Ucensureret MiniMax-API: vision til bundprisen

Næsten alle hostede multimodale API'er prissætter vision som noget ekstra. Du betaler en tekstmodel-takst for tekst, og så betaler du mere — nogle gange flere gange mere — i samme øjeblik et billede kommer ind i prompten. Oveni er billedinput dér, hvor afvisningsadfærden er mest aggressiv: den model, der gerne diskuterer et emne i tekst, nægter at beskrive det samme på et fotografi. Resultatet er et produkt, der er dyrt pr. kald og upålideligt pr. kald, hvilket er det værste fra begge verdener, når du kører mængder igennem. MiniMax-M3 på Shannon er vores svar på det: de samme $0,50 / $2,00, du betaler for vores billigste tekstmodel, anvendt på en grundmodel, der blev trænet multimodalt fra første skridt, uden et afvisningslag foran.

01Hvad »billigste ucensurerede vision-model« faktisk betyder her

Shannon-kataloget er tolv modeller. Fem af dem tager imod billeder. Deres priser, pr. million tokens:

Model med vision	Input	Output	Struktureret output
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	kun response_format
Kimi-K3 · 3BIT-REAP	$3,83	$19,12	json_schema + response_format

MiniMax-M3 ligger i bunden — $0,50 / $2,00 — på niveau med MiMo-V2.5 og med intet under sig, fordi $0,50 / $2,00 er bunden af vores prisliste. Målt mod toppen af vision-spændet er den 7,7× billigere på input og 9,6× billigere på output end Kimi-K3.

Sæt det ind i en arbejdsbyrde. Antag, at du sorterer 1.000 billeder — skærmbilleder, scannede sider, produktfotos — med gennemsnitligt cirka 1.200 tokens billede plus prompt ind og 300 tokens svar ud:

Shannons listepriser, september 2026. Tokenantallene er illustrative; din billedtokenisering afhænger af opløsning, og af hvor mange billeder du vedhæfter pr. kald.

To referencepunkter mere, som er nyttige at have i hovedet. At fylde hele konteksten på 262.144 tokens én gang koster cirka 13 cent. Et svar i maksimal længde på 16.384 tokens koster cirka 3,3 cent. Det er de reelle yderpunkter for en enkelt værst tænkelig forespørgsel, og de er små nok til, at den interessante begrænsning på en vision-pipeline holder op med at være penge og begynder at være gennemløb.

02MiniMax-slægten: et laboratorium, der optimerer tokens, ikke overskrifter

MiniMax AI er et laboratorium i Shanghai, hvis samlede resultatliste med åbne vægte handler om ét spørgsmål: hvordan gør man attention billig nok til, at lang kontekst og multimodalitet holder op med at være luksus? Hver eneste udgivelse i rækken er et svar på det spørgsmål, og svarene bygger oven på hinanden.

MiniMax-01 — Lightning Attention, og vision fra starten

MiniMax-01-serien (udgivet som arXiv 2501.08313) introducerede Lightning Attention, en I/O-bevidst implementering af en lineær attention-variant, inde i en hybrid Mixture-of-Experts-model på 456 mia. parametre i alt med 45,9 mia. aktive pr. token. Serien udkom som et par: MiniMax-Text-01 og MiniMax-VL-01, vision-modellen. VL-01 brugte den efterhånden velkendte ViT-MLP-LLM-stak, men med en Vision Transformer på 303 millioner parametre trænet fra bunden på 694 millioner billed-tekst-par frem for en lånt encoder, derefter justeret og finjusteret samlet gennem en flertrinspipeline, der behandlede 512 milliarder tokens.

Den detalje betyder noget for den artikel, du læser. Vision i denne slægt er ikke en sen adapter boltet på en tekstmodel for at sætte flueben. MiniMax har trænet sit eget visuelle tårn siden sin første åbne udgivelse, og det er derfor, dokumentforståelse, forståelse af brugerflader og skærmbilleder samt aflæsning af diagrammer har været konsekvente styrker i familien frem for eftertanker.

MiniMax-M1 — hybrid attention til ræsonnement i lange forløb

MiniMax-M1 (arXiv 2506.13585) blev af forfatterne beskrevet som den første storskala ræsonneringsmodel med åbne vægte og hybrid attention. Den beholdt MoE-kroppen på 456 mia. / 45,9 mia. og flettede de to attention-typer sammen: en almindelig softmax-attention-blok efter hver syv Lightning Attention-blokke. Gevinsten blev målt i beregning frem for placering på en resultatliste — MiniMax rapporterede, at M1 ved en genereringslængde på 100K tokens brugte cirka 25 % af de FLOPs, DeepSeek R1 brugte, mens den indbygget understøttede en kontekst på én million tokens.

MiniMax-M2 — drejningen mod små aktiveringer

MiniMax-M2 gik den modsatte vej på størrelse og fik opmærksomhed for det: en dekoder med 62 lag, 229,9 mia. parametre i alt, men kun cirka 9,8 mia. aktive pr. token, med 256 finkornede eksperter pr. MoE-lag og sigmoid-routing til otte af dem, RoPE-positioner og QK-RMSNorm for træningsstabilitet. Den var eksplicit en model til agentisk kodning — redigeringer på tværs af filer, kør-og-ret-løkker, testvaliderede rettelser — og den introducerede formatet med sammenflettet tænkning, hvor ræsonnementet bæres videre mellem runder af tool calls i stedet for at blive kasseret efter hver tur. M2 er den model, der grundlagde MiniMax' ry for at levere agentisk adfærd tæt på frontlinjen til en brøkdel af omkostningen pr. token, alene ved at holde aktiveringerne bittesmå.

MiniMax-M3 — grundmodellen under dette endpoint

MiniMax-M3 udkom 1. juni 2026, med vægte på Hugging Face kort efter og en teknisk rapport på arXiv 2606.13392. Det er en Mixture-of-Experts-model på 428 mia. parametre med cirka 23 mia. aktive pr. token, en dokumenteret kontekst på én million tokens og indbygget billed- og videoinput — MiniMax beskriver den som trænet på blandede modaliteter »fra allerførste skridt« frem for tekstfortrænet og derefter multimodalt tilpasset. På MiniMax' egne offentliggjorte tal scorer den 80,5 % på SWE-bench Verified og 59,0 % på SWE-bench Pro. Det er leverandørrapporterede tal på et kodnings-benchmark, og præcis sådan bør du vægte dem; vi citerer dem, fordi de er laboratoriets offentliggjorte påstande, ikke fordi vi har reproduceret dem uafhængigt.

03MiniMax Sparse Attention: hvorfor en vision-model kan være så billig

Den interessante ingeniørkunst i M3 er MiniMax Sparse Attention (MSA), og det er den direkte grund til, at en multimodal model af denne størrelse kan ligge til vores bundpris. Billeder er dyre i tokens. En håndfuld sider i høj opløsning kan lægge titusindvis af tokens i en prompt, før du har skrevet en eneste instruktion. Under standard attention vokser den omkostning kvadratisk, og den model, der læser tyve sider, er ikke dobbelt så dyr som den, der læser ti — den er meget værre end dobbelt.

MSA ændrer formen på den kurve. Det er en blok-sparsom mekanisme bygget oven på en Grouped Query Attention-rygrad, delt i to grene:

• En let indeksgren, der giver key-value-blokke en score — med max-pooling af scorer på tværs af tokens inde i hver blok — og vælger de øverste k pr. query-position og pr. GQA-gruppe, altid inklusive den lokale blok, der indeholder selve forespørgslen, af hensyn til træningsstabiliteten.
• En hovedgren, der kører almindelig softmax-attention kun over de blokke, indekset valgte.

Konfigurationen i MSA-artiklen er k = 16 blokke à 128 tokens, hvilket giver hver forespørgsel et fast budget på 2.048 tokens, der ses på. Fast, altså: det vokser ikke med sekvenslængden. Det er hele tricket: når konteksten vokser, bliver en tæt baselines attention-omkostning ved med at stige, mens MSA's hovedgren holder omkostningen flad, så attention skalerer lineært i stedet for kvadratisk.

Tal fra rapporten om MiniMax Sparse Attention (arXiv 2606.13392): en reduktion på 28,4× i attention-FLOPs pr. token i forhold til tilsvarende konfigureret GQA ved 1M kontekst, og målte forbedringer på 14,2× prefill / 7,6× decode i vægurstid på H800-hardware i artiklens studie af en model på 109 mia. parametre. MiniMax rapporterer separat 9× hurtigere prefill og 15× hurtigere decode for M3 mod M2 ved 1M kontekst. Alle tal er rapporteret af laboratoriet.

Artiklen laver også den kontrol, der betyder noget for en artikel om vision: på en indbygget multimodal MoE på 109 mia. parametre holdt MSA en ydelse, der var sammenlignelig med en baseline med fuld attention, på tværs af billed-benchmarks som AI2D, ChartQA og MMMU og på tværs af video-benchmarks som EgoSchema, LongVideoBench og VideoMME — hvor de sparsomme varianter nogle gange endda forbedrede resultatet på videoopgaver med længere kontekst. Sparsitet er her ikke en kvalitetsafgift, du betaler for fart; på lange input ser den ud til stort set at være gratis.

Hvorfor det bør interessere dig som kunde: serveringsomkostningen er det, der sætter listeprisen. En grundmodel, hvis attention-omkostning holder op med at vokse, er en grundmodel, du har råd til at pege mod hundrede tusind billeder. Det er mekanismen bag »billigste ucensurerede vision-model« — det er ikke en kampagnepris, det er en arkitektur.

04Hvad 3BIT-REAP betyder, og hvor det koster dig

En model på 428 milliarder parametre passer ikke noget bekvemt sted i fuld præcision. Vores MiniMax-M3-udgave bærer endelsen 3BIT-REAP, som beskriver to separate operationer anvendt i en bestemt rækkefølge.

REAP: slet eksperter, før du komprimerer dem

REAP — Router-weighted Expert Activation Pruning — er en enkeltskuds-komprimeringsmetode til MoE fra Cerebras og University of Calgary, udgivet som arXiv 2510.13999 og antaget på ICLR 2026. Argumentet er, at beskæring af eksperter til generative opgaver slår sammenlægning af dem: sammenlægning ødelægger routerens finkornede kontrol og indfører en fejl, du aldrig kan genvinde. I stedet giver REAP hver ekspert en score på et betydningskriterium, der kombinerer routerens gate-værdier (hvor ofte og hvor kraftigt routeren vælger den) og ekspertens aktiveringsnormer (hvor meget dens output faktisk bidrager), og sletter derefter de mindst betydningsfulde eksperter helt.

Forfatterne rapporterer, at de fjerner op til 50 % af eksperterne i modeller så store som én billion parametre, mens grundkvaliteten i store træk bevares — på Qwen3-480B-Coder-FP8 med 50 % beskæring blev 97,6 % af den ikke-agentiske kodningsevne og 96,7 % på agentisk SWE-Bench bevaret. Det er artiklens tal på artiklens modeller, ikke vores på MiniMax-M3; vi citerer dem, så du kan bedømme metoden, ikke for at antyde en tilsvarende måling her.

3-bit vægte bagefter

De overlevende vægte gemmes derefter med 3 bit. Rækkefølgen er bevidst, og den er hele pointen med kombinationen: beskær først, kvantisér bagefter. Det giver ingen mening at bruge sine dyrebare tre bit pr. vægt på trofast at indkode eksperter, du er ved at slette. Beskær den sparsomme hale, og lad så hele det resterende budget gå til de eksperter, der rent faktisk fyrer af.

Det ærlige forbehold

3BIT-REAP er det mest aggressive niveau, vi udgiver. Vi bruger det på de største grundmodeller — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — fordi det er forskellen på, at de modeller er tilgængelige til en fornuftig pris, og at de slet ikke er tilgængelige. Hvor en grundmodel er lille nok til ikke at have brug for det, bruger vi det ikke: W8A16-modellerne i kataloget kører 8-bit vægte med 16-bit aktiveringer, og W4A16-AUTOROUND-REAP ligger midt imellem og bruger AutoRounds lærte afrunding til at genvinde nøjagtighed, som naiv afrunding til nærmeste giver væk. Vælg det niveau, der passer til din tolerance. Trækker du felter ud af ti tusind fakturaer, er 3-bit den rigtige afvejning. Foretager du én enkelt aflæsning af ét billede med meget på spil, så brug pengene på Kimi-K3.

05Hvad »intet afvisningslag« betyder, når inputtet er et billede

Ucensureret er et ord, der bruges løst, så her er den præcise påstand: der er intet afvisningslag og ingen filtrering af output på dette endpoint. Ingen klassifikator inspicerer dit billede, før modellen ser det. Ingen politikmodel inspicerer tokens på vej ud. Det, modellen producerer, er det, du modtager.

I tekst er virkningen af det velkendt. I vision er den anderledes af natur, for afvisningsadfærd på billedinput er dér, hvor kommercielle multimodale API'er er allermest konservative og allermest vilkårlige. De karakteristiske fejl ser sådan ud:

• Generelle identitetsafvisninger — nægter overhovedet at beskrive mennesker på et fotografi, inklusive træk der er tydeligt synlige og fuldstændig harmløse, fordi en politik ikke kan skelne beskrivelse fra identifikation.
• Emnebetingede afhop — nægter at transskribere eller opsummere et dokument på grund af, hvad dokumentet handler om, selv om transskription er en mekanisk opgave.
• Medicinsk og retsmedicinsk sart hjerte — nægter at beskrive klinisk billedmateriale, dokumentation af skader eller ulykkesfotos, som en fagperson har brug for at få beskrevet.
• Falske positiver på sikkerhedsværktøjer — nægter at læse et skærmbillede, fordi det indeholder en terminal, en pakkeoptagelse eller en debugger.
• Stille forringelse — den værste: ikke en afvisning, men et forbeholdent ikke-svar, som består din skemavalidering og forgifter dit datasæt uden nogensinde at udløse en fejl.

Det driftsmæssige problem med alle fem er ikke, at de er urimelige. Det er, at de er umålelige. Et forkert svar er et datapunkt; du kan give det en score, fange det i evaluering og korrigere for det. En afvisning er et hul. I stor skala er en afvisningsrate på 3 %, fordelt ikke-tilfældigt over dine input — koncentreret, per konstruktion, netop om de svære og usædvanlige tilfælde — en systematisk skævhed i dine resultater, som ingen mængde oprydning bagefter kan rette op på. At fjerne afvisningslaget fjerner en kilde til tavse, korrelerede manglende data.

Shannon drives af Shannon Lab LLC, New Mexico, USA, under vores politik for ansvarlig brug. Ucensureret betyder, at modellen ikke kommenterer moralsk på dine input; det betyder ikke, at kontoen ikke har vilkår.

06Den fulde specifikation

Felt	MiniMax-M3 · 3BIT-REAP
Model-id	MiniMax-M3-3BIT-REAP
Grundmodel	MiniMax-M3 (MiniMax AI)
Kontekstvindue	262.144 tokens
Maks. output	16.384 tokens
Billedinput	Ja
Videoinput	Ikke tilgængeligt
Streaming	Ja
Tool calling	Ja
Ræsonnement	Ja (reasoning_effort)
Struktureret output	json_schema + response_format
Afvisningslag	Intet
Endpoints	/v1/chat/completions · /v1/messages · /v1/responses
Serveret på	Shannons egen GPU-klynge

To linjer i den tabel fortjener at blive fremhævet. Videoinput er ikke tilgængeligt. Den underliggende M3-grundmodel blev trænet på video, og MiniMax dokumenterer videoinput; vores endpoint tager imod billeder. Byg mod billeder. For det andet er vinduet på 262.144 tokens vores, ikke tallet på én million fra grundmodellen — planlæg arbejde med lange dokumenter og mange billeder ud fra 262.144, så bliver du aldrig overrasket.

07Sådan kalder du det ucensurerede MiniMax-API

Tre dialekter, den samme model bag dem alle, streaming på alle tre. Brug den, din eksisterende klient allerede taler; der er ingen forskel i egenskaber mellem dem. Peg din base-URL mod Shannon, og skift model-id.

Billedforståelse via OpenAI-dialekten

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
  }'

Både eksterne https://-URL'er og base64-data-URL'er virker i image_url-delen. Vedhæft flere billeddele i én besked, når du har brug for sammenligning på tværs af sider — du har 262.144 tokens at bruge, og til $0,50 pr. million er det billigt at bruge dem.

Typet udtræk med et JSON-skema

Dér, hvor denne model gør sig fortjent til sin plads i en pipeline, er kombinationen af vision + strikst skema + bundpris. Ikke alle modeller i vores katalog har alle tre: Laguna-S-2.1 og inkling understøtter ikke json_schema. Det gør MiniMax-M3, hvilket betyder, at du kan få et valideret objekt ud af et billede uden et parselag:

{
  "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
      }
    }
  }
}

Ræsonnementsindsats

Modellen giver adgang til reasoning_effort. Ved billedklassifikation i mængde skal den holdes lav — du stiller et perceptuelt spørgsmål, og ræsonnementstokens er outputtokens, du betaler for. Skru op til de kald, hvor billedet er bevismateriale i et længere argument: at læse et diagram op mod en specifikation, at afstemme en graf med en tabel, at afgøre om to skærmbilleder viser den samme fejl.

Den komplette parameteroversigt, fejlsemantikken og streamingformaterne for alle tre dialekter findes i Shannons API-dokumentation.

08Hvor MiniMax-M3 er det rigtige valg — og hvor den ikke er

Grib den, når

• Billedarbejde i mængde. Datasætmærkning, moderationsforskning, katalogberigelse, sortering af skærmbilleder, OCR og strukturering i batch over scannede dokumenter. Bundprisen er hele argumentet.
• Billeder ind i typede poster. Vision plus strikst json_schema plus katalogets billigste tokens er en kombination, kun to modeller her tilbyder.
• Lang multimodal kontekst. Mange sider eller mange billeder i én forespørgsel — arkitekturen nedenunder er bygget til præcis den slags input.
• Forskning, hvor afvisninger ødelægger stikprøven. Ethvert studie, hvis gyldighed afhænger af, at modellen svarer på hvert eneste punkt, også de ubehagelige.
• Agentiske løkker, der læser en skærm. M-serien er eksplicit agentisk, og tool calling er tilgængelig.

Grib noget andet, når

• Du har brug for det højeste vision-loft, og budgettet er der. Kimi-K3 · 3BIT-REAP koster 7,7× inputprisen af en grund; ved en enkelt aflæsning med meget på spil er det de rigtige penge at bruge.
• Du har brug for vægte med maksimal troværdighed. 3-bit er vores mest aggressive niveau. W8A16-modellerne bytter pris for præcision, og MiMo-V2.5 · W8A16 har vision til de samme $0,50 / $2,00, hvis troværdighed pr. vægt er det, du optimerer efter.
• Du har brug for video. Vi giver ikke adgang til videoinput på dette endpoint.
• Opgaven er ren tekst på frontlinjen. DeepSeek-V4-Pro-0813 findes til det; ellers ville du betale for et vision-tårn, du aldrig bruger.

Tal for arkitektur, benchmarks og hastighedsforbedringer i MiniMax-familien er rapporteret af MiniMax AI selv; REAP-tallene er rapporteret af REAP-forfatterne på deres egne modeller og er ikke en måling af denne udgave. Shannons priser, kontekstvindue og egenskabsflag er vores egne og læses fra vores live-modelkatalog.

09Ofte stillede spørgsmål

---

Kilder: Modelkort for 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. MiniMax' benchmark- og hastighedstal er rapporteret af laboratoriet selv og er foreløbige, indtil de er uafhængigt verificeret. Shannons priser og egenskabsflag er aktuelle pr. 5. september 2026.