API بدون سانسور MiniMax: بینایی با کف قیمت

تقریباً هر API چندوجهی میزبانی‌شده، بینایی را به‌عنوان یک قابلیت لوکس قیمت‌گذاری می‌کند. برای متن نرخ یک مدل متنی می‌پردازید، و بعد به‌محض اینکه یک تصویر وارد پرامپت شود بیشتر می‌پردازید — گاهی چند برابر. علاوه بر این، ورودی تصویری همان‌جایی است که رفتار رد درخواست تهاجمی‌ترین حالت را دارد: مدلی که با خوشحالی درباره یک موضوع به‌صورت متنی گفت‌وگو می‌کند، از توصیف همان چیز در یک عکس سر باز می‌زند. نتیجه محصولی است که هم هر فراخوانی‌اش گران است و هم هر فراخوانی‌اش غیرقابل‌اتکا، و این وقتی حجم پردازش می‌کنید بدترین ترکیب ممکن است. MiniMax-M3 روی Shannon پاسخ ما به این وضع است: همان ۰٫۵۰ / ۲٫۰۰ دلاری که برای ارزان‌ترین مدل متنی ما می‌پردازید، اعمال‌شده روی بنیانی که از نخستین گام چندوجهی آموزش دیده، و بدون هیچ لایه رد درخواستی جلویش.

01«ارزان‌ترین مدل بینایی بدون سانسور» اینجا واقعاً یعنی چه

کاتالوگ Shannon دوازده مدل است. پنج تای آنها تصویر می‌پذیرند. قیمتشان، به ازای هر میلیون توکن:

مدل دارای بینایی	ورودی	خروجی	خروجی ساختاریافته
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	فقط response_format
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 روی کف می‌نشیند — ۰٫۵۰ / ۲٫۰۰ دلار — هم‌تراز با MiMo-V2.5 و هیچ‌چیز زیر آن نیست، چون ۰٫۵۰ / ۲٫۰۰ دلار خودش کف فهرست قیمت ماست. در برابر سقف بازه بینایی، ۷٫۷ برابر روی ورودی و ۹٫۶ برابر روی خروجی ارزان‌تر از Kimi-K3 است.

این را در یک بارِ کاری بگذارید. فرض کنید ۱٬۰۰۰ تصویر را غربال می‌کنید — اسکرین‌شات، صفحه اسکن‌شده، عکس محصول — با میانگین حدود ۱٬۲۰۰ توکن تصویر به‌علاوه پرامپت در ورودی و ۳۰۰ توکن پاسخ در خروجی:

قیمت‌های فهرست Shannon، سپتامبر ۲۰۲۶. شمارش توکن‌ها جنبه توضیحی دارد؛ توکن‌سازی تصویر شما به وضوح تصویر و تعداد تصاویری که در هر فراخوانی پیوست می‌کنید بستگی دارد.

دو نقطه مرجع دیگر که خوب است در ذهن نگه دارید. پر کردن یک‌باره کل کانتکست ۲۶۲٬۱۴۴ توکنی حدود ۱۳ سنت هزینه دارد. یک پاسخ با بیشترین طول یعنی ۱۶٬۳۸۴ توکن حدود ۳٫۳ سنت. اینها مرزهای واقعی یک درخواست بدترین‌حالت هستند، و آن‌قدر کوچک‌اند که محدودیت جالب یک خط لوله بینایی دیگر پول نیست، بلکه توان عبوری است.

02تبار MiniMax: آزمایشگاهی که توکن را بهینه می‌کند، نه تیتر را

MiniMax AI یک آزمایشگاه در شانگهای است که کل کارنامه وزن‌باز آن حول یک پرسش می‌چرخد: چگونه می‌توان توجه را آن‌قدر ارزان کرد که کانتکست بلند و چندوجهی‌بودن دیگر تجملی نباشند؟ هر انتشار در این خط، پاسخی به همان پرسش است، و پاسخ‌ها روی هم بنا می‌شوند.

MiniMax-01 — مکانیزم Lightning Attention، و بینایی از همان آغاز

سری MiniMax-01 (منتشرشده به‌عنوان arXiv 2501.08313) مکانیزم Lightning Attention را معرفی کرد، یک پیاده‌سازی آگاه به ورودی/خروجی از گونه‌ای توجه خطی، درون یک مدل ترکیبی Mixture-of-Experts با ۴۵۶ میلیارد پارامتر کل و ۴۵٫۹ میلیارد فعال به ازای هر توکن. این سری به‌صورت یک جفت عرضه شد: MiniMax-Text-01 و MiniMax-VL-01 یعنی مدل بینایی. مدل VL-01 از پشته اکنون‌آشنای ViT-MLP-LLM استفاده می‌کرد، اما با یک ویژن‌ترنسفورمر ۳۰۳ میلیون پارامتری که از صفر روی ۶۹۴ میلیون جفت تصویر-توضیح آموزش دیده بود و نه یک رمزگذار قرضی، که سپس در یک خط لوله چندمرحله‌ای با پردازش ۵۱۲ میلیارد توکن هم‌راستا و به‌صورت مشترک تنظیم شد.

این جزئیات برای مقاله‌ای که می‌خوانید اهمیت دارد. بینایی در این تبار یک آداپتور دیرهنگام نیست که برای پر کردن یک تیک روی یک مدل متنی بسته شده باشد. MiniMax از نخستین انتشار بازش برج بینایی خودش را آموزش می‌دهد، و به همین دلیل است که درک سند، فهم رابط کاربری و اسکرین‌شات، و خواندن نمودار به‌جای آنکه فکر بعدی باشند، نقاط قوت پیوسته این خانواده بوده‌اند.

MiniMax-M1 — توجه ترکیبی برای استدلال طولانی

MiniMax-M1 (‏arXiv 2506.13585) را نویسندگانش نخستین مدل استدلالی وزن‌باز و بزرگ‌مقیاس با توجه ترکیبی توصیف کردند. بدنه MoE با ۴۵۶ میلیارد / ۴۵٫۹ میلیارد را نگه داشت و دو نوع توجه را درهم بافت: یک بلوک ترنسفورمر با توجه softmax متعارف پس از هر هفت بلوک Lightning Attention. سود کار به‌جای جایگاه در جدول رده‌بندی، در محاسبات اندازه‌گیری شد — MiniMax گزارش کرد که در طول تولید ۱۰۰ هزار توکنی، M1 حدود ۲۵٪ از FLOPهای مدل DeepSeek R1 را مصرف می‌کند، در حالی که به‌طور بومی از کانتکست یک‌میلیون توکنی پشتیبانی می‌کند.

MiniMax-M2 — چرخش به فعال‌سازی کوچک

MiniMax-M2 در بُعد اندازه راه مخالف را رفت و به‌خاطرش توجه جلب کرد: یک رمزگشای ۶۲ لایه با ۲۲۹٫۹ میلیارد پارامتر کل اما تنها حدود ۹٫۸ میلیارد فعال به ازای هر توکن، با ۲۵۶ متخصص ریزدانه در هر لایه MoE و مسیریابی سیگموئیدی به هشت تای آنها، موقعیت‌های RoPE و QK-RMSNorm برای پایداری آموزش. این مدل صراحتاً یک مدل کدنویسی عاملی بود — ویرایش چندفایلی، حلقه‌های اجرا-و-اصلاح، تعمیرهای اعتبارسنجی‌شده با تست — و قالب اندیشیدن درهم‌بافته را معرفی کرد، که در آن استدلال میان دورهای فراخوانی ابزار حمل می‌شود به‌جای آنکه پس از هر نوبت دور ریخته شود. M2 همان مدلی است که شهرت MiniMax را در ارائه رفتار عاملی نزدیک به مرز دانش با کسری از هزینه هر توکن بنا کرد، صرفاً با کوچک نگه‌داشتن فعال‌سازی‌ها.

MiniMax-M3 — بنیان زیر این اندپوینت

MiniMax-M3 در ۱ ژوئن ۲۰۲۶ منتشر شد، وزن‌ها اندکی بعد روی Hugging Face آمدند و گزارش فنی در arXiv 2606.13392 قرار گرفت. این یک مدل Mixture-of-Experts با ۴۲۸ میلیارد پارامتر و حدود ۲۳ میلیارد فعال به ازای هر توکن است، با کانتکست مستند یک‌میلیون توکنی و ورودی بومی تصویر و ویدیو — MiniMax آن را چنین توصیف می‌کند که «از همان نخستین گام» با ترکیب وجه‌ها آموزش دیده، نه اینکه ابتدا متنی پیش‌آموزش دیده و سپس چندوجهی سازگار شده باشد. بر اساس اعداد منتشرشده خودِ MiniMax، این مدل ۸۰٫۵٪ روی SWE-bench Verified و ۵۹٫۰٪ روی SWE-bench Pro می‌گیرد. اینها اعداد گزارش‌شده از سوی سازنده روی یک بنچمارک کدنویسی‌اند، و دقیقاً باید با همین وزن سنجیده شوند؛ ما نقلشان می‌کنیم چون ادعاهای منتشرشده آن آزمایشگاه‌اند، نه چون مستقلاً بازتولیدشان کرده‌ایم.

03مکانیزم MiniMax Sparse Attention: چرا یک مدل بینایی می‌تواند این‌قدر ارزان باشد

مهندسی جالب در M3 همان MiniMax Sparse Attention (MSA) است، و دلیل مستقیم آن است که یک مدل چندوجهی در این اندازه می‌تواند روی کف قیمت ما بنشیند. تصاویر از نظر توکن گران‌اند. مشتی صفحه با وضوح بالا می‌تواند پیش از آنکه حتی یک دستور نوشته باشید ده‌ها هزار توکن وارد پرامپت کند. زیر توجه استاندارد، این هزینه به‌شکل درجه‌دو مرکب می‌شود، و مدلی که بیست صفحه می‌خواند دو برابر مدلی که ده صفحه می‌خواند گران نیست — به‌مراتب بدتر از دو برابر است.

‏MSA شکل این منحنی را عوض می‌کند. یک سازوکار تُنُکِ بلوکی است که روی ستون‌فقرات Grouped Query Attention ساخته شده، و به دو شاخه تقسیم می‌شود:

• یک شاخه ایندکس سبک که به بلوک‌های کلید-مقدار امتیاز می‌دهد — با بیشینه‌گیری امتیازها روی توکن‌های درون هر بلوک — و به ازای هر موقعیت پرس‌وجو و هر گروه GQA بهترین k را انتخاب می‌کند، و همیشه بلوک محلیِ حاوی خودِ پرس‌وجو را برای پایداری آموزش در انتخاب نگه می‌دارد.
• یک شاخه اصلی که توجه softmax معمولی را تنها روی بلوک‌هایی که ایندکس انتخاب کرده اجرا می‌کند.

پیکربندی در مقاله MSA برابر k = ۱۶ بلوک از ۱۲۸ توکن است، که به هر پرس‌وجو یک بودجه ثابت ۲٬۰۴۸ توکنِ موردتوجه می‌دهد. ثابت، یعنی با طول دنباله رشد نمی‌کند. کل ترفند همین است: با رشد کانتکست، هزینه توجه یک خط پایه چگال مدام بالا می‌رود در حالی که هزینه شاخه اصلی MSA مسطح می‌ماند، پس توجه به‌جای درجه‌دو به‌شکل خطی مقیاس می‌گیرد.

اعداد از گزارش MiniMax Sparse Attention (‏arXiv 2606.13392): کاهش ۲۸٫۴ برابری در FLOPهای توجه به ازای هر توکن نسبت به GQA با پیکربندی معادل در کانتکست ۱M، و تسریع‌های ۱۴٫۲ برابری پیش‌پرکردن / ۷٫۶ برابری رمزگشایی در زمان دیواری که در مطالعه ۱۰۹ میلیارد پارامتری همان مقاله روی سخت‌افزار H800 اندازه‌گیری شده‌اند. MiniMax جداگانه برای M3 در برابر M2 در کانتکست ۱M تسریع ۹ برابری پیش‌پرکردن و ۱۵ برابری رمزگشایی گزارش می‌کند. همه اینها گزارش‌شده از سوی آزمایشگاه‌اند.

مقاله همان بررسی‌ای را هم انجام می‌دهد که برای یک مقاله درباره بینایی اهمیت دارد: روی یک MoE ‏۱۰۹ میلیارد پارامتری با چندوجهی بومی، MSA کارایی قابل‌مقایسه با خط پایه توجه کامل را در بنچمارک‌های تصویری از جمله AI2D، ChartQA و MMMU، و در بنچمارک‌های ویدیویی از جمله EgoSchema، LongVideoBench و VideoMME حفظ کرد — و گونه‌های تُنُک گاهی روی وظایف ویدیویی با کانتکست بلندتر حتی بهتر بودند. تُنُکی اینجا مالیاتی نیست که بابت سرعت روی کیفیت بپردازید؛ روی ورودی‌های بلند تقریباً رایگان به نظر می‌رسد.

چرا به‌عنوان مشتری باید برایتان مهم باشد: هزینه سرویس‌دهی است که قیمت فهرست را تعیین می‌کند. بنیانی که هزینه توجهش از رشد بازمی‌ایستد، بنیانی است که می‌توانید بپردازید تا به صد هزار تصویر نشانه‌اش بروید. سازوکار پشت «ارزان‌ترین مدل بینایی بدون سانسور» همین است — یک نرخ تبلیغاتی نیست، یک معماری است.

04پسوند 3BIT-REAP یعنی چه، و کجا برایتان هزینه دارد

یک مدل ۴۲۸ میلیارد پارامتری با دقت کامل هیچ‌جای مناسبی جا نمی‌شود. بیلد MiniMax-M3 ما پسوند 3BIT-REAP را حمل می‌کند، که دو عملیات مجزا را توصیف می‌کند که به ترتیبی مشخص اعمال شده‌اند.

REAP: متخصص‌ها را پیش از فشرده‌سازی حذف کن

REAP — سرنام Router-weighted Expert Activation Pruning — یک روش فشرده‌سازی تک‌مرحله‌ای MoE از Cerebras و دانشگاه کلگری است که به‌عنوان arXiv 2510.13999 منتشر و در ICLR 2026 پذیرفته شد. استدلالش این است که برای وظایف مولد، هرس متخصص‌ها بر ادغامشان می‌چربد: ادغام، کنترل ریزدانه روتر را از بین می‌برد و خطایی وارد می‌کند که هرگز قابل جبران نیست. پس REAP به‌جای آن به هر متخصص با یک معیار برجستگی امتیاز می‌دهد که مقادیر گیت روتر (اینکه روتر چقدر مکرر و چقدر قوی انتخابش می‌کند) و نُرم فعال‌سازی متخصص (اینکه خروجی‌اش واقعاً چقدر سهم دارد) را ترکیب می‌کند، و بعد کم‌برجسته‌ترین متخصص‌ها را یکسره حذف می‌کند.

نویسندگان گزارش می‌کنند که تا ۵۰٪ متخصص‌ها را از مدل‌هایی به بزرگی یک تریلیون پارامتر حذف کرده‌اند در حالی که کیفیت پایه را عمدتاً حفظ کرده‌اند — روی Qwen3-480B-Coder-FP8 با هرس ۵۰٪، ۹۷٫۶٪ از توانایی کدنویسی غیرعاملی پایه و ۹۶٫۷٪ روی SWE-Bench عاملی حفظ شد. اینها اعداد آن مقاله روی مدل‌های آن مقاله‌اند، نه اعداد ما روی MiniMax-M3؛ نقلشان می‌کنیم تا بتوانید درباره خود روش قضاوت کنید، نه اینکه اندازه‌گیری معادلی را اینجا القا کنیم.

وزن‌های ۳ بیتی، در گام دوم

وزن‌های بازمانده سپس در ۳ بیت ذخیره می‌شوند. این ترتیب عمدی است و نکته اصلی همین ترکیب است: اول هرس، بعد کوانتیزاسیون. هیچ منطقی ندارد که سه بیت گران‌بهای هر وزن را خرج رمزگذاری وفادارانه متخصص‌هایی کنید که قرار است حذفشان کنید. دنباله تُنُک را هرس کنید، بعد بگذارید کل بودجه باقی‌مانده به متخصص‌هایی برسد که واقعاً شلیک می‌کنند.

هشدار صادقانه

3BIT-REAP تهاجمی‌ترین رده‌ای است که عرضه می‌کنیم. آن را روی بزرگ‌ترین بنیان‌ها به کار می‌بریم — MiniMax-M3، Kimi-K3، DeepSeek-V4-Pro، GLM-5.2، Nemotron3Ultra — چون همین تفاوت میان در دسترس بودن این مدل‌ها با قیمتی معقول و اصلاً در دسترس نبودنشان است. جایی که بنیان آن‌قدر کوچک باشد که به آن نیاز نداشته باشد، از آن استفاده نمی‌کنیم: مدل‌های W8A16 در کاتالوگ با وزن ۸ بیتی و فعال‌سازی ۱۶ بیتی کار می‌کنند، و W4A16-AUTOROUND-REAP در میانه می‌ایستد و با گِردکردن آموخته‌شده AutoRound دقتی را بازمی‌گرداند که کوانتیزاسیون ساده گِردکردن به نزدیک‌ترین از دست می‌دهد. رده‌ای را انتخاب کنید که با آستانه تحملتان جور باشد. اگر دارید از ده هزار فاکتور فیلد استخراج می‌کنید، ۳ بیتی بده‌بستان درستی است. اگر یک خوانش پرمخاطره و پزشکی‌قانونی از یک تصویر تکی دارید، پولش را روی Kimi-K3 خرج کنید.

05وقتی ورودی یک تصویر است، «بدون لایه رد درخواست» یعنی چه

«بدون سانسور» واژه‌ای است که شل و ول به کار می‌رود، پس ادعای دقیق این است: روی این اندپوینت هیچ لایه رد درخواستی و هیچ فیلترینگ خروجی وجود ندارد. هیچ دسته‌بندی‌کننده‌ای پیش از آنکه مدل تصویرتان را ببیند بازرسی‌اش نمی‌کند. هیچ مدل سیاستی توکن‌ها را در مسیر بیرون بازرسی نمی‌کند. آنچه مدل تولید می‌کند همان است که دریافت می‌کنید.

در متن، اثر این موضوع آشناست. در بینایی، ماهیتاً متفاوت است، چون رفتار رد درخواست روی ورودی‌های تصویری همان‌جایی است که APIهای چندوجهی تجاری محافظه‌کارانه‌ترین و دلبخواهی‌ترین رفتار را دارند. شکست‌های شاخص چنین‌اند:

• ردهای هویتی فراگیر — امتناع کامل از توصیف افراد در یک عکس، حتی ویژگی‌هایی که آشکارا دیدنی و کاملاً بی‌ضررند، چون یک سیاست نمی‌تواند توصیف را از شناسایی تشخیص دهد.
• عقب‌نشینی موضوعی — امتناع از رونویسی یا خلاصه‌کردن یک سند به‌خاطر موضوع آن سند، هرچند رونویسی یک کار مکانیکی است.
• حساسیت پزشکی و پزشکی‌قانونی — امتناع از توصیف تصاویر بالینی، مستندسازی جراحت، یا عکس‌های صحنه حادثه که یک متخصص به توصیفشان نیاز دارد.
• مثبت کاذب در ابزار امنیتی — امتناع از خواندن یک اسکرین‌شات چون یک ترمینال، یک ثبت بسته شبکه یا یک اشکال‌زدا در آن هست.
• افت خاموش — بدترینشان: نه یک رد، بلکه یک نا-پاسخِ محافظه‌کارانه، که از اعتبارسنجی اسکیمای شما رد می‌شود و مجموعه‌داده‌تان را بدون آنکه هرگز خطایی بلند کند مسموم می‌کند.

مشکل عملیاتی هر پنج مورد این نیست که ناعادلانه‌اند. این است که غیرقابل‌اندازه‌گیری‌اند. یک پاسخ غلط یک نقطه‌داده است؛ می‌توانید امتیازش دهید، در ارزیابی مچش را بگیرید و تصحیحش کنید. یک رد درخواست یک حفره است. در مقیاس دسته‌ای، نرخ رد ۳٪ که به‌شکل غیرتصادفی روی ورودی‌هایتان توزیع شده — و بنا به ساختار، دقیقاً روی موارد سخت و غیرعادی متمرکز است — یک سوگیری سامانمند در نتایج شماست که هیچ میزان پاک‌سازی پایین‌دستی جبرانش نمی‌کند. برداشتن لایه رد درخواست، یک منبع از داده‌های گمشده خاموش و هم‌بسته را برمی‌دارد.

‏Shannon توسط Shannon Lab LLC در نیومکزیکوی ایالات متحده و ذیل سیاست استفاده مسئولانه ما اداره می‌شود. بدون سانسور یعنی مدل درباره ورودی‌های شما اظهارنظر اخلاقی نمی‌کند؛ یعنی این نیست که حساب کاربری هیچ شرطی ندارد.

06مشخصات کامل

فیلد	MiniMax-M3 · 3BIT-REAP
شناسه مدل	MiniMax-M3-3BIT-REAP
بنیان	MiniMax-M3 (MiniMax AI)
پنجره کانتکست	۲۶۲٬۱۴۴ توکن
بیشینه خروجی	۱۶٬۳۸۴ توکن
ورودی تصویر	بله
ورودی ویدیو	در دسترس نیست
استریمینگ	بله
فراخوانی ابزار	بله
استدلال	بله (reasoning_effort)
خروجی ساختاریافته	json_schema + response_format
لایه رد درخواست	ندارد
اندپوینت‌ها	/v1/chat/completions · /v1/messages · /v1/responses
سرو‌شده روی	خوشه GPU خودِ Shannon

دو سطر در آن جدول تأکید می‌خواهند. ورودی ویدیو در دسترس نیست. بنیان بالادست M3 روی ویدیو آموزش دیده و MiniMax ورودی ویدیو را مستند می‌کند؛ اندپوینت ما تصویر می‌پذیرد. بر مبنای تصویر بسازید. دوم، پنجره ۲۶۲٬۱۴۴ توکنی مال ماست، نه آن عدد یک‌میلیونی بالادست — بارهای کاری سند بلند و چندتصویری را بر مبنای ۲۶۲٬۱۴۴ برنامه‌ریزی کنید و هرگز غافلگیر نمی‌شوید.

07فراخوانی API بدون سانسور MiniMax

سه گویش، یک مدل پشت همه‌شان، و استریمینگ روی هر سه. از هرکدام که کلاینت فعلی‌تان از قبل حرف می‌زند استفاده کنید؛ هیچ تفاوت قابلیتی میانشان نیست. base URL خود را به Shannon نشانه بروید و شناسه مدل را عوض کنید.

درک تصویر از طریق گویش 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
  }'

هم URLهای راه‌دور https:// و هم data URLهای base64 در بخش image_url کار می‌کنند. وقتی به مقایسه بین‌صفحه‌ای نیاز دارید چند بخش تصویری را در یک پیام پیوست کنید — ۲۶۲٬۱۴۴ توکن برای خرج‌کردن دارید و با ۰٫۵۰ دلار به ازای هر میلیون، خرج‌کردنشان ارزان است.

استخراج نوع‌دار با یک اسکیمای JSON

جایی که این مدل جایش را در یک خط لوله حق خودش می‌کند، ترکیب بینایی + اسکیمای سخت‌گیرانه + کف قیمت است. هر مدلی در کاتالوگ ما هر سه را ندارد: Laguna-S-2.1 و inkling از json_schema پشتیبانی نمی‌کنند. MiniMax-M3 می‌کند، یعنی می‌توانید بدون یک لایه پارس، یک شیء اعتبارسنجی‌شده از دل یک تصویر بیرون بکشید:

{
  "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
      }
    }
  }
}

تلاش استدلال

این مدل reasoning_effort را در دسترس می‌گذارد. روی دسته‌بندی انبوه تصویر آن را پایین نگه دارید — دارید یک پرسش ادراکی می‌پرسید، و توکن‌های استدلال همان توکن‌های خروجی‌اند که پولشان را می‌دهید. برای فراخوانی‌هایی که تصویر در آنها شاهدی در یک استدلال بلندتر است بالا ببریدش: خواندن یک نمودار در برابر یک مشخصات فنی، تطبیق یک چارت با یک جدول، تصمیم‌گیری درباره اینکه آیا دو اسکرین‌شات یک نقص را نشان می‌دهند یا نه.

مرجع کامل پارامترها، معناشناسی خطا و قالب‌های استریمینگ برای هر سه گویش در مستندات API شنون است.

08کجا MiniMax-M3 انتخاب درست است — و کجا نیست

سراغش بروید وقتی

• کار تصویری حجیم. برچسب‌زنی مجموعه‌داده، پژوهش نظارت محتوا، غنی‌سازی کاتالوگ، غربال اسکرین‌شات، OCR و ساختاردهی دسته‌ای روی اسناد اسکن‌شده. کف قیمت، تمام استدلال است.
• تبدیل تصویر به رکورد نوع‌دار. بینایی به‌علاوه json_schema سخت‌گیرانه به‌علاوه ارزان‌ترین توکن‌های کاتالوگ، ترکیبی است که فقط دو مدل اینجا ارائه می‌دهند.
• کانتکست چندوجهی بلند. صفحات پرشمار، یا فریم‌های پرشمار، در یک درخواست واحد — معماری زیرین دقیقاً برای همین شکل از ورودی ساخته شده است.
• پژوهشی که رد درخواست نمونه‌اش را خراب می‌کند. هر مطالعه‌ای که اعتبارش به پاسخ‌دادن مدل به تک‌تک آیتم‌ها، از جمله ناخوشایندها، بستگی دارد.
• حلقه‌های عاملی که یک صفحه را می‌خوانند. تبار سری M صراحتاً عاملی است، و فراخوانی ابزار در دسترس است.

سراغ چیز دیگری بروید وقتی

• به بالاترین سقف بینایی نیاز دارید و بودجه‌اش هست. Kimi-K3 · 3BIT-REAP بی‌دلیل ۷٫۷ برابر قیمت ورودی نیست؛ روی یک خوانش تکی پرمخاطره، این همان پولی است که خرج‌کردنش درست است.
• به وزن‌هایی با بیشینه وفاداری نیاز دارید. ۳ بیتی تهاجمی‌ترین رده ماست. مدل‌های W8A16 قیمت را با دقت معاوضه می‌کنند، و MiMo-V2.5 · W8A16 با همان ۰٫۵۰ / ۲٫۰۰ دلار دارای بینایی است اگر آنچه بهینه می‌کنید وفاداری به ازای هر وزن باشد.
• به ویدیو نیاز دارید. ما ورودی ویدیو را روی این اندپوینت در دسترس نمی‌گذاریم.
• وظیفه، متن خالص در مرز دانش است. DeepSeek-V4-Pro-0813 برای همین وجود دارد؛ وگرنه بابت برج بینایی‌ای پول می‌دهید که هرگز استفاده‌اش نمی‌کنید.

اعداد معماری، بنچمارک و تسریع برای خانواده MiniMax از سوی آزمایشگاه MiniMax AI گزارش شده‌اند؛ اعداد REAP را نویسندگان REAP روی مدل‌های خودشان گزارش کرده‌اند و اندازه‌گیری این بیلد نیستند. قیمت‌ها، پنجره کانتکست و پرچم‌های قابلیت Shannon مال ماست و از کاتالوگ زنده مدل‌هایمان خوانده می‌شود.

09پرسش‌های پرتکرار

---

منابع: کارت مدل 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. اعداد بنچمارک و تسریع MiniMax از سوی آزمایشگاه گزارش شده‌اند و تا راستی‌آزمایی مستقل موقتی‌اند. قیمت‌ها و پرچم‌های قابلیت Shannon تا ۵ سپتامبر ۲۰۲۶ به‌روز هستند.