API de MiniMax sen censura: visión ao prezo chan

Case todas as API multimodais aloxadas cobran a visión como un extra. Pagas a tarifa dun modelo de texto polo texto, e despois pagas máis — ás veces varias veces máis — no momento en que unha imaxe entra no prompt. Ademais, as entradas de imaxe son onde o comportamento de negativa é máis agresivo: o modelo que discute un tema encantado en texto negarase a describir esa mesma cousa nunha fotografía. O resultado é un produto caro por chamada e pouco fiable por chamada, que é o peor dos dous mundos cando procesas volume. MiniMax-M3 en Shannon é a nosa resposta a iso: os mesmos $0.50 / $2.00 que pagas polo noso modelo de texto máis barato, aplicados a unha base adestrada como multimodal desde o primeiro paso, e sen capa de negativas diante dela.

01Que significa aquí "o modelo con visión sen censura máis barato"

O catálogo de Shannon son doce modelos. Cinco deles aceptan imaxes. Os seus prezos, por millón de tokens:

Modelo con visión	Entrada	Saída	Saída estruturada
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	só response_format
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 está no chan — $0.50 / $2.00 — empatado con MiMo-V2.5 e sen nada por debaixo, porque $0.50 / $2.00 é o chan da nosa lista de prezos. Fronte ao teito do rango con visión, é 7.7× máis barato na entrada e 9.6× máis barato na saída ca Kimi-K3.

Ponno nunha carga de traballo. Supón que estás a clasificar 1,000 imaxes — capturas de pantalla, páxinas escaneadas, fotos de produto — cunha media de arredor de 1,200 tokens de imaxe máis prompt á entrada e 300 tokens de resposta á saída:

Prezos de lista de Shannon, setembro de 2026. Os recontos de tokens son ilustrativos; a tokenización das túas imaxes depende da resolución e de cantas imaxes anexes por chamada.

Dous puntos de referencia máis que convén ter na cabeza. Encher unha vez o contexto enteiro de 262,144 tokens custa arredor de 13 céntimos. Unha resposta de lonxitude máxima de 16,384 tokens custa arredor de 3.3 céntimos. Eses son os límites reais dunha soa petición no peor dos casos, e son o bastante pequenos como para que a restrición interesante nunha canalización de visión deixe de ser o diñeiro e pase a ser o rendemento.

02A liñaxe MiniMax: un laboratorio que optimiza tokens, non titulares

MiniMax AI é un laboratorio de Xangai cuxo historial enteiro de pesos abertos xira arredor dunha soa pregunta: como fas que a atención sexa o bastante barata para que o contexto longo e a multimodalidade deixen de ser luxos? Cada publicación da liña é unha resposta a esa pregunta, e as respostas constrúen unhas sobre outras.

MiniMax-01 — Lightning Attention, e visión desde o principio

A serie MiniMax-01 (publicada como arXiv 2501.08313) introduciu a Lightning Attention, unha implementación consciente da E/S dunha variante de atención lineal, dentro dun modelo Mestura de Expertos híbrido de 456 mil millóns de parámetros totais con 45.9 mil millóns activos por token. A serie saíu en parella: MiniMax-Text-01 e MiniMax-VL-01, o modelo de visión. VL-01 usaba a xa familiar pila ViT-MLP-LLM, pero cun Vision Transformer de 303 millóns de parámetros adestrado desde cero con 694 millóns de pares de imaxe e lenda no canto dun codificador prestado, aliñado e axustado despois de forma conxunta nunha canalización de varias etapas que procesou 512 mil millóns de tokens.

Ese detalle importa para o artigo que estás a ler. A visión desta liñaxe non é un adaptador tardío atornillado a un modelo de texto para marcar unha casa. MiniMax leva adestrando a súa propia torre visual desde a súa primeira publicación aberta, e por iso a comprensión de documentos, de interfaces e capturas de pantalla e a lectura de gráficas foron fortalezas constantes da familia e non ocorrencias posteriores.

MiniMax-M1 — atención híbrida para razoar longo

MiniMax-M1 (arXiv 2506.13585) foi descrito polos seus autores como o primeiro modelo de razoamento de atención híbrida a grande escala e con pesos abertos. Conservou o corpo MoE de 456B / 45.9B e intercalou os dous tipos de atención: un bloque de transformer con atención softmax convencional despois de cada sete bloques de Lightning Attention. O beneficio mediuse en cómputo e non en posición nun ranking — MiniMax informou de que cunha lonxitude de xeración de 100K tokens, M1 consumía arredor do 25% dos FLOPs de DeepSeek R1, admitindo á vez de forma nativa un contexto dun millón de tokens.

MiniMax-M2 — o xiro cara ás activacións pequenas

MiniMax-M2 foi na dirección contraria en tamaño e gañou atención por iso: un decodificador de 62 capas con 229.9 mil millóns de parámetros totais pero só uns 9.8 mil millóns activos por token, usando 256 expertos de gran fino por capa MoE con enrutamento sigmoide a oito deles, posicións RoPE e QK-RMSNorm para a estabilidade do adestramento. Era explicitamente un modelo de programación con axentes — edicións en varios ficheiros, bucles de executar e arranxar, reparacións validadas con probas — e introduciu o formato de pensamento intercalado, no que o razoamento se transporta entre rondas de chamada de ferramentas en vez de descartarse tras cada quenda. M2 é o modelo que estableceu a reputación de MiniMax de entregar comportamento con axentes próximo á fronteira por unha fracción do custo por token, simplemente mantendo minúsculas as activacións.

MiniMax-M3 — a base baixo este endpoint

MiniMax-M3 publicouse o 1 de xuño de 2026, cos pesos en Hugging Face pouco despois e un informe técnico en arXiv 2606.13392. É un modelo Mestura de Expertos de 428 mil millóns de parámetros con arredor de 23 mil millóns activos por token, un contexto documentado dun millón de tokens e entrada nativa de imaxe e vídeo — MiniMax descríbeo como adestrado en modalidade mixta "desde o primeiro paso", en vez de preadestrado en texto e adaptado despois a multimodal. Coas cifras publicadas pola propia MiniMax obtén un 80.5% en SWE-bench Verified e un 59.0% en SWE-bench Pro. Son cifras informadas polo provedor nun benchmark de programación, que é exactamente como as debes pesar; citámolas porque son as afirmacións publicadas do laboratorio, non porque as reproducísemos de forma independente.

03MiniMax Sparse Attention: por que un modelo con visión pode ser tan barato

A enxeñaría interesante de M3 é a MiniMax Sparse Attention (MSA), e é a razón directa pola que un modelo multimodal deste tamaño pode estar no noso prezo chan. As imaxes son caras en tokens. Un puñado de páxinas de alta resolución poden meter decenas de miles de tokens nun prompt antes de que escribas unha soa instrución. Coa atención estándar, ese custo compóñese de forma cuadrática, e o modelo que le vinte páxinas non custa o dobre có que le dez — custa moito máis do dobre.

A MSA cambia a forma desa curva. É un mecanismo disperso por bloques construído sobre unha estrutura de Grouped Query Attention, dividido en dúas ramas:

• Unha rama de índice lixeira que puntúa os bloques de clave e valor — agregando por máximo as puntuacións dos tokens dentro de cada bloque — e selecciona os k mellores por posición de consulta e por grupo GQA, incluíndo sempre o bloque local que contén a propia consulta para a estabilidade do adestramento.
• Unha rama principal que executa atención softmax ordinaria só sobre os bloques que o índice seleccionou.

A configuración do artigo da MSA é k = 16 bloques de 128 tokens, o que lle dá a cada consulta un orzamento fixo de 2,048 tokens atendidos. Fixo, é dicir, que non medra coa lonxitude da secuencia. Ese é todo o truco: a medida que o contexto crece, o custo de atención dunha liña base densa segue subindo mentres que o custo da rama principal da MSA queda plano, así que a atención escala de forma lineal en vez de cuadrática.

Cifras do informe de MiniMax Sparse Attention (arXiv 2606.13392): unha redución de 28.4× nos FLOPs de atención por token fronte a unha GQA configurada de forma equivalente cun contexto de 1M, e aceleracións de reloxo de 14.2× en prefill e 7.6× en decodificación medidas en hardware H800 no estudo de 109 mil millóns de parámetros do artigo. MiniMax informa aparte de aceleracións de 9× en prefill e 15× en decodificación para M3 fronte a M2 cun contexto de 1M. Todas son cifras informadas polo laboratorio.

O artigo tamén fai a comprobación que importa para un artigo sobre visión: nunha MoE de 109 mil millóns de parámetros nativamente multimodal, a MSA mantivo un rendemento comparable ao dunha liña base de atención completa en benchmarks de imaxe como AI2D, ChartQA e MMMU, e en benchmarks de vídeo como EgoSchema, LongVideoBench e VideoMME — coas variantes dispersas ás veces mellorando nas tarefas de vídeo de contexto máis longo. A dispersión aquí non é un imposto de calidade que pagas pola velocidade; nas entradas longas parece ser practicamente de balde.

Por que che debe importar como cliente: o custo de servizo é o que fixa o prezo de lista. Unha base cuxo custo de atención deixa de medrar é unha base que podes permitirte apuntar cara a cen mil imaxes. Ese é o mecanismo detrás do "modelo con visión sen censura máis barato" — non é unha tarifa promocional, é unha arquitectura.

04Que significa 3BIT-REAP, e onde che custa

Un modelo de 428 mil millóns de parámetros non colle en ningún sitio cómodo a precisión completa. A nosa compilación de MiniMax-M3 leva o sufixo 3BIT-REAP, que describe dúas operacións distintas aplicadas nunha orde concreta.

REAP: elimina expertos antes de comprimilos

REAP — Router-weighted Expert Activation Pruning — é un método de compresión de MoE dun só paso de Cerebras e da Universidade de Calgary, publicado como arXiv 2510.13999 e aceptado en ICLR 2026. O seu argumento é que nas tarefas xerativas podar expertos gaña a fusionalos: a fusión destrúe o control de gran fino do enrutador e introduce un erro que xa non se recupera. Así que REAP puntúa cada experto cun criterio de saliencia que combina os valores da porta do enrutador (con que frecuencia e con que forza o escolle o enrutador) e as normas de activación do experto (canto contribúe realmente a súa saída), e despois elimina de vez os expertos menos salientables.

Os autores informan de eliminar ata o 50% dos expertos en modelos de ata un billón de parámetros preservando en boa medida a calidade de referencia — en Qwen3-480B-Coder-FP8 cun 50% de poda conservouse o 97.6% da capacidade de programación non baseada en axentes e o 96.7% no SWE-Bench con axentes. Esas son as cifras do artigo sobre os modelos do artigo, non as nosas sobre MiniMax-M3; citámolas para que poidas xulgar o método, non para insinuar unha medición equivalente aquí.

Pesos de 3 bits, en segundo lugar

Os pesos que sobreviven almacénanse despois a 3 bits. A orde é deliberada e é o sentido da combinación: podar primeiro, cuantizar despois. Non ten sentido gastar os teus preciosos tres bits por peso codificando fielmente expertos que estás a piques de eliminar. Poda a cola dispersa e deixa despois que o orzamento restante vaia enteiro aos expertos que si se activan.

A advertencia honesta

3BIT-REAP é o nivel máis agresivo que ofrecemos. Usámolo nas bases máis grandes — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — porque é a diferenza entre que eses modelos estean dispoñibles a un prezo razoable e que non estean dispoñibles en absoluto. Onde unha base é o bastante pequena como para non precisalo, non o usamos: os modelos W8A16 do catálogo executan pesos de 8 bits con activacións de 16 bits, e W4A16-AUTOROUND-REAP queda no medio, usando o redondeo aprendido de AutoRound para recuperar a precisión que a cuantización de redondeo inxenuo ao máis próximo regala. Escolle o nivel que encaixe coa túa tolerancia. Se estás a extraer campos de dez mil facturas, 3 bits é o intercambio correcto. Se estás a facer unha lectura forense de moito en xogo dunha soa imaxe, gasta os cartos en Kimi-K3.

05Que significa "sen capa de negativas" cando a entrada é unha imaxe

"Sen censura" é unha palabra que se usa á lixeira, así que velaquí a afirmación precisa: neste endpoint non hai capa de negativas nin filtrado da saída. Ningún clasificador inspecciona a túa imaxe antes de que o modelo a vexa. Ningún modelo de política inspecciona os tokens á saída. O que o modelo produce é o que ti recibes.

En texto, o efecto diso é coñecido. En visión é distinto en natureza, porque o comportamento de negativa ante entradas de imaxe é onde as API multimodais comerciais son máis conservadoras e máis arbitrarias. Os fallos característicos teñen esta pinta:

• Negativas xerais de identidade — negarse a describir persoas nunha fotografía en absoluto, incluídos atributos claramente visibles e completamente inocuos, porque unha política non sabe distinguir describir de identificar.
• Abandonos por materia — negarse a transcribir ou resumir un documento polo tema do documento, aínda que transcribir sexa unha tarefa mecánica.
• Melindres médicos e forenses — negarse a describir imaxe clínica, documentación de lesións ou fotografías de accidentes que un profesional precisa que se describan.
• Falsos positivos con ferramentas de seguridade — negarse a ler unha captura de pantalla porque contén un terminal, unha captura de paquetes ou un depurador.
• Degradación silenciosa — a peor: non unha negativa, senón unha non-resposta con reservas, que pasa a validación do teu esquema e envelena o teu conxunto de datos sen chegar a lanzar nunca un erro.

O problema operativo destes cinco casos non é que sexan inxustos. É que son inmedibles. Unha resposta errada é un dato; podes puntuala, detectala na avaliación e corrixir por ela. Unha negativa é un burato. A escala de lote, unha taxa de negativas do 3% distribuída de forma non aleatoria polas túas entradas — concentrada, por construción, precisamente nos casos difíciles e pouco habituais — é un nesgo sistemático nos teus resultados que ningunha limpeza posterior recupera. Quitar a capa de negativas quita unha fonte de datos ausentes silenciosa e correlacionada.

Shannon está operado por Shannon Lab LLC, Novo México, EUA, baixo a nosa Política de Uso Responsable. Sen censura significa que o modelo non opina sobre as túas entradas; non significa que a conta non teña condicións.

06A especificación completa

Campo	MiniMax-M3 · 3BIT-REAP
Identificador do modelo	MiniMax-M3-3BIT-REAP
Base	MiniMax-M3 (MiniMax AI)
Xanela de contexto	262,144 tokens
Saída máxima	16,384 tokens
Entrada de imaxe	Si
Entrada de vídeo	Non exposta
Streaming	Si
Chamada de ferramentas	Si
Razoamento	Si (reasoning_effort)
Saída estruturada	json_schema + response_format
Capa de negativas	Ningunha
Endpoints	/v1/chat/completions · /v1/messages · /v1/responses
Servido en	O propio clúster de GPU de Shannon

Dúas filas desa táboa merecen énfase. A entrada de vídeo non está exposta. A base M3 augas arriba adestrouse con vídeo e MiniMax documenta a entrada de vídeo; o noso endpoint acepta imaxes. Constrúe contra imaxes. Segundo, a xanela de 262,144 tokens é a nosa, non a cifra dun millón de augas arriba — planifica as cargas de documentos longos e de moitas imaxes contra 262,144 e non te levarás nunca unha sorpresa.

07Como chamar á API de MiniMax sen censura

Tres dialectos, o mesmo modelo detrás de todos eles, streaming nos tres. Usa o que xa fale o teu cliente actual; non hai diferenza de capacidade entre eles. Apunta a túa URL base a Shannon e cambia o identificador do modelo.

Comprensión de imaxes co 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 as URL remotas https:// como as URL de datos en base64 funcionan na parte image_url. Anexa varias partes de imaxe nunha mesma mensaxe cando precises comparar entre páxinas — tes 262,144 tokens para gastar e, a $0.50 por millón, gastalos é barato.

Extracción tipada cun esquema JSON

Onde este modelo gaña o seu sitio nunha canalización é na combinación de visión + esquema estrito + prezo chan. Non todos os modelos do noso catálogo teñen os tres: Laguna-S-2.1 e inkling non admiten json_schema. MiniMax-M3 si, o que significa que podes obter un obxecto validado a partir dunha imaxe sen unha capa de análise:

{
  "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
      }
    }
  }
}

Esforzo de razoamento

O modelo expón reasoning_effort. Na clasificación masiva de imaxes, mantéñeo baixo — estás a facer unha pregunta perceptiva, e os tokens de razoamento son tokens de saída que pagas. Súbeo nas chamadas nas que a imaxe é proba dentro dun argumento máis longo: ler un diagrama contra unha especificación, conciliar unha gráfica cunha táboa, decidir se dúas capturas de pantalla amosan o mesmo defecto.

A referencia completa de parámetros, a semántica de erros e os formatos de streaming dos tres dialectos están na documentación da API de Shannon.

08Onde MiniMax-M3 é a elección correcta — e onde non

Bótalle man cando

• Traballo con imaxes a volume. Etiquetado de conxuntos de datos, investigación en moderación, enriquecemento de catálogos, triaxe de capturas de pantalla, OCR e estruturación por lotes de documentos escaneados. O prezo chan é todo o argumento.
• Imaxes convertidas en rexistros tipados. Visión máis json_schema estrito máis os tokens máis baratos do catálogo é unha combinación que aquí só ofrecen dous modelos.
• Contexto multimodal longo. Moitas páxinas, ou moitos fotogramas, nunha soa petición — a arquitectura de abaixo está feita exactamente para esta forma de entrada.
• Investigación onde as negativas corrompen a mostra. Calquera estudo cuxa validez dependa de que o modelo responda a todos os elementos, incluídos os incómodos.
• Bucles con axentes que len unha pantalla. A liñaxe da serie M é explicitamente de axentes, e a chamada de ferramentas está dispoñible.

Bótalle man a outra cousa cando

• Precisas o teito de visión máis alto e tes orzamento. Kimi-K3 · 3BIT-REAP custa 7.7× o prezo de entrada por algo; nunha soa lectura con moito en xogo, eses son os cartos correctos que gastar.
• Precisas pesos de máxima fidelidade. 3 bits é o noso nivel máis agresivo. Os modelos W8A16 cambian prezo por precisión, e MiMo-V2.5 · W8A16 ten visión ao mesmo $0.50 / $2.00 se o que optimizas é a fidelidade por peso.
• Precisas vídeo. Non expoñemos entrada de vídeo neste endpoint.
• A tarefa é texto puro na fronteira. DeepSeek-V4-Pro-0813 existe para iso; estarías a pagar por unha torre de visión que non usas nunca.

As cifras de arquitectura, de benchmark e de aceleración da familia MiniMax están informadas polo laboratorio MiniMax AI; as cifras de REAP están informadas polos autores de REAP sobre os seus propios modelos e non son unha medición desta compilación. Os prezos, a xanela de contexto e as marcas de capacidade de Shannon son nosos e lense do noso catálogo de modelos en vivo.

09Preguntas frecuentes

---

Fontes: ficha do 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. As cifras de benchmark e de aceleración de MiniMax están informadas polo laboratorio e son provisionais á espera de verificación independente. Os prezos e as marcas de capacidade de Shannon están vixentes a 5 de setembro de 2026.