Unzensierte MiniMax-API: Vision zum Basispreis

Fast jede gehostete multimodale API bepreist Vision als Aufpreis. Sie zahlen den Tarif eines Textmodells für Text, und dann zahlen Sie mehr — manchmal ein Vielfaches —, sobald ein Bild in den Prompt kommt. Dazu kommt: Bei Bildeingaben ist das Ablehnungsverhalten am aggressivsten. Das Modell, das ein Thema in Textform bereitwillig bespricht, weigert sich, dasselbe auf einem Foto zu beschreiben. Das Ergebnis ist ein Produkt, das pro Aufruf teuer und pro Aufruf unzuverlässig ist — das Schlechteste aus beiden Welten, wenn Sie Volumen verarbeiten. MiniMax-M3 auf Shannon ist unsere Antwort darauf: dieselben $0.50 / $2.00, die Sie für unser günstigstes Textmodell zahlen, angewandt auf ein Fundament, das vom ersten Schritt an multimodal trainiert wurde, ohne Ablehnungsschicht davor.

01Was „günstigstes unzensiertes Vision-Modell“ hier tatsächlich heißt

Der Shannon-Katalog umfasst zwölf Modelle. Fünf davon nehmen Bilder entgegen. Ihre Preise, pro Million Token:

Vision-fähiges Modell	Eingabe	Ausgabe	Strukturierte Ausgabe
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	nur response_format
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 liegt an der Untergrenze — $0.50 / $2.00 — gleichauf mit MiMo-V2.5 und mit nichts darunter, denn $0.50 / $2.00 ist die Untergrenze unserer Preisliste. Gegenüber dem oberen Ende des Vision-Bereichs ist es 7,7× günstiger bei der Eingabe und 9,6× günstiger bei der Ausgabe als Kimi-K3.

Übertragen auf eine echte Last: Angenommen, Sie sichten 1.000 Bilder — Screenshots, gescannte Seiten, Produktfotos — mit im Schnitt rund 1.200 Token Bild plus Prompt hinein und 300 Token Antwort heraus:

Listenpreise von Shannon, September 2026. Die Tokenzahlen sind beispielhaft; wie viele Token Ihre Bilder erzeugen, hängt von der Auflösung ab und davon, wie viele Bilder Sie pro Aufruf anhängen.

Zwei weitere Bezugspunkte, die man im Kopf behalten sollte. Das gesamte Kontextfenster von 262.144 Token einmal zu füllen kostet etwa 13 Cent. Eine Antwort in maximaler Länge von 16.384 Token kostet etwa 3,3 Cent. Das sind die tatsächlichen Grenzen einer einzelnen Anfrage im ungünstigsten Fall, und sie sind klein genug, dass die interessante Beschränkung einer Vision-Pipeline nicht mehr das Geld ist, sondern der Durchsatz.

02Die MiniMax-Linie: ein Labor, das Token optimiert, keine Schlagzeilen

MiniMax AI ist ein Labor in Shanghai, dessen gesamte Historie offener Gewichte um eine einzige Frage kreist: Wie macht man Attention so günstig, dass langer Kontext und Multimodalität aufhören, Luxus zu sein? Jede Veröffentlichung dieser Linie ist eine Antwort darauf, und die Antworten bauen aufeinander auf.

MiniMax-01 — Lightning Attention, und Vision von Anfang an

Die Serie MiniMax-01 (veröffentlicht als arXiv 2501.08313) führte Lightning Attention ein, eine I/O-bewusste Implementierung einer linearen Attention-Variante, innerhalb eines hybriden Mixture-of-Experts-Modells mit 456 Mrd. Parametern insgesamt und 45,9 Mrd. aktiv pro Token. Die Serie erschien als Paar: MiniMax-Text-01 und MiniMax-VL-01, das Vision-Modell. VL-01 nutzte den heute vertrauten ViT-MLP-LLM-Aufbau, aber mit einem Vision Transformer mit 303 Millionen Parametern, von Grund auf auf 694 Millionen Bild-Beschreibungs-Paaren trainiert, statt eines geliehenen Encoders, anschließend ausgerichtet und über eine mehrstufige Pipeline mit 512 Milliarden Token gemeinsam feinabgestimmt.

Dieses Detail zählt für den Artikel, den Sie gerade lesen. Vision ist in dieser Linie kein später Adapter, der einem Textmodell zum Abhaken angeschraubt wurde. MiniMax trainiert seit seiner ersten offenen Veröffentlichung einen eigenen visuellen Turm, weshalb Dokumentverstehen, das Erfassen von Oberflächen und Screenshots sowie das Lesen von Diagrammen durchgängige Stärken der Familie sind und keine Nachgedanken.

MiniMax-M1 — hybride Attention für Reasoning über Länge

MiniMax-M1 (arXiv 2506.13585) wurde von seinen Autoren als das erste großformatige Reasoning-Modell mit offenen Gewichten und hybrider Attention beschrieben. Es behielt den MoE-Körper mit 456 Mrd. / 45,9 Mrd. bei und verschränkte die beiden Attention-Typen: nach jeweils sieben Lightning-Attention-Blöcken ein konventioneller Softmax-Attention-Block. Der Gewinn wurde in Rechenaufwand gemessen und nicht in Ranglistenplätzen — MiniMax berichtete, dass M1 bei einer Generierungslänge von 100K Token rund 25% der FLOPs von DeepSeek R1 verbrauchte und dabei nativ einen Kontext von einer Million Token unterstützte.

MiniMax-M2 — die Wende zu kleinen Aktivierungen

MiniMax-M2 ging bei der Größe den umgekehrten Weg und erntete dafür Aufmerksamkeit: ein Decoder mit 62 Schichten, 229,9 Mrd. Parametern insgesamt, aber nur rund 9,8 Mrd. aktiv pro Token, mit 256 feingranularen Experten pro MoE-Schicht, Sigmoid-Routing zu acht davon, RoPE-Positionen und QK-RMSNorm für Trainingsstabilität. Es war ausdrücklich ein Modell für agentisches Programmieren — Änderungen über mehrere Dateien, Ausführen-und-Reparieren-Schleifen, testgeprüfte Korrekturen — und führte das Format interleaved thinking ein, bei dem Reasoning zwischen Tool-Call-Runden mitgetragen und nicht nach jeder Runde verworfen wird. M2 begründete MiniMax' Ruf, agentisches Verhalten nahe der Spitzenklasse zu einem Bruchteil der Kosten pro Token zu liefern, allein dadurch, die Aktivierungen winzig zu halten.

MiniMax-M3 — das Fundament unter diesem Endpunkt

MiniMax-M3 erschien am 1. Juni 2026, die Gewichte kurz darauf auf Hugging Face und ein technischer Bericht als arXiv 2606.13392. Es ist ein Mixture-of-Experts-Modell mit 428 Mrd. Parametern und rund 23 Mrd. aktiv pro Token, mit dokumentiertem Kontext von einer Million Token und nativer Bild- und Videoeingabe — MiniMax beschreibt es als „vom allerersten Schritt an“ modalitätsgemischt trainiert, statt zuerst auf Text vortrainiert und dann multimodal angepasst. Nach MiniMax' eigenen veröffentlichten Zahlen erreicht es 80,5% auf SWE-bench Verified und 59,0% auf SWE-bench Pro. Das sind Herstellerangaben zu einem Coding-Benchmark, und genau so sollten Sie sie gewichten; wir führen sie an, weil es die veröffentlichten Angaben des Labors sind, nicht weil wir sie unabhängig reproduziert hätten.

03MiniMax Sparse Attention: warum ein Vision-Modell so günstig sein kann

Die interessante Ingenieursleistung in M3 ist MiniMax Sparse Attention (MSA), und sie ist der unmittelbare Grund, warum ein multimodales Modell dieser Größe zu unserem Basispreis laufen kann. Bilder kosten viele Token. Eine Handvoll hochaufgelöster Seiten kann Zehntausende Token in einen Prompt bringen, bevor Sie eine einzige Anweisung geschrieben haben. Unter herkömmlicher Attention wachsen diese Kosten quadratisch, und das Modell, das zwanzig Seiten liest, ist nicht doppelt so teuer wie das, das zehn liest — es ist weit schlimmer als doppelt.

MSA ändert die Form dieser Kurve. Es ist ein blockdünnbesetzter Mechanismus auf einem Grouped-Query-Attention-Rückgrat, aufgeteilt in zwei Zweige:

• Ein leichtgewichtiger Index-Zweig, der Key-Value-Blöcke bewertet — mit Max-Pooling der Scores über die Token innerhalb jedes Blocks — und pro Query-Position und pro GQA-Gruppe die besten k auswählt, wobei der lokale Block mit der Query selbst zur Trainingsstabilität immer enthalten ist.
• Ein Hauptzweig, der gewöhnliche Softmax-Attention nur über die vom Index ausgewählten Blöcke ausführt.

Die Konfiguration im MSA-Papier lautet k = 16 Blöcke à 128 Token, was jeder Query ein festes Budget von 2.048 beachteten Token gibt. Fest heißt: Es wächst nicht mit der Sequenzlänge. Das ist der ganze Trick: Wächst der Kontext, steigen die Attention-Kosten einer dichten Baseline weiter, während die Kosten des MSA-Hauptzweigs flach bleiben — Attention skaliert also linear statt quadratisch.

Werte aus dem Bericht zu MiniMax Sparse Attention (arXiv 2606.13392): eine Reduktion der Attention-FLOPs pro Token um das 28,4-Fache gegenüber gleichwertig konfigurierter GQA bei 1M Kontext sowie 14,2× Prefill- und 7,6× Decode-Beschleunigung in Echtzeit, gemessen auf H800-Hardware in der 109B-Parameter-Studie des Papiers. MiniMax berichtet gesondert 9× Prefill- und 15× Decode-Beschleunigung für M3 gegenüber M2 bei 1M Kontext. Alle Werte sind vom Labor berichtet.

Das Papier macht auch die Prüfung, auf die es in einem Vision-Artikel ankommt: Auf einem nativ multimodalen 109B-MoE hielt MSA eine Leistung vergleichbar mit einer Full-Attention-Baseline über Bild-Benchmarks wie AI2D, ChartQA und MMMU sowie über Video-Benchmarks wie EgoSchema, LongVideoBench und VideoMME — wobei die dünnbesetzten Varianten bei den Video-Aufgaben mit längerem Kontext teils sogar besser abschnitten. Sparsity ist hier keine Qualitätssteuer, die man für Geschwindigkeit zahlt; bei langen Eingaben scheint sie näherungsweise gratis zu sein.

Warum Sie das als Kunde interessieren sollte: Die Betriebskosten bestimmen den Listenpreis. Ein Fundament, dessen Attention-Kosten aufhören zu wachsen, ist ein Fundament, das Sie sich auf hunderttausend Bilder leisten können. Das ist der Mechanismus hinter „günstigstes unzensiertes Vision-Modell“ — es ist kein Aktionspreis, es ist eine Architektur.

04Was 3BIT-REAP bedeutet und wo es Sie etwas kostet

Ein Modell mit 428 Milliarden Parametern passt in voller Präzision nirgendwo bequem hin. Unser MiniMax-M3-Build trägt das Suffix 3BIT-REAP, das zwei getrennte Operationen in einer bestimmten Reihenfolge beschreibt.

REAP: Experten löschen, bevor man sie komprimiert

REAP — Router-weighted Expert Activation Pruning — ist eine One-Shot-MoE-Kompressionsmethode von Cerebras und der University of Calgary, veröffentlicht als arXiv 2510.13999 und angenommen auf der ICLR 2026. Ihr Argument lautet: Für generative Aufgaben schlägt das Entfernen von Experten das Zusammenführen. Zusammenführen zerstört die feingranulare Kontrolle des Routers und führt einen Fehler ein, den man nie wieder korrigieren kann. REAP bewertet stattdessen jeden Experten mit einem Saliency-Kriterium aus Router-Gate-Werten (wie oft und wie stark der Router ihn wählt) und Aktivierungsnormen der Experten (wie viel seine Ausgabe tatsächlich beiträgt) und löscht die unwichtigsten Experten vollständig.

Die Autoren berichten, bis zu 50% der Experten aus Modellen mit bis zu einer Billion Parametern zu entfernen und dabei die Ausgangsqualität weitgehend zu erhalten — auf Qwen3-480B-Coder-FP8 blieben bei 50% Pruning 97,6% der nicht-agentischen Coding-Fähigkeit der Baseline und 96,7% auf dem agentischen SWE-Bench erhalten. Das sind die Zahlen des Papiers auf den Modellen des Papiers, nicht unsere auf MiniMax-M3; wir führen sie an, damit Sie die Methode beurteilen können, nicht um eine gleichwertige Messung hier zu suggerieren.

3-Bit-Gewichte, als Zweites

Die überlebenden Gewichte werden anschließend mit 3 Bit gespeichert. Die Reihenfolge ist Absicht und der eigentliche Sinn der Kombination: erst prunen, dann quantisieren. Es hat keinen Sinn, seine kostbaren drei Bit pro Gewicht darauf zu verwenden, Experten getreu zu kodieren, die man gleich löscht. Erst den dünnen Schwanz entfernen, dann das restliche Budget vollständig den Experten geben, die tatsächlich feuern.

Der ehrliche Vorbehalt

3BIT-REAP ist die aggressivste Stufe, die wir ausliefern. Wir setzen sie auf den größten Fundamenten ein — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra —, weil sie der Unterschied ist zwischen „diese Modelle gibt es zu einem vernünftigen Preis“ und „es gibt sie gar nicht“. Wo ein Fundament klein genug ist, um sie nicht zu brauchen, verzichten wir darauf: Die W8A16-Modelle im Katalog laufen mit 8-Bit-Gewichten und 16-Bit-Aktivierungen, und W4A16-AUTOROUND-REAP liegt dazwischen und nutzt das gelernte Runden von AutoRound, um Genauigkeit zurückzuholen, die naives Runden auf den nächsten Wert verschenkt. Wählen Sie die Stufe, die zu Ihrer Toleranz passt. Wenn Sie Felder aus zehntausend Rechnungen extrahieren, ist 3 Bit der richtige Tausch. Wenn Sie eine einzelne folgenschwere forensische Auswertung eines Bildes machen, geben Sie das Geld für Kimi-K3 aus.

05Was „keine Ablehnungsschicht“ heißt, wenn die Eingabe ein Bild ist

„Unzensiert“ ist ein Wort, das lose verwendet wird, also hier die genaue Aussage: Auf diesem Endpunkt gibt es keine Ablehnungsschicht und keine Ausgabefilterung. Kein Klassifikator prüft Ihr Bild, bevor das Modell es sieht. Kein Policy-Modell prüft die Token auf dem Weg hinaus. Was das Modell erzeugt, ist das, was Sie erhalten.

Im Text ist die Wirkung davon vertraut. Bei Vision ist sie von anderer Art, denn beim Ablehnungsverhalten auf Bildeingaben sind kommerzielle multimodale APIs am konservativsten und am willkürlichsten. Die typischen Fehlschläge sehen so aus:

• Pauschale Identitätsablehnungen — die Weigerung, Personen auf einem Foto überhaupt zu beschreiben, auch bei klar sichtbaren und völlig harmlosen Merkmalen, weil eine Richtlinie Beschreibung nicht von Identifikation unterscheiden kann.
• Themenbedingte Aussteiger — die Weigerung, ein Dokument zu transkribieren oder zusammenzufassen, weil es um ein bestimmtes Thema geht, obwohl Transkription eine mechanische Aufgabe ist.
• Zimperlichkeit bei Medizin und Forensik — die Weigerung, klinisches Bildmaterial, Verletzungsdokumentationen oder Unfallfotos zu beschreiben, die eine Fachkraft beschrieben braucht.
• Fehlalarme bei Sicherheitswerkzeugen — die Weigerung, einen Screenshot zu lesen, weil darauf ein Terminal, ein Paketmitschnitt oder ein Debugger zu sehen ist.
• Stille Verschlechterung — der schlimmste Fall: keine Ablehnung, sondern eine ausweichende Nicht-Antwort, die Ihre Schema-Validierung besteht und Ihren Datensatz vergiftet, ohne je einen Fehler auszulösen.

Das betriebliche Problem an allen fünf ist nicht, dass sie unfair wären. Es ist, dass sie nicht messbar sind. Eine falsche Antwort ist ein Datenpunkt; Sie können sie bewerten, in der Evaluation fangen und korrigieren. Eine Ablehnung ist ein Loch. Im Stapelbetrieb ist eine Ablehnungsquote von 3%, die sich nicht zufällig über Ihre Eingaben verteilt — sondern sich systembedingt genau auf die schweren und ungewöhnlichen Fälle konzentriert —, eine systematische Verzerrung Ihrer Ergebnisse, die keine nachgelagerte Bereinigung wieder einfängt. Die Ablehnungsschicht zu entfernen, entfernt eine Quelle stiller, korrelierter fehlender Daten.

Shannon wird von Shannon Lab LLC, New Mexico, USA, betrieben, unter unserer Richtlinie zur verantwortungsvollen Nutzung. Unzensiert heißt, dass das Modell Ihre Eingaben nicht kommentiert; es heißt nicht, dass für das Konto keine Bedingungen gelten.

06Die vollständige Spezifikation

Feld	MiniMax-M3 · 3BIT-REAP
Modell-ID	MiniMax-M3-3BIT-REAP
Fundament	MiniMax-M3 (MiniMax AI)
Kontextfenster	262.144 Token
Max. Ausgabe	16.384 Token
Bildeingabe	Ja
Videoeingabe	Nicht bereitgestellt
Streaming	Ja
Tool-Calling	Ja
Reasoning	Ja (reasoning_effort)
Strukturierte Ausgabe	json_schema + response_format
Ablehnungsschicht	Keine
Endpunkte	/v1/chat/completions · /v1/messages · /v1/responses
Ausgeliefert auf	Shannons eigenem GPU-Cluster

Zwei Zeilen in dieser Tabelle verdienen Nachdruck. Videoeingabe wird nicht bereitgestellt. Das zugrunde liegende M3-Fundament wurde auf Video trainiert und MiniMax dokumentiert Videoeingabe; unser Endpunkt nimmt Bilder entgegen. Bauen Sie auf Bilder. Zweitens ist das Fenster von 262.144 Token unseres und nicht der Wert von einer Million des Fundaments — planen Sie Aufgaben mit langen Dokumenten und vielen Bildern gegen 262.144, dann werden Sie nie überrascht.

07Die unzensierte MiniMax-API aufrufen

Drei Dialekte, dahinter dasselbe Modell, Streaming auf allen dreien. Nehmen Sie den, den Ihr bestehender Client bereits spricht; einen Unterschied im Funktionsumfang gibt es nicht. Richten Sie Ihre Basis-URL auf Shannon und ändern Sie die Modell-ID.

Bildverstehen über den OpenAI-Dialekt

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
  }'

Sowohl entfernte https://-URLs als auch base64-Data-URLs funktionieren im image_url-Teil. Hängen Sie mehrere Bildteile an eine Nachricht, wenn Sie seitenübergreifend vergleichen müssen — Sie haben 262.144 Token zur Verfügung, und bei $0.50 pro Million ist es günstig, sie auszugeben.

Typisierte Extraktion mit einem JSON-Schema

Seinen Platz in einer Pipeline verdient dieses Modell durch die Kombination aus Vision + striktem Schema + Basispreis. Nicht jedes Modell in unserem Katalog hat alle drei: Laguna-S-2.1 und inkling unterstützen json_schema nicht. MiniMax-M3 schon, was heißt, dass Sie ein validiertes Objekt aus einem Bild bekommen, ohne eine Parsing-Schicht:

{
  "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
      }
    }
  }
}

Reasoning-Aufwand

Das Modell bietet reasoning_effort. Bei massenhafter Bildklassifikation halten Sie ihn niedrig — Sie stellen eine Wahrnehmungsfrage, und Reasoning-Token sind Ausgabetoken, für die Sie zahlen. Drehen Sie ihn hoch bei Aufrufen, in denen das Bild Beweismittel in einer längeren Argumentation ist: ein Diagramm gegen eine Spezifikation lesen, ein Schaubild mit einer Tabelle abgleichen, entscheiden, ob zwei Screenshots denselben Defekt zeigen.

Die vollständige Parameterreferenz, die Fehlersemantik und die Streaming-Formate für alle drei Dialekte stehen in der API-Dokumentation von Shannon.

08Wo MiniMax-M3 die richtige Wahl ist — und wo nicht

Greifen Sie zu, wenn

• Bildarbeit in großem Volumen. Datensatz-Labeling, Moderationsforschung, Katalogaufbereitung, Screenshot-Sichtung, stapelweise OCR und Strukturierung gescannter Dokumente. Der Basispreis ist das ganze Argument.
• Bilder in typisierte Datensätze. Vision plus striktes json_schema plus die günstigsten Token im Katalog — diese Kombination bieten hier nur zwei Modelle.
• Langer multimodaler Kontext. Viele Seiten oder viele Einzelbilder in einer Anfrage — die Architektur darunter ist für genau diese Form von Eingabe gebaut.
• Forschung, in der Ablehnungen die Stichprobe verderben. Jede Untersuchung, deren Gültigkeit davon abhängt, dass das Modell jeden Fall beantwortet, auch die unangenehmen.
• Agentenschleifen, die einen Bildschirm lesen. Die M-Serie ist ausdrücklich agentisch ausgelegt, und Tool-Calling steht zur Verfügung.

Greifen Sie zu etwas anderem, wenn

• Sie die höchste Vision-Obergrenze brauchen und das Budget da ist. Kimi-K3 · 3BIT-REAP kostet das 7,7-Fache beim Eingabepreis, und das aus gutem Grund; bei einer einzelnen folgenschweren Auswertung ist das richtig angelegtes Geld.
• Sie Gewichte in maximaler Treue brauchen. 3 Bit ist unsere aggressivste Stufe. Die W8A16-Modelle tauschen Preis gegen Präzision, und MiMo-V2.5 · W8A16 ist zum selben Preis von $0.50 / $2.00 vision-fähig, wenn Sie auf Treue pro Gewicht optimieren.
• Sie Video brauchen. Videoeingabe stellen wir auf diesem Endpunkt nicht bereit.
• Die Aufgabe reiner Text an der Spitze ist. Dafür gibt es DeepSeek-V4-Pro-0813; Sie würden sonst für einen Vision-Turm zahlen, den Sie nie nutzen.

Angaben zu Architektur, Benchmarks und Beschleunigung der MiniMax-Familie sind von MiniMax AI berichtet; die REAP-Werte werden von den REAP-Autoren für ihre eigenen Modelle berichtet und sind keine Messung dieses Builds. Preise, Kontextfenster und Fähigkeitsangaben von Shannon stammen von uns und werden aus unserem aktiven Modellkatalog gelesen.

09Häufige Fragen

---

Quellen: Modellkarte zu 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. Die Benchmark- und Beschleunigungswerte von MiniMax sind vom Labor berichtet und vorläufig, solange eine unabhängige Überprüfung aussteht. Preise und Fähigkeitsangaben von Shannon mit Stand 5. September 2026.