API de MiniMax sense censura: visió al preu terra

Gairebé totes les API multimodals allotjades cobren la visió com una prima. Pagues una tarifa de model de text pel text, i després pagues més — de vegades diverses vegades més — en el moment que una imatge entra al prompt. A sobre, les entrades d'imatge són on el comportament de refús és més agressiu: el model que discutirà de bon grat un tema per escrit es negarà a descriure la mateixa cosa en una fotografia. El resultat és un producte car per crida i poc fiable per crida, que és el pitjor dels dos mons quan processes volum. MiniMax-M3 a Shannon és la nostra resposta a això: els mateixos 0,50 $ / 2,00 $ que pagues pel nostre model de text més barat, aplicats a una base entrenada com a multimodal des del primer pas, sense cap capa de refús al davant.

01Què vol dir aquí «el model de visió sense censura més barat»

El catàleg de Shannon són dotze models. Cinc accepten imatges. Els seus preus, per milió de tokens:

Model amb visió	Entrada	Sortida	Sortida estructurada
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	només response_format
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 se situa al terra — 0,50 $ / 2,00 $ — empatat amb MiMo-V2.5 i sense res per sota, perquè 0,50 $ / 2,00 $ és el terra de la nostra llista de preus. Contra la part alta de la gamma de visió, és 7,7× més barat en entrada i 9,6× més barat en sortida que Kimi-K3.

Posa-ho en una càrrega de treball. Suposa que estàs triant 1.000 imatges — captures de pantalla, pàgines escanejades, fotos de producte — amb una mitjana d'uns 1.200 tokens d'imatge més prompt d'entrada i 300 tokens de resposta de sortida:

Preus de tarifa de Shannon, setembre de 2026. Els recomptes de tokens són il·lustratius; la teva tokenització d'imatges depèn de la resolució i de quantes imatges adjuntis per crida.

Dos punts de referència més que val la pena tenir al cap. Omplir tot el context de 262.144 tokens una vegada costa uns 13 cèntims. Una resposta de longitud màxima de 16.384 tokens costa uns 3,3 cèntims. Aquests són els límits reals d'una sola petició en el pitjor cas, i són prou petits perquè la restricció interessant d'una canonada de visió deixi de ser el diner i passi a ser el rendiment.

02El llinatge MiniMax: un laboratori que optimitza tokens, no titulars

MiniMax AI és un laboratori de Xangai el currículum de pesos oberts del qual gira íntegrament al voltant d'una pregunta: com fas que l'atenció sigui prou barata perquè el context llarg i la multimodalitat deixin de ser luxes? Cada publicació de la línia és una resposta a aquesta pregunta, i les respostes es construeixen les unes sobre les altres.

MiniMax-01 — Lightning Attention, i visió des del principi

La sèrie MiniMax-01 (publicada com a arXiv 2501.08313) va introduir la Lightning Attention, una implementació conscient de l'E/S d'una variant d'atenció lineal, dins d'un model Mixture-of-Experts híbrid de 456B de paràmetres totals amb 45,9B actius per token. La sèrie va sortir en parella: MiniMax-Text-01 i MiniMax-VL-01, el model de visió. VL-01 feia servir la ja familiar pila ViT-MLP-LLM, però amb un Vision Transformer de 303 milions de paràmetres entrenat de zero amb 694 milions de parells imatge-llegenda en lloc d'un codificador manllevat, i després alineat i ajustat conjuntament en una canonada de diverses etapes que va processar 512 mil milions de tokens.

Aquest detall importa per a l'article que estàs llegint. La visió en aquest llinatge no és un adaptador tardà cargolat a un model de text per marcar una casella. MiniMax entrena la seva pròpia torre visual des de la seva primera publicació oberta, que és per què la comprensió de documents, la lectura d'interfícies i de captures de pantalla i la lectura de gràfics han estat fortaleses constants de la família i no reflexions posteriors.

MiniMax-M1 — atenció híbrida per raonar llargament

MiniMax-M1 (arXiv 2506.13585) va ser descrit pels seus autors com el primer model de raonament d'atenció híbrida a gran escala i de pesos oberts. Va mantenir el cos MoE de 456B / 45,9B i va intercalar els dos tipus d'atenció: un bloc de transformer amb atenció softmax convencional després de cada set blocs de Lightning Attention. El rèdit es va mesurar en còmput més que no pas en posició de classificació — MiniMax va reportar que, amb una longitud de generació de 100K tokens, M1 consumia aproximadament el 25% dels FLOPs de DeepSeek R1, tot admetent nativament un context d'un milió de tokens.

MiniMax-M2 — el gir cap a les activacions petites

MiniMax-M2 va anar en direcció contrària pel que fa a la mida i s'hi va guanyar l'atenció: un descodificador de 62 capes amb 229,9B de paràmetres totals però només ~9,8B actius per token, fent servir 256 experts de gra fi per capa MoE amb encaminament sigmoide a vuit d'ells, posicions RoPE i QK-RMSNorm per a l'estabilitat de l'entrenament. Era explícitament un model de programació agèntica — edicions de diversos fitxers, bucles d'executar i corregir, reparacions validades per proves — i va introduir el format de pensament intercalat, on el raonament es transporta entre rondes de crides a eines en lloc de descartar-se després de cada torn. M2 és el model que va establir la reputació de MiniMax de lliurar comportament agèntic proper a la frontera per una fracció del cost per token, purament mantenint les activacions minúscules.

MiniMax-M3 — la base sota aquest extrem

MiniMax-M3 es va publicar l'1 de juny de 2026, amb els pesos a Hugging Face poc després i un informe tècnic a arXiv 2606.13392. És un model Mixture-of-Experts de 428B de paràmetres amb aproximadament 23B actius per token, un context documentat d'un milió de tokens i entrada nativa d'imatge i de vídeo — MiniMax el descriu com a entrenat en modalitat mixta «des del primer pas», en lloc de preentrenat amb text i després adaptat a la multimodalitat. Segons les xifres publicades per MiniMax mateixa, puntua un 80,5% a SWE-bench Verified i un 59,0% a SWE-bench Pro. Són xifres reportades pel fabricant en un benchmark de programació, que és exactament com les hauries de ponderar; les citem perquè són les afirmacions publicades del laboratori, no perquè les hàgim reproduït de manera independent.

03MiniMax Sparse Attention: per què un model de visió pot ser tan barat

L'enginyeria interessant d'M3 és la MiniMax Sparse Attention (MSA), i és la raó directa que un model multimodal d'aquesta mida pugui estar al nostre preu terra. Les imatges són cares en tokens. Un grapat de pàgines d'alta resolució poden posar desenes de milers de tokens en un prompt abans que hagis escrit ni una sola instrucció. Amb atenció estàndard, aquest cost es compon quadràticament, i el model que llegeix vint pàgines no és el doble de car que el que en llegeix deu — és molt pitjor que el doble.

La MSA canvia la forma d'aquesta corba. És un mecanisme dispers per blocs construït sobre una base de Grouped Query Attention, dividit en dues branques:

• Una branca d'índex lleugera que puntua els blocs clau-valor — agregant per màxim les puntuacions dels tokens de dins de cada bloc — i selecciona els top-k per posició de consulta i per grup GQA, incloent-hi sempre el bloc local que conté la mateixa consulta per estabilitat de l'entrenament.
• Una branca principal que executa atenció softmax ordinària només sobre els blocs que l'índex ha seleccionat.

La configuració de l'article sobre la MSA és k = 16 blocs de 128 tokens, cosa que dona a cada consulta un pressupost fix de 2.048 tokens atesos. Fix, és a dir, que no creix amb la longitud de la seqüència. Aquest és tot el truc: a mesura que el context creix, el cost d'atenció d'una base densa continua pujant mentre que el cost de la branca principal de la MSA es manté pla, de manera que l'atenció escala linealment en lloc de quadràticament.

Xifres de l'informe de la MiniMax Sparse Attention (arXiv 2606.13392): una reducció de 28,4× dels FLOPs d'atenció per token respecte d'una GQA configurada equivalentment amb 1M de context, i acceleracions de rellotge de 14,2× en prefill i 7,6× en descodificació mesurades en maquinari H800 a l'estudi de 109B de paràmetres de l'article. MiniMax reporta a part acceleracions de 9× en prefill i 15× en descodificació per a M3 respecte d'M2 amb 1M de context. Totes són reportades pel laboratori.

L'article també fa la comprovació que importa per a un article sobre visió: en una MoE de 109B nativament multimodal, la MSA va mantenir un rendiment comparable al d'una base d'atenció completa en benchmarks d'imatge com AI2D, ChartQA i MMMU, i en benchmarks de vídeo com EgoSchema, LongVideoBench i VideoMME — amb les variants disperses fins i tot millorant de vegades en les tasques de vídeo de context més llarg. L'esparsitat aquí no és un impost de qualitat que pagues per la velocitat; en entrades llargues sembla ser aproximadament gratuïta.

Per què t'hauria d'importar com a client: el cost de servei és el que fixa el preu de tarifa. Una base el cost d'atenció de la qual deixa de créixer és una base que et pots permetre apuntar a cent mil imatges. Aquest és el mecanisme darrere de «el model de visió sense censura més barat» — no és una tarifa promocional, és una arquitectura.

04Què vol dir 3BIT-REAP, i on et costa

Un model de 428 mil milions de paràmetres no cap enlloc còmode a precisió completa. La nostra compilació de MiniMax-M3 porta el sufix 3BIT-REAP, que descriu dues operacions independents aplicades en un ordre concret.

REAP: esborra experts abans de comprimir-los

REAP — Router-weighted Expert Activation Pruning — és un mètode de compressió de MoE d'un sol pas de Cerebras i de la Universitat de Calgary, publicat com a arXiv 2510.13999 i acceptat a ICLR 2026. El seu argument és que per a tasques generatives, podar experts supera fusionar-los: fusionar destrueix el control de gra fi del router i introdueix un error que ja no pots recuperar mai. Així que REAP puntua cada expert amb un criteri de rellevància que combina els valors de la porta del router (amb quina freqüència i amb quina força se'l tria) i les normes d'activació de l'expert (quant hi contribueix realment la seva sortida), i després esborra directament els experts menys rellevants.

Els autors reporten l'eliminació de fins al 50% dels experts en models de fins a un bilió de paràmetres tot preservant en bona mesura la qualitat de referència — a Qwen3-480B-Coder-FP8 amb una poda del 50%, es va retenir el 97,6% de la capacitat de programació no agèntica de referència i el 96,7% a l'SWE-Bench agèntic. Aquestes són les xifres de l'article sobre els models de l'article, no les nostres sobre MiniMax-M3; les citem perquè puguis jutjar el mètode, no per insinuar una mesura equivalent aquí.

Pesos de 3 bits, en segon lloc

Els pesos supervivents es desen després a 3 bits. L'ordre és deliberat i és el sentit de la combinació: primer podar, després quantitzar. No té cap sentit gastar els teus preuats tres bits per pes codificant fidelment experts que estàs a punt d'esborrar. Poda la cua dispersa i deixa que el pressupost restant vagi íntegrament als experts que realment s'activen.

L'advertència honesta

3BIT-REAP és el nivell més agressiu que oferim. El fem servir a les bases més grans — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — perquè és la diferència entre que aquests models estiguin disponibles a un preu assenyat o no estar-hi disponibles en absolut. Quan una base és prou petita per no necessitar-lo, no el fem servir: els models W8A16 del catàleg funcionen amb pesos de 8 bits i activacions de 16 bits, i W4A16-AUTOROUND-REAP queda al mig, fent servir l'arrodoniment après d'AutoRound per recuperar la precisió que la quantització ingènua al més proper regala. Tria el nivell que s'ajusti a la teva tolerància. Si estàs extraient camps de deu mil factures, 3 bits és l'intercanvi correcte. Si fas una sola lectura forense d'alt risc d'una imatge, gasta els diners a Kimi-K3.

05Què vol dir «cap capa de refús» quan l'entrada és una imatge

«Sense censura» és una paraula que es fa servir amb lleugeresa, així que aquí va l'afirmació precisa: en aquest extrem no hi ha cap capa de refús ni cap filtratge de la sortida. Cap classificador inspecciona la teva imatge abans que el model la vegi. Cap model de política inspecciona els tokens de sortida pel camí. El que produeix el model és el que reps.

Amb text, l'efecte d'això és conegut. Amb visió és diferent de mena, perquè el comportament de refús davant d'entrades d'imatge és on les API multimodals comercials es mostren més conservadores i més arbitràries. Les fallades característiques són així:

• Refusos d'identitat generalitzats — negar-se a descriure persones en una fotografia, incloent-hi atributs clarament visibles i completament innocus, perquè una política no sap distingir descriure d'identificar.
• Abandonaments per matèria — negar-se a transcriure o resumir un document per allò de què tracta, tot i que transcriure és una tasca mecànica.
• Escrúpols mèdics i forenses — negar-se a descriure imatgeria clínica, documentació de lesions o fotografies d'accidents que un professional necessita que li descriguin.
• Falsos positius amb eines de seguretat — negar-se a llegir una captura de pantalla perquè conté un terminal, una captura de paquets o un depurador.
• Degradació silenciosa — la pitjor: no un refús, sinó una no-resposta amb reserves, que passa la validació del teu esquema i enverina el teu conjunt de dades sense arribar mai a generar cap error.

El problema operatiu de totes cinc no és que siguin injustes. És que són immesurables. Una resposta errònia és una dada; la pots puntuar, enxampar en avaluació i corregir. Un refús és un forat. A escala de lot, una taxa de refús del 3% distribuïda de manera no aleatòria per les teves entrades — concentrada, per construcció, exactament als casos difícils i inusuals — és un biaix sistemàtic als teus resultats que cap neteja posterior no recupera. Treure la capa de refús treu una font de dades absents silencioses i correlacionades.

Shannon està operat per Shannon Lab LLC, Nou Mèxic, EUA, sota la nostra Política d'ús responsable. Sense censura vol dir que el model no editorialitza sobre les teves entrades; no vol dir que el compte no tingui condicions.

06L'especificació completa

Camp	MiniMax-M3 · 3BIT-REAP
Id del model	MiniMax-M3-3BIT-REAP
Base	MiniMax-M3 (MiniMax AI)
Finestra de context	262.144 tokens
Sortida màxima	16.384 tokens
Entrada d'imatge	Sí
Entrada de vídeo	No exposada
Streaming	Sí
Crides a eines	Sí
Raonament	Sí (reasoning_effort)
Sortida estructurada	json_schema + response_format
Capa de refús	Cap
Extrems	/v1/chat/completions · /v1/messages · /v1/responses
Servit a	El clúster de GPU propi de Shannon

Dues línies d'aquesta taula mereixen èmfasi. L'entrada de vídeo no s'exposa. La base M3 original es va entrenar amb vídeo i MiniMax documenta l'entrada de vídeo; el nostre extrem accepta imatges. Construeix contra imatges. Segon, la finestra de 262.144 tokens és la nostra, no la xifra original d'un milió — planifica les càrregues de documents llargs i de moltes imatges contra 262.144 i no et sorprendràs mai.

07Com cridar l'API de MiniMax sense censura

Tres dialectes, el mateix model darrere de tots, streaming als tres. Fes servir el que el teu client ja parli; no hi ha cap diferència de capacitat entre ells. Apunta la teva URL base a Shannon i canvia l'id del model.

Comprensió d'imatges amb el dialecte d'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
  }'

Les URL remotes https:// i les URL de dades en base64 funcionen totes dues a la part image_url. Adjunta diverses parts d'imatge en un sol missatge quan necessitis comparació entre pàgines — tens 262.144 tokens per gastar i, a 0,50 $ per milió, gastar-los és barat.

Extracció tipada amb un esquema JSON

On aquest model es guanya el seu lloc en una canonada és en la combinació de visió + esquema estricte + preu terra. No tots els models del nostre catàleg tenen les tres coses: Laguna-S-2.1 i inkling no admeten json_schema. MiniMax-M3 sí, cosa que vol dir que pots obtenir un objecte validat a partir d'una imatge sense cap capa d'anàlisi sintàctica:

{
  "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
      }
    }
  }
}

Esforç de raonament

El model exposa reasoning_effort. En classificació massiva d'imatges, mantén-lo baix — estàs fent una pregunta perceptiva, i els tokens de raonament són tokens de sortida que pagues. Apuja'l per a les crides on la imatge és una prova dins d'un argument més llarg: llegir un diagrama contra una especificació, conciliar un gràfic amb una taula, decidir si dues captures de pantalla mostren el mateix defecte.

La referència completa de paràmetres, la semàntica d'errors i els formats d'streaming dels tres dialectes són a la documentació de l'API de Shannon.

08On MiniMax-M3 és l'opció correcta — i on no ho és

Recorre-hi quan

• Feina d'imatge en volum. Etiquetatge de conjunts de dades, recerca sobre moderació, enriquiment de catàlegs, triatge de captures de pantalla, OCR i estructuració per lots de documents escanejats. El preu terra és tot l'argument.
• Imatges a registres tipats. Visió més json_schema estricte més els tokens més barats del catàleg és una combinació que aquí només ofereixen dos models.
• Context multimodal llarg. Moltes pàgines, o molts fotogrames, en una sola petició — l'arquitectura de sota està feta exactament per a aquesta forma d'entrada.
• Recerca on els refusos corrompen la mostra. Qualsevol estudi la validesa del qual depengui que el model respongui tots els ítems, inclosos els incòmodes.
• Bucles agèntics que llegeixen una pantalla. El llinatge de la sèrie M és explícitament agèntic, i les crides a eines hi són disponibles.

Recorre a una altra cosa quan

• Necessites el sostre de visió més alt i tens pressupost. Kimi-K3 · 3BIT-REAP costa 7,7× el preu d'entrada per alguna raó; en una sola lectura d'alt risc, aquests són els diners correctes per gastar.
• Necessites pesos de màxima fidelitat. 3 bits és el nostre nivell més agressiu. Els models W8A16 canvien preu per precisió, i MiMo-V2.5 · W8A16 té visió als mateixos 0,50 $ / 2,00 $ si el que optimitzes és la fidelitat per pes.
• Necessites vídeo. No exposem entrada de vídeo en aquest extrem.
• La tasca és text pur a la frontera. DeepSeek-V4-Pro-0813 existeix per a això; estaries pagant per una torre de visió que no faràs servir mai.

Les xifres d'arquitectura, de benchmark i d'acceleració de la família MiniMax les reporta el laboratori MiniMax AI; les xifres de REAP les reporten els autors de REAP sobre els seus propis models i no són una mesura d'aquesta compilació. Els preus, la finestra de context i els indicadors de capacitat de Shannon són nostres i es llegeixen del nostre catàleg de models en viu.

09Preguntes freqüents

---

Fonts: Fitxa del model 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. Les xifres de benchmark i d'acceleració de MiniMax les reporta el laboratori i són provisionals a l'espera de verificació independent. Els preus i els indicadors de capacitat de Shannon són vigents a 5 de setembre de 2026.