Necenzurirani MiniMax API: vid po podnoj cijeni

Gotovo svaki hostovani multimodalni API vid naplaćuje kao premium. Za tekst plaćate cijenu tekstualnog modela, a onda plaćate više — ponekad višestruko — čim slika uđe u prompt. Povrh toga, unos slika je mjesto gdje je ponašanje odbijanja najagresivnije: model koji će rado raspravljati o nekoj temi u tekstu odbiće da opiše istu stvar na fotografiji. Rezultat je proizvod koji je skup po pozivu i nepouzdan po pozivu, što je najgore od oba svijeta kada obrađujete količinu. MiniMax-M3 na Shannonu je naš odgovor na to: istih $0.50 / $2.00 koje plaćate za naš najjeftiniji tekstualni model, primijenjenih na temelj koji je od prvog koraka treniran multimodalno, bez sloja odbijanja ispred njega.

01Šta ovdje zaista znači „najjeftiniji necenzurirani model sa vidom”

Shannonov katalog broji dvanaest modela. Pet ih prima slike. Njihove cijene, na milion tokena:

Model sa vidom	Ulaz	Izlaz	Strukturirani izlaz
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	samo response_format
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 stoji na podu — $0.50 / $2.00 — izjednačen sa MiMo-V2.5 i bez ičega ispod sebe, jer $0.50 / $2.00 jeste pod našeg cjenovnika. U odnosu na vrh raspona modela sa vidom, 7,7× je jeftiniji na ulazu i 9,6× na izlazu od modela Kimi-K3.

Stavite to u stvarni posao. Recimo da trijažirate 1.000 slika — snimke ekrana, skenirane stranice, fotografije proizvoda — sa prosječno oko 1.200 tokena slike i prompta na ulazu i 300 tokena odgovora na izlazu:

Shannonove cijene iz cjenovnika, septembar 2026. Broj tokena je ilustrativan; vaša tokenizacija slika zavisi od rezolucije i broja slika koje šaljete po pozivu.

Još dvije referentne tačke koje je korisno držati u glavi. Jednokratno popunjavanje cijelog konteksta od 262.144 tokena košta oko 13 centi. Odgovor maksimalne dužine od 16.384 tokena košta oko 3,3 centa. To su stvarne granice jednog najgoreg mogućeg zahtjeva, i dovoljno su male da zanimljivo ograničenje vizuelnog toka prestaje biti novac i postaje propusnost.

02Loza MiniMaxa: laboratorij koji optimizuje tokene, ne naslove

MiniMax AI je šangajski laboratorij čiji se cijeli učinak sa otvorenim težinama svodi na jedno pitanje: kako učiniti pažnju dovoljno jeftinom da dugi kontekst i multimodalnost prestanu biti luksuz? Svako izdanje u nizu je odgovor na to pitanje, a odgovori se nadograđuju jedan na drugi.

MiniMax-01 — Lightning Attention i vid od samog početka

Serija MiniMax-01 (objavljena kao arXiv 2501.08313) uvela je Lightning Attention, implementaciju varijante linearne pažnje svjesnu ulaza/izlaza, unutar hibridnog Mixture-of-Experts modela od 456 milijardi ukupnih parametara sa 45,9 milijardi aktivnih po tokenu. Serija je isporučena u paru: MiniMax-Text-01 i MiniMax-VL-01, model sa vidom. VL-01 je koristio danas poznati ViT-MLP-LLM sklop, ali sa Vision Transformerom od 303 miliona parametara treniranim od nule na 694 miliona parova slika-opis, umjesto posuđenog enkodera, a zatim poravnatim i zajednički dotreniranim kroz višefazni proces koji je obradio 512 milijardi tokena.

Taj detalj je važan za članak koji čitate. Vid u ovoj lozi nije naknadni adapter prikačen na tekstualni model radi kvačice. MiniMax trenira vlastitu vizuelnu kulu još od prvog otvorenog izdanja, i zato su razumijevanje dokumenata, čitanje korisničkih sučelja i snimaka ekrana te čitanje grafikona dosljedne snage ove porodice, a ne naknadna misao.

MiniMax-M1 — hibridna pažnja za rezonovanje u dužini

MiniMax-M1 (arXiv 2506.13585) su njegovi autori opisali kao prvi veliki model rezonovanja sa otvorenim težinama i hibridnom pažnjom. Zadržao je MoE tijelo od 456 / 45,9 milijardi i isprepleo dva tipa pažnje: konvencionalni transformerski blok sa softmax pažnjom nakon svakih sedam Lightning Attention blokova. Isplata je mjerena u računanju, a ne u poziciji na rang-listi — MiniMax je izvijestio da je pri generisanju dužine 100K tokena M1 potrošio otprilike 25% FLOP-ova modela DeepSeek R1, uz izvornu podršku za kontekst od milion tokena.

MiniMax-M2 — zaokret ka maloj aktivaciji

MiniMax-M2 je krenuo u suprotnom smjeru po veličini i time privukao pažnju: dekoder od 62 sloja sa 229,9 milijardi ukupnih parametara, ali samo ~9,8 milijardi aktivnih po tokenu, koristeći 256 finozrnastih eksperata po MoE sloju sa sigmoidnim usmjeravanjem na osam njih, RoPE pozicijama i QK-RMSNorm za stabilnost treninga. Bio je izričito model za agentsko programiranje — izmjene u više datoteka, petlje pokreni-popravi, popravke potvrđene testovima — i uveo je format isprepletenog razmišljanja, u kojem se rezonovanje prenosi između rundi poziva alata umjesto da se odbaci nakon svakog kruga. M2 je model koji je MiniMaxu izgradio reputaciju isporučioca agentskog ponašanja blizu vrha po djeliću cijene po tokenu, isključivo držeći aktivacije sitnim.

MiniMax-M3 — temelj ispod ove krajnje tačke

MiniMax-M3 objavljen je 1. juna 2026, sa težinama na Hugging Faceu nedugo zatim i tehničkim izvještajem na arXiv 2606.13392. To je Mixture-of-Experts model sa 428 milijardi parametara i otprilike 23 milijarde aktivnih po tokenu, dokumentovanim kontekstom od milion tokena te izvornim unosom slika i videa — MiniMax ga opisuje kao treniran mješovito-modalno „od samog prvog koraka”, a ne prvo na tekstu pa naknadno prilagođen multimodalnosti. Po MiniMaxovim vlastitim objavljenim brojkama postiže 80,5% na SWE-bench Verified i 59,0% na SWE-bench Pro. To su brojke koje prijavljuje sam proizvođač na benchmarku za programiranje, i upravo tako ih treba vagati; navodimo ih jer su to objavljene tvrdnje laboratorija, a ne zato što smo ih nezavisno reprodukovali.

03MiniMax Sparse Attention: zašto model sa vidom može biti ovoliko jeftin

Zanimljivo inženjerstvo u M3 je MiniMax Sparse Attention (MSA), i ono je direktan razlog zašto multimodalni model ove veličine može stajati na našoj podnoj cijeni. Slike su skupe u tokenima. Šačica stranica visoke rezolucije može ubaciti desetine hiljada tokena u prompt prije nego što ste napisali ijednu instrukciju. Pod standardnom pažnjom taj trošak raste kvadratno, i model koji čita dvadeset stranica nije dvostruko skuplji od onog koji čita deset — mnogo je gori od dvostrukog.

MSA mijenja oblik te krivulje. To je blokovski rijedak mehanizam izgrađen na okosnici Grouped Query Attention, podijeljen na dvije grane:

• Laka indeksna grana koja ocjenjuje blokove ključ-vrijednost — max-pooling ocjena preko tokena unutar svakog bloka — i bira najboljih k po poziciji upita i po GQA grupi, uvijek uključujući lokalni blok koji sadrži sam upit, radi stabilnosti treninga.
• Glavna grana koja pokreće običnu softmax pažnju samo nad blokovima koje je indeks izabrao.

Konfiguracija u MSA radu je k = 16 blokova po 128 tokena, što svakom upitu daje fiksni budžet od 2.048 tokena kojima poklanja pažnju. Fiksni, u smislu da ne raste s dužinom sekvence. To je cijeli trik: kako kontekst raste, trošak pažnje guste osnovice se penje, dok trošak glavne grane MSA ostaje ravan, pa pažnja skalira linearno umjesto kvadratno.

Brojke iz izvještaja o MiniMax Sparse Attention (arXiv 2606.13392): smanjenje FLOP-ova pažnje po tokenu za 28,4× u odnosu na jednako konfigurisan GQA pri kontekstu od 1M, te ubrzanje stvarnog vremena od 14,2× za prefill i 7,6× za dekodiranje, izmjereno na H800 hardveru u studiji sa 109 milijardi parametara iz tog rada. MiniMax odvojeno prijavljuje 9× ubrzanje prefilla i 15× dekodiranja za M3 u odnosu na M2 pri 1M konteksta. Sve su to brojke laboratorija.

Rad radi i provjeru koja je bitna za članak o vidu: na izvorno multimodalnom MoE modelu od 109 milijardi parametara MSA je zadržala učinak uporediv sa osnovicom sa punom pažnjom na benchmarkovima za slike, uključujući AI2D, ChartQA i MMMU, te na video benchmarkovima uključujući EgoSchema, LongVideoBench i VideoMME — pri čemu su rijetke varijante ponekad poboljšale rezultat na video zadacima sa dužim kontekstom. Rijetkost ovdje nije porez na kvalitet koji plaćate za brzinu; na dugim ulazima izgleda otprilike besplatno.

Zašto vas to treba zanimati kao kupca: trošak posluživanja određuje cijenu iz cjenovnika. Temelj čiji trošak pažnje prestaje rasti je temelj koji sebi možete priuštiti usmjeriti na sto hiljada slika. To je mehanizam iza fraze „najjeftiniji necenzurirani model sa vidom” — nije promotivna cijena, nego arhitektura.

04Šta znači 3BIT-REAP i gdje vas košta

Model sa 428 milijardi parametara ne stane nigdje zgodno u punoj preciznosti. Naš MiniMax-M3 build nosi sufiks 3BIT-REAP, koji opisuje dvije odvojene operacije primijenjene određenim redoslijedom.

REAP: obrišite eksperte prije nego što ih sažmete

REAP — Router-weighted Expert Activation Pruning — jednokratna je metoda kompresije MoE modela iz Cerebrasa i Univerziteta u Calgaryju, objavljena kao arXiv 2510.13999 i prihvaćena na ICLR 2026. Njen argument je da za generativne zadatke brisanje eksperata pobjeđuje njihovo spajanje: spajanje uništava finu kontrolu rutera i uvodi grešku koju nikada ne možete povratiti. Zato REAP umjesto toga ocjenjuje svakog eksperta kriterijem bitnosti koji spaja vrijednosti kapije rutera (koliko ga često i koliko snažno ruter bira) i norme aktivacije eksperta (koliko njegov izlaz zaista doprinosi), a zatim najmanje bitne eksperte briše u cijelosti.

Autori navode uklanjanje do 50% eksperata iz modela velikih i do bilion parametara uz uglavnom očuvan kvalitet osnovice — na modelu Qwen3-480B-Coder-FP8 pri 50% obrezivanja zadržano je 97,6% osnovne neagentske sposobnosti programiranja i 96,7% na agentskom SWE-Benchu. To su brojke iz rada na modelima iz rada, a ne naše na MiniMax-M3; navodimo ih da biste mogli procijeniti metodu, a ne da bismo implicirali istovjetno mjerenje ovdje.

Zatim 3-bitne težine

Preživjele težine potom se pohranjuju na 3 bita. Redoslijed je namjeran i on je poenta kombinacije: prvo obreži, zatim kvantizuj. Nema smisla trošiti svoja dragocjena tri bita po težini na vjerno kodiranje eksperata koje se spremate obrisati. Obrežite rijedak rep, pa neka cijeli preostali budžet ode ekspertima koji se zaista pale.

Poštena ograda

3BIT-REAP je najagresivniji nivo koji isporučujemo. Koristimo ga na najvećim temeljima — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — jer je to razlika između toga da ti modeli budu dostupni po razumnoj cijeni i toga da ih uopšte nema. Gdje je temelj dovoljno mali da mu to ne treba, ne koristimo ga: W8A16 modeli u katalogu rade sa 8-bitnim težinama i 16-bitnim aktivacijama, a W4A16-AUTOROUND-REAP stoji između, koristeći AutoRoundovo naučeno zaokruživanje da povrati tačnost koju naivno zaokruživanje na najbliže pokloni. Izaberite nivo koji odgovara vašoj toleranciji. Ako izvlačite polja iz deset hiljada faktura, 3 bita su ispravan kompromis. Ako radite jedno forenzičko čitanje jedne slike sa visokim ulogom, potrošite novac na Kimi-K3.

05Šta znači „bez sloja odbijanja” kada je ulaz slika

Necenzurirano je riječ koja se koristi olako, pa evo precizne tvrdnje: na ovoj krajnjoj tački nema sloja odbijanja ni filtriranja izlaza. Nijedan klasifikator ne pregleda vašu sliku prije nego što je model vidi. Nijedan model politike ne pregleda tokene na izlazu. Ono što model proizvede jeste ono što primite.

U tekstu je učinak toga poznat. Kod vida je različit po vrsti, jer je odbijanje na ulazu sa slikama mjesto gdje su komercijalni multimodalni API-ji najkonzervativniji i najproizvoljniji. Karakteristični promašaji izgledaju ovako:

• Paušalna odbijanja identiteta — odbijanje da se ljudi na fotografiji uopšte opišu, uključujući osobine koje su jasno vidljive i posve bezazlene, jer politika ne razlikuje opis od identifikacije.
• Bježanje od teme — odbijanje da se dokument prepiše ili sažme zbog toga o čemu dokument govori, iako je prepisivanje mehanički zadatak.
• Medicinska i forenzička gadljivost — odbijanje da se opišu klinički snimci, dokumentacija povreda ili fotografije nesreća koje profesionalcu treba opisati.
• Lažne uzbune sigurnosnog alata — odbijanje da se pročita snimak ekrana jer sadrži terminal, snimak mrežnog saobraćaja ili debuger.
• Tiha degradacija — najgora: nije odbijanje nego uvijen ne-odgovor, koji prolazi vašu validaciju sheme i truje vaš skup podataka a da nikada ne podigne grešku.

Operativni problem sa svih pet nije to što su nepravedni. Problem je što su nemjerljivi. Pogrešan odgovor je podatak; možete ga ocijeniti, uhvatiti u evaluaciji i korigovati. Odbijanje je rupa. Na skali serijske obrade, stopa odbijanja od 3% raspoređena nenasumično po vašim ulazima — koncentrisana, po konstrukciji, upravo na teškim i neobičnim slučajevima — sistematska je pristrasnost u vašim rezultatima koju nikakvo naknadno čišćenje ne vraća. Uklanjanje sloja odbijanja uklanja izvor tihih, korelisanih nedostajućih podataka.

Shannonom upravlja Shannon Lab LLC, Novi Meksiko, SAD, po našoj Politici odgovorne upotrebe. Necenzurirano znači da model ne komentariše vaše ulaze; ne znači da račun nema uslove.

06Puna specifikacija

Polje	MiniMax-M3 · 3BIT-REAP
ID modela	MiniMax-M3-3BIT-REAP
Temelj	MiniMax-M3 (MiniMax AI)
Kontekstni prozor	262,144 tokena
Maks. izlaz	16,384 tokena
Unos slika	Da
Unos videa	Nije izloženo
Striming	Da
Pozivanje alata	Da
Rezonovanje	Da (reasoning_effort)
Strukturirani izlaz	json_schema + response_format
Sloj odbijanja	Nema
Krajnje tačke	/v1/chat/completions · /v1/messages · /v1/responses
Poslužuje se na	Shannonovom vlastitom GPU klasteru

Dva reda u toj tabeli zaslužuju naglasak. Unos videa nije izložen. Izvorni temelj M3 treniran je na videu i MiniMax dokumentuje unos videa; naša krajnja tačka prima slike. Gradite prema slikama. Drugo, prozor od 262.144 tokena je naš, a ne izvorna brojka od milion — planirajte duge dokumente i poslove sa mnogo slika prema 262.144 i nikad se nećete iznenaditi.

07Pozivanje necenzuriranog MiniMax API-ja

Tri dijalekta, isti model iza svih njih, striming na sva tri. Koristite onaj koji vaš postojeći klijent već govori; među njima nema razlike u sposobnostima. Usmjerite svoj osnovni URL na Shannon i promijenite ID modela.

Razumijevanje slika kroz OpenAI dijalekt

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
  }'

U dijelu image_url rade i udaljeni https:// URL-ovi i base64 data URL-ovi. Zakačite više dijelova sa slikama u jednu poruku kada trebate poređenje preko stranica — imate 262.144 tokena za potrošiti, a po $0.50 na milion, trošiti ih je jeftino.

Tipizirano izvlačenje sa JSON shemom

Mjesto gdje ovaj model zarađuje svoje mjesto u toku obrade je kombinacija vid + stroga shema + podna cijena. Nemaju sva tri svi modeli u našem katalogu: Laguna-S-2.1 i inkling ne podržavaju json_schema. MiniMax-M3 podržava, što znači da iz slike možete dobiti validiran objekat bez sloja za parsiranje:

{
  "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
      }
    }
  }
}

Napor rezonovanja

Model izlaže reasoning_effort. Kod masovne klasifikacije slika držite ga niskim — postavljate perceptivno pitanje, a tokeni rezonovanja su izlazni tokeni koje plaćate. Podignite ga za pozive u kojima je slika dokaz u dužoj argumentaciji: čitanje dijagrama naspram specifikacije, usklađivanje grafikona sa tabelom, odluka pokazuju li dva snimka ekrana isti kvar.

Potpuna referenca parametara, semantika grešaka i formati strimanja za sva tri dijalekta nalaze se u Shannon API dokumentaciji.

08Gdje je MiniMax-M3 pravi izbor — a gdje nije

Posegnite za njim kada

• Radite sa slikama u količini. Označavanje skupova podataka, istraživanje moderacije, obogaćivanje kataloga, trijaža snimaka ekrana, serijski OCR i strukturiranje skeniranih dokumenata. Podna cijena je cijeli argument.
• Slike pretvarate u tipizirane zapise. Vid plus strogi json_schema plus najjeftiniji tokeni u katalogu kombinacija je koju ovdje nude samo dva modela.
• Trebate dugi multimodalni kontekst. Mnogo stranica ili mnogo kadrova u jednom zahtjevu — arhitektura ispod građena je upravo za takav oblik ulaza.
• Istraživanje u kojem odbijanja kvare uzorak. Svaka studija čija valjanost zavisi od toga da model odgovori na svaku stavku, uključujući neugodne.
• Agentske petlje koje čitaju ekran. Loza M-serije izričito je agentska, a pozivanje alata je dostupno.

Posegnite za nečim drugim kada

• Trebate najviši plafon vida i imate budžet. Kimi-K3 · 3BIT-REAP ima 7,7× veću ulaznu cijenu s razlogom; za jedno čitanje sa visokim ulogom to je pravi novac za potrošiti.
• Trebate težine maksimalne vjernosti. 3 bita su naš najagresivniji nivo. W8A16 modeli mijenjaju cijenu za preciznost, a MiMo-V2.5 · W8A16 ima vid po istih $0.50 / $2.00 ako optimizujete vjernost po težini.
• Treba vam video. Na ovoj krajnjoj tački ne izlažemo unos videa.
• Zadatak je čisti tekst na vrhuncu sposobnosti. Za to postoji DeepSeek-V4-Pro-0813; ovdje biste plaćali vizuelnu kulu koju nikada ne koristite.

Brojke o arhitekturi, benchmarkovima i ubrzanjima za porodicu MiniMax prijavljuje sam laboratorij MiniMax AI; REAP brojke prijavljuju autori REAP-a na vlastitim modelima i nisu mjerenje ovog builda. Shannonove cijene, kontekstni prozor i oznake sposobnosti su naši i čitaju se iz našeg živog kataloga modela.

09Često postavljana pitanja

---

Izvori: Kartica modela MiniMax-M3 · 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. MiniMaxove brojke sa benchmarkova i ubrzanja prijavljuje sam laboratorij i privremene su do nezavisne provjere. Shannonove cijene i oznake sposobnosti važe na dan 5. septembra 2026.