अनसेंसर्ड MiniMax API: न्यूनतम कीमत पर विज़न

लगभग हर होस्टेड मल्टीमॉडल API विज़न की कीमत प्रीमियम की तरह रखता है। आप टेक्स्ट के लिए टेक्स्ट-मॉडल की दर चुकाते हैं, और जैसे ही प्रॉम्प्ट में इमेज घुसती है, आप और चुकाते हैं — कभी-कभी कई गुना ज़्यादा। इसके ऊपर, इमेज इनपुट वही जगह है जहाँ इनकार वाला व्यवहार सबसे आक्रामक होता है: जो मॉडल किसी विषय पर टेक्स्ट में ख़ुशी-ख़ुशी चर्चा करेगा, वही उसी चीज़ को तस्वीर में बताने से मना कर देगा। नतीजा एक ऐसा उत्पाद है जो प्रति कॉल महँगा है और प्रति कॉल अविश्वसनीय भी — और जब आप मात्रा में प्रोसेस कर रहे हों तो यह दोनों दुनियाओं का सबसे बुरा रूप है। Shannon पर MiniMax-M3 इसका हमारा जवाब है: वही $0.50 / $2.00 जो आप हमारे सबसे सस्ते टेक्स्ट मॉडल के लिए चुकाते हैं, ऐसे फ़ाउंडेशन पर लागू जिसे पहले क़दम से ही मल्टीमॉडल ट्रेन किया गया, और जिसके आगे कोई रिफ्यूज़ल लेयर नहीं बैठी।

01यहाँ "सबसे सस्ता अनसेंसर्ड विज़न मॉडल" का असल मतलब क्या है

Shannon कैटलॉग में बारह मॉडल हैं। उनमें से पाँच इमेज स्वीकार करते हैं। उनकी कीमतें, प्रति दस लाख टोकन:

विज़न-सक्षम मॉडल	इनपुट	आउटपुट	स्ट्रक्चर्ड आउटपुट
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	सिर्फ़ response_format
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 सबसे निचले पायदान पर है — $0.50 / $2.00 — MiMo-V2.5 के बराबर, और इससे नीचे कुछ नहीं, क्योंकि $0.50 / $2.00 ही हमारी कीमत सूची का फ़र्श है। विज़न रेंज के शीर्ष के मुक़ाबले यह Kimi-K3 से इनपुट पर 7.7× और आउटपुट पर 9.6× सस्ता है।

इसे किसी वर्कलोड में रखकर देखिए। मान लीजिए आप 1,000 इमेज छाँट रहे हैं — स्क्रीनशॉट, स्कैन किए पन्ने, उत्पाद की तस्वीरें — जिनमें औसतन लगभग 1,200 टोकन इमेज और प्रॉम्प्ट अंदर जाते हैं और 300 टोकन जवाब बाहर आता है:

Shannon की सूची कीमतें, सितंबर 2026। टोकन संख्याएँ केवल उदाहरण हैं; आपकी इमेज टोकनाइज़ेशन रिज़ॉल्यूशन पर और इस पर निर्भर करती है कि आप प्रति कॉल कितनी इमेज जोड़ते हैं।

दो और संदर्भ बिंदु जिन्हें दिमाग़ में रखना काम आता है। पूरी 262,144-टोकन कॉन्टेक्स्ट को एक बार भरने की लागत लगभग 13 सेंट है। अधिकतम लंबाई वाले 16,384-टोकन जवाब की लागत लगभग 3.3 सेंट है। ये किसी एक सबसे बुरे अनुरोध की असली सीमाएँ हैं, और ये इतनी छोटी हैं कि किसी विज़न पाइपलाइन की दिलचस्प अड़चन पैसा होना बंद हो जाती है और थ्रूपुट होना शुरू।

02MiniMax की वंशावली: एक लैब जो टोकन का अनुकूलन करती है, सुर्खियों का नहीं

MiniMax AI शंघाई की एक लैब है जिसका पूरा ओपन-वेट रिकॉर्ड एक ही सवाल के इर्द-गिर्द है: अटेंशन को इतना सस्ता कैसे बनाया जाए कि लंबा कॉन्टेक्स्ट और मल्टीमॉडैलिटी विलासिता न रह जाएँ? इस कड़ी का हर रिलीज़ उसी सवाल का जवाब है, और ये जवाब एक-दूसरे पर टिके हैं।

MiniMax-01 — Lightning Attention, और शुरू से ही विज़न

MiniMax-01 शृंखला (arXiv 2501.08313 के रूप में प्रकाशित) ने Lightning Attention पेश किया, जो एक लीनियर अटेंशन वेरिएंट का I/O-सजग कार्यान्वयन है, और यह 456B कुल पैरामीटर तथा प्रति टोकन 45.9B सक्रिय वाले एक हाइब्रिड Mixture-of-Experts मॉडल के भीतर था। यह शृंखला जोड़ी के रूप में आई: MiniMax-Text-01 और MiniMax-VL-01, यानी विज़न मॉडल। VL-01 ने अब जाना-पहचाना ViT-MLP-LLM ढाँचा इस्तेमाल किया, पर उधार लिए एनकोडर के बजाय 69.4 करोड़ इमेज-कैप्शन जोड़ियों पर शून्य से ट्रेन किया गया 30.3 करोड़ पैरामीटर वाला Vision Transformer लगाया, और फिर 512 अरब टोकन प्रोसेस करने वाली बहु-चरणीय पाइपलाइन में उसे अलाइन तथा संयुक्त रूप से फ़ाइन-ट्यून किया।

यह ब्योरा उस लेख के लिए मायने रखता है जिसे आप पढ़ रहे हैं। इस वंश में विज़न कोई देर से जोड़ा गया अडैप्टर नहीं है जिसे किसी टेक्स्ट मॉडल पर खानापूर्ति के लिए कस दिया गया हो। MiniMax अपने पहले ओपन रिलीज़ से ही अपना विज़ुअल टावर ख़ुद ट्रेन करती आई है, और यही वजह है कि दस्तावेज़ समझ, UI तथा स्क्रीनशॉट की समझ, और चार्ट पढ़ना इस परिवार की लगातार बनी हुई ताक़तें रही हैं, बाद की सोच नहीं।

MiniMax-M1 — लंबाई में रीज़निंग के लिए हाइब्रिड अटेंशन

MiniMax-M1 (arXiv 2506.13585) को उसके लेखकों ने पहला ओपन-वेट, बड़े पैमाने का हाइब्रिड-अटेंशन रीज़निंग मॉडल बताया। इसने 456B / 45.9B वाला MoE ढाँचा बनाए रखा और दोनों तरह के अटेंशन को गूँथ दिया: हर सात Lightning Attention ब्लॉक के बाद एक परंपरागत सॉफ़्टमैक्स-अटेंशन ट्रांसफ़ॉर्मर ब्लॉक। इसका फ़ायदा लीडरबोर्ड की जगह के बजाय कंप्यूट में नापा गया — MiniMax ने बताया कि 100K-टोकन जनरेशन लंबाई पर M1 ने DeepSeek R1 के लगभग 25% FLOPs खर्च किए, और साथ ही नेटिव रूप से दस लाख टोकन का कॉन्टेक्स्ट सपोर्ट किया।

MiniMax-M2 — छोटे-एक्टिवेशन वाला मोड़

MiniMax-M2 आकार के मामले में उल्टी दिशा में गया और इसी के लिए चर्चा में आया: 62-लेयर वाला डिकोडर जिसमें 229.9B कुल पैरामीटर पर प्रति टोकन सिर्फ़ ~9.8B सक्रिय रहते हैं, प्रति MoE लेयर 256 बारीक एक्सपर्ट के साथ, जिनमें से आठ को सिग्मॉइड राउटिंग चुनती है, तथा ट्रेनिंग स्थिरता के लिए RoPE पोज़िशन और QK-RMSNorm। यह स्पष्ट रूप से एक एजेंटिक-कोडिंग मॉडल था — मल्टी-फ़ाइल संपादन, रन-फ़िक्स लूप, टेस्ट-सत्यापित मरम्मत — और इसने इंटरलीव्ड थिंकिंग फ़ॉर्मैट पेश किया, जिसमें रीज़निंग हर टर्न के बाद फेंक देने के बजाय टूल-कॉल दौरों के बीच साथ चलती है। M2 वही मॉडल है जिसने MiniMax की यह प्रतिष्ठा बनाई कि वह प्रति-टोकन लागत के एक अंश पर फ्रंटियर के क़रीब का एजेंटिक व्यवहार देती है, और यह पूरी तरह एक्टिवेशन को नन्हा रखकर।

MiniMax-M3 — इस एंडपॉइंट के नीचे का फ़ाउंडेशन

MiniMax-M3 1 जून 2026 को जारी हुआ, वेट्स कुछ ही समय बाद Hugging Face पर आए और तकनीकी रिपोर्ट arXiv 2606.13392 पर। यह 428B पैरामीटर वाला Mixture-of-Experts मॉडल है जिसमें प्रति टोकन लगभग 23B सक्रिय रहते हैं, प्रलेखित दस लाख टोकन का कॉन्टेक्स्ट है, और नेटिव इमेज तथा वीडियो इनपुट है — MiniMax इसे "बिल्कुल पहले क़दम से" मिश्रित-मोडैलिटी में ट्रेन किया गया बताती है, न कि पहले टेक्स्ट पर प्रीट्रेन करके बाद में मल्टीमॉडल ढाला गया। MiniMax के अपने प्रकाशित आँकड़ों पर यह SWE-bench Verified पर 80.5% और SWE-bench Pro पर 59.0% स्कोर करता है। ये किसी कोडिंग बेंचमार्क पर वेंडर द्वारा रिपोर्ट किए गए आँकड़े हैं, और आपको इन्हें ठीक इसी तौल से लेना चाहिए; हम इन्हें इसलिए उद्धृत करते हैं कि ये लैब के प्रकाशित दावे हैं, इसलिए नहीं कि हमने इन्हें स्वतंत्र रूप से दोहराया है।

03MiniMax Sparse Attention: कोई विज़न मॉडल इतना सस्ता क्यों हो सकता है

M3 में दिलचस्प इंजीनियरिंग MiniMax Sparse Attention (MSA) है, और यही सीधा कारण है कि इस आकार का मल्टीमॉडल मॉडल हमारी न्यूनतम कीमत पर बैठ सकता है। इमेज टोकन के मामले में महँगी होती हैं। मुट्ठी भर उच्च-रिज़ॉल्यूशन पन्ने आपके एक निर्देश लिखने से पहले ही प्रॉम्प्ट में दसियों हज़ार टोकन डाल सकते हैं। मानक अटेंशन के तहत यह लागत वर्गाकार रूप से बढ़ती है, और बीस पन्ने पढ़ने वाला मॉडल दस पन्ने पढ़ने वाले से दोगुना महँगा नहीं होता — वह दोगुने से कहीं ज़्यादा बुरा होता है।

MSA उस वक्र का आकार बदल देता है। यह Grouped Query Attention रीढ़ पर बना एक ब्लॉक-स्पार्स तंत्र है, जो दो शाखाओं में बँटा है:

• एक हल्की Index Branch जो की-वैल्यू ब्लॉकों को स्कोर देती है — हर ब्लॉक के भीतर के टोकनों पर मैक्स-पूलिंग स्कोर — और प्रति क्वेरी स्थिति तथा प्रति GQA समूह शीर्ष-k चुनती है, और ट्रेनिंग स्थिरता के लिए हमेशा उस स्थानीय ब्लॉक को भी शामिल रखती है जिसमें ख़ुद क्वेरी है।
• एक Main Branch जो सामान्य सॉफ़्टमैक्स अटेंशन चलाती है, पर सिर्फ़ उन्हीं ब्लॉकों पर जिन्हें इंडेक्स ने चुना।

MSA पेपर में विन्यास k = 128 टोकन वाले 16 ब्लॉक है, जिससे हर क्वेरी को 2,048 अटेंडेड टोकन का तय बजट मिलता है। तय, यानी वह सीक्वेंस लंबाई के साथ नहीं बढ़ता। यही पूरी तरकीब है: कॉन्टेक्स्ट बढ़ने पर किसी सघन बेसलाइन की अटेंशन लागत चढ़ती रहती है जबकि MSA की मुख्य-शाखा लागत सपाट रहती है, इसलिए अटेंशन वर्गाकार के बजाय रैखिक रूप से बढ़ता है।

आँकड़े MiniMax Sparse Attention रिपोर्ट (arXiv 2606.13392) से: 1M कॉन्टेक्स्ट पर समान रूप से विन्यस्त GQA के मुक़ाबले प्रति-टोकन अटेंशन FLOPs में 28.4× की कमी, और पेपर के 109B-पैरामीटर अध्ययन में H800 हार्डवेयर पर नापी गई 14.2× प्रीफ़िल / 7.6× डिकोड घड़ी-समय तेज़ी। MiniMax अलग से बताती है कि 1M कॉन्टेक्स्ट पर M2 के मुक़ाबले M3 में 9× प्रीफ़िल और 15× डिकोड तेज़ी है। ये सभी लैब द्वारा रिपोर्ट किए गए हैं।

पेपर वह जाँच भी करता है जो किसी विज़न लेख के लिए मायने रखती है: एक नेटिव रूप से मल्टीमॉडल 109B MoE पर MSA ने AI2D, ChartQA और MMMU समेत इमेज बेंचमार्कों में, तथा EgoSchema, LongVideoBench और VideoMME समेत वीडियो बेंचमार्कों में फ़ुल-अटेंशन बेसलाइन के तुलनीय प्रदर्शन बनाए रखा — और स्पार्स वेरिएंट कभी-कभी लंबे कॉन्टेक्स्ट वाले वीडियो कामों पर बेहतर भी निकले। यहाँ स्पार्सिटी रफ़्तार के बदले चुकाया जाने वाला गुणवत्ता कर नहीं है; लंबे इनपुट पर यह लगभग मुफ़्त दिखती है।

ग्राहक के तौर पर आपको इसकी परवाह क्यों करनी चाहिए: सूची कीमत परोसने की लागत से तय होती है। जिस फ़ाउंडेशन की अटेंशन लागत बढ़नी बंद हो जाती है, उसी फ़ाउंडेशन को आप एक लाख इमेज पर लगा सकते हैं। "सबसे सस्ता अनसेंसर्ड विज़न मॉडल" के पीछे यही तंत्र है — यह कोई प्रचार दर नहीं, एक आर्किटेक्चर है।

043BIT-REAP का मतलब क्या है, और यह आपको कहाँ भारी पड़ता है

428 अरब पैरामीटर वाला मॉडल पूरी परिशुद्धता पर कहीं आराम से नहीं समाता। हमारे MiniMax-M3 बिल्ड पर 3BIT-REAP प्रत्यय है, जो एक तय क्रम में लागू दो अलग-अलग क्रियाओं को बताता है।

REAP: कंप्रेस करने से पहले एक्सपर्ट हटाइए

REAP — Router-weighted Expert Activation Pruning — Cerebras और University of Calgary की एक वन-शॉट MoE कंप्रेशन विधि है, जो arXiv 2510.13999 के रूप में प्रकाशित हुई और ICLR 2026 में स्वीकार हुई। इसका तर्क यह है कि जनरेटिव कामों के लिए एक्सपर्ट को हटाना उन्हें मिलाने से बेहतर है: मिलाने से राउटर का बारीक नियंत्रण नष्ट होता है और एक ऐसी त्रुटि आ जाती है जिसे आप कभी वापस नहीं पा सकते। इसलिए REAP इसके बजाय हर एक्सपर्ट को एक सैलिएंसी कसौटी पर स्कोर देता है जो राउटर गेट वैल्यू (राउटर उसे कितनी बार और कितनी मज़बूती से चुनता है) और एक्सपर्ट एक्टिवेशन नॉर्म (उसका आउटपुट असल में कितना योगदान देता है) को जोड़ती है, फिर सबसे कम महत्वपूर्ण एक्सपर्ट को सीधे हटा देता है।

लेखक बताते हैं कि एक ट्रिलियन पैरामीटर तक के मॉडलों से 50% तक एक्सपर्ट हटाए जा सकते हैं और फिर भी बेसलाइन गुणवत्ता काफ़ी हद तक बनी रहती है — Qwen3-480B-Coder-FP8 पर 50% प्रूनिंग पर बेसलाइन की 97.6% ग़ैर-एजेंटिक कोडिंग क्षमता और एजेंटिक SWE-Bench पर 96.7% बरकरार रही। ये पेपर के अपने मॉडलों पर पेपर के आँकड़े हैं, MiniMax-M3 पर हमारे नहीं; हम इन्हें इसलिए उद्धृत करते हैं ताकि आप विधि को परख सकें, यह जताने के लिए नहीं कि यहाँ भी बराबर माप हुआ है।

दूसरे चरण में, 3-बिट वेट्स

बचे हुए वेट्स फिर 3 बिट पर संग्रहित किए जाते हैं। यह क्रम जान-बूझकर है और यही इस संयोजन का सार है: पहले प्रून, फिर क्वांटाइज़। उन एक्सपर्ट को ईमानदारी से एनकोड करने में अपने बेशक़ीमती तीन बिट प्रति वेट खर्च करने का कोई तुक नहीं जिन्हें आप हटाने ही वाले हैं। पहले विरल पूँछ काटिए, फिर बचा हुआ बजट पूरी तरह उन एक्सपर्ट को जाने दीजिए जो सचमुच चलते हैं।

ईमानदार चेतावनी

3BIT-REAP हमारा सबसे आक्रामक स्तर है। हम इसे सबसे बड़े फ़ाउंडेशनों पर इस्तेमाल करते हैं — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — क्योंकि इन्हीं की बदौलत ये मॉडल समझदार कीमत पर उपलब्ध हो पाते हैं, वरना उपलब्ध ही न होते। जहाँ फ़ाउंडेशन इतना छोटा है कि इसकी ज़रूरत नहीं, वहाँ हम इसका इस्तेमाल नहीं करते: कैटलॉग के W8A16 मॉडल 8-बिट वेट्स और 16-बिट एक्टिवेशन पर चलते हैं, और W4A16-AUTOROUND-REAP बीच में बैठता है, जो AutoRound की सीखी हुई राउंडिंग से वह सटीकता वापस लाता है जो सीधी-सादी राउंड-टू-नियरेस्ट क्वांटाइज़ेशन गँवा देती है। वह स्तर चुनिए जो आपकी सहनशीलता से मेल खाता हो। अगर आप दस हज़ार चालानों से फ़ील्ड निकाल रहे हैं, तो 3-बिट सही सौदा है। अगर आप किसी एक इमेज की एक ऊँचे दाँव वाली फ़ोरेंसिक पड़ताल कर रहे हैं, तो पैसा Kimi-K3 पर खर्च कीजिए।

05जब इनपुट एक इमेज हो तो "कोई रिफ्यूज़ल लेयर नहीं" का क्या मतलब है

अनसेंसर्ड शब्द ढीले-ढाले तरीक़े से इस्तेमाल होता है, इसलिए यहाँ सटीक दावा है: इस एंडपॉइंट पर कोई रिफ्यूज़ल लेयर नहीं है और आउटपुट पर कोई फ़िल्टरिंग नहीं है। मॉडल के देखने से पहले कोई क्लासिफ़ायर आपकी इमेज की जाँच नहीं करता। बाहर जाते टोकनों की कोई पॉलिसी मॉडल जाँच नहीं करता। मॉडल जो पैदा करता है, वही आपको मिलता है।

टेक्स्ट में इसका असर जाना-पहचाना है। विज़न में यह क़िस्म से ही अलग है, क्योंकि इमेज इनपुट पर इनकार का व्यवहार वहीं है जहाँ व्यावसायिक मल्टीमॉडल API सबसे रूढ़िवादी और सबसे मनमाने होते हैं। विशिष्ट विफलताएँ ऐसी दिखती हैं:

• पहचान पर थोक इनकार — किसी तस्वीर में लोगों का वर्णन करने से पूरी तरह मना कर देना, यहाँ तक कि उन लक्षणों का भी जो साफ़ दिख रहे हैं और पूरी तरह निर्दोष हैं, क्योंकि कोई पॉलिसी वर्णन और पहचान में फ़र्क नहीं कर पाती।
• विषय-वस्तु पर पल्ला झाड़ना — किसी दस्तावेज़ को इसलिए लिप्यंतरित या सारांशित करने से इनकार करना कि दस्तावेज़ किस बारे में है, जबकि लिप्यंतरण एक यांत्रिक काम है।
• चिकित्सकीय और फ़ोरेंसिक झिझक — क्लिनिकल तस्वीरों, चोट के दस्तावेज़ीकरण, या दुर्घटना की तस्वीरों का वर्णन करने से मना करना, जिनका वर्णन किसी पेशेवर को चाहिए होता है।
• सुरक्षा-टूलिंग पर झूठे अलार्म — किसी स्क्रीनशॉट को इसलिए पढ़ने से इनकार करना कि उसमें टर्मिनल, पैकेट कैप्चर या डिबगर दिख रहा है।
• चुपचाप गिरावट — सबसे बुरी बात: इनकार नहीं बल्कि गोल-मोल ग़ैर-जवाब, जो आपकी स्कीमा जाँच पास कर जाता है और बिना कोई त्रुटि उठाए आपका डेटासेट ज़हरीला कर देता है।

इन पाँचों की परिचालन दिक़्क़त यह नहीं कि ये अनुचित हैं। दिक़्क़त यह है कि ये अमाप्य हैं। ग़लत जवाब एक डेटा बिंदु है; आप उसे स्कोर कर सकते हैं, मूल्यांकन में पकड़ सकते हैं और उसकी भरपाई कर सकते हैं। इनकार एक छेद है। बैच पैमाने पर, आपके इनपुट में ग़ैर-यादृच्छिक ढंग से बँटी 3% इनकार दर — जो रचना से ही ठीक कठिन और असामान्य मामलों पर केंद्रित होती है — आपके नतीजों में एक व्यवस्थित पूर्वाग्रह है जिसे बाद की कितनी भी सफ़ाई वापस नहीं ला सकती। रिफ्यूज़ल लेयर हटाने से चुपचाप, आपस में जुड़े हुए लापता डेटा का एक स्रोत हट जाता है।

Shannon का संचालन Shannon Lab LLC, न्यू मैक्सिको, USA करती है, हमारी Responsible Use Policy के तहत। अनसेंसर्ड का मतलब है कि मॉडल आपके इनपुट पर टीका-टिप्पणी नहीं करता; इसका मतलब यह नहीं कि खाते की कोई शर्तें नहीं हैं।

06पूरा विनिर्देश

फ़ील्ड	MiniMax-M3 · 3BIT-REAP
मॉडल आईडी	MiniMax-M3-3BIT-REAP
फ़ाउंडेशन	MiniMax-M3 (MiniMax AI)
कॉन्टेक्स्ट विंडो	262,144 टोकन
अधिकतम आउटपुट	16,384 टोकन
इमेज इनपुट	हाँ
वीडियो इनपुट	उपलब्ध नहीं कराया गया
स्ट्रीमिंग	हाँ
टूल कॉलिंग	हाँ
रीज़निंग	हाँ (reasoning_effort)
स्ट्रक्चर्ड आउटपुट	json_schema + response_format
रिफ्यूज़ल लेयर	कोई नहीं
एंडपॉइंट	/v1/chat/completions · /v1/messages · /v1/responses
कहाँ परोसा जाता है	Shannon का अपना GPU क्लस्टर

उस तालिका की दो पंक्तियाँ ज़ोर देने लायक हैं। वीडियो इनपुट उपलब्ध नहीं कराया गया है। अपस्ट्रीम M3 फ़ाउंडेशन को वीडियो पर ट्रेन किया गया था और MiniMax वीडियो इनपुट को प्रलेखित करती है; हमारा एंडपॉइंट इमेज स्वीकार करता है। इमेज के हिसाब से बनाइए। दूसरी बात, 262,144-टोकन विंडो हमारी है, अपस्ट्रीम वाला दस लाख का आँकड़ा नहीं — लंबे दस्तावेज़ और कई-इमेज वाले वर्कलोड की योजना 262,144 के हिसाब से बनाइए और आपको कभी अचरज नहीं होगा।

07अनसेंसर्ड MiniMax API को कॉल करना

तीन बोलियाँ, तीनों के पीछे वही मॉडल, तीनों पर स्ट्रीमिंग। जो भी आपका मौजूदा क्लाइंट पहले से बोलता है, वही इस्तेमाल कीजिए; इनके बीच क्षमता का कोई फ़र्क नहीं है। अपना बेस URL Shannon पर मोड़िए और मॉडल आईडी बदल दीजिए।

OpenAI बोली के ज़रिए इमेज समझ

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
  }'

रिमोट https:// URL और base64 डेटा URL, दोनों image_url हिस्से में काम करते हैं। जब आपको पन्नों के बीच तुलना चाहिए तो एक ही संदेश में कई इमेज हिस्से जोड़िए — आपके पास खर्च करने को 262,144 टोकन हैं और $0.50 प्रति दस लाख पर उन्हें खर्च करना सस्ता है।

JSON स्कीमा के साथ टाइप की हुई निकासी

इस मॉडल की जगह किसी पाइपलाइन में जिस बात से बनती है वह है विज़न + सख़्त स्कीमा + न्यूनतम कीमत का संयोजन। हमारी कैटलॉग के हर मॉडल में तीनों नहीं हैं: Laguna-S-2.1 और inkling json_schema सपोर्ट नहीं करते। MiniMax-M3 करता है, यानी आप बिना किसी पार्सिंग लेयर के किसी इमेज से सत्यापित ऑब्जेक्ट निकाल सकते हैं:

{
  "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
      }
    }
  }
}

रीज़निंग एफ़र्ट

यह मॉडल reasoning_effort देता है। थोक इमेज वर्गीकरण पर इसे नीचा रखिए — आप एक बोधगम्य सवाल पूछ रहे हैं, और रीज़निंग टोकन वही आउटपुट टोकन हैं जिनका आप बिल चुकाते हैं। इसे उन कॉलों के लिए बढ़ाइए जहाँ इमेज किसी लंबे तर्क में सबूत है: किसी विनिर्देश के सामने कोई डायग्राम पढ़ना, किसी चार्ट को तालिका से मिलाना, यह तय करना कि दो स्क्रीनशॉट एक ही ख़राबी दिखा रहे हैं या नहीं।

तीनों बोलियों के लिए पूरा पैरामीटर संदर्भ, त्रुटि शब्दार्थ और स्ट्रीमिंग फ़ॉर्मैट Shannon API दस्तावेज़ीकरण में हैं।

08MiniMax-M3 कहाँ सही चुनाव है — और कहाँ नहीं

इसे तब उठाइए जब

• मात्रा वाला इमेज काम हो। डेटासेट लेबलिंग, मॉडरेशन शोध, कैटलॉग संवर्धन, स्क्रीनशॉट छँटाई, स्कैन किए दस्तावेज़ों पर थोक OCR-और-संरचना। न्यूनतम कीमत ही पूरा तर्क है।
• इमेज से टाइप किए हुए रिकॉर्ड चाहिए हों। विज़न, साथ में सख़्त json_schema, साथ में कैटलॉग के सबसे सस्ते टोकन — यह संयोजन यहाँ सिर्फ़ दो मॉडल देते हैं।
• लंबा मल्टीमॉडल कॉन्टेक्स्ट हो। एक ही अनुरोध में कई पन्ने, या कई फ़्रेम — नीचे का आर्किटेक्चर ठीक इसी आकार के इनपुट के लिए बना है।
• ऐसा शोध हो जहाँ इनकार नमूने को बिगाड़ देते हैं। कोई भी अध्ययन जिसकी वैधता इस पर टिकी हो कि मॉडल हर मद का जवाब दे, असुविधाजनक मदों का भी।
• ऐसे एजेंटिक लूप हों जो स्क्रीन पढ़ते हैं। M-शृंखला की वंशावली स्पष्ट रूप से एजेंटिक है, और टूल कॉलिंग उपलब्ध है।

कुछ और तब उठाइए जब

• आपको सबसे ऊँची विज़न सीमा चाहिए और बजट मौजूद है। Kimi-K3 · 3BIT-REAP इनपुट कीमत का 7.7× है, और वजह से है; किसी एक ऊँचे दाँव वाली पड़ताल पर यही पैसा खर्च करना सही है।
• आपको अधिकतम-निष्ठा वाले वेट्स चाहिए। 3-बिट हमारा सबसे आक्रामक स्तर है। W8A16 मॉडल परिशुद्धता के बदले कीमत चुकाते हैं, और अगर आप प्रति वेट निष्ठा का अनुकूलन कर रहे हैं तो MiMo-V2.5 · W8A16 उसी $0.50 / $2.00 पर विज़न-सक्षम है।
• आपको वीडियो चाहिए। हम इस एंडपॉइंट पर वीडियो इनपुट उपलब्ध नहीं कराते।
• काम फ्रंटियर स्तर का शुद्ध टेक्स्ट हो। उसके लिए DeepSeek-V4-Pro-0813 मौजूद है; यहाँ आप ऐसे विज़न टावर के पैसे चुकाएँगे जिसका आप कभी इस्तेमाल नहीं करेंगे।

MiniMax परिवार के आर्किटेक्चर, बेंचमार्क और तेज़ी संबंधी आँकड़े MiniMax AI द्वारा लैब में रिपोर्ट किए गए हैं; REAP के आँकड़े REAP लेखकों ने अपने मॉडलों पर रिपोर्ट किए हैं और वे इस बिल्ड का माप नहीं हैं। Shannon की कीमतें, कॉन्टेक्स्ट विंडो और क्षमता फ़्लैग हमारे हैं और हमारी लाइव मॉडल कैटलॉग से पढ़े गए हैं।

09अक्सर पूछे जाने वाले सवाल

---

स्रोत: MiniMax-M3 मॉडल कार्ड · 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 के बेंचमार्क और तेज़ी संबंधी आँकड़े लैब द्वारा रिपोर्ट किए गए हैं और स्वतंत्र सत्यापन तक अनंतिम हैं। Shannon की कीमतें और क्षमता फ़्लैग 5 सितंबर 2026 तक की स्थिति के अनुसार हैं।