MiniMax API bez cenzury: vidění za spodní cenu

Skoro každé hostované multimodální API oceňuje vidění jako prémiovou funkci. Za text platíte sazbu textového modelu a pak platíte víc — někdy několikanásobně víc — ve chvíli, kdy do promptu vstoupí obrázek. K tomu jsou obrazové vstupy místem, kde je odmítavé chování nejagresivnější: model, který o tématu ochotně diskutuje v textu, odmítne popsat totéž na fotografii. Výsledkem je produkt, který je drahý na volání a nespolehlivý na volání, což je při zpracování objemu to nejhorší z obou světů. MiniMax-M3 na Shannonu je naší odpovědí: stejných $0.50 / $2.00, jaké platíte za náš nejlevnější textový model, aplikovaných na základ trénovaný multimodálně od prvního kroku, bez vrstvy odmítání před ním.

01Co tady „nejlevnější model vidění bez cenzury“ vlastně znamená

Nabídka Shannonu čítá dvanáct modelů. Pět z nich přijímá obrázky. Jejich ceny za milion tokenů:

Model se schopností vidění	Vstup	Výstup	Strukturovaný výstup
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	pouze response_format
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 leží na dně — $0.50 / $2.00 — nastejno s MiMo-V2.5 a s ničím pod sebou, protože $0.50 / $2.00 je spodní hranice našeho ceníku. Proti hornímu konci rozsahu vidění je 7,7× levnější na vstupu a 9,6× levnější na výstupu než Kimi-K3.

Zasaďte to do zátěže. Řekněme, že třídíte 1 000 obrázků — snímky obrazovky, naskenované stránky, produktové fotky — s průměrem zhruba 1 200 tokenů obrázku a promptu na vstupu a 300 tokenů odpovědi na výstupu:

Ceníkové ceny Shannonu, září 2026. Počty tokenů jsou ilustrativní; vaše tokenizace obrázků závisí na rozlišení a na tom, kolik obrázků k volání připojíte.

Ještě dva referenční body, které se hodí mít v hlavě. Jednorázové zaplnění celého kontextu 262 144 tokenů stojí zhruba 13 centů. Odpověď o maximální délce 16 384 tokenů stojí zhruba 3,3 centu. To jsou skutečné meze jediného nejhoršího požadavku a jsou dost malé na to, aby zajímavým omezením obrazové pipeline přestaly být peníze a začala jím být propustnost.

02Linie MiniMax: laboratoř, která optimalizuje tokeny, ne titulky

MiniMax AI je šanghajská laboratoř, jejíž celá historie otevřených vah stojí na jediné otázce: jak udělat pozornost dost levnou na to, aby dlouhý kontext a multimodalita přestaly být luxusem? Každé vydání v téhle linii je odpovědí na tuhle otázku a odpovědi na sebe navazují.

MiniMax-01 — Lightning Attention a vidění od začátku

Série MiniMax-01 (publikovaná jako arXiv 2501.08313) zavedla Lightning Attention, implementaci varianty lineární pozornosti uvědomující si I/O, uvnitř hybridního modelu Mixture-of-Experts se 456B celkových parametrů a 45,9B aktivních na token. Série vyšla jako dvojice: MiniMax-Text-01 a MiniMax-VL-01, model vidění. VL-01 použil dnes už známý stoh ViT-MLP-LLM, ale s Vision Transformerem o 303 milionech parametrů trénovaným od nuly na 694 milionech dvojic obrázek-popisek místo vypůjčeného enkodéru, načež ho zarovnal a společně doladil vícefázovou pipeline zpracovávající 512 miliard tokenů.

Ten detail je pro článek, který čtete, podstatný. Vidění není v téhle linii pozdní adaptér přišroubovaný na textový model kvůli odškrtnutí políčka. MiniMax trénuje vlastní vizuální věž od svého prvního otevřeného vydání, a proto jsou porozumění dokumentům, chápání uživatelských rozhraní a snímků obrazovky a čtení grafů konzistentními silnými stránkami téhle rodiny, ne dodatečnými nápady.

MiniMax-M1 — hybridní pozornost pro dlouhé uvažování

MiniMax-M1 (arXiv 2506.13585) autoři popsali jako první velký uvažovací model s otevřenými váhami a hybridní pozorností. Ponechal tělo MoE 456B / 45,9B a proložil oba typy pozornosti: konvenční transformerový blok se softmaxovou pozorností po každých sedmi blocích Lightning Attention. Výplata se měřila ve výpočtu, ne v pozici v žebříčku — MiniMax uvedl, že při délce generování 100K tokenů spotřeboval M1 zhruba 25 % FLOPs oproti DeepSeek R1, a přitom nativně podporoval kontext o milionu tokenů.

MiniMax-M2 — obrat k malé aktivaci

MiniMax-M2 šel ve velikosti opačným směrem a získal si tím pozornost: 62vrstvý dekodér s 229,9B celkových parametrů, ale jen ~9,8B aktivních na token, s 256 jemně granulovanými experty na MoE vrstvu a sigmoidním routováním na osm z nich, s RoPE pozicemi a QK-RMSNorm pro stabilitu tréninku. Byl to výslovně model pro agentní kódování — úpravy přes více souborů, cykly spuštění a opravy, testy ověřené záplaty — a zavedl formát prokládaného myšlení, kde se uvažování přenáší mezi koly volání nástrojů, místo aby se po každém tahu zahazovalo. M2 je model, který založil pověst MiniMaxu jako dodavatele agentního chování na hranici špičky za zlomek ceny za token, čistě tím, že drží aktivace maličké.

MiniMax-M3 — základ pod tímhle endpointem

MiniMax-M3 vyšel 1. června 2026, s váhami na Hugging Face krátce nato a technickou zprávou na arXiv 2606.13392. Je to model Mixture-of-Experts se 428B parametry a zhruba 23B aktivními na token, s dokumentovaným kontextem jednoho milionu tokenů a nativním obrazovým i video vstupem — MiniMax ho popisuje jako trénovaný smíšeně modálně „už od úplně prvního kroku“, ne jako textově předtrénovaný a teprve pak multimodálně adaptovaný. Podle vlastních zveřejněných čísel MiniMaxu dosahuje 80,5 % na SWE-bench Verified a 59,0 % na SWE-bench Pro. Jsou to čísla uváděná dodavatelem na kódovacím benchmarku, což je přesně to, jak byste je měli vážit; citujeme je proto, že jsou to zveřejněná tvrzení laboratoře, ne proto, že bychom je nezávisle reprodukovali.

03MiniMax Sparse Attention: proč může být model vidění takhle levný

Zajímavým inženýrstvím v M3 je MiniMax Sparse Attention (MSA) a je přímým důvodem, proč může multimodální model téhle velikosti ležet na naší spodní ceně. Obrázky jsou na tokeny drahé. Hrstka stránek ve vysokém rozlišení dokáže dostat do promptu desítky tisíc tokenů dřív, než napíšete jedinou instrukci. Při standardní pozornosti se ta cena skládá kvadraticky a model, který čte dvacet stránek, není dvakrát dražší než ten, který čte deset — je na tom mnohem hůř než dvakrát.

MSA tvar téhle křivky mění. Je to blokově řídký mechanismus postavený na páteři Grouped Query Attention, rozdělený do dvou větví:

• Lehká indexová větev, která boduje bloky klíč-hodnota — maximovým sdružováním skóre přes tokeny uvnitř každého bloku — a vybírá top-k na pozici dotazu a na skupinu GQA, přičemž vždy zahrnuje lokální blok obsahující samotný dotaz kvůli stabilitě tréninku.
• Hlavní větev, která spouští běžnou softmaxovou pozornost jen nad bloky, které index vybral.

Konfigurace uvedená v práci o MSA je k = 16 bloků po 128 tokenech, což dává každému dotazu pevný rozpočet 2 048 tokenů, kterým se věnuje. Pevný ve smyslu, že neroste s délkou sekvence. To je celý trik: jak kontext roste, cena pozornosti u hustého základu stále stoupá, zatímco cena hlavní větve MSA zůstává plochá, takže pozornost škáluje lineárně místo kvadraticky.

Údaje ze zprávy o MiniMax Sparse Attention (arXiv 2606.13392): 28,4× snížení FLOPs pozornosti na token oproti ekvivalentně nakonfigurovanému GQA při kontextu 1M a zrychlení reálného času 14,2× u prefillu / 7,6× u dekódování naměřené na hardwaru H800 ve studii se 109 miliardami parametrů z téže práce. MiniMax samostatně uvádí zrychlení 9× u prefillu a 15× u dekódování pro M3 oproti M2 při kontextu 1M. Všechno jsou čísla uváděná laboratoří.

Ta práce dělá i kontrolu, na které pro článek o vidění záleží: na nativně multimodálním MoE se 109 miliardami parametrů udržela MSA výkon srovnatelný se základem s plnou pozorností napříč obrazovými benchmarky včetně AI2D, ChartQA a MMMU a napříč video benchmarky včetně EgoSchema, LongVideoBench a VideoMME — přičemž řídké varianty se na video úlohách s delším kontextem někdy dokonce zlepšily. Řídkost tu není daň z kvality, kterou platíte za rychlost; na dlouhých vstupech vychází zhruba zadarmo.

Proč by vás to jako zákazníka mělo zajímat: ceníkovou cenu určuje cena servírování. Základ, jehož cena pozornosti přestane růst, je základ, který si můžete dovolit namířit na sto tisíc obrázků. To je mechanismus za „nejlevnějším modelem vidění bez cenzury“ — není to akční sazba, je to architektura.

04Co znamená 3BIT-REAP a kde vás to stojí

Model s 428 miliardami parametrů se v plné přesnosti nikam pohodlně nevejde. Náš build MiniMax-M3 nese příponu 3BIT-REAP, která popisuje dvě samostatné operace aplikované v určitém pořadí.

REAP: experty smažte dřív, než je komprimujete

REAP — Router-weighted Expert Activation Pruning — je jednorázová metoda komprese MoE od Cerebras a University of Calgary, publikovaná jako arXiv 2510.13999 a přijatá na ICLR 2026. Její argument zní, že u generativních úloh prořezávání expertů poráží jejich slučování: slučování ničí jemnou kontrolu routeru a zavádí chybu, kterou už nikdy nevrátíte zpět. REAP proto místo toho boduje každého experta kritériem významnosti kombinujícím hodnoty routovací brány (jak často a jak silně ho router vybírá) a normy aktivací experta (jak moc jeho výstup skutečně přispívá) a nejméně významné experty pak rovnou smaže.

Autoři uvádějí odstranění až 50 % expertů z modelů velkých až jeden bilion parametrů při do velké míry zachované výchozí kvalitě — na Qwen3-480B-Coder-FP8 při 50% prořezání zůstalo 97,6 % výchozí neagentní schopnosti kódovat a 96,7 % na agentním SWE-Bench. To jsou čísla té práce na jejích modelech, ne naše na MiniMax-M3; citujeme je, abyste mohli posoudit metodu, ne abychom naznačovali ekvivalentní měření tady.

3bitové váhy, až potom

Přeživší váhy se pak ukládají na 3 bity. To pořadí je záměrné a je celým smyslem té kombinace: nejdřív prořezat, pak kvantizovat. Nemá smysl utrácet vzácné tři bity na váhu za věrné zakódování expertů, které se chystáte smazat. Prořežte řídký chvost a nechte zbylý rozpočet celý expertům, kteří skutečně střílí.

Poctivá výhrada

3BIT-REAP je nejagresivnější tier, jaký dodáváme. Používáme ho na největší základy — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — protože je to rozdíl mezi tím, že jsou tyhle modely dostupné za rozumnou cenu, a tím, že nejsou dostupné vůbec. Tam, kde je základ dost malý na to, aby ho nepotřeboval, ho nepoužíváme: modely W8A16 v nabídce běží na 8bitových váhách s 16bitovými aktivacemi a W4A16-AUTOROUND-REAP leží mezi tím, přičemž naučeným zaokrouhlováním AutoRound získává zpátky přesnost, kterou naivní zaokrouhlování na nejbližší rozdává. Vyberte si tier, který odpovídá vaší toleranci. Pokud extrahujete pole z deseti tisíc faktur, 3 bity jsou správný obchod. Pokud děláte jedno forenzní čtení jednoho obrázku s vysokou sázkou, utraťte peníze za Kimi-K3.

05Co znamená „žádná vrstva odmítání“, když je vstupem obrázek

Slovo „bez cenzury“ se používá volně, takže tady je přesné tvrzení: na tomhle endpointu není žádná vrstva odmítání a žádné filtrování výstupu. Žádný klasifikátor váš obrázek neprohlíží dřív, než ho model uvidí. Žádný politický model neprohlíží tokeny cestou ven. Co model vyprodukuje, to dostanete.

V textu je ten efekt známý. U vidění se liší v podstatě, protože odmítavé chování u obrazových vstupů je místem, kde jsou komerční multimodální API nejkonzervativnější a nejsvévolnější. Charakteristická selhání vypadají takhle:

• Plošná odmítnutí kvůli identitě — odmítnutí popsat lidi na fotografii vůbec, včetně vlastností, které jsou zjevně viditelné a zcela neškodné, protože politika nedokáže odlišit popis od identifikace.
• Únik před tématem — odmítnutí přepsat nebo shrnout dokument kvůli tomu, o čem dokument je, přestože přepis je mechanická úloha.
• Lékařská a forenzní přecitlivělost — odmítnutí popsat klinické snímky, dokumentaci zranění nebo fotografie nehod, které profesionál potřebuje popsat.
• Falešné poplachy u bezpečnostních nástrojů — odmítnutí přečíst snímek obrazovky, protože je na něm terminál, zachycení paketů nebo debugger.
• Tiché zhoršení — to nejhorší: ne odmítnutí, ale vyhýbavá neodpověď, která projde vaší validací schématu a otráví vám dataset, aniž by kdy vyvolala chybu.

Provozní problém se všemi pěti není v tom, že jsou nespravedlivé. Je v tom, že jsou neměřitelné. Špatná odpověď je datový bod; můžete ji obodovat, zachytit v evaluaci a započítat opravu. Odmítnutí je díra. V dávkovém měřítku je 3% míra odmítnutí rozložená nenáhodně napříč vašimi vstupy — soustředěná už z principu právě na těžké a neobvyklé případy — systematickým zkreslením výsledků, které žádný objem následného čištění nezachrání. Odstranění vrstvy odmítání odstraňuje zdroj tichých, korelovaných chybějících dat.

Shannon provozuje Shannon Lab LLC, Nové Mexiko, USA, podle naší Politiky odpovědného užívání. Bez cenzury znamená, že model o vašich vstupech nekomentuje; neznamená to, že účet nemá podmínky.

06Úplná specifikace

Pole	MiniMax-M3 · 3BIT-REAP
Id modelu	MiniMax-M3-3BIT-REAP
Základ	MiniMax-M3 (MiniMax AI)
Kontextové okno	262 144 tokenů
Max. výstup	16 384 tokenů
Obrazový vstup	Ano
Video vstup	Nevystaveno
Streamování	Ano
Volání nástrojů	Ano
Uvažování	Ano (reasoning_effort)
Strukturovaný výstup	json_schema + response_format
Vrstva odmítání	Žádná
Endpointy	/v1/chat/completions · /v1/messages · /v1/responses
Servírováno na	Vlastním GPU clusteru Shannonu

Dva řádky v té tabulce si zaslouží zdůraznit. Video vstup není vystaven. Původní základ M3 byl trénován na videu a MiniMax video vstup dokumentuje; náš endpoint přijímá obrázky. Stavějte na obrázcích. Za druhé, okno 262 144 tokenů je naše, ne původní údaj o jednom milionu — plánujte dlouhé dokumenty a zátěže s mnoha obrázky proti 262 144 a nikdy vás nic nepřekvapí.

07Volání MiniMax API bez cenzury

Tři dialekty, za všemi stejný model, streamování na všech třech. Použijte ten, který váš stávající klient už umí; mezi nimi není rozdíl ve schopnostech. Namiřte svou základní URL na Shannon a změňte id modelu.

Porozumění obrázkům přes dialekt 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
  }'

V části image_url fungují jak vzdálené URL https://, tak datové URL v base64. Když potřebujete porovnávat napříč stránkami, připojte do jedné zprávy několik obrazových částí — máte k dispozici 262 144 tokenů a při $0.50 za milion je jejich utrácení levné.

Typovaná extrakce s JSON schématem

Kde si tenhle model v pipeline zaslouží místo, je kombinace vidění + striktní schéma + spodní cena. Ne každý model v naší nabídce má všechny tři: Laguna-S-2.1 a inkling json_schema nepodporují. MiniMax-M3 ano, což znamená, že z obrázku dostanete validovaný objekt bez parsovací vrstvy:

{
  "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
      }
    }
  }
}

Úsilí uvažování

Model vystavuje reasoning_effort. U hromadné klasifikace obrázků ho držte nízko — ptáte se na percepční otázku a uvažovací tokeny jsou výstupní tokeny, které platíte. Zvedněte ho u volání, kde je obrázek důkazem v delší argumentaci: čtení schématu proti specifikaci, sesouhlasení grafu s tabulkou, rozhodování, zda dva snímky obrazovky ukazují tutéž vadu.

Úplná referenční příručka parametrů, sémantika chyb a streamovací formáty pro všechny tři dialekty jsou v dokumentaci API Shannonu.

08Kdy je MiniMax-M3 správná volba — a kdy ne

Sáhněte po něm, když

• Objemová práce s obrázky. Značkování datasetů, výzkum moderace, obohacování katalogů, třídění snímků obrazovky, dávkové OCR a strukturování naskenovaných dokumentů. Spodní cena je celý argument.
• Obrázky do typovaných záznamů. Vidění plus striktní json_schema plus nejlevnější tokeny v nabídce je kombinace, kterou tady nabízejí jen dva modely.
• Dlouhý multimodální kontext. Mnoho stránek nebo mnoho snímků v jediném požadavku — architektura pod tím je postavená přesně na tenhle tvar vstupu.
• Výzkum, kde odmítnutí kazí vzorek. Jakákoli studie, jejíž platnost závisí na tom, že model odpoví na každou položku, i na tu nepříjemnou.
• Agentní smyčky, které čtou obrazovku. Linie řady M je výslovně agentní a volání nástrojů je k dispozici.

Sáhněte po něčem jiném, když

• Potřebujete nejvyšší strop vidění a rozpočet na to je. Kimi-K3 · 3BIT-REAP má 7,7násobnou cenu vstupu z nějakého důvodu; u jednoho čtení s vysokou sázkou je to správně utracená částka.
• Potřebujete váhy s maximální věrností. 3 bity jsou náš nejagresivnější tier. Modely W8A16 mění cenu za přesnost a MiMo-V2.5 · W8A16 umí vidění za stejných $0.50 / $2.00, pokud optimalizujete věrnost na váhu.
• Potřebujete video. Video vstup na tomhle endpointu nevystavujeme.
• Úloha je čistý text na hranici špičky. Na to existuje DeepSeek-V4-Pro-0813; platili byste za vizuální věž, kterou nikdy nepoužijete.

Údaje o architektuře, benchmarcích a zrychlení pro rodinu MiniMax uvádí laboratoř MiniMax AI; údaje o REAP uvádějí autoři REAP na svých vlastních modelech a nejsou měřením tohoto buildu. Ceny, kontextové okno a příznaky schopností Shannonu jsou naše a čtou se z našeho živého katalogu modelů.

09Nejčastější dotazy

---

Zdroje: Karta modelu 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. Benchmarková čísla a údaje o zrychlení pro MiniMax uvádí laboratoř a jsou předběžná, dokud je nezávisle neověří třetí strana. Ceny a příznaky schopností Shannonu jsou platné k 5. září 2026.