અનસેન્સર્ડ MiniMax API: તળિયાની કિંમતે વિઝન

લગભગ દરેક હોસ્ટેડ મલ્ટિમોડલ API વિઝનની કિંમત પ્રીમિયમ તરીકે રાખે છે. તમે ટેક્સ્ટ માટે ટેક્સ્ટ-મોડેલ દર ચૂકવો છો, અને પછી પ્રોમ્પ્ટમાં ઇમેજ પ્રવેશે તે જ ક્ષણે તમે વધુ ચૂકવો છો — ક્યારેક ઘણી ગણું વધુ. તેની ટોચ પર, ઇમેજ ઇનપુટ એ છે જ્યાં ઇનકાર વર્તન સૌથી આક્રમક હોય છે: જે મોડેલ ટેક્સ્ટમાં ખુશીથી કોઈ વિષય ચર્ચે છે તે ફોટોગ્રાફમાં એ જ વસ્તુ વર્ણવવાનો ઇનકાર કરશે. પરિણામ એ છે એક પ્રોડક્ટ જે કૉલ દીઠ મોંઘું છે અને કૉલ દીઠ અવિશ્વસનીય છે, જે વોલ્યુમ પ્રોસેસ કરતી વખતે બંને દુનિયામાં સૌથી ખરાબ છે. Shannon પર MiniMax-M3 એ તેનો અમારો જવાબ છે: અમારા સૌથી સસ્તા ટેક્સ્ટ મોડેલ માટે તમે ચૂકવો છો એ જ $0.50 / $2.00, એવા ફાઉન્ડેશન પર લાગુ કરેલું જે પ્રથમ પગલાથી જ મલ્ટિમોડલ તાલીમ પામ્યું હતું, તેની આગળ કોઈ ઇનકાર સ્તર બેસ્યા વગર.

01"સૌથી સસ્તું અનસેન્સર્ડ વિઝન મોડેલ" નો અહીં ખરેખર શું અર્થ થાય છે

Shannon કેટલોગ બાર મોડેલનો છે. તેમાંથી પાંચ ઇમેજ સ્વીકારે છે. તેમની કિંમત, 1 મિલિયન ટોકન દીઠ:

વિઝન-સક્ષમ મોડેલ	ઇનપુટ	આઉટપુટ	સ્ટ્રક્ચર્ડ આઉટપુટ
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	ફક્ત response_format
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 તળિયે બેસે છે — $0.50 / $2.00 — MiMo-V2.5 સાથે બંધાયેલું અને તેની નીચે કંઈ નહીં, કારણ કે $0.50 / $2.00 એ જ અમારી કિંમત યાદીનું તળિયું છે. વિઝન રેન્જની ટોચ સામે તે Kimi-K3 કરતાં ઇનપુટ પર 7.7x સસ્તું અને આઉટપુટ પર 9.6x સસ્તું છે.

તેને વર્કલોડમાં મૂકો. ધારો કે તમે 1,000 ઇમેજ ટ્રાયાજ કરી રહ્યા છો — સ્ક્રીનશોટ, સ્કેન કરેલા પાનાં, પ્રોડક્ટ ફોટા — સરેરાશ લગભગ 1,200 ટોકન ઇમેજ વત્તા પ્રોમ્પ્ટ અંદર જતું અને 300 ટોકન જવાબ બહાર આવતું:

Shannon યાદી કિંમત, સપ્ટેમ્બર 2026. ટોકન ગણતરી ઉદાહરણરૂપ છે; તમારું ઇમેજ ટોકનાઇઝેશન રિઝોલ્યુશન અને દરેક કૉલમાં તમે કેટલી ઇમેજ જોડો છો તેના પર આધાર રાખે છે.

બે વધુ સંદર્ભ બિંદુ જે તમારા મગજમાં રાખવા ઉપયોગી છે. આખા 262,144-ટોકન કોન્ટેક્સ્ટને એકવાર ભરવાની કિંમત લગભગ 13 સેન્ટ છે. મહત્તમ-લંબાઈનો 16,384-ટોકનનો જવાબ લગભગ 3.3 સેન્ટ ખર્ચે છે. એ સિંગલ ખરાબ-કેસ વિનંતીની ખરી મર્યાદા છે, અને તે એટલી નાની છે કે વિઝન પાઇપલાઇન પરની રસપ્રદ મર્યાદા પૈસા બનવાનું બંધ કરી થ્રુપુટ બનવાનું શરૂ કરે છે.

02MiniMax વંશ: ટોકનને ઓપ્ટિમાઇઝ કરતી, હેડલાઇનને નહીં, એવી લેબ

MiniMax AI શાંઘાઈની એક લેબ છે જેનો સંપૂર્ણ ઓપન-વેઇટ ટ્રેક રેકોર્ડ એક પ્રશ્ન વિશે છે: તમે એટેન્શનને એટલું સસ્તું કેવી રીતે બનાવો છો કે લોંગ કોન્ટેક્સ્ટ અને મલ્ટિમોડાલિટી લક્ઝરી બનવાનું બંધ કરે? આ લાઇનમાં દરેક રિલીઝ એ પ્રશ્નનો જવાબ છે, અને જવાબો એકબીજા પર બંધાય છે.

MiniMax-01 — Lightning Attention, અને શરૂઆતથી જ વિઝન

MiniMax-01 શ્રેણી (arXiv 2501.08313 તરીકે પ્રકાશિત) એ 456B કુલ પેરામીટર અને ટોકન દીઠ 45.9B એક્ટિવ ધરાવતા હાઇબ્રિડ મિક્સ્ચર-ઓફ-એક્સપર્ટ્સ મોડેલની અંદર Lightning Attention રજૂ કર્યું, જે લિનિયર એટેન્શન વેરિઅન્ટનું I/O-જાગૃત અમલીકરણ છે. શ્રેણી જોડી તરીકે મોકલાઈ: MiniMax-Text-01 અને MiniMax-VL-01, વિઝન મોડેલ. VL-01 એ હવે-જાણીતું ViT-MLP-LLM સ્ટેક વાપર્યું, પણ ઉધાર લીધેલા એન્કોડરને બદલે 694 મિલિયન ઇમેજ-કેપ્શન જોડી પર from scratch તાલીમ પામેલા 303-મિલિયન-પેરામીટર Vision Transformer સાથે, પછી 512 બિલિયન ટોકન પ્રોસેસ કરતી મલ્ટિ-સ્ટેજ પાઇપલાઇનમાં એલાઇન અને સંયુક્ત રીતે ફાઇન-ટ્યુન કરેલું.

એ વિગત તમે વાંચી રહ્યા છો એ લેખ માટે મહત્વની છે. આ વંશમાં વિઝન એ બોક્સ ચેક કરવા ટેક્સ્ટ મોડેલ પર બોલ્ટ કરેલો મોડો adapter નથી. MiniMax તેની પોતાની વિઝ્યુઅલ ટાવરને તેના પહેલા ઓપન રિલીઝથી જ તાલીમ આપી રહ્યું છે, જે કારણ છે કે ડોક્યુમેન્ટ સમજણ, UI અને સ્ક્રીનશોટ સમજણ, અને ચાર્ટ વાંચન પરિવારની સાતત્યપૂર્ણ મજબૂતાઈ રહ્યાં છે, પછીના વિચાર નહીં.

MiniMax-M1 — લંબાઈ પર રિઝનિંગ માટે હાઇબ્રિડ એટેન્શન

MiniMax-M1 (arXiv 2506.13585) ને તેના લેખકોએ પહેલું ઓપન-વેઇટ, મોટા-સ્કેલનું હાઇબ્રિડ-એટેન્શન રિઝનિંગ મોડેલ તરીકે વર્ણવ્યું. તેણે 456B / 45.9B MoE બોડી જાળવી અને બે એટેન્શન પ્રકારને ઇન્ટરલીવ કર્યા: દરેક સાત Lightning Attention બ્લોક પછી એક પરંપરાગત softmax-attention ટ્રાન્સફોર્મર બ્લોક. ફાયદો લીડરબોર્ડ સ્થાનને બદલે કમ્પ્યુટમાં માપવામાં આવ્યો — MiniMax એ જણાવ્યું કે 100K-ટોકનની જનરેશન લંબાઈ પર, M1 એ DeepSeek R1 ના લગભગ 25% FLOPs વાપર્યા, જ્યારે નેટિવલી એક-મિલિયન-ટોકન કોન્ટેક્સ્ટને સમર્થન આપ્યું.

MiniMax-M2 — small-activation પિવોટ

MiniMax-M2 કદ પર બીજી દિશામાં ગયું અને તેના માટે ધ્યાન જીત્યું: 62-લેયર ડિકોડર 229.9B કુલ પેરામીટર પણ ટોકન દીઠ ફક્ત ~9.8B એક્ટિવ સાથે, MoE લેયર દીઠ 256 ફાઇન-ગ્રેઇન્ડ એક્સપર્ટ વાપરીને sigmoid રાઉટિંગ સાથે તેમાંથી આઠ સુધી, RoPE પોઝિશન અને તાલીમ સ્થિરતા માટે QK-RMSNorm. તે સ્પષ્ટપણે એજન્ટિક-કોડિંગ મોડેલ હતું — મલ્ટિ-ફાઇલ એડિટ, run-fix લૂપ, ટેસ્ટ-વેલિડેટેડ રિપેર — અને તેણે ઇન્ટરલીવ્ડ થિંકિંગ ફોર્મેટ રજૂ કર્યું, જ્યાં દરેક ટર્ન પછી કાઢી નાખવાને બદલે ટૂલ-કૉલ રાઉન્ડ વચ્ચે રિઝનિંગ વહન થાય છે. M2 એ મોડેલ છે જેણે ટોકન-દીઠ ખર્ચના એક અંશે ફ્રન્ટિયર-નજીકનું એજન્ટિક વર્તન આપવાની MiniMax ની પ્રતિષ્ઠા સ્થાપિત કરી, ફક્ત એક્ટિવેશનને નાનું રાખીને.

MiniMax-M3 — આ એન્ડપોઇન્ટ હેઠળનું ફાઉન્ડેશન

MiniMax-M3 1 જૂન, 2026 ના રોજ રિલીઝ થયું, ટૂંક સમયમાં Hugging Face પર વેઇટ્સ સાથે અને arXiv 2606.13392 પર ટેકનિકલ રિપોર્ટ સાથે. તે ટોકન દીઠ લગભગ 23B એક્ટિવ ધરાવતું 428B-પેરામીટર મિક્સ્ચર-ઓફ-એક્સપર્ટ્સ મોડેલ છે, દસ્તાવેજીકૃત એક-મિલિયન-ટોકન કોન્ટેક્સ્ટ, અને નેટિવ ઇમેજ અને વિડિયો ઇનપુટ — MiniMax તેને ટેક્સ્ટ-પ્રી-ટ્રેઇન્ડ પછી મલ્ટિમોડલી અડેપ્ટ કરવાને બદલે "ખૂબ પહેલા પગલાથી" મિક્સ્ડ-મોડાલિટી તાલીમ પામેલું વર્ણવે છે. MiniMax ના પોતાના પ્રકાશિત આંકડા પર તે SWE-bench Verified પર 80.5% અને SWE-bench Pro પર 59.0% સ્કોર કરે છે. એ કોડિંગ બેન્ચમાર્ક પર વેન્ડર-જણાવેલા આંકડા છે, જે બરાબર એ રીતે છે જેમ તમારે તેમને તોલવા જોઈએ; અમે તેમને ટાંકીએ છીએ કારણ કે તે લેબના પ્રકાશિત દાવા છે, કારણ કે અમે તેમને સ્વતંત્ર રીતે reproduce કર્યા છે એટલા માટે નહીં.

03MiniMax Sparse Attention: વિઝન મોડેલ આટલું સસ્તું કેમ હોઈ શકે

M3 માં રસપ્રદ એન્જિનિયરિંગ MiniMax Sparse Attention (MSA) છે, અને એ જ સીધું કારણ છે કે આ કદનું મલ્ટિમોડલ મોડેલ અમારી તળિયાની કિંમતે બેસી શકે છે. ઇમેજ ટોકન-મોંઘી છે. મુઠ્ઠીભર ઊંચા-રિઝોલ્યુશનના પાનાં તમે એક પણ સૂચના લખો એ પહેલાં પ્રોમ્પ્ટમાં હજારો ટોકન નાખી શકે છે. સ્ટાન્ડર્ડ એટેન્શન હેઠળ, એ ખર્ચ quadratically ભેગો થાય છે, અને જે મોડેલ વીસ પાનાં વાંચે છે તે દસ વાંચતા મોડેલ કરતાં બમણું મોંઘું નથી — તે બમણા કરતાં ઘણું ખરાબ છે.

MSA એ વળાંકનો આકાર બદલે છે. તે Grouped Query Attention બેકબોન પર બનેલી બ્લોક-sparse મિકેનિઝમ છે, બે શાખામાં વિભાજિત:

• એક હલકું Index Branch જે key-value બ્લોકને સ્કોર કરે છે — દરેક બ્લોકની અંદરના ટોકન પર max-pooling સ્કોર — અને દરેક ક્વેરી પોઝિશન અને દરેક GQA ગ્રુપ દીઠ ટોપ-k પસંદ કરે છે, તાલીમ સ્થિરતા માટે હંમેશાં ક્વેરી પોતે ધરાવતો લોકલ બ્લોક સામેલ કરીને.
• એક Main Branch જે ફક્ત index એ પસંદ કરેલા બ્લોક પર સામાન્ય softmax એટેન્શન ચલાવે છે.

MSA પેપરમાં કન્ફિગરેશન k = 128 ટોકનના 16 બ્લોક છે, જે દરેક ક્વેરીને 2,048 attended ટોકનનું ફિક્સ્ડ બજેટ આપે છે. ફિક્સ્ડ, એટલે કે તે સિક્વન્સ લંબાઈ સાથે વધતું નથી. એ જ આખી ટ્રિક છે: જેમ કોન્ટેક્સ્ટ વધે છે, dense બેઝલાઇનનો એટેન્શન ખર્ચ વધતો રહે છે જ્યારે MSA નો main-branch ખર્ચ ફ્લેટ રહે છે, એટલે એટેન્શન quadratically ને બદલે linearly સ્કેલ થાય છે.

MiniMax Sparse Attention રિપોર્ટ (arXiv 2606.13392) માંથી આંકડા: 1M કોન્ટેક્સ્ટ પર સમાન રીતે કન્ફિગર કરેલા GQA સામે ટોકન-દીઠ એટેન્શન FLOPsમાં 28.4x ઘટાડો, અને પેપરના 109B-પેરામીટર અભ્યાસમાં H800 હાર્ડવેર પર માપેલા 14.2x prefill / 7.6x decode wall-clock સ્પીડઅપ. MiniMax અલગથી 1M કોન્ટેક્સ્ટ પર M2 સામે M3 માટે 9x prefill અને 15x decode સ્પીડઅપ જણાવે છે. બધા લેબ-જણાવેલા છે.

પેપર એ ચેક પણ કરે છે જે વિઝન લેખ માટે મહત્વનો છે: નેટિવલી મલ્ટિમોડલ 109B MoE પર, MSA એ AI2D, ChartQA અને MMMU સહિતના ઇમેજ બેન્ચમાર્ક પર અને EgoSchema, LongVideoBench અને VideoMME સહિતના વિડિયો બેન્ચમાર્ક પર ફુલ-એટેન્શન બેઝલાઇન સાથે તુલનાત્મક પરફોર્મન્સ જાળવ્યું — sparse વેરિઅન્ટ ક્યારેક લાંબા-કોન્ટેક્સ્ટ વિડિયો ટાસ્ક પર સુધારો પણ કરે છે. અહીં sparsity ઝડપ માટે ચૂકવાતો ગુણવત્તા ટેક્સ નથી; લાંબા ઇનપુટ પર તે લગભગ મફત દેખાય છે.

ગ્રાહક તરીકે તમારે કેમ ધ્યાન રાખવું જોઈએ: સર્વિંગ ખર્ચ યાદી કિંમત નક્કી કરે છે. જે ફાઉન્ડેશનનો એટેન્શન ખર્ચ વધવાનું બંધ કરે છે એ ફાઉન્ડેશન છે જેને તમે એક લાખ ઇમેજ તરફ પોઇન્ટ કરવાનું પોસાય. "સૌથી સસ્તું અનસેન્સર્ડ વિઝન મોડેલ" પાછળની મિકેનિઝમ એ જ છે — તે પ્રમોશનલ દર નથી, તે આર્કિટેક્ચર છે.

043BIT-REAP નો શું અર્થ થાય છે, અને તે તમને ક્યાં ખર્ચ કરાવે છે

428-બિલિયન-પેરામીટર મોડેલ પૂરી ચોકસાઈ પર ક્યાંય સહેલાઈથી ફિટ થતું નથી. અમારું MiniMax-M3 બિલ્ડ 3BIT-REAP પ્રત્યય ધરાવે છે, જે ચોક્કસ ક્રમમાં લાગુ કરેલા બે અલગ ઓપરેશન વર્ણવે છે.

REAP: કમ્પ્રેસ કરતાં પહેલાં એક્સપર્ટ કાઢી નાખો

REAP — Router-weighted Expert Activation Pruning — Cerebras અને University of Calgary તરફથી એક-શોટ MoE કમ્પ્રેશન પદ્ધતિ છે, arXiv 2510.13999 તરીકે પ્રકાશિત અને ICLR 2026 માટે સ્વીકૃત. તેની દલીલ એ છે કે જનરેટિવ ટાસ્ક માટે, એક્સપર્ટને મર્જ કરવા કરતાં પ્રુન કરવા વધુ સારું છે: મર્જિંગ રાઉટરના ઝીણા નિયંત્રણને નષ્ટ કરે છે અને એવી ભૂલ દાખલ કરે છે જે તમે ક્યારેય પાછી મેળવી શકતા નથી. એટલે REAP તેના બદલે દરેક એક્સપર્ટને router gate value (રાઉટર તેને કેટલી વાર અને કેટલી મજબૂત રીતે પસંદ કરે છે) અને expert activation norm (તેનું આઉટપુટ ખરેખર કેટલું યોગદાન આપે છે) ને જોડતા saliency માપદંડ પર સ્કોર કરે છે, પછી ઓછામાં ઓછા મહત્વના એક્સપર્ટને સીધા કાઢી નાખે છે.

લેખકો એક ટ્રિલિયન પેરામીટર જેટલા મોટા મોડેલોમાંથી 50% સુધીના એક્સપર્ટ દૂર કરવાનું જણાવે છે જ્યારે મોટાભાગે બેઝલાઇન ગુણવત્તા જાળવે છે — Qwen3-480B-Coder-FP8 પર 50% પ્રુનિંગ પર, 97.6% બેઝલાઇન નોન-એજન્ટિક કોડિંગ ક્ષમતા અને agentic SWE-Bench પર 96.7% જળવાયા. એ પેપરના મોડેલો પર પેપરના આંકડા છે, MiniMax-M3 પર અમારા નહીં; અમે તેમને ટાંકીએ છીએ જેથી તમે પદ્ધતિનો ન્યાય કરી શકો, અહીં એક સમાન માપ સૂચિત કરવા નહીં.

3-બિટ વેઇટ્સ, બીજું

બચેલા વેઇટ્સ પછી 3 બિટ પર સ્ટોર થાય છે. ક્રમ ઇરાદાપૂર્વકનો છે અને એ જ સંયોજનનો મુદ્દો છે: પહેલાં પ્રુન કરો, પછી ક્વોન્ટાઇઝ કરો. તમે જે એક્સપર્ટને કાઢી નાખવાના છો તેને વિશ્વાસપૂર્વક એન્કોડ કરવામાં તમારા કિંમતી ત્રણ બિટ પ્રતિ વેઇટ ખર્ચવાનો કોઈ અર્થ નથી. sparse પૂંછડીને પ્રુન કરો, પછી બાકીનું બજેટ સંપૂર્ણપણે ખરેખર ફાયર થતા એક્સપર્ટ પર જવા દો.

પ્રામાણિક ચેતવણી

3BIT-REAP અમે મોકલીએ છીએ એ સૌથી આક્રમક ટાયર છે. અમે તેને સૌથી મોટા ફાઉન્ડેશન પર વાપરીએ છીએ — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — કારણ કે એ મોડેલો સાચી કિંમતે ઉપલબ્ધ હોવા અને બિલકુલ ઉપલબ્ધ ન હોવા વચ્ચેનો ફરક છે. જ્યાં ફાઉન્ડેશન એટલું નાનું છે કે તેની જરૂર નથી, અમે તેને વાપરતા નથી: કેટલોગમાંના W8A16 મોડેલ 16-બિટ એક્ટિવેશન સાથે 8-બિટ વેઇટ્સ ચલાવે છે, અને W4A16-AUTOROUND-REAP વચ્ચે બેસે છે, નાઇવ round-to-nearest ક્વોન્ટાઇઝેશન જે ચોકસાઈ ગુમાવે છે એ પાછી લાવવા AutoRound નું શીખેલું રાઉન્ડિંગ વાપરીને. તમારી સહનશીલતા સાથે મેળ ખાતો ટાયર પસંદ કરો. જો તમે દસ હજાર ઇન્વોઇસમાંથી ફીલ્ડ કાઢી રહ્યા છો, તો 3-બિટ સાચો ટ્રેડ છે. જો તમે એક જ ઇમેજનું એક ઊંચા-જોખમનું ફોરેન્સિક વાચન કરી રહ્યા છો, તો Kimi-K3 પર પૈસા ખર્ચો.

05જ્યારે ઇનપુટ ઇમેજ હોય ત્યારે "કોઈ ઇનકાર સ્તર નહીં" નો શું અર્થ થાય છે

અનસેન્સર્ડ એક શબ્દ છે જે ઢીલી રીતે વપરાય છે, એટલે અહીં ચોક્કસ દાવો છે: આ એન્ડપોઇન્ટ પર કોઈ ઇનકાર સ્તર નથી અને કોઈ આઉટપુટ ફિલ્ટરિંગ નથી. મોડેલ તેને જુએ એ પહેલાં કોઈ ક્લાસિફાયર તમારી ઇમેજનું નિરીક્ષણ કરતું નથી. બહાર જતા ટોકન પર કોઈ પોલિસી મોડેલ નિરીક્ષણ કરતું નથી. મોડેલ જે ઉત્પન્ન કરે છે એ જ તમને મળે છે.

ટેક્સ્ટમાં, તેની અસર જાણીતી છે. વિઝનમાં, તે પ્રકારે અલગ છે, કારણ કે ઇમેજ ઇનપુટ પર ઇનકાર વર્તન એ છે જ્યાં કમર્શિયલ મલ્ટિમોડલ API સૌથી વધુ સાવધ અને સૌથી વધુ મનસ્વી હોય છે. લાક્ષણિક નિષ્ફળતાઓ આના જેવી દેખાય છે:

• સંપૂર્ણ ઓળખ ઇનકાર — ફોટોગ્રાફમાં લોકોનું વર્ણન કરવાનો સંપૂર્ણપણે ઇનકાર કરવો, સ્પષ્ટપણે દેખાતા અને સંપૂર્ણપણે નિર્દોષ લક્ષણો સહિત, કારણ કે પોલિસી વર્ણનને ઓળખથી અલગ કરી શકતી નથી.
• વિષય-વસ્તુ bailout — ડોક્યુમેન્ટ ટ્રાન્સક્રાઇબ કે સારાંશ કરવાનો ઇનકાર કરવો ડોક્યુમેન્ટ શેના વિશે છે તેના કારણે, ટ્રાન્સક્રિપ્શન યાંત્રિક ટાસ્ક હોવા છતાં.
• મેડિકલ અને ફોરેન્સિક ચીકાશ — ક્લિનિકલ ઇમેજરી, ઈજા દસ્તાવેજીકરણ, કે અકસ્માત ફોટોગ્રાફનું વર્ણન કરવાનો ઇનકાર જે વ્યાવસાયિકને વર્ણવેલા જોઈએ.
• સિક્યુરિટી-ટૂલિંગ ખોટા પોઝિટિવ — સ્ક્રીનશોટ વાંચવાનો ઇનકાર કારણ કે તેમાં ટર્મિનલ, પેકેટ કેપ્ચર, કે ડિબગર છે.
• શાંત અધોગતિ — સૌથી ખરાબ: ઇનકાર નહીં પણ hedged બિન-જવાબ, જે તમારા સ્કીમા વેલિડેશનમાંથી પસાર થાય છે અને ક્યારેય ભૂલ ઊભી કર્યા વગર તમારા ડેટાસેટને ઝેરી બનાવે છે.

પાંચેય સાથેની ઓપરેશનલ સમસ્યા એ નથી કે તે અન્યાયી છે. તે એ છે કે તે અમાપી છે. ખોટો જવાબ ડેટા પોઇન્ટ છે; તમે તેને સ્કોર કરી શકો છો, મૂલ્યાંકનમાં પકડી શકો છો, અને તેને સુધારી શકો છો. ઇનકાર એક છિદ્ર છે. બેચ સ્કેલ પર, તમારા ઇનપુટમાં non-randomly વિતરિત 3% ઇનકાર દર — રચના પ્રમાણે, બરાબર અઘરા અને અસામાન્ય કેસ પર કેન્દ્રિત — તમારા પરિણામમાં એક વ્યવસ્થિત bias છે જેને downstream સફાઈની કોઈ માત્રા પુનઃપ્રાપ્ત કરી શકતી નથી. ઇનકાર સ્તર દૂર કરવાથી શાંત, correlated ગુમ ડેટાનો સોર્સ દૂર થાય છે.

Shannon અમારી જવાબદાર ઉપયોગ નીતિ હેઠળ Shannon Lab LLC, ન્યૂ મેક્સિકો, USA દ્વારા સંચાલિત છે. અનસેન્સર્ડ એટલે મોડેલ તમારા ઇનપુટ વિશે સંપાદકીય ટિપ્પણી કરતું નથી; તેનો અર્થ એ નથી કે એકાઉન્ટને કોઈ શરતો નથી.

06પૂરું સ્પષ્ટીકરણ

ફિલ્ડ	MiniMax-M3 · 3BIT-REAP
મોડેલ id	MiniMax-M3-3BIT-REAP
ફાઉન્ડેશન	MiniMax-M3 (MiniMax AI)
કોન્ટેક્સ્ટ વિન્ડો	262,144 ટોકન
મહત્તમ આઉટપુટ	16,384 ટોકન
ઇમેજ ઇનપુટ	હા
વિડિયો ઇનપુટ	ખુલ્લું નથી
સ્ટ્રીમિંગ	હા
ટૂલ કૉલિંગ	હા
રિઝનિંગ	હા (reasoning_effort)
સ્ટ્રક્ચર્ડ આઉટપુટ	json_schema + response_format
ઇનકાર સ્તર	કોઈ નહીં
એન્ડપોઇન્ટ	/v1/chat/completions · /v1/messages · /v1/responses
સર્વ થાય છે	Shannon ના પોતાના GPU ક્લસ્ટર પર

એ ટેબલમાં બે લાઇન ભાર આપવાને લાયક છે. વિડિયો ઇનપુટ ખુલ્લું નથી. upstream M3 ફાઉન્ડેશન વિડિયો પર તાલીમ પામ્યું અને MiniMax વિડિયો ઇનપુટ દસ્તાવેજીકૃત કરે છે; અમારું એન્ડપોઇન્ટ ઇમેજ સ્વીકારે છે. ઇમેજ સામે બિલ્ડ કરો. બીજું, 262,144-ટોકન વિન્ડો અમારી છે, upstream ના એક-મિલિયન આંકડાની નહીં — લાંબા-ડોક્યુમેન્ટ અને ઘણી-ઇમેજ વર્કલોડની યોજના 262,144 સામે બનાવો અને તમને ક્યારેય આશ્ચર્ય નહીં થાય.

07અનસેન્સર્ડ MiniMax API ને કૉલ કરવું

ત્રણ ડાયલેક્ટ, તેમની પાછળ એ જ મોડેલ, ત્રણેય પર સ્ટ્રીમિંગ. તમારો હાલનો ક્લાયન્ટ પહેલેથી બોલે છે એ ગમે તે વાપરો; તેમની વચ્ચે કોઈ ક્ષમતાનો ફરક નથી. તમારો base URL Shannon તરફ પોઇન્ટ કરો અને મોડેલ id બદલો.

OpenAI ડાયલેક્ટ દ્વારા ઇમેજ સમજણ

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
  }'

રિમોટ https:// URL અને base64 data URL બંને image_url ભાગમાં કામ કરે છે. જ્યારે તમને ક્રોસ-પેજ સરખામણી જોઈએ ત્યારે એક જ મેસેજમાં ઘણા ઇમેજ ભાગ જોડો — તમારી પાસે ખર્ચવા 262,144 ટોકન છે અને, 1 મિલિયન દીઠ $0.50 પર, તેમને ખર્ચવા સસ્તા છે.

JSON schema સાથે ટાઇપ્ડ નિષ્કર્ષણ

જ્યાં આ મોડેલ પાઇપલાઇનમાં પોતાનું સ્થાન કમાય છે એ વિઝન + સ્ટ્રિક્ટ સ્કીમા + તળિયાની કિંમત નું સંયોજન છે. અમારા કેટલોગમાં દરેક મોડેલ પાસે ત્રણેય નથી: Laguna-S-2.1 અને inkling json_schema ને સમર્થન આપતા નથી. MiniMax-M3 આપે છે, જેનો અર્થ છે કે તમે parsing લેયર વગર ઇમેજમાંથી વેલિડેટેડ ઓબ્જેક્ટ મેળવી શકો છો:

{
  "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
      }
    }
  }
}

રિઝનિંગ ઇફર્ટ

મોડેલ reasoning_effort ખુલ્લું મૂકે છે. બલ્ક ઇમેજ વર્ગીકરણ પર, તેને નીચું રાખો — તમે એક perceptual પ્રશ્ન પૂછી રહ્યા છો, અને રિઝનિંગ ટોકન એ આઉટપુટ ટોકન છે જેને તમે ચૂકવો છો. તેને એવા કૉલ માટે વધારો જ્યાં ઇમેજ લાંબી દલીલમાં પુરાવો છે: સ્પેસિફિકેશન સામે ડાયાગ્રામ વાંચવો, ટેબલ સાથે ચાર્ટનું સમાધાન, બે સ્ક્રીનશોટ એક જ ખામી બતાવે છે કે નહીં તે નક્કી કરવું.

ત્રણેય ડાયલેક્ટ માટે પૂરો પેરામીટર સંદર્ભ, ભૂલ સિમેન્ટિક્સ, અને સ્ટ્રીમિંગ ફોર્મેટ Shannon API ડોક્યુમેન્ટેશન માં છે.

08MiniMax-M3 ક્યાં સાચી પસંદગી છે — અને ક્યાં નથી

તેના તરફ વધો જ્યારે

• વોલ્યુમ ઇમેજ કામ. ડેટાસેટ લેબલિંગ, મોડરેશન રિસર્ચ, કેટલોગ enrichment, સ્ક્રીનશોટ ટ્રાયાજ, સ્કેન કરેલા ડોક્યુમેન્ટ પર બેચ OCR-and-structure. તળિયાની કિંમત જ આખી દલીલ છે.
• ટાઇપ્ડ રેકોર્ડમાં ઇમેજ. વિઝન વત્તા સ્ટ્રિક્ટ json_schema વત્તા કેટલોગમાં સૌથી સસ્તા ટોકન — એ સંયોજન અહીં ફક્ત બે મોડેલ ઓફર કરે છે.
• લોંગ મલ્ટિમોડલ કોન્ટેક્સ્ટ. એક જ વિનંતીમાં ઘણાં પાનાં, કે ઘણા ફ્રેમ — નીચેનું આર્કિટેક્ચર બરાબર આ આકારના ઇનપુટ માટે બનેલું છે.
• રિસર્ચ જ્યાં ઇનકાર સેમ્પલને ભ્રષ્ટ કરે છે. કોઈપણ અભ્યાસ જેની વેલિડિટી મોડેલ દરેક વસ્તુનો જવાબ આપે તેના પર આધારિત છે, અસુવિધાજનક વસ્તુ સહિત.
• સ્ક્રીન વાંચતા એજન્ટિક લૂપ. M-શ્રેણી વંશ સ્પષ્ટપણે એજન્ટિક છે, અને ટૂલ કૉલિંગ ઉપલબ્ધ છે.

બીજું કંઈ પસંદ કરો જ્યારે

• તમને સૌથી ઊંચી વિઝન સીલિંગ જોઈએ અને બજેટ છે. Kimi-K3 · 3BIT-REAP ઇનપુટ કિંમતના 7.7x છે એક કારણસર; એક ઊંચા-જોખમના વાચન પર, એ સાચા પૈસા છે ખર્ચવા.
• તમને મહત્તમ-ફિડેલિટી વેઇટ્સ જોઈએ. 3-બિટ અમારો સૌથી આક્રમક ટાયર છે. W8A16 મોડેલ ચોકસાઈ માટે કિંમત ટ્રેડ કરે છે, અને MiMo-V2.5 · W8A16 એ જ $0.50 / $2.00 પર વિઝન-સક્ષમ છે જો વેઇટ-દીઠ ફિડેલિટી એ છે જે તમે ઓપ્ટિમાઇઝ કરી રહ્યા છો.
• તમને વિડિયો જોઈએ. અમે આ એન્ડપોઇન્ટ પર વિડિયો ઇનપુટ ખુલ્લું મૂકતા નથી.
• ટાસ્ક ફ્રન્ટિયર પર શુદ્ધ ટેક્સ્ટ છે. DeepSeek-V4-Pro-0813 એ માટે અસ્તિત્વ ધરાવે છે; તમે ક્યારેય ન વાપરો એવા વિઝન ટાવર માટે ચૂકવતા હશો.

MiniMax પરિવાર માટે આર્કિટેક્ચર, બેન્ચમાર્ક, અને સ્પીડઅપ આંકડા MiniMax AI દ્વારા લેબ-જણાવેલા છે; REAP આંકડા REAP લેખકો દ્વારા તેમના પોતાના મોડેલો પર જણાવેલા છે અને આ બિલ્ડનું માપ નથી. Shannon ની કિંમત, કોન્ટેક્સ્ટ વિન્ડો, અને ક્ષમતા ફ્લેગ અમારા છે અને અમારા લાઇવ મોડેલ કેટલોગમાંથી વાંચેલા છે.

09વારંવાર પુછાતા પ્રશ્નો

---

સોર્સ: MiniMax-M3 મોડેલ કાર્ડ · 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. MiniMax બેન્ચમાર્ક અને સ્પીડઅપ આંકડા લેબ-જણાવેલા છે અને સ્વતંત્ર ચકાસણીની રાહ જોઈ રહ્યા છે. Shannon ની કિંમત અને ક્ષમતા ફ્લેગ 5 સપ્ટેમ્બર, 2026 મુજબ વર્તમાન છે.