MiniMax API zentsuragabea: ikusmena zoruko prezioan

01Zer esan nahi duen benetan hemen «ikusmen-eredu zentsuragaberik merkeena» esateak

Shannon katalogoa hamabi eredu dira. Horietako bostek irudiak onartzen dituzte. Haien prezioak, milioi tokeneko:

Ikusmena duen eredua	Sarrera	Irteera	Egituratutako irteera
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	response_format soilik
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 zoruan dago — $0.50 / $2.00 — MiMo-V2.5ekin berdinduta eta azpitik ezer gabe, $0.50 / $2.00 baita gure prezio-zerrendaren zorua. Ikusmen-tartearen goiko muturraren aldean 7.7× merkeagoa da sarreran eta 9.6× merkeagoa irteeran Kimi-K3 baino.

Jarri hori lan-karga batean. Demagun 1,000 irudi sailkatzen ari zarela — pantaila-argazkiak, eskaneatutako orriak, produktuen argazkiak — batez beste 1,200 token irudi gehi prompt sartzen eta 300 token erantzun ateratzen:

Shannon-en zerrenda-prezioak, 2026ko iraila. Token kopuruak adierazgarriak dira; zure irudien tokenizazioa bereizmenaren eta dei bakoitzean zenbat irudi eransten dituzun mende dago.

Buruan gordetzeko beste bi erreferentzia-puntu. 262,144 tokeneko testuingurua osorik behin betetzeak 13 zentimo inguru balio du. Gehienezko luzerako 16,384 tokeneko erantzun batek 3.3 zentimo inguru balio du. Horiek dira eskaera bakar baten kasurik txarreneko benetako mugak, eta ikusmen-kanalizazio batean interesgarria den murrizketa dirua izateari utzi eta errendimendua izaten hasteko adina txikiak dira.

02MiniMax leinua: tokenak optimizatzen dituen laborategi bat, ez titularrak

MiniMax AI Shanghaiko laborategi bat da, eta bere pisu irekiko ibilbide osoa galdera bakar bati buruzkoa da: nola egiten duzu arreta nahikoa merke testuinguru luzea eta multimodaltasuna luxu izateari uzteko? Lerroko kaleratze bakoitza galdera horren erantzun bat da, eta erantzunak elkarren gainean eraikitzen dira.

MiniMax-01 — Lightning Attention, eta ikusmena hasieratik

MiniMax-01 serieak (arXiv 2501.08313 gisa argitaratua) Lightning Attention aurkeztu zuen, arreta linealaren aldaera baten S/I-az jabetutako inplementazio bat, guztira 456B parametroko eta token bakoitzeko 45.9B aktiboko adituen nahasketako eredu hibrido baten barruan. Seriea bikote gisa iritsi zen: MiniMax-Text-01 eta MiniMax-VL-01, ikusmen-eredua. VL-01ek gaur egun ezaguna den ViT-MLP-LLM pila erabili zuen, baina hutsetik entrenatutako 303 milioi parametroko Vision Transformer batekin, 694 milioi irudi-epigrafe bikoteren gainean, mailegatutako kodetzaile bat erabili beharrean, eta gero lerrokatu eta batera fintu zen 512 mila milioi token prozesatzen zituen fase anitzeko kanalizazio batean.

Xehetasun horrek badu garrantzia irakurtzen ari zaren artikulurako. Leinu honetan ikusmena ez da testu-eredu bati beranduago itsatsitako egokitzaile bat laukitxo bat markatzeko. MiniMaxek bere ikusmen-dorre propioa entrenatzen du bere lehen kaleratze irekitik, eta horregatik izan dira dokumentuen ulermena, interfazeen eta pantaila-argazkien ulermena eta grafikoen irakurketa familiaren indargune sendoak eta ez atzeko pentsamenduak.

MiniMax-M1 — arreta hibridoa luzera arrazoitzeko

MiniMax-M1 (arXiv 2506.13585) bere egileek pisu irekiko eskala handiko arreta hibridoko lehen arrazoiketa-eredu gisa deskribatu zuten. 456B / 45.9B MoE gorputzari eutsi zion eta bi arreta motak txandakatu zituen: softmax arreta konbentzionaleko transformer bloke bat zazpi Lightning Attention blokeren ondoren. Ordaina konputazioan neurtu zen eta ez sailkapenetako postuan — MiniMaxek jakinarazi zuen 100K tokeneko sorkuntza-luzeran M1-ek DeepSeek R1-en FLOPen % 25 inguru kontsumitzen zuela, milioi bat tokeneko testuingurua natiboki onartzen zuen bitartean.

MiniMax-M2 — aktibazio txikirako biraketa

MiniMax-M2 beste norabidean joan zen tamainan eta horregatik erakarri zuen arreta: 62 geruzako deskodetzaile bat guztira 229.9B parametrorekin baina token bakoitzeko ~9.8B aktibo soilik, MoE geruza bakoitzeko 256 aditu fin erabiliz eta haietako zortzitara sigmoide bidez bideratuz, RoPE posizioekin eta QK-RMSNorm-ekin entrenamenduaren egonkortasunerako. Esplizituki kodetze agentikoko eredu bat zen — fitxategi anitzeko edizioak, exekutatu-konpondu begiztak, probek balioztatutako konponketak — eta pentsamendu txandakatuaren formatua aurkeztu zuen, non arrazoiketa tresna-deien txanden artean eramaten den txanda bakoitzaren ondoren baztertu beharrean. M2 da MiniMaxen ospea ezarri zuen eredua: mugaren ondoko jokabide agentikoa token bakoitzeko kostuaren zati batean ematea, aktibazioak txiki mantenduz soilik.

MiniMax-M3 — amaierapuntu honen azpiko oinarria

MiniMax-M3 2026ko ekainaren 1ean kaleratu zen, pisuak Hugging Face-n handik gutxira eta txosten teknikoa arXiv 2606.13392n. 428B parametroko adituen nahasketako eredu bat da, token bakoitzeko 23B aktibo inguru, dokumentatutako milioi bat tokeneko testuinguru batekin, eta irudi eta bideo sarrera natiboarekin — MiniMaxek dio modalitate mistoan entrenatu zela «lehen urratsetik», eta ez testuan aurre-entrenatu eta gero multimodalki egokitu. MiniMaxen argitaratutako zenbakien arabera % 80.5 ateratzen du SWE-bench Verified proban eta % 59.0 SWE-bench Pro proban. Horiek hornitzaileak jakinarazitako datuak dira kodetze-benchmark batean, eta hala pisatu behar dituzu; aipatzen ditugu laborategiaren argitaratutako aldarrikapenak direlako, eta ez modu independentean errepikatu ditugulako.

03MiniMax Sparse Attention: zergatik izan daitekeen ikusmen-eredu bat hain merkea

M3ko ingeniaritza interesgarria MiniMax Sparse Attention (MSA) da, eta hori da tamaina honetako eredu multimodal bat gure zoruko prezioan egon ahal izatearen zuzeneko arrazoia. Irudiak garestiak dira tokenetan. Bereizmen handiko orri gutxi batzuek hamarnaka mila token jar ditzakete prompt batean argibide bakar bat idatzi aurretik. Arreta estandarraren pean, kostu hori koadratikoki metatzen da, eta hogei orri irakurtzen dituen eredua ez da hamar irakurtzen dituenaren bikoitza garestiagoa — askoz okerragoa da.

MSAk kurba horren forma aldatzen du. Grouped Query Attention bizkarrezur baten gainean eraikitako mekanismo bloke-bakan bat da, bi adarretan banatuta:

• Indize-adar arin bat, gako-balio blokeei puntuazioa ematen diena — bloke bakoitzeko tokenen artean puntuazioak max-pooling eginez — eta kontsulta-posizio bakoitzeko eta GQA talde bakoitzeko top-k hautatzen duena, beti kontsulta bera daukan bloke lokala barne hartuz entrenamenduaren egonkortasunerako.
• Adar nagusi bat, softmax arreta arrunta indizeak hautatutako blokeen gainean soilik exekutatzen duena.

MSA artikuluko konfigurazioa k = 128 tokeneko 16 bloke da, eta horrek kontsulta bakoitzari 2,048 token artatuko aurrekontu finko bat ematen dio. Finkoa, hau da, ez da sekuentziaren luzerarekin hazten. Hori da trikimailu osoa: testuingurua hazten den heinean, oinarri trinko baten arreta-kostua igotzen jarraitzen du eta MSAren adar nagusiaren kostua lau geratzen da, beraz arreta linealki eskalatzen da eta ez koadratikoki.

Datuak MiniMax Sparse Attention txostenetik (arXiv 2606.13392): token bakoitzeko arreta-FLOPetan 28.4× murrizketa modu baliokidean konfiguratutako GQAren aldean 1M testuinguruan, eta 14.2× prefill / 7.6× deskodetze erloju-abiadura, artikuluaren 109B parametroko azterketan H800 hardwarean neurtuta. MiniMaxek bereiz jakinarazten ditu 9× prefill eta 15× deskodetze azkartzeak M3rentzat M2ren aldean 1M testuinguruan. Guztiak laborategiak jakinarazitakoak dira.

Artikuluak ikusmen-artikulu batentzat axola duen egiaztapena ere egiten du: natiboki multimodala den 109B MoE batean, MSAk arreta osoko oinarri baten pareko errendimenduari eutsi zion AI2D, ChartQA eta MMMU barne hartzen dituzten irudi-benchmarketan, eta EgoSchema, LongVideoBench eta VideoMME barne hartzen dituzten bideo-benchmarketan — aldaera bakanek batzuetan testuinguru luzeagoko bideo-zereginetan hobetu egiten zuten. Bakantasuna ez da hemen abiaduragatik ordaintzen duzun kalitate-zerga bat; sarrera luzeetan ia doakoa dela dirudi.

Zergatik axola dizun bezero gisa: zerbitzatze-kostuak ezartzen du zerrenda-prezioa. Arreta-kostua hazteari uzten dion oinarri bat ehun mila irudiri seinalatzeko ordain dezakezun oinarri bat da. Hori da «ikusmen-eredu zentsuragaberik merkeena» esaldiaren azpiko mekanismoa — ez da sustapen-tarifa bat, arkitektura bat da.

04Zer esan nahi duen 3BIT-REAPek, eta non kostatzen zaizun

428 mila milioi parametroko eredu bat ez da inon erosoki sartzen zehaztasun osoan. Gure MiniMax-M3 eraikuntzak 3BIT-REAP atzizkia darama, eta horrek ordena zehatz batean aplikatutako bi eragiketa bereizi deskribatzen ditu.

REAP: ezabatu adituak konprimitu aurretik

REAP — Router-weighted Expert Activation Pruning — Cerebras-en eta Calgaryko Unibertsitatearen MoE konprimitzeko kolpe bakarreko metodo bat da, arXiv 2510.13999 gisa argitaratua eta ICLR 2026n onartua. Bere argudioa da zeregin sortzaileetarako adituak inausteak haiek batzeari irabazten diola: batzeak bideratzailearen kontrol fina suntsitzen du eta inoiz berreskuratu ezin duzun errore bat sartzen du. Beraz REAPek aditu bakoitzari nabarmentze-irizpide batekin ematen dio puntuazioa, bideratzailearen atearen balioak (zenbatetan eta zeinen indartsu hautatzen duen) eta adituaren aktibazio-normak (bere irteerak benetan zenbat ekartzen duen) konbinatuz, eta gero gutxien nabarmentzen diren adituak zuzenean ezabatzen ditu.

Egileek jakinarazten dute bilioi bat parametroraino iristen diren ereduetatik adituen % 50 arte ken daitezkeela oinarrizko kalitateari neurri handi batean eutsiz — Qwen3-480B-Coder-FP8 ereduan % 50eko inausketarekin, oinarrizko kodetze ez agentikoaren gaitasunaren % 97.6 eta SWE-Bench agentikoaren % 96.7 mantendu ziren. Horiek artikuluaren zenbakiak dira artikuluaren ereduen gainean, eta ez gureak MiniMax-M3ren gainean; aipatzen ditugu metodoa epaitu ahal izan dezazun, eta ez hemen neurketa baliokide bat dagoela iradokitzeko.

3 biteko pisuak, bigarrenik

Bizirik geratzen diren pisuak gero 3 bitetan gordetzen dira. Ordena nahitakoa da eta hori da konbinazioaren gakoa: lehenik inausi, gero kuantizatu. Ez du zentzurik pisuko zure hiru bit preziatuak ezabatzera zoazen adituak fidelki kodetzen gastatzeak. Inausi buztan bakana, eta gero utzi gainerako aurrekontua osorik benetan pizten diren adituetara joaten.

Oharpen zintzoa

3BIT-REAP bidaltzen dugun mailarik agresiboena da. Oinarririk handienetan erabiltzen dugu — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — eredu horiek prezio zentzuzko batean eskuragarri egotearen eta batere eskuragarri ez egotearen arteko aldea delako. Oinarri bat behar ez izateko adina txikia denean, ez dugu erabiltzen: katalogoko W8A16 ereduek 8 biteko pisuak exekutatzen dituzte 16 biteko aktibazioekin, eta W4A16-AUTOROUND-REAP erdian dago, AutoRound-en ikasitako biribiltzea erabiliz hurbilenera biribiltze inozoak galtzen duen zehaztasuna berreskuratzeko. Aukeratu zure tolerantziarekin bat datorren maila. Hamar mila fakturatik eremuak erauzten ari bazara, 3 bit da truke egokia. Irudi bakar baten irakurketa forentse bat arrisku handikoa egiten ari bazara, gastatu dirua Kimi-K3 ereduan.

05Zer esan nahi duen «uko egiteko geruzarik ez» esateak sarrera irudi bat denean

Zentsuragabea modu lasaian erabiltzen den hitza da, beraz hona hemen aldarrikapen zehatza: amaierapuntu honetan ez dago uko egiteko geruzarik eta ez dago irteera-iragazkirik. Sailkatzailerik ez da zure irudiari begiratzen ereduak ikusi aurretik. Politika-eredurik ez da tokenei begiratzen irteeran. Ereduak sortzen duena da jasotzen duzuna.

Testuan, horren efektua ezaguna da. Ikusmenean, motaz desberdina da, irudi-sarreretan uko-jokabidea baita API multimodal komertzialak kontserbadoreenak eta arbitrarioenak diren lekua. Hutsegite bereizgarriek itxura hau dute:

• Identitate-uko orokorrak — argazki bateko pertsonak deskribatzeari batere uko egitea, argi ikusgai dauden eta erabat kaltegabeak diren ezaugarriak barne, politika batek deskribapena identifikaziotik bereizi ezin duelako.
• Gaiagatiko ihesbideak — dokumentu bat transkribatzeari edo laburtzeari uko egitea dokumentua zeri buruzkoa den kontuan hartuta, transkripzioa zeregin mekaniko bat izan arren.
• Nazka mediko eta forentsea — irudi klinikoak, lesioen dokumentazioa edo istripu-argazkiak deskribatzeari uko egitea, profesional batek deskribatuta behar dituenean.
• Segurtasun-tresneriaren positibo faltsuak — pantaila-argazki bat irakurtzeari uko egitea terminal bat, pakete-harrapaketa bat edo araztaile bat duelako.
• Degradazio isila — okerrena: ez uko bat, baizik eta erantzun-eza mozorrotu bat, zure eskemaren balidazioa gainditzen duena eta zure datu-multzoa pozoitzen duena inoiz errorerik piztu gabe.

Bostekin dagoen arazo operatiboa ez da bidegabeak izatea. Neurtezinak izatea da. Erantzun oker bat datu-puntu bat da; puntuatu dezakezu, ebaluazioan harrapatu eta zuzendu. Uko bat zulo bat da. Sorta-eskalan, zure sarreretan modu ez-ausazkoan banatutako % 3ko uko-tasa bat — eraikuntzaz kasu zail eta ezohikoetan kontzentratua — inolako geroko garbiketak berreskuratzen ez duen alborapen sistematiko bat da zure emaitzetan. Uko egiteko geruza kentzeak datu falta isil eta korrelazionatuen iturri bat kentzen du.

Shannon Shannon Lab LLC-k ustiatzen du, New Mexico, AEB, gure erabilera arduratsuaren politikaren pean. Zentsuragabeak esan nahi du ereduak ez duela zure sarrerei buruzko iritzirik ematen; ez du esan nahi kontuak baldintzarik ez duenik.

06Zehaztapen osoa

Eremua	MiniMax-M3 · 3BIT-REAP
Ereduaren identifikatzailea	MiniMax-M3-3BIT-REAP
Oinarria	MiniMax-M3 (MiniMax AI)
Testuinguru-leihoa	262,144 token
Gehienezko irteera	16,384 token
Irudi-sarrera	Bai
Bideo-sarrera	Ez dago agerian
Streaminga	Bai
Tresna-deiak	Bai
Arrazoiketa	Bai (reasoning_effort)
Egituratutako irteera	json_schema + response_format
Uko egiteko geruza	Bat ere ez
Amaierapuntuak	/v1/chat/completions · /v1/messages · /v1/responses
Non zerbitzatua	Shannon-en GPU kluster propioa

Taula horretako bi lerrok azpimarra merezi dute. Bideo-sarrera ez dago agerian. Jatorrizko M3 oinarria bideoarekin entrenatu zen eta MiniMaxek bideo-sarrera dokumentatzen du; gure amaierapuntuak irudiak onartzen ditu. Eraiki irudien gainean. Bigarrenik, 262,144 tokeneko leihoa gurea da, eta ez jatorrizko milioi bateko datua — planifikatu dokumentu luzeko eta irudi askoko lan-kargak 262,144ren arabera eta ez zaitu inoiz harrituko.

07MiniMax API zentsuragabeari deitzea

Hiru dialekto, eredu bera hiruren atzean, streaminga hirunetan. Erabili zure bezeroak dagoeneko hitz egiten duena; ez dago gaitasun-alderik haien artean. Zuzendu zure oinarrizko URLa Shannonera eta aldatu ereduaren identifikatzailea.

Irudi-ulermena OpenAI dialektoaren bidez

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
  }'

https:// urruneko URLek eta base64 datu-URLek biek funtzionatzen dute image_url zatian. Erantsi hainbat irudi-zati mezu bakar batean orriak konparatu behar dituzunean — 262,144 token dituzu gastatzeko eta, milioiko $0.50ean, gastatzea merkea da.

Erauzketa tipatua JSON eskema batekin

Eredu honek kanalizazio batean bere lekua irabazten duen tokia ikusmena + eskema zorrotza + zoruko prezioa konbinazioa da. Gure katalogoko eredu guztiek ez dituzte hirurak: Laguna-S-2.1ek eta inkling-ek ez dute json_schema onartzen. MiniMax-M3-k bai, eta horrek esan nahi du irudi batetik balioztatutako objektu bat atera dezakezula analisi-geruzarik gabe:

{
  "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
      }
    }
  }
}

Arrazoiketa-ahalegina

Ereduak reasoning_effort erakusten du. Irudien sailkapen masiboan, mantendu baxu — galdera pertzeptibo bat egiten ari zara, eta arrazoiketa-tokenak ordaintzen dituzun irteera-tokenak dira. Igo ezazu irudia argudio luzeago batean froga den deietarako: diagrama bat espezifikazio baten aurka irakurtzea, grafiko bat taula batekin bateratzea, bi pantaila-argazkik akats bera erakusten duten erabakitzea.

Parametroen erreferentzia osoa, erroreen semantika eta hiru dialektoen streaming formatuak Shannon APIaren dokumentazioan daude.

08Non den MiniMax-M3 aukera egokia — eta non ez

Jo harengana honetan

• Bolumen handiko irudi-lana. Datu-multzoen etiketatzea, moderazio-ikerketa, katalogoen aberastea, pantaila-argazkien sailkapena, eskaneatutako dokumentuen gaineko sorta bidezko OCR eta egituratzea. Zoruko prezioa da argudio osoa.
• Irudiak erregistro tipatu bihurtzea. Ikusmena gehi json_schema zorrotza gehi katalogoko tokenik merkeenak: bi ereduk baino ez dute hemen konbinazio hori eskaintzen.
• Testuinguru multimodal luzea. Orri asko, edo fotograma asko, eskaera bakar batean — azpiko arkitektura zehazki sarrera-forma horretarako eraikita dago.
• Ukoek lagina hondatzen duten ikerketa. Bere baliozkotasuna ereduak elementu guztiei erantzuteko mende dagoen edozein azterketa, deserosoak barne.
• Pantaila bat irakurtzen duten begizta agentikoak. M seriearen leinua esplizituki agentikoa da, eta tresna-deiak eskuragarri daude.

Jo beste zerbaitengana honetan

• Ikusmen-sabairik altuena behar duzu eta aurrekontua badago. Kimi-K3 · 3BIT-REAP sarrera-prezioaren 7.7× da arrazoi batengatik; arrisku handiko irakurketa bakar batean, hori da gastatzeko diru egokia.
• Fideltasun handieneko pisuak behar dituzu. 3 bit da gure mailarik agresiboena. W8A16 ereduek prezioa zehaztasunagatik trukatzen dute, eta MiMo-V2.5 · W8A16 ikusmen-gai da $0.50 / $2.00 berean, pisu bakoitzeko fideltasuna optimizatzen ari bazara.
• Bideoa behar duzu. Ez dugu bideo-sarrera erakusten amaierapuntu honetan.
• Zeregina mugako testu hutsa da. DeepSeek-V4-Pro-0813 horretarako dago; inoiz erabiltzen ez duzun ikusmen-dorre bat ordaintzen egongo zinateke.

MiniMax familiaren arkitektura-, benchmark- eta azkartze-datuak MiniMax AI laborategiak jakinarazitakoak dira; REAP datuak REAPen egileek jakinarazitakoak dira beren ereduen gainean eta ez dira eraikuntza honen neurketa bat. Shannon-en prezioak, testuinguru-leihoa eta gaitasun-banderak gureak dira eta gure eredu-katalogo bizitik irakurtzen dira.

09Maiz egiten diren galderak

---

Iturriak: MiniMax-M3 ereduaren txartela · 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. MiniMaxen benchmark eta azkartze datuak laborategiak jakinarazitakoak dira eta behin-behinekoak dira egiaztapen independentearen zain. Shannon-en prezioak eta gaitasun-banderak 2026ko irailaren 5ekoak dira.