API de MiniMax sin censura: visión al precio mínimo

Casi todas las API multimodales alojadas cobran la visión como un extra. Pagas la tarifa de un modelo de texto por el texto y luego pagas más —a veces varias veces más— en cuanto entra una imagen en el prompt. Además, las entradas de imagen son donde el comportamiento de rechazo es más agresivo: el modelo que discute un tema con gusto por escrito se niega a describir lo mismo en una fotografía. El resultado es un producto caro por llamada y poco fiable por llamada, que es lo peor de ambos mundos cuando procesas volumen. MiniMax-M3 en Shannon es nuestra respuesta: los mismos $0.50 / $2.00 que pagas por nuestro modelo de texto más barato, aplicados a una base entrenada como multimodal desde el primer paso y sin ninguna capa de rechazo delante.

01Qué significa aquí «el modelo de visión sin censura más barato»

El catálogo de Shannon son doce modelos. Cinco de ellos aceptan imágenes. Sus precios, por millón de tokens:

Modelo con visión	Entrada	Salida	Salida 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	solo response_format
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 está en el suelo —$0.50 / $2.00—, empatado con MiMo-V2.5 y sin nada por debajo, porque $0.50 / $2.00 es el suelo de nuestra lista de precios. Frente al extremo alto del rango de visión es 7.7× más barato en entrada y 9.6× más barato en salida que Kimi-K3.

Llévalo a una carga de trabajo. Supón que clasificas 1,000 imágenes —capturas de pantalla, páginas escaneadas, fotos de producto— con una media aproximada de 1,200 tokens de imagen más prompt a la entrada y 300 tokens de respuesta a la salida:

Precios de lista de Shannon, septiembre de 2026. Los recuentos de tokens son ilustrativos; la tokenización de tus imágenes depende de la resolución y de cuántas adjuntes por llamada.

Dos referencias más que conviene tener en la cabeza. Llenar una vez toda la ventana de 262,144 tokens cuesta unos 13 centavos. Una respuesta de longitud máxima, 16,384 tokens, cuesta unos 3.3 centavos. Esos son los límites reales de una sola petición en el peor caso, y son lo bastante pequeños como para que la restricción interesante de una tubería de visión deje de ser el dinero y pase a ser el rendimiento.

02El linaje MiniMax: un laboratorio que optimiza tokens, no titulares

MiniMax AI es un laboratorio de Shanghái cuyo historial completo de pesos abiertos gira en torno a una sola pregunta: ¿cómo abaratas la atención lo suficiente para que el contexto largo y la multimodalidad dejen de ser lujos? Cada publicación de la línea es una respuesta a esa pregunta, y las respuestas se construyen unas sobre otras.

MiniMax-01: Lightning Attention y visión desde el principio

La serie MiniMax-01 (publicada como arXiv 2501.08313) introdujo Lightning Attention, una implementación consciente de la E/S de una variante de atención lineal, dentro de un modelo Mixture-of-Experts híbrido de 456B parámetros totales con 45.9B activos por token. La serie salió en pareja: MiniMax-Text-01 y MiniMax-VL-01, el modelo de visión. VL-01 usaba la ya familiar pila ViT-MLP-LLM, pero con un Vision Transformer de 303 millones de parámetros entrenado desde cero sobre 694 millones de pares imagen-descripción en lugar de un codificador prestado, luego alineado y afinado conjuntamente en una tubería multietapa que procesó 512 000 millones de tokens.

Ese detalle importa para el artículo que estás leyendo. En este linaje, la visión no es un adaptador tardío atornillado a un modelo de texto para marcar una casilla. MiniMax lleva entrenando su propia torre visual desde su primera publicación abierta, y por eso la comprensión de documentos, de interfaces y capturas de pantalla y la lectura de gráficas han sido fortalezas constantes de la familia y no ocurrencias tardías.

MiniMax-M1: atención híbrida para razonar largo

MiniMax-M1 (arXiv 2506.13585) fue descrito por sus autores como el primer modelo de razonamiento de atención híbrida a gran escala con pesos abiertos. Mantuvo el cuerpo MoE de 456B / 45.9B e intercaló los dos tipos de atención: un bloque transformer de atención softmax convencional después de cada siete bloques de Lightning Attention. El beneficio se midió en cómputo y no en posición de tabla: MiniMax reportó que, con una longitud de generación de 100K tokens, M1 consumía en torno al 25% de los FLOPs de DeepSeek R1, admitiendo de forma nativa un contexto de un millón de tokens.

MiniMax-M2: el giro hacia pocas activaciones

MiniMax-M2 fue en la dirección contraria en cuanto a tamaño y se ganó la atención por ello: un decodificador de 62 capas con 229.9B parámetros totales pero solo ~9.8B activos por token, usando 256 expertos de grano fino por capa MoE con enrutado sigmoide hacia ocho de ellos, posiciones RoPE y QK-RMSNorm para la estabilidad del entrenamiento. Era explícitamente un modelo de programación agéntica —ediciones multiarchivo, bucles de ejecutar y corregir, reparaciones validadas por tests— e introdujo el formato de pensamiento intercalado, donde el razonamiento se arrastra entre rondas de llamadas a herramientas en lugar de descartarse tras cada turno. M2 es el modelo que estableció la reputación de MiniMax de entregar comportamiento agéntico cercano a la frontera a una fracción del coste por token, simplemente manteniendo minúsculas las activaciones.

MiniMax-M3: la base bajo este endpoint

MiniMax-M3 se publicó el 1 de junio de 2026, con los pesos en Hugging Face poco después y un informe técnico en arXiv 2606.13392. Es un modelo Mixture-of-Experts de 428B parámetros con unos 23B activos por token, un contexto documentado de un millón de tokens y entrada nativa de imagen y vídeo: MiniMax lo describe como entrenado en modalidad mixta «desde el primer paso», en lugar de preentrenado en texto y adaptado después a lo multimodal. Según las cifras publicadas por MiniMax, obtiene un 80.5% en SWE-bench Verified y un 59.0% en SWE-bench Pro. Son cifras del proveedor sobre un benchmark de programación, que es exactamente el peso que deberías darles; las citamos porque son las afirmaciones publicadas del laboratorio, no porque las hayamos reproducido de forma independiente.

03MiniMax Sparse Attention: por qué un modelo de visión puede ser tan barato

La ingeniería interesante de M3 es MiniMax Sparse Attention (MSA), y es la razón directa de que un modelo multimodal de este tamaño pueda estar en nuestro precio mínimo. Las imágenes son caras en tokens. Un puñado de páginas en alta resolución puede meter decenas de miles de tokens en un prompt antes de que hayas escrito una sola instrucción. Con atención estándar, ese coste crece de forma cuadrática, y el modelo que lee veinte páginas no cuesta el doble que el que lee diez: cuesta bastante más del doble.

MSA cambia la forma de esa curva. Es un mecanismo disperso por bloques construido sobre una base de Grouped Query Attention, dividido en dos ramas:

• Una rama de índice ligera que puntúa los bloques clave-valor —agregando por máximo las puntuaciones de los tokens de cada bloque— y selecciona los top-k por posición de consulta y por grupo GQA, incluyendo siempre el bloque local que contiene la propia consulta para dar estabilidad al entrenamiento.
• Una rama principal que ejecuta atención softmax ordinaria solo sobre los bloques que seleccionó el índice.

La configuración del artículo de MSA es k = 16 bloques de 128 tokens, lo que da a cada consulta un presupuesto fijo de 2,048 tokens atendidos. Fijo, es decir, que no crece con la longitud de la secuencia. Ese es todo el truco: a medida que crece el contexto, el coste de atención de una base densa sigue subiendo mientras que el de la rama principal de MSA se mantiene plano, así que la atención escala linealmente en vez de cuadráticamente.

Cifras del informe de MiniMax Sparse Attention (arXiv 2606.13392): una reducción de 28.4× en los FLOPs de atención por token frente a una GQA configurada de forma equivalente con 1M de contexto, y aceleraciones de reloj de 14.2× en prefill y 7.6× en decodificación medidas sobre hardware H800 en el estudio de 109B parámetros del artículo. MiniMax reporta por separado aceleraciones de 9× en prefill y 15× en decodificación para M3 frente a M2 con 1M de contexto. Todas son cifras del laboratorio.

El artículo hace además la comprobación que importa para un artículo sobre visión: en un MoE de 109B nativamente multimodal, MSA mantuvo un rendimiento comparable al de una base de atención completa en benchmarks de imagen como AI2D, ChartQA y MMMU, y en benchmarks de vídeo como EgoSchema, LongVideoBench y VideoMME, con las variantes dispersas mejorando a veces en las tareas de vídeo de contexto más largo. La dispersión aquí no es un impuesto de calidad que pagas por velocidad; en entradas largas parece ser prácticamente gratis.

Por qué debería importarte como cliente: el coste de servicio es lo que fija el precio de lista. Una base cuyo coste de atención deja de crecer es una base que puedes permitirte apuntar a cien mil imágenes. Ese es el mecanismo detrás de «el modelo de visión sin censura más barato»: no es una tarifa promocional, es una arquitectura.

04Qué significa 3BIT-REAP y dónde te cuesta

Un modelo de 428 000 millones de parámetros no cabe en ningún sitio cómodo a precisión completa. Nuestra compilación de MiniMax-M3 lleva el sufijo 3BIT-REAP, que describe dos operaciones distintas aplicadas en un orden concreto.

REAP: borra expertos antes de comprimirlos

REAP —Router-weighted Expert Activation Pruning— es un método de compresión de MoE en una sola pasada, de Cerebras y la Universidad de Calgary, publicado como arXiv 2510.13999 y aceptado en ICLR 2026. Su argumento es que, para tareas generativas, podar expertos gana a fusionarlos: la fusión destruye el control fino del enrutador e introduce un error que ya nunca puedes recuperar. Así que REAP puntúa en su lugar cada experto con un criterio de relevancia que combina los valores de compuerta del enrutador (con qué frecuencia y qué fuerza lo elige) y las normas de activación del experto (cuánto contribuye realmente su salida), y luego elimina directamente los expertos menos relevantes.

Los autores reportan la eliminación de hasta un 50% de los expertos en modelos de hasta un billón de parámetros preservando en gran medida la calidad base: en Qwen3-480B-Coder-FP8 con un 50% de poda se conservó el 97.6% de la capacidad base de programación no agéntica y el 96.7% en el SWE-Bench agéntico. Esas son las cifras del artículo sobre los modelos del artículo, no las nuestras sobre MiniMax-M3; las citamos para que puedas juzgar el método, no para dar a entender una medición equivalente aquí.

Pesos de 3 bits, en segundo lugar

Los pesos supervivientes se almacenan después a 3 bits. El orden es deliberado y es la clave de la combinación: primero podar, luego cuantizar. No tiene ningún sentido gastar tus preciados tres bits por peso codificando fielmente expertos que estás a punto de borrar. Poda la cola dispersa y deja que el presupuesto restante vaya entero a los expertos que de verdad se activan.

La advertencia honesta

3BIT-REAP es el nivel más agresivo que publicamos. Lo usamos en las bases más grandes —MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra— porque es la diferencia entre que esos modelos estén disponibles a un precio sensato o no estén disponibles en absoluto. Donde una base es lo bastante pequeña como para no necesitarlo, no lo usamos: los modelos W8A16 del catálogo corren con pesos de 8 bits y activaciones de 16 bits, y W4A16-AUTOROUND-REAP queda en medio, usando el redondeo aprendido de AutoRound para recuperar la precisión que regala la cuantización ingenua al valor más cercano. Elige el nivel que corresponda a tu tolerancia. Si estás extrayendo campos de diez mil facturas, 3 bits es el intercambio correcto. Si haces una única lectura forense de alto riesgo sobre una sola imagen, gasta el dinero en Kimi-K3.

05Qué significa «sin capa de rechazo» cuando la entrada es una imagen

«Sin censura» es una palabra que se usa a la ligera, así que aquí va la afirmación precisa: en este endpoint no hay capa de rechazo ni filtrado de la salida. Ningún clasificador inspecciona tu imagen antes de que el modelo la vea. Ningún modelo de políticas inspecciona los tokens a la salida. Lo que el modelo produce es lo que recibes.

En texto, el efecto es conocido. En visión es distinto en naturaleza, porque el comportamiento de rechazo ante entradas de imagen es donde las API multimodales comerciales se muestran más conservadoras y más arbitrarias. Los fallos característicos tienen este aspecto:

• Rechazos generalizados de identidad: negarse a describir personas en una fotografía, incluidos atributos claramente visibles y del todo inocuos, porque una política no sabe distinguir describir de identificar.
• Abandonos por temática: negarse a transcribir o resumir un documento por lo que trata el documento, aunque transcribir sea una tarea mecánica.
• Aprensión médica y forense: negarse a describir imágenes clínicas, documentación de lesiones o fotografías de accidentes que un profesional necesita que se describan.
• Falsos positivos de utillaje de seguridad: negarse a leer una captura de pantalla porque contiene una terminal, una captura de paquetes o un depurador.
• Degradación silenciosa: la peor de todas: no un rechazo, sino una no-respuesta con reservas, que pasa la validación de tu esquema y envenena tu conjunto de datos sin llegar a generar nunca un error.

El problema operativo de las cinco no es que sean injustas. Es que son inmedibles. Una respuesta equivocada es un dato; puedes puntuarla, cazarla en la evaluación y corregirla. Un rechazo es un agujero. A escala de lote, una tasa de rechazo del 3% distribuida de forma no aleatoria entre tus entradas —concentrada, por construcción, exactamente en los casos difíciles e inusuales— es un sesgo sistemático en tus resultados que ninguna limpieza posterior recupera. Quitar la capa de rechazo elimina una fuente de datos faltantes silenciosa y correlacionada.

Shannon está operado por Shannon Lab LLC, Nuevo México, EE. UU., bajo nuestra Política de Uso Responsable. Sin censura significa que el modelo no editorializa sobre tus entradas; no significa que la cuenta no tenga condiciones.

06La especificación completa

Campo	MiniMax-M3 · 3BIT-REAP
Identificador del modelo	MiniMax-M3-3BIT-REAP
Base	MiniMax-M3 (MiniMax AI)
Ventana de contexto	262,144 tokens
Salida máxima	16,384 tokens
Entrada de imagen	Sí
Entrada de vídeo	No expuesta
Streaming	Sí
Tool calling	Sí
Razonamiento	Sí (reasoning_effort)
Salida estructurada	json_schema + response_format
Capa de rechazo	Ninguna
Endpoints	/v1/chat/completions · /v1/messages · /v1/responses
Servido en	El propio clúster de GPU de Shannon

Dos líneas de esa tabla merecen énfasis. La entrada de vídeo no está expuesta. La base M3 original se entrenó con vídeo y MiniMax documenta la entrada de vídeo; nuestro endpoint acepta imágenes. Construye contra imágenes. Segundo, la ventana de 262,144 tokens es la nuestra, no la cifra original de un millón: planifica las cargas de documentos largos y muchas imágenes contra 262,144 y nunca te llevarás una sorpresa.

07Cómo llamar a la API de MiniMax sin censura

Tres dialectos, el mismo modelo detrás de todos ellos, streaming en los tres. Usa el que ya hable tu cliente actual; no hay diferencia de capacidades entre ellos. Apunta tu URL base a Shannon y cambia el identificador del modelo.

Comprensión de imágenes con el dialecto de 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
  }'

Tanto las URL remotas https:// como las URL de datos en base64 funcionan en la parte image_url. Adjunta varias partes de imagen en un mismo mensaje cuando necesites comparar entre páginas: tienes 262,144 tokens que gastar y, a $0.50 por millón, gastarlos sale barato.

Extracción tipada con un esquema JSON

Donde este modelo se gana su sitio en una tubería es en la combinación de visión + esquema estricto + precio mínimo. No todos los modelos de nuestro catálogo tienen las tres cosas: Laguna-S-2.1 e inkling no admiten json_schema. MiniMax-M3 sí, lo que significa que puedes obtener un objeto validado a partir de una imagen sin una capa de parseo:

{
  "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
      }
    }
  }
}

Esfuerzo de razonamiento

El modelo expone reasoning_effort. En clasificación masiva de imágenes, mantenlo bajo: estás haciendo una pregunta perceptiva, y los tokens de razonamiento son tokens de salida que pagas. Súbelo en las llamadas donde la imagen es una prueba dentro de un argumento más largo: leer un diagrama contra una especificación, conciliar una gráfica con una tabla, decidir si dos capturas de pantalla muestran el mismo defecto.

La referencia completa de parámetros, la semántica de errores y los formatos de streaming de los tres dialectos están en la documentación de la API de Shannon.

08Cuándo MiniMax-M3 es la elección correcta y cuándo no

Recurre a él cuando

• Trabajo de imagen en volumen. Etiquetado de conjuntos de datos, investigación sobre moderación, enriquecimiento de catálogos, clasificación de capturas de pantalla, OCR y estructuración por lotes sobre documentos escaneados. El precio mínimo es todo el argumento.
• Imágenes convertidas en registros tipados. Visión más json_schema estricto más los tokens más baratos del catálogo es una combinación que aquí solo ofrecen dos modelos.
• Contexto multimodal largo. Muchas páginas, o muchos fotogramas, en una sola petición: la arquitectura de debajo está hecha exactamente para esta forma de entrada.
• Investigación donde los rechazos corrompen la muestra. Cualquier estudio cuya validez dependa de que el modelo responda a todos los ítems, incluidos los incómodos.
• Bucles agénticos que leen una pantalla. El linaje de la serie M es explícitamente agéntico y el tool calling está disponible.

Recurre a otra cosa cuando

• Necesitas el techo de visión más alto y el presupuesto existe. Kimi-K3 · 3BIT-REAP cuesta 7.7× más en entrada por algo; en una sola lectura de alto riesgo, ese es el dinero correcto que gastar.
• Necesitas pesos de máxima fidelidad. 3 bits es nuestro nivel más agresivo. Los modelos W8A16 cambian precio por precisión, y MiMo-V2.5 · W8A16 tiene visión al mismo $0.50 / $2.00 si lo que optimizas es la fidelidad por peso.
• Necesitas vídeo. No exponemos entrada de vídeo en este endpoint.
• La tarea es texto puro en la frontera. DeepSeek-V4-Pro-0813 existe para eso; aquí estarías pagando por una torre de visión que nunca usas.

Las cifras de arquitectura, benchmark y aceleración de la familia MiniMax están reportadas por el laboratorio MiniMax AI; las cifras de REAP están reportadas por los autores de REAP sobre sus propios modelos y no son una medición de esta compilación. Los precios de Shannon, la ventana de contexto y los indicadores de capacidad son nuestros y se leen de nuestro catálogo de modelos en producción.

09Preguntas frecuentes

---

Fuentes: ficha del modelo 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. Las cifras de benchmark y aceleración de MiniMax están reportadas por el laboratorio y son provisionales a la espera de verificación independiente. Los precios y los indicadores de capacidad de Shannon están vigentes a 5 de septiembre de 2026.