্ষ-k বেছে নেয়, প্রশিক্ষণ স্থিতিশীলতার জন্য কোয়েরিটি নিজে যে স্থানীয় ব্লকে আছে সেটিকে সবসময় অন্তর্ভুক্ত করে।
• একটি Main Branch, যা সাধারণ সফটম্যাক্স অ্যাটেনশন চালায় কেবল ইনডেক্স যে ব্লকগুলি বেছেছে তার উপর।

MSA পেপারের কনফিগারেশনটি হলো 128 টোকেনের k = 16 ব্লক, যা প্রতিটি কোয়েরিকে দেয় 2,048 অ্যাটেন্ড করা টোকেনের একটি নির্দিষ্ট বাজেট। নির্দিষ্ট, অর্থাৎ সিকোয়েন্স দৈর্ঘ্যের সঙ্গে এটি বাড়ে না। গোটা কৌশলটি এটাই: কনটেক্সট বাড়ার সঙ্গে একটি ঘন বেসলাইনের অ্যাটেনশন খরচ চড়তেই থাকে, অথচ MSA-র মূল-শাখার খরচ সমতল থাকে, তাই অ্যাটেনশন বর্গাকারে নয়, রৈখিকভাবে স্কেল করে।

সংখ্যাগুলি MiniMax Sparse Attention প্রতিবেদন থেকে (arXiv 2606.13392): 1M কনটেক্সটে সমভাবে কনফিগার করা GQA-র তুলনায় প্রতি-টোকেন অ্যাটেনশন FLOPs-এ 28.4× হ্রাস, আর পেপারের 109B-প্যারামিটার গবেষণায় H800 হার্ডওয়্যারে মাপা 14.2× প্রিফিল / 7.6× ডিকোড দেয়াল-ঘড়ি গতিবৃদ্ধি। MiniMax আলাদাভাবে জানায় 1M কনটেক্সটে M2-র তুলনায় M3-এর জন্য 9× প্রিফিল ও 15× ডিকোড গতিবৃদ্ধি। সবই গবেষণাগারের জানানো।

পেপারটি একটি ভিশন-বিষয়ক লেখার জন্য প্রাসঙ্গিক পরীক্ষাটিও করে: নেটিভভাবে মাল্টিমোডাল একটি 109B MoE-তে MSA পূর্ণ-অ্যাটেনশন বেসলাইনের তুলনীয় কর্মক্ষমতা ধরে রেখেছে — AI2D, ChartQA ও MMMU সহ ছবি বেঞ্চমার্ক জুড়ে, আর EgoSchema, LongVideoBench ও VideoMME সহ ভিডিও বেঞ্চমার্ক জুড়ে — যেখানে স্পার্স রূপভেদগুলি দীর্ঘতর-কনটেক্সটের ভিডিও কাজে কখনও কখনও উন্নতিও করেছে। এখানে স্পার্সিটি গতির জন্য দেওয়া কোনো গুণমান-কর নয়; দীর্ঘ ইনপুটে সেটি মোটামুটি বিনামূল্যে বলেই মনে হয়।

গ্রাহক হিসেবে আপনার কেন গা করা উচিত: তালিকাভুক্ত দাম ঠিক করে দেয় পরিবেশনের খরচ। যে ভিত্তির অ্যাটেনশন খরচ বাড়া থামিয়ে দেয়, সেই ভিত্তিটিকেই আপনি এক লক্ষ ছবির দিকে তাক করার সামর্থ্য রাখেন। “সবচেয়ে সস্তা আনসেন্সরড ভিশন মডেল”-এর পিছনের কলকব্জা এটাই — এটি কোনো প্রচারমূলক হার নয়, এটি একটি স্থাপত্য।

043BIT-REAP মানে কী, আর কোথায় তার দাম দিতে হয়

428 বিলিয়ন প্যারামিটারের একটি মডেল পূর্ণ নির্ভুলতায় কোনো সুবিধাজনক জায়গায় আঁটে না। আমাদের MiniMax-M3 বিল্ড 3BIT-REAP প্রত্যয় বহন করে, যা একটি নির্দিষ্ট ক্রমে প্রয়োগ করা দুটি পৃথক কাজ বোঝায়।

REAP: সংকুচিত করার আগেই এক্সপার্ট মুছে ফেলুন

REAP — Router-weighted Expert Activation Pruning — Cerebras ও University of Calgary-র একটি ওয়ান-শট MoE সংকোচন পদ্ধতি, arXiv 2510.13999 হিসেবে প্রকাশিত ও ICLR 2026-এ গৃহীত। এর যুক্তি হলো, জেনারেটিভ কাজে এক্সপার্ট ছাঁটাই তাদের মার্জ করার চেয়ে ভালো: মার্জ করা রাউটারের সূক্ষ্ম নিয়ন্ত্রণ নষ্ট করে আর এমন একটি ত্রুটি ঢোকায় যা আর কখনও ফেরানো যায় না। তাই REAP বরং প্রতিটি এক্সপার্টকে একটি সালিয়েন্সি মানদণ্ডে নম্বর দেয়, যেখানে মেলানো হয় রাউটার গেট মান (রাউটার কত ঘন ঘন ও কত জোরালোভাবে তাকে বাছে) আর এক্সপার্ট অ্যাক্টিভেশন নর্ম (তার আউটপুট আসলে কতটা অবদান রাখে), এরপর সবচেয়ে কম গুরুত্বপূর্ণ এক্সপার্টগুলি সরাসরি মুছে দেয়।

লেখকেরা জানান এক ট্রিলিয়ন প্যারামিটার পর্যন্ত বড় মডেল থেকে 50% পর্যন্ত এক্সপার্ট সরিয়ে দিয়েও বেসলাইন গুণমান মূলত ধরে রাখা গেছে — Qwen3-480B-Coder-FP8-এ 50% ছাঁটাইয়ে বেসলাইন অ-এজেন্টিক কোডিং সক্ষমতার 97.6% আর এজেন্টিক SWE-Bench-এ 96.7% ধরে রাখা গেছে। এগুলি পেপারের নিজের মডেলে পেপারের সংখ্যা, MiniMax-M3-তে আমাদের নয়; আমরা উদ্ধৃত করছি যাতে আপনি পদ্ধতিটির বিচার করতে পারেন, এখানে সমতুল্য কোনো পরিমাপ হয়েছে বোঝাতে নয়।

এরপর 3-বিট ওয়েট

টিকে যাওয়া ওয়েটগুলি এরপর 3 বিটে রাখা হয়। ক্রমটি ইচ্ছাকৃত আর সেটিই এই সমাহারের মূল কথা: আগে ছাঁটাই, পরে কোয়ান্টাইজ। যেসব এক্সপার্ট আপনি এক্ষুনি মুছে ফেলবেন, তাদের বিশ্বস্তভাবে এনকোড করতে প্রতি ওয়েটে আপনার মূল্যবান তিনটি বিট খরচ করার কোনো মানে নেই। আগে স্পার্স লেজটি ছেঁটে ফেলুন, তারপর বাকি বাজেটটা পুরোপুরি সেই এক্সপার্টদের দিন যারা সত্যিই সক্রিয় হয়।

সৎ সতর্কবার্তা

3BIT-REAP আমাদের দেওয়া সবচেয়ে আক্রমণাত্মক স্তর। আমরা এটি বৃহত্তম ভিত্তিগুলিতে ব্যবহার করি — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — কারণ এটিই সেই মডেলগুলির যুক্তিসঙ্গত দামে পাওয়া যাওয়া আর আদৌ না পাওয়ার মধ্যে তফাত। যে ভিত্তি এত ছোট যে এর দরকার নেই, সেখানে আমরা এটি ব্যবহার করি না: তালিকার W8A16 মডেলগুলি 8-বিট ওয়েট ও 16-বিট অ্যাক্টিভেশনে চলে, আর W4A16-AUTOROUND-REAP বসে মাঝখানে, AutoRound-এর শেখা রাউন্ডিং দিয়ে সেই নির্ভুলতা ফিরিয়ে আনে যা সরল রাউন্ড-টু-নিয়ারেস্ট কোয়ান্টাইজেশন ছেড়ে দেয়। আপনার সহনশীলতার সঙ্গে মেলে এমন স্তরটি বাছুন। দশ হাজার চালান থেকে ফিল্ড বের করলে 3-বিটই সঠিক বিনিময়। একটি একক ছবির একটিমাত্র উচ্চ-ঝুঁকির ফরেনসিক পাঠ করলে টাকাটা Kimi-K3-তে খরচ করুন।

05ইনপুট যখন একটি ছবি, তখন “কোনো প্রত্যাখ্যানের স্তর নেই” মানে কী

আনসেন্সরড শব্দটি ঢিলেঢালাভাবে ব্যবহৃত হয়, তাই দাবিটি নির্দিষ্ট করে বলি: এই এন্ডপয়েন্টে কোনো প্রত্যাখ্যানের স্তর নেই আর কোনো আউটপুট ফিল্টারিং নেই। মডেল দেখার আগে কোনো ক্লাসিফায়ার আপনার ছবি পরীক্ষা করে না। বেরোনোর পথে কোনো পলিসি মডেল টোকেনগুলি পরীক্ষা করে না। মডেল যা তৈরি করে, আপনি তাই পান।

টেক্সটে এর প্রভাব পরিচিত। ভিশনে এটি ধরনেই আলাদা, কারণ ছবি ইনপুটে প্রত্যাখ্যানের আচরণেই বাণিজ্যিক মাল্টিমোডাল API সবচেয়ে রক্ষণশীল আর সবচেয়ে খেয়ালি। সাধারণ ব্যর্থতাগুলি দেখতে এমন:

• ঢালাও পরিচয়-প্রত্যাখ্যান — একটি আলোকচিত্রে মানুষের বর্ণনা দিতেই অস্বীকার, এমনকি স্পষ্টভাবে দৃশ্যমান ও সম্পূর্ণ নিরীহ বৈশিষ্ট্যগুলিও, কারণ একটি নীতি বর্ণনা আর শনাক্তকরণের তফাত করতে পারে না।
• বিষয়বস্তু দেখে পিছু হটা — নথিটি কী নিয়ে সেই কারণে তা প্রতিলিপি বা সারসংক্ষেপ করতে অস্বীকার, যদিও প্রতিলিপি করা একটি যান্ত্রিক কাজ।
• চিকিৎসা ও ফরেনসিক ছুঁৎমার্গ — ক্লিনিক্যাল চিত্র, আঘাতের নথি বা দুর্ঘটনার ছবি বর্ণনা করতে অস্বীকার, যেগুলির বর্ণনা একজন পেশাদারের দরকার।
• নিরাপত্তা-টুলিংয়ে ভুয়া সংকেত — একটি স্ক্রিনশট পড়তে অস্বীকার, কারণ তাতে একটি টার্মিনাল, একটি প্যাকেট ক্যাপচার বা একটি ডিবাগার আছে।
• নীরব অবনতি — সবচেয়ে খারাপটি: প্রত্যাখ্যান নয়, বরং একটি এড়িয়ে-যাওয়া অ-উত্তর, যা আপনার স্কিমা যাচাই পেরিয়ে যায় আর কোনো ত্রুটি না তুলেই আপনার ডেটাসেট বিষিয়ে দেয়।

এই পাঁচটির সমস্যা এই নয় যে এগুলি অন্যায্য। সমস্যা হলো এগুলি অপরিমেয়। একটি ভুল উত্তর একটি ডেটা বিন্দু; আপনি তাকে নম্বর দিতে পারেন, মূল্যায়নে ধরতে পারেন, সংশোধন করতে পারেন। একটি প্রত্যাখ্যান একটি গর্ত। ব্যাচ মাপে, আপনার ইনপুট জুড়ে অ-এলোমেলোভাবে ছড়ানো 3% প্রত্যাখ্যানের হার — যা গঠনগতভাবেই ঠিক কঠিন ও অস্বাভাবিক কেসগুলিতেই ঘনীভূত — আপনার ফলাফলে এমন একটি ব্যবস্থাগত পক্ষপাত যা পরবর্তী কোনো পরিমাণ পরিষ্কার-পরিচ্ছন্নতাও উদ্ধার করতে পারে না। প্রত্যাখ্যানের স্তর সরানো মানে নীরব, পরস্পর-সম্পর্কিত অনুপস্থিত ডেটার একটি উৎস সরানো।

Shannon পরিচালনা করে Shannon Lab LLC, নিউ মেক্সিকো, USA, আমাদের দায়িত্বশীল ব্যবহার নীতির অধীনে। আনসেন্সরড মানে মডেল আপনার ইনপুট নিয়ে মতামত দেয় না; এর মানে অ্যাকাউন্টের কোনো শর্ত নেই তা নয়।

06পূর্ণ বিবরণ

ক্ষেত্র	MiniMax-M3 · 3BIT-REAP
মডেল আইডি	MiniMax-M3-3BIT-REAP
ভিত্তি	MiniMax-M3 (MiniMax AI)
কনটেক্সট উইন্ডো	262,144 টোকেন
সর্বোচ্চ আউটপুট	16,384 টোকেন
ছবি ইনপুট	হ্যাঁ
ভিডিও ইনপুট	উন্মুক্ত নয়
স্ট্রিমিং	হ্যাঁ
টুল কলিং	হ্যাঁ
রিজনিং	হ্যাঁ (reasoning_effort)
কাঠামোবদ্ধ আউটপুট	json_schema + response_format
প্রত্যাখ্যানের স্তর	নেই
এন্ডপয়েন্ট	/v1/chat/completions · /v1/messages · /v1/responses
যেখানে পরিবেশিত	Shannon-এর নিজস্ব GPU ক্লাস্টার

ওই টেবিলের দুটি সারিতে জোর দেওয়া দরকার। ভিডিও ইনপুট উন্মুক্ত নয়। উজানের M3 ভিত্তিটি ভিডিওতে প্রশিক্ষিত আর MiniMax ভিডিও ইনপুট নথিভুক্ত করে; আমাদের এন্ডপয়েন্ট ছবি নেয়। ছবির বিপরীতেই বানান। দ্বিতীয়ত, 262,144-টোকেন উইন্ডোটি আমাদের, উজানের এক-মিলিয়নের সংখ্যা নয় — দীর্ঘ-নথি ও বহু-ছবির কাজ 262,144-এর বিপরীতে পরিকল্পনা করুন, তাহলে কখনও চমকে যাবেন না।

07আনসেন্সরড MiniMax API কল করা

তিনটি উপভাষা, সবগুলির পিছনে একই মডেল, তিনটিতেই স্ট্রিমিং। আপনার বিদ্যমান ক্লায়েন্ট যেটি ইতিমধ্যেই বলে, সেটিই ব্যবহার করুন; এদের মধ্যে সক্ষমতার কোনো তফাত নেই। বেস URL Shannon-এর দিকে তাক করুন আর মডেল আইডিটি বদলান।

OpenAI উপভাষায় ছবি বোঝা

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
  }'

রিমোট https:// URL আর base64 ডেটা URL — দুটিই image_url অংশে কাজ করে। পাতা-জুড়ে তুলনা দরকার হলে একটি বার্তাতেই কয়েকটি ছবি অংশ জুড়ে দিন — খরচ করার জন্য আপনার হাতে 262,144 টোকেন আছে, আর প্রতি মিলিয়নে $0.50-এ সেগুলি খরচ করা সস্তা।

JSON schema দিয়ে টাইপ করা নিষ্কাশন

একটি পাইপলাইনে এই মডেল নিজের জায়গা অর্জন করে ভিশন + কড়া স্কিমা + মেঝে দাম-এর সমাহারে। আমাদের তালিকার প্রতিটি মডেলে এই তিনটি নেই: Laguna-S-2.1 আর inkling json_schema সমর্থন করে না। MiniMax-M3 করে, অর্থাৎ কোনো পার্সিং স্তর ছাড়াই আপনি একটি ছবি থেকে একটি যাচাইকৃত অবজেক্ট বের করতে পারেন:

{
  "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
      }
    }
  }
}

রিজনিং প্রয়াস

মডেলটি reasoning_effort উন্মুক্ত করে। বাল্ক ছবি শ্রেণিবিন্যাসে এটি কম রাখুন — আপনি একটি সংবেদনগত প্রশ্ন করছেন, আর রিজনিং টোকেনও আউটপুট টোকেন, যার দাম আপনি দেন। যেসব কলে ছবিটি একটি দীর্ঘতর যুক্তির প্রমাণ, সেখানে বাড়ান: একটি নির্দিষ্টকরণের বিপরীতে একটি চিত্র পড়া, একটি টেবিলের সঙ্গে একটি চার্ট মেলানো, দুটি স্ক্রিনশট একই ত্রুটি দেখাচ্ছে কি না তা ঠিক করা।

তিনটি উপভাষার সম্পূর্ণ প্যারামিটার রেফারেন্স, ত্রুটির শব্দার্থ আর স্ট্রিমিং ফরম্যাট রয়েছে Shannon API ডকুমেন্টেশনে।

08MiniMax-M3 কোথায় সঠিক পছন্দ — আর কোথায় নয়

এটির দিকে হাত বাড়ান যখন

• আয়তনের ছবি-কাজ। ডেটাসেট লেবেলিং, মডারেশন গবেষণা, ক্যাটালগ সমৃদ্ধকরণ, স্ক্রিনশট বাছাই, স্ক্যান করা নথির উপর ব্যাচ OCR-ও-কাঠামো। মেঝে দামটাই গোটা যুক্তি।
• ছবি থেকে টাইপ করা রেকর্ড। ভিশন, কড়া json_schema আর তালিকার সবচেয়ে সস্তা টোকেন — এই সমাহার এখানে মাত্র দুটি মডেল দেয়।
• দীর্ঘ মাল্টিমোডাল কনটেক্সট। একটি রিকোয়েস্টে বহু পাতা বা বহু ফ্রেম — নিচের স্থাপত্যটি ঠিক এই আকারের ইনপুটের জন্যই গড়া।
• যে গবেষণায় প্রত্যাখ্যান নমুনা নষ্ট করে। এমন যেকোনো অধ্যয়ন যার বৈধতা নির্ভর করে মডেল প্রতিটি আইটেমের উত্তর দেওয়ার উপর, অস্বস্তিকরগুলি সহ।
• স্ক্রিন পড়া এজেন্টিক লুপ। M-সিরিজের বংশ স্পষ্টভাবেই এজেন্টিক, আর টুল কলিং আছে।

অন্য কিছুর দিকে হাত বাড়ান যখন

• আপনার সর্বোচ্চ ভিশন ছাদ দরকার আর বাজেটও আছে। Kimi-K3 · 3BIT-REAP-এর ইনপুট দাম 7.7× — কারণ আছে; একটিমাত্র উচ্চ-ঝুঁকির পাঠে সেটিই খরচ করার সঠিক টাকা।
• আপনার সর্বোচ্চ-বিশ্বস্ততার ওয়েট দরকার। 3-বিট আমাদের সবচেয়ে আক্রমণাত্মক স্তর। W8A16 মডেলগুলি নির্ভুলতার জন্য দাম বিনিময় করে, আর প্রতি ওয়েটে বিশ্বস্ততাই যদি আপনার অপ্টিমাইজ করার লক্ষ্য হয়, তবে MiMo-V2.5 · W8A16 একই $0.50 / $2.00-এ ভিশন-সক্ষম।
• আপনার ভিডিও দরকার। এই এন্ডপয়েন্টে আমরা ভিডিও ইনপুট উন্মুক্ত করি না।
• কাজটি ফ্রন্টিয়ারে বিশুদ্ধ টেক্সট। DeepSeek-V4-Pro-0813 তার জন্যই আছে; নইলে আপনি এমন একটি ভিশন টাওয়ারের দাম দিচ্ছেন যা কখনও ব্যবহারই করবেন না।

MiniMax পরিবারের স্থাপত্য, বেঞ্চমার্ক ও গতিবৃদ্ধির সংখ্যাগুলি MiniMax AI-এর গবেষণাগার-জানানো; REAP-এর সংখ্যাগুলি REAP লেখকদের নিজেদের মডেলে জানানো আর এই বিল্ডের কোনো পরিমাপ নয়। Shannon-এর দাম, কনটেক্সট উইন্ডো ও সক্ষমতার ফ্ল্যাগ আমাদের নিজস্ব আর আমাদের সরাসরি মডেল তালিকা থেকে পড়া।

09প্রায়শই জিজ্ঞাসিত প্রশ্ন

---

উৎস: MiniMax-M3 মডেল কার্ড · 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-এর বেঞ্চমার্ক ও গতিবৃদ্ধির সংখ্যা গবেষণাগার-জানানো আর স্বাধীন যাচাইয়ের অপেক্ষায় অস্থায়ী। Shannon-এর দাম ও সক্ষমতার ফ্ল্যাগ ৫ সেপ্টেম্বর ২০২৬ অনুযায়ী।