API של MiniMax ללא צנזורה: ראייה במחיר הרצפה
MiniMax-M3 הוא הדרך הזולה ביותר לקבל הבנת תמונות ללא צנזורה בשער של Shannon — $0.50 קלט, $2.00 פלט, 262,144 טוקנים של הקשר, ובלי שכבת סירוב בינך לבין התמונה.
בקצרה
MiniMax-M3 · 3BIT-REAP הוא מודל עם ראייה וללא צנזורה במחיר הרצפה של Shannon: $0.50 למיליון טוקני קלט ו-$2.00 למיליון טוקני פלט, עם הקשר של 262,144 טוקנים, 16,384 טוקני פלט, הזרמה, קריאת כלים, חשיבה עם reasoning_effort, ופלט קפדני לפי json_schema. הוא בנוי על מודל היסוד M3 של MiniMax AI — מודל Mixture-of-Experts עם 428B פרמטרים, עם MiniMax Sparse Attention ועם אימון רב-מודאלי מובנה — דחוס במשקלים של 3 סיביות ובגיזום מומחים REAP כדי שייכנס לאשכול ה-GPU שלנו במחיר הזה. אם עומס העבודה שלך הוא "הסתכל בתמונה הזו וענה בכנות, עשרת אלפים פעם", זה המודל.
01מה בעצם אומר כאן "מודל הראייה הזול ביותר ללא צנזורה"
הקטלוג של Shannon כולל שנים-עשר מודלים. חמישה מהם מקבלים תמונות. המחירים שלהם, למיליון טוקנים:
| מודל עם ראייה | קלט | פלט | פלט מובנה |
|---|---|---|---|
| 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 בלבד |
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | json_schema + response_format |
MiniMax-M3 יושב על הרצפה — $0.50 / $2.00 — שווה ל-MiMo-V2.5 ובלי שום דבר מתחתיו, כי $0.50 / $2.00 הם הרצפה של המחירון שלנו. מול הקצה העליון של טווח הראייה הוא זול פי 7.7 בקלט ופי 9.6 בפלט מ-Kimi-K3.
תרגם את זה לעומס עבודה. נניח שאתה ממיין 1,000 תמונות — צילומי מסך, עמודים סרוקים, תצלומי מוצר — בממוצע של כ-1,200 טוקנים של תמונה ושל הנחיה נכנסים ו-300 טוקנים של תשובה יוצאים:
מחירון Shannon, ספטמבר 2026. ספירות הטוקנים להמחשה בלבד; הטוקניזציה של התמונות שלך תלויה ברזולוציה ובכמה תמונות אתה מצרף לכל קריאה.
שתי נקודות ייחוס נוספות ששווה להחזיק בראש. מילוי כל חלון ההקשר של 262,144 טוקנים פעם אחת עולה כ-13 סנט. תשובה באורך מרבי של 16,384 טוקנים עולה כ-3.3 סנט. אלה הגבולות האמיתיים של בקשה בודדת במקרה הגרוע, והם קטנים מספיק כדי שהאילוץ המעניין על צינור ראייה יפסיק להיות כסף ויתחיל להיות תפוקה.
02שושלת MiniMax: מעבדה שממטבת טוקנים, לא כותרות
MiniMax AI היא מעבדה משנגחאי שכל הרקורד שלה במשקלים פתוחים נסוב סביב שאלה אחת: איך הופכים את מנגנון תשומת הלב לזול מספיק כדי שהקשר ארוך ורב-מודאליות יפסיקו להיות מותרות? כל מהדורה בקו היא תשובה לשאלה הזו, והתשובות נבנות זו על גבי זו.
MiniMax-01 — Lightning Attention, וראייה מההתחלה
סדרת MiniMax-01 (שפורסמה כ-arXiv 2501.08313) הציגה את Lightning Attention, מימוש מודע-קלט/פלט של וריאנט תשומת לב לינארי, בתוך מודל Mixture-of-Experts היברידי של 456B פרמטרים בסך הכול עם 45.9B פעילים לכל טוקן. הסדרה יצאה כזוג: MiniMax-Text-01 ו-MiniMax-VL-01, מודל הראייה. VL-01 השתמש במחסנית ViT-MLP-LLM המוכרת היום, אבל עם Vision Transformer בן 303 מיליון פרמטרים שאומן מאפס על 694 מיליון זוגות תמונה-כיתוב ולא במקודד מושאל, ואחר כך יושר וכוונן במשותף בצינור רב-שלבי שעיבד 512 מיליארד טוקנים.
לפרט הזה יש חשיבות למאמר שאתה קורא. ראייה בשושלת הזו אינה מתאם מאוחר שהולחם למודל טקסט כדי לסמן וי. MiniMax מאמנת מגדל ויזואלי משלה מאז המהדורה הפתוחה הראשונה שלה, ולכן הבנת מסמכים, הבנת ממשקים וצילומי מסך וקריאת גרפים היו חוזקות עקביות של המשפחה ולא מחשבה שלאחר מעשה.
MiniMax-M1 — תשומת לב היברידית לחשיבה באורך
MiniMax-M1 (arXiv 2506.13585) תואר על ידי מחבריו כמודל החשיבה הראשון עם תשומת לב היברידית בקנה מידה גדול ובמשקלים פתוחים. הוא שמר על גוף ה-MoE של 456B / 45.9B ושילב את שני סוגי תשומת הלב לסירוגין: בלוק טרנספורמר עם תשומת לב softmax רגילה אחרי כל שבעה בלוקי Lightning Attention. התמורה נמדדה בחישוב ולא במיקום בטבלה — MiniMax דיווחה שבאורך ייצור של 100K טוקנים, M1 צרך בערך 25% מה-FLOPs של DeepSeek R1, בעודו תומך מובנית בהקשר של מיליון טוקנים.
MiniMax-M2 — הפנייה להפעלה קטנה
MiniMax-M2 הלך לכיוון ההפוך בגודל וזכה לתשומת לב בזכות זה: מפענח בן 62 שכבות עם 229.9B פרמטרים בסך הכול אבל רק כ-9.8B פעילים לכל טוקן, בשימוש ב-256 מומחים עדינים בכל שכבת MoE עם ניתוב סיגמואידי לשמונה מהם, מיקומי RoPE ו-QK-RMSNorm ליציבות האימון. הוא היה במפורש מודל קוד סוכני — עריכות על פני קבצים רבים, לולאות הרצה-ותיקון, תיקונים מאומתי-בדיקות — והוא הציג את פורמט החשיבה המשולבת, שבו החשיבה נישאת בין סבבי קריאות כלים במקום להישמט אחרי כל סבב. M2 הוא המודל שביסס את המוניטין של MiniMax באספקת התנהגות סוכנית קרובת-חזית בשבריר מהעלות לטוקן, אך ורק בזכות שמירה על הפעלות זעירות.
MiniMax-M3 — מודל היסוד שמתחת לנקודת הקצה הזו
MiniMax-M3 שוחרר ב-1 ביוני 2026, עם משקלים ב-Hugging Face זמן קצר אחר כך ועם דוח טכני ב-arXiv 2606.13392. זהו מודל Mixture-of-Experts עם 428B פרמטרים ועם כ-23B פעילים לכל טוקן, עם הקשר מתועד של מיליון טוקנים, ועם קלט תמונה ווידאו מובנה — MiniMax מתארת אותו כמאומן במודאליות מעורבת "כבר מהצעד הראשון", ולא כמודל שאומן מקדימה על טקסט והותאם רב-מודאלית אחר כך. לפי המספרים שהיא עצמה פרסמה הוא מקבל 80.5% ב-SWE-bench Verified ו-59.0% ב-SWE-bench Pro. אלה מספרים מדווחי-יצרן על בנצ'מרק קוד, וכך בדיוק כדאי לשקלל אותם; אנחנו מצטטים אותם מפני שהם הטענות שהמעבדה פרסמה, לא מפני ששחזרנו אותם באופן עצמאי.
03MiniMax Sparse Attention: למה מודל ראייה יכול להיות כל כך זול
ההנדסה המעניינת ב-M3 היא MiniMax Sparse Attention (MSA), והיא הסיבה הישירה לכך שמודל רב-מודאלי בגודל הזה יכול לשבת במחיר הרצפה שלנו. תמונות יקרות בטוקנים. קומץ עמודים ברזולוציה גבוהה יכול להכניס עשרות אלפי טוקנים להנחיה עוד לפני שכתבת הוראה אחת. תחת תשומת לב סטנדרטית העלות הזו מצטברת ריבועית, והמודל שקורא עשרים עמודים אינו יקר פי שניים מזה שקורא עשרה — הוא הרבה יותר גרוע מפי שניים.
MSA משנה את צורת העקומה הזו. זהו מנגנון דליל-בלוקים שבנוי על שדרת Grouped Query Attention, מפוצל לשני ענפים:
- ענף אינדקס קליל שמדרג בלוקים של מפתח-ערך — במיצוע-מרבי של ציונים על פני הטוקנים שבתוך כל בלוק — ובוחר את ה-top-k לכל מיקום שאילתה ולכל קבוצת GQA, תוך הכללה תמידית של הבלוק המקומי שמכיל את השאילתה עצמה, למען יציבות האימון.
- ענף ראשי שמריץ תשומת לב softmax רגילה רק על הבלוקים שהאינדקס בחר.
התצורה במאמר MSA היא k = 16 בלוקים של 128 טוקנים, מה שנותן לכל שאילתה תקציב קבוע של 2,048 טוקנים נצפים. קבוע, כלומר אינו גדל עם אורך הרצף. זה כל הטריק: ככל שההקשר גדל, עלות תשומת הלב של בסיס צפוף ממשיכה לטפס בעוד עלות הענף הראשי של MSA נשארת שטוחה, ולכן תשומת הלב מתרחבת לינארית במקום ריבועית.
נתונים מדוח MiniMax Sparse Attention (arXiv 2606.13392): הפחתה פי 28.4 ב-FLOPs של תשומת לב לכל טוקן לעומת GQA בתצורה שקולה בהקשר של מיליון, והאצות שעון-קיר של פי 14.2 במילוי מקדים ופי 7.6 בפענוח שנמדדו על חומרת H800 במחקר של 109B פרמטרים שבמאמר. MiniMax מדווחת בנפרד על האצה פי 9 במילוי מקדים ופי 15 בפענוח ל-M3 לעומת M2 בהקשר של מיליון. כל אלה מדווחי-מעבדה.
המאמר גם עורך את הבדיקה שחשובה למאמר על ראייה: על מודל MoE רב-מודאלי מובנה של 109B, MSA שמר על ביצועים דומים לבסיס עם תשומת לב מלאה על פני בנצ'מרקים לתמונות ובהם AI2D, ChartQA ו-MMMU, ועל פני בנצ'מרקים לווידאו ובהם EgoSchema, LongVideoBench ו-VideoMME — כאשר הווריאנטים הדלילים לעיתים אף משתפרים במשימות הווידאו עם ההקשר הארוך יותר. הדלילות כאן אינה מס איכות שאתה משלם תמורת מהירות; על קלטים ארוכים היא נראית כמעט חינם.
למה זה צריך לעניין אותך כלקוח: עלות ההגשה היא מה שקובע את המחירון. מודל יסוד שעלות תשומת הלב שלו מפסיקה לגדול הוא מודל יסוד שאתה יכול להרשות לעצמך להפנות למאה אלף תמונות. זה המנגנון מאחורי "מודל הראייה הזול ביותר ללא צנזורה" — זה לא תעריף מבצע, זו ארכיטקטורה.
04מה אומר 3BIT-REAP, ואיפה זה עולה לך
מודל של 428 מיליארד פרמטרים אינו נכנס לשום מקום נוח בדיוק מלא. הבנייה שלנו ל-MiniMax-M3 נושאת את הסיומת 3BIT-REAP, שמתארת שתי פעולות נפרדות שהופעלו בסדר מסוים.
REAP: מחק מומחים לפני שאתה דוחס אותם
REAP — Router-weighted Expert Activation Pruning — הוא שיטת דחיסת MoE בשלב יחיד מבית Cerebras ואוניברסיטת קלגרי, שפורסמה כ-arXiv 2510.13999 והתקבלה ל-ICLR 2026. הטענה שלה היא שלמשימות יוצרות, גיזום מומחים מנצח את מיזוגם: מיזוג הורס את הבקרה העדינה של הנתב ומכניס שגיאה שלא ניתן להתאושש ממנה לעולם. לכן REAP מדרג במקום זאת כל מומחה בקריטריון בולטות שמשלב ערכי שער של הנתב (באיזו תדירות ובאיזו עוצמה הנתב בוחר בו) עם נורמות ההפעלה של המומחה (כמה הפלט שלו באמת תורם), ואז מוחק לחלוטין את בעלי הבולטות הנמוכה ביותר.
המחברים מדווחים על הסרה של עד 50% מהמומחים ממודלים בגודל של עד טריליון פרמטרים תוך שמירה במידה רבה על איכות הבסיס — על Qwen3-480B-Coder-FP8 בגיזום של 50%, נשמרו 97.6% מיכולת הקוד הלא-סוכנית של הבסיס ו-96.7% ב-SWE-Bench הסוכני. אלה המספרים של המאמר על המודלים של המאמר, לא שלנו על MiniMax-M3; אנחנו מצטטים אותם כדי שתוכל לשפוט את השיטה, לא כדי לרמוז על מדידה שקולה כאן.
משקלים של 3 סיביות, שנית
המשקלים ששרדו נשמרים אחר כך ב-3 סיביות. הסדר מכוון והוא כל העניין בשילוב: קודם גוזמים, אחר כך מקוונטזים. אין טעם להוציא את שלוש הסיביות היקרות שלך למשקל על קידוד נאמן של מומחים שאתה עומד למחוק. גזום את הזנב הדליל, ואז תן לכל התקציב הנותר ללכת למומחים שבאמת נדלקים.
ההסתייגות הכנה
3BIT-REAP הוא הדרג האגרסיבי ביותר שאנחנו מספקים. אנחנו משתמשים בו על מודלי היסוד הגדולים ביותר — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — כי הוא ההבדל בין זמינות של המודלים האלה במחיר שפוי לבין אי-זמינותם בכלל. איפה שמודל יסוד קטן מספיק כדי לא להזדקק לו, אנחנו לא משתמשים בו: מודלי ה-W8A16 בקטלוג מריצים משקלים של 8 סיביות עם הפעלות של 16 סיביות, ו-W4A16-AUTOROUND-REAP יושב באמצע, בשימוש בעיגול הנלמד של AutoRound כדי לשחזר דיוק שקוונטיזציה נאיבית לערך הקרוב מוותרת עליו. בחר את הדרג שמתאים לסובלנות שלך. אם אתה מחלץ שדות מעשרת אלפים חשבוניות, 3 סיביות הן הפשרה הנכונה. אם אתה עושה קריאה פורנזית אחת בעלת סיכון גבוה של תמונה בודדת, הוצא את הכסף על Kimi-K3.
05מה המשמעות של "בלי שכבת סירוב" כשהקלט הוא תמונה
"ללא צנזורה" היא מילה שמשתמשים בה ברישול, אז הנה הטענה המדויקת: אין שכבת סירוב ואין סינון פלט בנקודת הקצה הזו. אין מסווג שבודק את התמונה שלך לפני שהמודל רואה אותה. אין מודל מדיניות שבודק את הטוקנים בדרך החוצה. מה שהמודל מייצר הוא מה שאתה מקבל.
בטקסט, ההשפעה של זה מוכרת. בראייה היא שונה במהותה, כי התנהגות סירוב על קלטי תמונה היא המקום שבו ממשקי API רב-מודאליים מסחריים הם השמרניים והשרירותיים ביותר. הכשלים האופייניים נראים כך:
- סירובי זהות גורפים — סירוב לתאר אנשים בתצלום בכלל, כולל תכונות שנראות בבירור ותמימות לחלוטין, מפני שמדיניות אינה יכולה להבחין בין תיאור לבין זיהוי.
- נסיגה בגלל הנושא — סירוב לתמלל או לסכם מסמך בגלל מה שהמסמך עוסק בו, למרות שתמלול הוא משימה מכנית.
- רגישות יתר רפואית ופורנזית — סירוב לתאר דימות קליני, תיעוד פציעות או תצלומי תאונה שאיש מקצוע צריך שיתוארו.
- התרעות שווא בכלי אבטחה — סירוב לקרוא צילום מסך מפני שיש בו מסוף, לכידת מנות או מנפה שגיאות.
- הידרדרות שקטה — הגרועה מכולן: לא סירוב אלא תשובת סרק מגודרת, שעוברת את אימות הסכמה שלך ומרעילה את מערך הנתונים שלך בלי לעורר שגיאה כלשהי.
הבעיה התפעולית עם כל החמישה אינה שהם לא הוגנים. היא שהם בלתי מדידים. תשובה שגויה היא נקודת נתונים; אפשר לתת לה ציון, לתפוס אותה בהערכה ולתקן בהתאם. סירוב הוא חור. בקנה מידה של אצווה, שיעור סירוב של 3% שמתפזר באופן לא אקראי על פני הקלטים שלך — ומרוכז, מעצם בנייתו, בדיוק במקרים הקשים והחריגים — הוא הטיה שיטתית בתוצאות שלך ששום ניקוי במורד הזרם לא משחזר. הסרת שכבת הסירוב מסירה מקור לנתונים חסרים באופן שקט ומתואם.
Shannon מופעלת על ידי Shannon Lab LLC, ניו מקסיקו, ארה"ב, תחת מדיניות השימוש האחראי שלנו. ללא צנזורה פירושו שהמודל אינו מטיף לגבי הקלטים שלך; אין פירושו שלחשבון אין תנאים.
06המפרט המלא
| שדה | MiniMax-M3 · 3BIT-REAP |
|---|---|
| מזהה המודל | MiniMax-M3-3BIT-REAP |
| מודל יסוד | MiniMax-M3 (MiniMax AI) |
| חלון הקשר | 262,144 טוקנים |
| פלט מרבי | 16,384 טוקנים |
| קלט תמונה | כן |
| קלט וידאו | לא חשוף |
| הזרמה | כן |
| קריאת כלים | כן |
| חשיבה | כן (reasoning_effort) |
| פלט מובנה | json_schema + response_format |
| שכבת סירוב | אין |
| נקודות קצה | /v1/chat/completions · /v1/messages · /v1/responses |
| מוגש על | אשכול ה-GPU של Shannon עצמה |
שתי שורות בטבלה הזו ראויות להדגשה. קלט וידאו אינו חשוף. מודל היסוד M3 אומן על וידאו ו-MiniMax מתעדת קלט וידאו; נקודת הקצה שלנו מקבלת תמונות. בנה מול תמונות. שנית, חלון 262,144 הטוקנים הוא שלנו, לא נתון מיליון הטוקנים של מודל היסוד — תכנן עומסי מסמכים ארוכים ותמונות רבות מול 262,144 ולעולם לא תופתע.
07קריאה ל-API של MiniMax ללא צנזורה
שלושה דיאלקטים, אותו מודל מאחורי כולם, הזרמה בשלושתם. השתמש בזה שהלקוח הקיים שלך כבר מדבר; אין הבדל ביכולות ביניהם. הפנה את כתובת הבסיס שלך ל-Shannon ושנה את מזהה המודל.
הבנת תמונות דרך הדיאלקט של 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
}'גם כתובות https:// מרוחקות וגם כתובות נתונים ב-base64 עובדות בחלק image_url. צרף כמה חלקי תמונה בהודעה אחת כשאתה זקוק להשוואה בין עמודים — יש לך 262,144 טוקנים לבזבז, ובמחיר $0.50 למיליון, לבזבז אותם זול.
חילוץ מוטיפס עם סכמת JSON
המקום שבו המודל הזה מצדיק את מקומו בצינור הוא השילוב של ראייה + סכמה קפדנית + מחיר רצפה. לא לכל מודל בקטלוג שלנו יש את שלושתם: Laguna-S-2.1 ו-inkling אינם תומכים ב-json_schema. MiniMax-M3 כן, כלומר אפשר להוציא אובייקט מאומת מתוך תמונה בלי שכבת פענוח:
{
"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
}
}
}
}מאמץ חשיבה
המודל חושף את reasoning_effort. בסיווג תמונות בכמות גדולה, השאר אותו נמוך — אתה שואל שאלה תפיסתית, וטוקני חשיבה הם טוקני פלט שאתה משלם עליהם. העלה אותו לקריאות שבהן התמונה היא ראיה בטיעון ארוך יותר: קריאת תרשים מול מפרט, התאמה בין גרף לטבלה, הכרעה אם שני צילומי מסך מראים את אותה תקלה.
הסימוכין המלאים לפרמטרים, סמנטיקת השגיאות ופורמטי ההזרמה לשלושת הדיאלקטים נמצאים בתיעוד ה-API של Shannon.
08איפה MiniMax-M3 הוא הבחירה הנכונה — ואיפה לא
פנה אליו כאשר
- עבודת תמונות בנפח. תיוג מערכי נתונים, מחקר מיתון, העשרת קטלוגים, מיון צילומי מסך, OCR-ומבנה באצווה על מסמכים סרוקים. מחיר הרצפה הוא כל הטיעון.
- תמונות לרשומות מוטיפסות. ראייה בתוספת
json_schemaקפדנית בתוספת הטוקנים הזולים ביותר בקטלוג — שילוב ששני מודלים בלבד כאן מציעים. - הקשר רב-מודאלי ארוך. עמודים רבים, או פריימים רבים, בבקשה אחת — הארכיטקטורה שמתחת בנויה בדיוק לצורת הקלט הזו.
- מחקר שבו סירובים מקלקלים את המדגם. כל מחקר שתקפותו תלויה בכך שהמודל יענה על כל פריט, כולל אלה שלא נוחים.
- לולאות סוכן שקוראות מסך. שושלת ה-M היא סוכנית במפורש, וקריאת כלים זמינה.
פנה למשהו אחר כאשר
- אתה זקוק לתקרת הראייה הגבוהה ביותר והתקציב קיים. Kimi-K3 · 3BIT-REAP עולה פי 7.7 בקלט מסיבה טובה; בקריאה בודדת עם סיכון גבוה, זה הכסף הנכון להוציא.
- אתה זקוק למשקלים בנאמנות מרבית. 3 סיביות הן הדרג האגרסיבי ביותר שלנו. מודלי ה-
W8A16מחליפים מחיר בדיוק, ו-MiMo-V2.5 · W8A16 תומך בראייה באותם $0.50 / $2.00 אם נאמנות לכל משקל היא מה שאתה ממטב. - אתה זקוק לווידאו. אנחנו לא חושפים קלט וידאו בנקודת הקצה הזו.
- המשימה היא טקסט טהור בחזית. DeepSeek-V4-Pro-0813 קיים בשביל זה; אחרת תשלם על מגדל ראייה שלעולם לא תשתמש בו.
כל נתון על מודל היסוד במאמר הזה פורסם על ידי מישהו אחר מאיתנו. בדוק את המקורות הראשוניים במקום לקבל את הסיכום שלנו עליהם.
נתוני הארכיטקטורה, הבנצ'מרקים וההאצה של משפחת MiniMax מדווחים על ידי המעבדה MiniMax AI; נתוני REAP מדווחים על ידי מחברי REAP על המודלים שלהם ואינם מדידה של הבנייה הזו. המחירים, חלון ההקשר ודגלי היכולות של Shannon הם שלנו ונקראים מקטלוג המודלים החי שלנו.
09שאלות נפוצות
מהו ה-API של MiniMax ללא צנזורה?
זהו MiniMax-M3 · 3BIT-REAP שמוגש על אשכול ה-GPU של Shannon עצמה בלי שכבת סירוב ובלי סינון פלט. אתה קורא לו דרך /v1/chat/completions, /v1/messages או /v1/responses עם חלון הקשר של 262,144 טוקנים, קלט תמונה, קריאת כלים ופלט מובנה לפי סכמת JSON, במחיר $0.50 למיליון טוקני קלט ו-$2.00 למיליון טוקני פלט.
האם MiniMax-M3 ב-Shannon מקבל קלט תמונה?
כן. MiniMax-M3 הוא אחד מחמישה מודלים עם ראייה בקטלוג של Shannon ומקבל תמונות בפורמט התקני של חלק תוכן image_url, כולל כתובות נתונים ב-base64. נקודת הקצה שלנו חושפת קלט תמונה בלבד — אנחנו לא חושפים קלט וידאו, גם אם מודל היסוד שמעליו אומן על וידאו.
כמה עולה הבנת תמונות ללא צנזורה?
MiniMax-M3 יושב במחיר הרצפה של Shannon, $0.50 למיליון טוקני קלט ו-$2.00 למיליון טוקני פלט. אצווה של 1,000 קריאות תמונה בממוצע של 1,200 טוקני קלט ו-300 טוקני פלט לכל אחת עולה כ-$1.20. אותה אצווה על Kimi-K3, מודל הראייה עם התקרה הגבוהה ביותר בקטלוג, עולה כ-$10.34.
מה אומר 3BIT-REAP, והאם זה פוגע באיכות?
REAP הוא Router-weighted Expert Activation Pruning, שיטת דחיסה בשלב יחיד למודלי Mixture-of-Experts מבית Cerebras ואוניברסיטת קלגרי, שמדרגת כל מומחה לפי ערך שער הנתב ולפי נורמת ההפעלה, ואז מוחקת את המומחים הפחות בולטים לפני הקוונטיזציה. המשקלים הנותרים נשמרים ב-3 סיביות. זהו דרג הדחיסה האגרסיבי ביותר שלנו והוא מה שהופך מודל יסוד של 428 מיליארד פרמטרים לבר-הגשה במחיר הרצפה. לנאמנות מרבית אנחנו מספקים מודלי W8A16 נפרדים במקום.
האם הוא תומך בקריאת כלים ובפלט לפי סכמת JSON?
כן לשניהם. MiniMax-M3 תומך בהזרמה, בקריאת כלים, בחשיבה עם בקרת reasoning_effort, ב-response_format ובפלט מובנה קפדני לפי json_schema. השילוב הזה אינו אוניברסלי בכל הקטלוג — Laguna-S-2.1 ו-inkling אינם תומכים ב-json_schema — כך שאם אתה זקוק לאובייקט מוטיפס בחזרה מתוך תמונה, MiniMax-M3 הוא המודל הזול ביותר שייתן לך אחד כזה.
איזה חלון הקשר ואיזו מגבלת פלט אני מקבל?
262,144 טוקנים של הקשר ו-16,384 טוקנים של פלט לכל בקשה, זהים בכל שנים-עשר המודלים של Shannon. מודל היסוד MiniMax-M3 מתועד עם מיליון טוקנים; אנחנו מגישים חלון של 262K, אז תכנן עומסי מסמכים ארוכים ותמונות מרובות מול 262,144, ולא מול הנתון של מודל היסוד.
נסה את ה-API של MiniMax ללא צנזורה
הבנת תמונות במחיר הרצפה. שלושה דיאלקטים, מזהה מודל אחד, בלי שכבת סירוב.
קרא את תיעוד ה-API כל מדריכי המודליםShannon Lab LLC · ניו מקסיקו, ארה"ב · מדיניות השימוש האחראי חלה
מקורות: כרטיס המודל של 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. נתוני הבנצ'מרק וההאצה של MiniMax מדווחי-מעבדה וזמניים עד לאימות עצמאי. המחירים ודגלי היכולות של Shannon עדכניים ל-5 בספטמבר 2026.