MiniMax API χωρίς λογοκρισία: όραση στην κατώτατη τιμή

Σχεδόν κάθε φιλοξενούμενο πολυτροπικό API τιμολογεί την όραση ως προνόμιο. Πληρώνεις τιμή μοντέλου κειμένου για το κείμενο, και μετά πληρώνεις περισσότερα — μερικές φορές πολλαπλάσια — τη στιγμή που μπαίνει εικόνα στο prompt. Πάνω από αυτό, οι είσοδοι εικόνας είναι εκεί όπου η συμπεριφορά άρνησης είναι πιο επιθετική: το μοντέλο που συζητά πρόθυμα ένα θέμα σε κείμενο αρνείται να περιγράψει το ίδιο πράγμα σε μια φωτογραφία. Το αποτέλεσμα είναι ένα προϊόν ακριβό ανά κλήση και αναξιόπιστο ανά κλήση, δηλαδή το χειρότερο και από τους δύο κόσμους όταν επεξεργάζεσαι όγκο. Το MiniMax-M3 στο Shannon είναι η απάντησή μας σε αυτό: τα ίδια $0.50 / $2.00 που πληρώνεις για το φθηνότερο μοντέλο κειμένου μας, εφαρμοσμένα σε ένα θεμέλιο που εκπαιδεύτηκε πολυτροπικά από το πρώτο βήμα, χωρίς επίπεδο άρνησης μπροστά του.

01Τι σημαίνει στην πράξη «φθηνότερο μοντέλο όρασης χωρίς λογοκρισία»

Ο κατάλογος του Shannon είναι δώδεκα μοντέλα. Τα πέντε από αυτά δέχονται εικόνες. Οι τιμές τους, ανά εκατομμύριο tokens:

Μοντέλο με δυνατότητα όρασης	Είσοδος	Έξοδος	Δομημένη έξοδος
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	μόνο response_format
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

Το MiniMax-M3 κάθεται στον πάτο — $0.50 / $2.00 — ισόπαλο με το MiMo-V2.5 και με τίποτε από κάτω του, επειδή τα $0.50 / $2.00 είναι ο πάτος του τιμοκαταλόγου μας. Απέναντι στην κορυφή της γκάμας όρασης είναι 7.7× φθηνότερο στην είσοδο και 9.6× φθηνότερο στην έξοδο από το Kimi-K3.

Βάλ' το σε έναν φόρτο εργασίας. Έστω ότι διαλογείς 1.000 εικόνες — στιγμιότυπα οθόνης, σαρωμένες σελίδες, φωτογραφίες προϊόντων — με μέσο όρο περίπου 1.200 tokens εικόνας συν prompt προς τα μέσα και 300 tokens απάντησης προς τα έξω:

Τιμές καταλόγου του Shannon, Σεπτέμβριος 2026. Οι αριθμοί tokens είναι ενδεικτικοί· η tokenization των εικόνων σου εξαρτάται από την ανάλυση και από το πόσες εικόνες επισυνάπτεις ανά κλήση.

Δύο ακόμη σημεία αναφοράς που αξίζει να κρατάς στο μυαλό σου. Το να γεμίσεις ολόκληρο το context των 262.144 tokens μία φορά κοστίζει περίπου 13 σεντς. Μια απάντηση μέγιστου μήκους 16.384 tokens κοστίζει περίπου 3.3 σεντς. Αυτά είναι τα πραγματικά όρια ενός μεμονωμένου αιτήματος χειρότερης περίπτωσης, και είναι αρκετά μικρά ώστε ο ενδιαφέρων περιορισμός σε ένα pipeline όρασης να παύει να είναι τα χρήματα και να γίνεται η ρυθμαπόδοση.

02Η καταγωγή της MiniMax: ένα εργαστήριο που βελτιστοποιεί tokens, όχι τίτλους

Η MiniMax AI είναι ένα εργαστήριο της Σαγκάης του οποίου ολόκληρο το ιστορικό ανοιχτών βαρών αφορά ένα ερώτημα: πώς κάνεις το attention αρκετά φθηνό ώστε το μεγάλο context και η πολυτροπικότητα να πάψουν να είναι πολυτέλειες; Κάθε κυκλοφορία στη σειρά είναι μια απάντηση σε αυτό το ερώτημα, και οι απαντήσεις χτίζονται η μία πάνω στην άλλη.

MiniMax-01 — Lightning Attention, και όραση από την αρχή

Η σειρά MiniMax-01 (δημοσιευμένη ως arXiv 2501.08313) εισήγαγε το Lightning Attention, μια υλοποίηση παραλλαγής γραμμικού attention με επίγνωση I/O, μέσα σε ένα υβριδικό μοντέλο Mixture-of-Experts 456B συνολικών παραμέτρων με 45.9B ενεργές ανά token. Η σειρά κυκλοφόρησε ως ζεύγος: MiniMax-Text-01 και MiniMax-VL-01, το μοντέλο όρασης. Το VL-01 χρησιμοποίησε τη γνωστή πλέον στοίβα ViT-MLP-LLM, αλλά με έναν Vision Transformer 303 εκατομμυρίων παραμέτρων εκπαιδευμένο από το μηδέν σε 694 εκατομμύρια ζεύγη εικόνας-λεζάντας αντί για δανεικό encoder, ο οποίος στη συνέχεια ευθυγραμμίστηκε και συν-προσαρμόστηκε μέσα από ένα pipeline πολλών σταδίων που επεξεργάστηκε 512 δισεκατομμύρια tokens.

Αυτή η λεπτομέρεια μετράει για το άρθρο που διαβάζεις. Η όραση σε αυτή την καταγωγή δεν είναι ένας καθυστερημένος προσαρμογέας βιδωμένος πάνω σε μοντέλο κειμένου για να μπει ένα τικ σε ένα κουτάκι. Η MiniMax εκπαιδεύει τον δικό της οπτικό πύργο από την πρώτη της ανοιχτή κυκλοφορία, γι' αυτό και η κατανόηση εγγράφων, η κατανόηση διεπαφών και στιγμιότυπων οθόνης, και η ανάγνωση γραφημάτων υπήρξαν σταθερά δυνατά σημεία της οικογένειας και όχι κάτι που προστέθηκε εκ των υστέρων.

MiniMax-M1 — υβριδικό attention για εκτενή συλλογιστική

Το MiniMax-M1 (arXiv 2506.13585) περιγράφηκε από τους συγγραφείς του ως το πρώτο μοντέλο συλλογιστικής υβριδικού attention μεγάλης κλίμακας με ανοιχτά βάρη. Κράτησε το σώμα MoE 456B / 45.9B και εναλλάσσει τους δύο τύπους attention: ένα συμβατικό μπλοκ transformer με softmax attention μετά από κάθε επτά μπλοκ Lightning Attention. Το όφελος μετρήθηκε σε υπολογιστικό κόστος και όχι σε θέση σε κατάταξη — η MiniMax ανέφερε ότι σε μήκος παραγωγής 100K tokens, το M1 κατανάλωσε περίπου 25% των FLOPs του DeepSeek R1, ενώ υποστήριζε εγγενώς context ενός εκατομμυρίου tokens.

MiniMax-M2 — η στροφή στις μικρές ενεργοποιήσεις

Το MiniMax-M2 πήγε προς την αντίθετη κατεύθυνση ως προς το μέγεθος και κέρδισε προσοχή γι' αυτό: ένας decoder 62 στρωμάτων με 229.9B συνολικές παραμέτρους αλλά μόλις ~9.8B ενεργές ανά token, χρησιμοποιώντας 256 λεπτόκοκκους ειδικούς ανά στρώμα MoE με σιγμοειδή δρομολόγηση προς οκτώ από αυτούς, θέσεις RoPE και QK-RMSNorm για σταθερότητα στην εκπαίδευση. Ήταν ρητά ένα μοντέλο αντζεντικού προγραμματισμού — επεξεργασίες πολλών αρχείων, βρόχοι εκτέλεσης-διόρθωσης, επιδιορθώσεις επικυρωμένες με τεστ — και εισήγαγε τη μορφή interleaved thinking, όπου η συλλογιστική μεταφέρεται ανάμεσα στους γύρους κλήσης εργαλείων αντί να πετιέται μετά από κάθε γύρο. Το M2 είναι το μοντέλο που εδραίωσε τη φήμη της MiniMax για αντζεντική συμπεριφορά κοντά στην αιχμή σε κλάσμα του κόστους ανά token, καθαρά κρατώντας τις ενεργοποιήσεις μικροσκοπικές.

MiniMax-M3 — το θεμέλιο κάτω από αυτό το endpoint

Το MiniMax-M3 κυκλοφόρησε την 1η Ιουνίου 2026, με τα βάρη στο Hugging Face λίγο αργότερα και τεχνική αναφορά στο arXiv 2606.13392. Είναι ένα μοντέλο Mixture-of-Experts 428B παραμέτρων με περίπου 23B ενεργές ανά token, με τεκμηριωμένο context ενός εκατομμυρίου tokens και εγγενή είσοδο εικόνας και βίντεο — η MiniMax το περιγράφει ως εκπαιδευμένο σε μεικτές τροπικότητες «από το πρώτο κιόλας βήμα», αντί για προεκπαίδευση σε κείμενο και μετά πολυτροπική προσαρμογή. Με βάση τα δημοσιευμένα νούμερα της ίδιας της MiniMax σκοράρει 80.5% στο SWE-bench Verified και 59.0% στο SWE-bench Pro. Αυτά είναι νούμερα δηλωμένα από τον προμηθευτή σε ένα benchmark προγραμματισμού, και ακριβώς έτσι πρέπει να τα ζυγίσεις· τα αναφέρουμε επειδή είναι οι δημοσιευμένοι ισχυρισμοί του εργαστηρίου, όχι επειδή τα αναπαραγάγαμε ανεξάρτητα.

03MiniMax Sparse Attention: γιατί ένα μοντέλο όρασης μπορεί να είναι τόσο φθηνό

Η ενδιαφέρουσα μηχανική στο M3 είναι το MiniMax Sparse Attention (MSA), και είναι ο άμεσος λόγος που ένα πολυτροπικό μοντέλο αυτού του μεγέθους μπορεί να κάθεται στην κατώτατη τιμή μας. Οι εικόνες είναι ακριβές σε tokens. Μια χούφτα σελίδων υψηλής ανάλυσης μπορεί να βάλει δεκάδες χιλιάδες tokens σε ένα prompt πριν καν γράψεις μία οδηγία. Με το τυπικό attention, αυτό το κόστος συσσωρεύεται τετραγωνικά, και το μοντέλο που διαβάζει είκοσι σελίδες δεν είναι διπλάσια ακριβό από αυτό που διαβάζει δέκα — είναι πολύ χειρότερα από διπλάσια.

Το MSA αλλάζει το σχήμα αυτής της καμπύλης. Είναι ένας μηχανισμός αραιότητας ανά μπλοκ χτισμένος πάνω σε ραχοκοκαλιά Grouped Query Attention, χωρισμένος σε δύο κλάδους:

• Έναν ελαφρύ κλάδο ευρετηρίου που βαθμολογεί μπλοκ κλειδιών-τιμών — με max-pooling των βαθμολογιών πάνω στα tokens κάθε μπλοκ — και επιλέγει τα κορυφαία k ανά θέση ερωτήματος και ανά ομάδα GQA, συμπεριλαμβάνοντας πάντα το τοπικό μπλοκ που περιέχει το ίδιο το ερώτημα για σταθερότητα στην εκπαίδευση.
• Έναν κύριο κλάδο που τρέχει συνηθισμένο softmax attention μόνο πάνω στα μπλοκ που επέλεξε το ευρετήριο.

Η διαμόρφωση στο paper του MSA είναι k = 16 μπλοκ των 128 tokens, που δίνει σε κάθε ερώτημα έναν σταθερό προϋπολογισμό 2.048 tokens υπό attention. Σταθερό, δηλαδή δεν μεγαλώνει με το μήκος της ακολουθίας. Αυτό είναι όλο το κόλπο: καθώς μεγαλώνει το context, το κόστος attention μιας πυκνής βάσης συνεχίζει να ανεβαίνει ενώ το κόστος του κύριου κλάδου του MSA μένει επίπεδο, οπότε το attention κλιμακώνεται γραμμικά αντί για τετραγωνικά.

Νούμερα από την αναφορά MiniMax Sparse Attention (arXiv 2606.13392): μείωση 28.4× στα FLOPs attention ανά token έναντι ισοδύναμα διαμορφωμένου GQA σε context 1M, και επιταχύνσεις πραγματικού χρόνου 14.2× στο prefill και 7.6× στο decode, μετρημένες σε υλικό H800 στη μελέτη 109B παραμέτρων του paper. Η MiniMax αναφέρει χωριστά επιταχύνσεις 9× στο prefill και 15× στο decode για το M3 έναντι του M2 σε context 1M. Όλα είναι δηλωμένα από το εργαστήριο.

Το paper κάνει επίσης τον έλεγχο που μετράει για ένα άρθρο περί όρασης: σε ένα εγγενώς πολυτροπικό MoE 109B, το MSA κράτησε επίδοση συγκρίσιμη με μια βάση πλήρους attention σε benchmark εικόνας όπως τα AI2D, ChartQA και MMMU, και σε benchmark βίντεο όπως τα EgoSchema, LongVideoBench και VideoMME — με τις αραιές παραλλαγές μερικές φορές να βελτιώνουν τις εργασίες βίντεο μεγαλύτερου context. Η αραιότητα εδώ δεν είναι φόρος ποιότητας που πληρώνεις για ταχύτητα· σε μεγάλες εισόδους φαίνεται να είναι πρακτικά δωρεάν.

Γιατί να σε νοιάζει ως πελάτη: το κόστος σερβιρίσματος είναι αυτό που καθορίζει την τιμή καταλόγου. Ένα θεμέλιο του οποίου το κόστος attention σταματά να μεγαλώνει είναι ένα θεμέλιο που αντέχεις να στρέψεις πάνω σε εκατό χιλιάδες εικόνες. Αυτός είναι ο μηχανισμός πίσω από το «φθηνότερο μοντέλο όρασης χωρίς λογοκρισία» — δεν είναι προωθητική τιμή, είναι αρχιτεκτονική.

04Τι σημαίνει το 3BIT-REAP, και πού σου κοστίζει

Ένα μοντέλο 428 δισεκατομμυρίων παραμέτρων δεν χωρά πουθενά βολικά σε πλήρη ακρίβεια. Το δικό μας build του MiniMax-M3 φέρει την κατάληξη 3BIT-REAP, που περιγράφει δύο ξεχωριστές λειτουργίες εφαρμοσμένες με συγκεκριμένη σειρά.

REAP: διέγραψε ειδικούς πριν τους συμπιέσεις

Το REAP — Router-weighted Expert Activation Pruning — είναι μια μέθοδος συμπίεσης MoE μίας βολής από τη Cerebras και το Πανεπιστήμιο του Κάλγκαρι, δημοσιευμένη ως arXiv 2510.13999 και αποδεκτή στο ICLR 2026. Το επιχείρημά της είναι ότι για γεννητικές εργασίες, το κλάδεμα ειδικών νικά τη συγχώνευσή τους: η συγχώνευση καταστρέφει τον λεπτόκοκκο έλεγχο του router και εισάγει ένα σφάλμα που δεν ανακτάς ποτέ. Έτσι, το REAP βαθμολογεί κάθε ειδικό με ένα κριτήριο σημαντικότητας που συνδυάζει τις τιμές της πύλης του router (πόσο συχνά και πόσο ισχυρά τον επιλέγει ο router) και τις νόρμες ενεργοποίησης του ειδικού (πόσο πραγματικά συνεισφέρει η έξοδός του), και μετά διαγράφει εντελώς τους λιγότερο σημαντικούς.

Οι συγγραφείς αναφέρουν αφαίρεση έως και 50% των ειδικών από μοντέλα μεγέθους έως ενός τρισεκατομμυρίου παραμέτρων διατηρώντας σε μεγάλο βαθμό την ποιότητα αναφοράς — στο Qwen3-480B-Coder-FP8 με 50% κλάδεμα διατηρήθηκε 97.6% της βασικής μη αντζεντικής ικανότητας προγραμματισμού και 96.7% στο αντζεντικό SWE-Bench. Αυτά είναι τα νούμερα του paper πάνω στα μοντέλα του paper, όχι δικά μας πάνω στο MiniMax-M3· τα αναφέρουμε για να κρίνεις τη μέθοδο, όχι για να υπονοήσουμε ισοδύναμη μέτρηση εδώ.

Βάρη 3 bit, δεύτερο βήμα

Τα βάρη που επιβιώνουν αποθηκεύονται στη συνέχεια σε 3 bit. Η σειρά είναι σκόπιμη και είναι το νόημα του συνδυασμού: πρώτα κλάδεμα, μετά κβάντιση. Δεν έχει νόημα να ξοδεύεις τα πολύτιμα τρία bit ανά βάρος κωδικοποιώντας πιστά ειδικούς που πρόκειται να διαγράψεις. Κλάδεψε την αραιή ουρά, και μετά άσε ολόκληρο τον υπόλοιπο προϋπολογισμό να πάει σε ειδικούς που όντως πυροδοτούνται.

Η ειλικρινής επιφύλαξη

Το 3BIT-REAP είναι η πιο επιθετική βαθμίδα που δίνουμε. Τη χρησιμοποιούμε στα μεγαλύτερα θεμέλια — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — επειδή είναι η διαφορά ανάμεσα στο να είναι αυτά τα μοντέλα διαθέσιμα σε λογική τιμή και στο να μην είναι καθόλου διαθέσιμα. Εκεί όπου ένα θεμέλιο είναι αρκετά μικρό ώστε να μην τη χρειάζεται, δεν τη χρησιμοποιούμε: τα μοντέλα W8A16 του καταλόγου τρέχουν με βάρη 8 bit και ενεργοποιήσεις 16 bit, ενώ το W4A16-AUTOROUND-REAP κάθεται ενδιάμεσα, χρησιμοποιώντας τη μαθημένη στρογγυλοποίηση του AutoRound για να ανακτήσει ακρίβεια που η απλοϊκή στρογγυλοποίηση στο πλησιέστερο χαρίζει. Διάλεξε τη βαθμίδα που ταιριάζει στην ανοχή σου. Αν εξάγεις πεδία από δέκα χιλιάδες τιμολόγια, τα 3 bit είναι η σωστή ανταλλαγή. Αν κάνεις μία ιατροδικαστική ανάγνωση υψηλού διακυβεύματος σε μία εικόνα, ξόδεψε τα χρήματα στο Kimi-K3.

05Τι σημαίνει «χωρίς επίπεδο άρνησης» όταν η είσοδος είναι εικόνα

Το «χωρίς λογοκρισία» είναι λέξη που χρησιμοποιείται χαλαρά, οπότε να ο ακριβής ισχυρισμός: σε αυτό το endpoint δεν υπάρχει επίπεδο άρνησης ούτε φιλτράρισμα εξόδου. Κανένας ταξινομητής δεν επιθεωρεί την εικόνα σου πριν τη δει το μοντέλο. Κανένα μοντέλο πολιτικής δεν επιθεωρεί τα tokens στην έξοδο. Ό,τι παράγει το μοντέλο, αυτό παίρνεις.

Στο κείμενο, το αποτέλεσμα αυτού είναι γνώριμο. Στην όραση, διαφέρει ποιοτικά, επειδή η συμπεριφορά άρνησης στις εισόδους εικόνας είναι εκεί όπου τα εμπορικά πολυτροπικά API είναι πιο συντηρητικά και πιο αυθαίρετα. Οι χαρακτηριστικές αστοχίες μοιάζουν κάπως έτσι:

• Καθολικές αρνήσεις ταυτότητας — άρνηση να περιγράψουν καθόλου ανθρώπους σε μια φωτογραφία, ακόμη και χαρακτηριστικά που είναι ολοφάνερα και εντελώς αθώα, επειδή μια πολιτική δεν μπορεί να ξεχωρίσει την περιγραφή από την ταυτοποίηση.
• Εγκατάλειψη λόγω θεματολογίας — άρνηση να μεταγράψουν ή να συνοψίσουν ένα έγγραφο εξαιτίας του τι πραγματεύεται, παρόλο που η μεταγραφή είναι μηχανική εργασία.
• Ιατρική και ιατροδικαστική ευαισθησία — άρνηση να περιγράψουν κλινικό υλικό, τεκμηρίωση τραυματισμών ή φωτογραφίες ατυχημάτων που ένας επαγγελματίας χρειάζεται να του περιγραφούν.
• Ψευδώς θετικά σε εργαλεία ασφάλειας — άρνηση να διαβάσουν ένα στιγμιότυπο οθόνης επειδή περιέχει τερματικό, σύλληψη πακέτων ή debugger.
• Σιωπηλή υποβάθμιση — η χειρότερη: όχι άρνηση αλλά μια υπεκφυγή, που περνά την επικύρωση του schema σου και δηλητηριάζει το σύνολο δεδομένων σου χωρίς ποτέ να σηκώσει σφάλμα.

Το λειτουργικό πρόβλημα και με τα πέντε δεν είναι ότι είναι άδικα. Είναι ότι είναι αμέτρητα. Μια λάθος απάντηση είναι ένα σημείο δεδομένων· μπορείς να τη βαθμολογήσεις, να την πιάσεις στην αξιολόγηση και να τη διορθώσεις. Μια άρνηση είναι μια τρύπα. Σε κλίμακα παρτίδας, ένα ποσοστό αρνήσεων 3% κατανεμημένο μη τυχαία στις εισόδους σου — συγκεντρωμένο, εκ κατασκευής, ακριβώς στις δύσκολες και ασυνήθιστες περιπτώσεις — είναι μια συστηματική μεροληψία στα αποτελέσματά σου που καμία μεταγενέστερη εκκαθάριση δεν επαναφέρει. Η αφαίρεση του επιπέδου άρνησης αφαιρεί μια πηγή σιωπηλών, συσχετισμένων ελλειπόντων δεδομένων.

Το Shannon λειτουργεί από τη Shannon Lab LLC, Νέο Μεξικό, ΗΠΑ, υπό την Πολιτική Υπεύθυνης Χρήσης μας. «Χωρίς λογοκρισία» σημαίνει ότι το μοντέλο δεν αρθρογραφεί για τις εισόδους σου· δεν σημαίνει ότι ο λογαριασμός δεν έχει όρους.

06Οι πλήρεις προδιαγραφές

Πεδίο	MiniMax-M3 · 3BIT-REAP
Model id	MiniMax-M3-3BIT-REAP
Θεμέλιο	MiniMax-M3 (MiniMax AI)
Παράθυρο context	262.144 tokens
Μέγιστη έξοδος	16.384 tokens
Είσοδος εικόνας	Ναι
Είσοδος βίντεο	Δεν εκτίθεται
Streaming	Ναι
Κλήση εργαλείων	Ναι
Συλλογιστική	Ναι (reasoning_effort)
Δομημένη έξοδος	json_schema + response_format
Επίπεδο άρνησης	Κανένα
Endpoints	/v1/chat/completions · /v1/messages · /v1/responses
Σερβίρεται σε	Το δικό μας cluster GPU

Δύο γραμμές αυτού του πίνακα αξίζουν έμφαση. Η είσοδος βίντεο δεν εκτίθεται. Το ανοδικό θεμέλιο M3 εκπαιδεύτηκε σε βίντεο και η MiniMax τεκμηριώνει είσοδο βίντεο· το δικό μας endpoint δέχεται εικόνες. Χτίσε πάνω σε εικόνες. Δεύτερον, το παράθυρο των 262.144 tokens είναι δικό μας, όχι το ανοδικό νούμερο του ενός εκατομμυρίου — σχεδίασε φόρτους μεγάλων εγγράφων και πολλών εικόνων με βάση τα 262.144 και δεν θα εκπλαγείς ποτέ.

07Πώς καλείς το MiniMax API χωρίς λογοκρισία

Τρεις διάλεκτοι, το ίδιο μοντέλο πίσω από όλες, streaming και στις τρεις. Χρησιμοποίησε όποια μιλά ήδη ο υπάρχων client σου· δεν υπάρχει διαφορά δυνατοτήτων ανάμεσά τους. Στρέψε το base URL σου στο Shannon και άλλαξε το model id.

Κατανόηση εικόνας μέσω της διαλέκτου 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
  }'

Στο τμήμα image_url δουλεύουν τόσο απομακρυσμένα URL https:// όσο και data URL σε base64. Επισύναψε πολλά τμήματα εικόνας σε ένα μήνυμα όταν χρειάζεσαι σύγκριση ανάμεσα σε σελίδες — έχεις 262.144 tokens να ξοδέψεις και, στα $0.50 ανά εκατομμύριο, το να τα ξοδέψεις είναι φθηνό.

Τυποποιημένη εξαγωγή με JSON schema

Εκεί που αυτό το μοντέλο κερδίζει τη θέση του σε ένα pipeline είναι ο συνδυασμός όραση + αυστηρό schema + κατώτατη τιμή. Δεν τα έχουν και τα τρία όλα τα μοντέλα του καταλόγου μας: το Laguna-S-2.1 και το inkling δεν υποστηρίζουν json_schema. Το MiniMax-M3 τα υποστηρίζει, που σημαίνει ότι μπορείς να πάρεις ένα επικυρωμένο αντικείμενο από μια εικόνα χωρίς στρώμα ανάλυσης:

{
  "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
      }
    }
  }
}

Προσπάθεια συλλογιστικής

Το μοντέλο εκθέτει το reasoning_effort. Σε μαζική ταξινόμηση εικόνων, κράτησέ το χαμηλά — κάνεις μια αντιληπτική ερώτηση, και τα tokens συλλογιστικής είναι tokens εξόδου που τα πληρώνεις. Ανέβασέ το για τις κλήσεις όπου η εικόνα είναι τεκμήριο μέσα σε ένα μεγαλύτερο επιχείρημα: ανάγνωση ενός διαγράμματος απέναντι σε μια προδιαγραφή, συμφωνία ενός γραφήματος με έναν πίνακα, απόφαση για το αν δύο στιγμιότυπα οθόνης δείχνουν το ίδιο ελάττωμα.

Η πλήρης αναφορά παραμέτρων, η σημασιολογία σφαλμάτων και οι μορφές streaming και για τις τρεις διαλέκτους βρίσκονται στην τεκμηρίωση του API του Shannon.

08Πού το MiniMax-M3 είναι η σωστή επιλογή — και πού δεν είναι

Πιάσ' το όταν

• Δουλειά εικόνας σε όγκο. Επισήμανση συνόλων δεδομένων, έρευνα moderation, εμπλουτισμός καταλόγων, διαλογή στιγμιότυπων οθόνης, μαζικό OCR και δόμηση πάνω σε σαρωμένα έγγραφα. Η κατώτατη τιμή είναι ολόκληρο το επιχείρημα.
• Εικόνες σε τυποποιημένες εγγραφές. Όραση συν αυστηρό json_schema συν τα φθηνότερα tokens του καταλόγου είναι συνδυασμός που προσφέρουν μόνο δύο μοντέλα εδώ.
• Μεγάλο πολυτροπικό context. Πολλές σελίδες, ή πολλά καρέ, σε ένα μόνο αίτημα — η αρχιτεκτονική από κάτω είναι φτιαγμένη ακριβώς για αυτό το σχήμα εισόδου.
• Έρευνα όπου οι αρνήσεις διαφθείρουν το δείγμα. Οποιαδήποτε μελέτη της οποίας η εγκυρότητα εξαρτάται από το να απαντά το μοντέλο σε κάθε στοιχείο, συμπεριλαμβανομένων των δυσάρεστων.
• Αντζεντικοί βρόχοι που διαβάζουν οθόνη. Η καταγωγή της σειράς M είναι ρητά αντζεντική, και η κλήση εργαλείων είναι διαθέσιμη.

Πιάσε κάτι άλλο όταν

• Χρειάζεσαι την υψηλότερη οροφή όρασης και υπάρχει ο προϋπολογισμός. Το Kimi-K3 · 3BIT-REAP έχει 7.7× την τιμή εισόδου για κάποιον λόγο· σε μία ανάγνωση υψηλού διακυβεύματος, αυτά είναι τα σωστά χρήματα να ξοδέψεις.
• Χρειάζεσαι βάρη μέγιστης πιστότητας. Τα 3 bit είναι η πιο επιθετική μας βαθμίδα. Τα μοντέλα W8A16 ανταλλάσσουν τιμή με ακρίβεια, και το MiMo-V2.5 · W8A16 έχει δυνατότητα όρασης στα ίδια $0.50 / $2.00 αν αυτό που βελτιστοποιείς είναι η πιστότητα ανά βάρος.
• Χρειάζεσαι βίντεο. Δεν εκθέτουμε είσοδο βίντεο σε αυτό το endpoint.
• Η εργασία είναι καθαρό κείμενο στην αιχμή. Για αυτό υπάρχει το DeepSeek-V4-Pro-0813· αλλιώς θα πλήρωνες για έναν πύργο όρασης που δεν χρησιμοποιείς ποτέ.

Τα νούμερα αρχιτεκτονικής, benchmark και επιτάχυνσης για την οικογένεια MiniMax είναι δηλωμένα από το εργαστήριο MiniMax AI· τα νούμερα του REAP είναι δηλωμένα από τους συγγραφείς του REAP πάνω στα δικά τους μοντέλα και δεν αποτελούν μέτρηση αυτού του build. Οι τιμές, το παράθυρο context και οι σημαίες δυνατοτήτων του Shannon είναι δικά μας και διαβάζονται από τον ζωντανό κατάλογο μοντέλων μας.

09Συχνές ερωτήσεις

---

Πηγές: Κάρτα μοντέλου 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. Τα νούμερα benchmark και επιτάχυνσης της MiniMax είναι δηλωμένα από το εργαστήριο και προσωρινά έως την ανεξάρτητη επαλήθευση. Οι τιμές και οι σημαίες δυνατοτήτων του Shannon ισχύουν στις 5 Σεπτεμβρίου 2026.