Cenzúrázatlan MiniMax API: képfeldolgozás az alsó áron

Szinte minden üzemeltetett multimodális API prémiumként árazza a képfeldolgozást. A szövegért szövegmodell-tarifát fizet, aztán többet — néha többszörösét — abban a pillanatban, hogy kép kerül a promptba. Ráadásul éppen a képi bemeneteknél a legagresszívebb az elutasítási viselkedés: az a modell, amely szövegben szívesen tárgyal egy témát, elutasítja ugyanannak a leírását egy fényképen. Az eredmény egy olyan termék, amely hívásonként drága és hívásonként megbízhatatlan — ez a lehető legrosszabb kombináció, ha volument dolgoz fel. A MiniMax-M3 a Shannonon a mi válaszunk erre: ugyanaz a 0,50 $ / 2,00 $, amit a legolcsóbb szövegmodellünkért fizet, egy olyan alapmodellre alkalmazva, amelyet az első lépéstől multimodálisan tanítottak, és amely előtt nem ül elutasítási réteg.

01Mit jelent itt valójában a „legolcsóbb cenzúrázatlan látó modell”

A Shannon katalógusa tizenkét modellből áll. Ezek közül öt fogad képeket. Az áraik millió tokenenként:

Látni képes modell	Bemenet	Kimenet	Strukturált kimenet
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	csak response_format
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

A MiniMax-M3 az alsó áron ül — 0,50 $ / 2,00 $ — holtversenyben a MiMo-V2.5-tel, és semmi sincs alatta, mert a 0,50 $ / 2,00 $ maga az árlistánk alja. A látó tartomány tetejéhez képest 7,7-szer olcsóbb bemenetre és 9,6-szer olcsóbb kimenetre, mint a Kimi-K3.

Tegye ezt bele egy munkaterhelésbe. Tegyük fel, hogy 1000 képet válogat szét — képernyőképeket, beszkennelt oldalakat, termékfotókat —, hívásonként nagyjából 1200 token képpel és prompttal befelé, és 300 token válasszal kifelé:

Shannon listaárak, 2026. szeptember. A tokenszámok szemléltető jellegűek; a képek tokenizálása a felbontástól és attól függ, hány képet csatol hívásonként.

Még két viszonyítási pont, amit érdemes fejben tartani. A teljes, 262 144 tokenes kontextus egyszeri feltöltése nagyjából 13 centbe kerül. Egy maximális hosszúságú, 16 384 tokenes válasz körülbelül 3,3 centbe. Ezek egyetlen legrosszabb esetű kérés valódi határai, és elég kicsik ahhoz, hogy egy képfeldolgozó folyamatban az érdekes korlát ne a pénz, hanem az átbocsátóképesség legyen.

02A MiniMax felmenői: egy labor, amely tokeneket optimalizál, nem címlapokat

A MiniMax AI egy sanghaji labor, amelynek teljes nyílt súlyú pályafutása egyetlen kérdésről szól: hogyan lehet a figyelmet elég olcsóvá tenni ahhoz, hogy a hosszú kontextus és a multimodalitás megszűnjön luxusnak lenni? A vonal minden kiadása erre a kérdésre válaszol, és a válaszok egymásra épülnek.

MiniMax-01 — Lightning Attention, és képfeldolgozás az első pillanattól

A MiniMax-01 sorozat (arXiv 2501.08313 néven közzétéve) bevezette a Lightning Attention megoldást, egy lineáris figyelemváltozat I/O-tudatos megvalósítását, egy 456 milliárd összparaméteres, tokenenként 45,9 milliárd aktív paraméteres hibrid szakértőkeverékes modellben. A sorozat párban érkezett: MiniMax-Text-01 és MiniMax-VL-01, a látó modell. A VL-01 a mostanra ismerős ViT-MLP-LLM felépítést használta, de kölcsönvett kódoló helyett egy 303 millió paraméteres, 694 millió kép-felirat páron a nulláról tanított Vision Transformerrel, amelyet aztán egy 512 milliárd tokent feldolgozó, többlépcsős folyamatban illesztettek és közösen finomhangoltak.

Ez a részlet számít az itt olvasott cikk szempontjából. A képfeldolgozás ebben a családban nem egy szövegmodellre utólag rácsavarozott adapter, hogy kipipálható legyen. A MiniMax az első nyílt kiadása óta saját vizuális tornyot tanít, és ezért volt a dokumentumértelmezés, a felületek és képernyőképek megértése, valamint a diagramolvasás mindig is a család következetes erőssége, nem pedig utógondolat.

MiniMax-M1 — hibrid figyelem a hosszú gondolkodáshoz

A MiniMax-M1 modellt (arXiv 2506.13585) a szerzői az első nyílt súlyú, nagy léptékű hibrid figyelmű gondolkodó modellként írták le. Megtartotta a 456 milliárd / 45,9 milliárd paraméteres MoE-testet, és a kétféle figyelmet váltogatta: minden hét Lightning Attention blokk után egy hagyományos softmax-figyelmű transzformer-blokk következett. A megtérülés nem ranglistahelyben, hanem számításban mérhető — a MiniMax arról számolt be, hogy 100K tokenes generálási hosszon az M1 nagyjából a DeepSeek R1 FLOP-jainak 25%-át fogyasztotta, miközben natívan támogatott egymillió tokenes kontextust.

MiniMax-M2 — a kis aktivációs fordulat

A MiniMax-M2 a méret tekintetében az ellenkező irányba indult, és ezzel hívta fel magára a figyelmet: egy 62 rétegű dekóder 229,9 milliárd összparaméterrel, de tokenenként mindössze ~9,8 milliárd aktívval, MoE-rétegenként 256 finomszemcsés szakértővel, szigmoid útvonalazással nyolchoz, RoPE-pozíciókkal és QK-RMSNorm használatával a tanítási stabilitásért. Kifejezetten ügynöki kódolómodell volt — több fájlt érintő szerkesztések, futtatás-javítás hurkok, teszttel ellenőrzött javítások —, és bevezette az átfont gondolkodás formátumát, ahol a gondolkodás átvivődik az eszközhívási körök között, ahelyett hogy minden kör után eldobnák. Az M2 az a modell, amely megalapozta a MiniMax hírnevét arról, hogy a tokenenkénti költség töredékéért szállít élvonalhoz közeli ügynöki viselkedést, pusztán azzal, hogy az aktivációkat parányian tartja.

MiniMax-M3 — az alapmodell a végpont mögött

A MiniMax-M3 2026. június 1-jén jelent meg, nem sokkal később a Hugging Face-en a súlyokkal, technikai jelentése pedig az arXiv 2606.13392 szám alatt. Ez egy 428 milliárd paraméteres szakértőkeverékes modell tokenenként nagyjából 23 milliárd aktív paraméterrel, dokumentált egymillió tokenes kontextussal és natív kép- és videóbemenettel — a MiniMax úgy írja le, mint amelyet „a legelső lépéstől” vegyes modalitásban tanítottak, nem pedig szövegen előtanítottak és utólag illesztettek multimodálissá. A MiniMax saját közölt számai szerint 80,5%-ot ér el a SWE-bench Verifieden és 59,0%-ot a SWE-bench Prón. Ezek gyártói közlésű számok egy kódolási benchmarkon, és pontosan így is érdemes súlyozni őket; azért idézzük őket, mert ezek a labor közzétett állításai, nem azért, mert függetlenül reprodukáltuk volna.

03MiniMax Sparse Attention: miért lehet ennyire olcsó egy látó modell

Az M3-ban az érdekes mérnöki munka a MiniMax Sparse Attention (MSA), és közvetlenül ez az oka annak, hogy egy ekkora multimodális modell az alsó árunkon ülhet. A képek tokenben drágák. Néhány nagy felbontású oldal több tízezer tokent tehet a promptba még azelőtt, hogy egyetlen utasítást leírt volna. Standard figyelem mellett ez a költség négyzetesen halmozódik, és a húsz oldalt olvasó modell nem kétszer drágább a tíz oldalt olvasónál — sokkal rosszabb a kétszeresnél.

Az MSA megváltoztatja ennek a görbének az alakját. Ez egy Grouped Query Attention gerincre épülő blokk-ritka mechanizmus, amely két ágra oszlik:

• Egy könnyűsúlyú indexág, amely kulcs-érték blokkokat pontoz — max-pooling pontszámokkal az egyes blokkokon belüli tokenek fölött —, és lekérdezéspozíciónként, illetve GQA-csoportonként kiválasztja a legjobb k blokkot, mindig beleértve a lekérdezést tartalmazó lokális blokkot is a tanítási stabilitás érdekében.
• Egy főág, amely a szokásos softmax-figyelmet kizárólag az index által kiválasztott blokkokon futtatja.

Az MSA-cikkben szereplő konfiguráció k = 16 blokk, egyenként 128 tokennel, ami minden lekérdezésnek rögzített, 2048 tokenes figyelemkeretet ad. Rögzítettet, azaz nem nő a szekvenciahosszal. Ez az egész trükk: ahogy a kontextus nő, egy sűrű alapvonal figyelmi költsége tovább emelkedik, míg az MSA főági költsége lapos marad, így a figyelem lineárisan skálázódik a négyzetes helyett.

A számok a MiniMax Sparse Attention jelentéséből (arXiv 2606.13392): 28,4-szeres csökkenés a tokenenkénti figyelmi FLOP-okban az azonosan konfigurált GQA-hoz képest 1M kontextusnál, valamint 14,2-szeres prefill- és 7,6-szeres dekódolási óraidő-gyorsulás, H800 hardveren mérve a cikk 109 milliárd paraméteres vizsgálatában. A MiniMax külön 9-szeres prefill- és 15-szörös dekódolási gyorsulást közöl az M3-ra az M2-höz képest 1M kontextusnál. Mindezt a labor közölte.

A cikk azt az ellenőrzést is elvégzi, amely egy képfeldolgozásról szóló írásban számít: egy natívan multimodális, 109 milliárd paraméteres MoE-n az MSA a teljes figyelmű alapvonallal összemérhető teljesítményt tartott a képes benchmarkokon — köztük az AI2D, a ChartQA és az MMMU —, valamint a videós benchmarkokon, köztük az EgoSchema, a LongVideoBench és a VideoMME feladatain — a ritka változatok néha még javítottak is a hosszabb kontextusú videófeladatokon. A ritkaság itt nem minőségi adó, amit a sebességért fizet; hosszú bemeneteken lényegében ingyenesnek tűnik.

Hogy ez ügyfélként miért érdekes: a kiszolgálási költség határozza meg a listaárat. Egy olyan alapmodell, amelynek a figyelmi költsége megszűnik növekedni, olyan alapmodell, amelyet megengedhet magának százezer képre ráirányítani. Ez a mechanizmus áll a „legolcsóbb cenzúrázatlan látó modell” mögött — nem promóciós tarifa, hanem architektúra.

04Mit jelent a 3BIT-REAP, és hol kerül Önnek valamibe

Egy 428 milliárd paraméteres modell teljes pontosságon sehol nem fér el kényelmesen. A mi MiniMax-M3 buildünk a 3BIT-REAP utótagot viseli, amely két külön műveletet ír le, meghatározott sorrendben alkalmazva.

REAP: előbb töröljük a szakértőket, aztán tömörítünk

A REAP — Router-weighted Expert Activation Pruning — a Cerebras és a University of Calgary egylépéses MoE-tömörítési módszere, arXiv 2510.13999 néven közzétéve és elfogadva az ICLR 2026-ra. Az érvelése az, hogy generatív feladatoknál a szakértők metszése veri az összeolvasztásukat: az összeolvasztás lerombolja az útválasztó finomszemcsés vezérlését, és olyan hibát visz be, amelyet soha nem lehet visszanyerni. A REAP ehelyett minden szakértőt egy olyan kiemelkedési kritériummal pontoz, amely egyesíti az útválasztó kapuértékeit (milyen gyakran és milyen erősen választja ki) és a szakértő aktivációs normáit (mennyivel járul hozzá ténylegesen a kimenete), majd a legkevésbé lényeges szakértőket egyszerűen törli.

A szerzők arról számolnak be, hogy akár egybillió paraméteres modellekből is eltávolítható a szakértők 50%-a az alapminőség nagyfokú megőrzése mellett — a Qwen3-480B-Coder-FP8 modellen 50%-os metszés mellett az alapvonalbeli, nem ügynöki kódolási képesség 97,6%-a és az ügynöki SWE-Bench 96,7%-a maradt meg. Ezek a cikk számai a cikk modelljein, nem a mieink a MiniMax-M3-on; azért idézzük őket, hogy a módszert meg tudja ítélni, nem azért, hogy itt egyenértékű mérést sugalljunk.

3 bites súlyok, másodikként

A túlélő súlyokat ezután 3 biten tároljuk. A sorrend szándékos, és éppen ez a kombináció lényege: előbb metszés, aztán kvantálás. Nincs értelme a súlyonkénti drága három bitet olyan szakértők hű kódolására költeni, amelyeket hamarosan törölni fog. Metssze le a ritka farkat, aztán hagyja, hogy a maradék keret teljes egészében a ténylegesen tüzelő szakértőkhöz kerüljön.

Az őszinte megszorítás

A 3BIT-REAP a legagresszívebb szint, amit szállítunk. A legnagyobb alapmodelleken használjuk — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra —, mert ez a különbség aközött, hogy ezek a modellek épeszű áron elérhetők, vagy egyáltalán nem elérhetők. Ahol egy alapmodell elég kicsi ahhoz, hogy ne legyen rá szükség, ott nem használjuk: a katalógus W8A16 modelljei 8 bites súlyokkal és 16 bites aktivációkkal futnak, a W4A16-AUTOROUND-REAP pedig a kettő között áll, az AutoRound tanult kerekítésével visszanyerve azt a pontosságot, amit a naiv legközelebbire kerekítés elenged. Válassza a tűréshatárának megfelelő szintet. Ha tízezer számláról nyer ki mezőket, a 3 bit a helyes csere. Ha egyetlen kép egyszeri, nagy tétű törvényszéki elemzését végzi, költse a pénzt a Kimi-K3 modellre.

05Mit jelent az „elutasítási réteg nélkül”, ha a bemenet egy kép

A „cenzúrázatlan” szót lazán szokás használni, ezért itt a pontos állítás: ezen a végponton nincs elutasítási réteg és nincs kimeneti szűrés. Semmilyen osztályozó nem vizsgálja meg a képét, mielőtt a modell látná. Semmilyen szabályzatmodell nem vizsgálja a tokeneket kifelé menet. Amit a modell előállít, azt kapja meg.

Szövegben ennek a hatása ismerős. Képfeldolgozásban másfajta, mert a képi bemeneteknél mutatják a kereskedelmi multimodális API-k a legkonzervatívabb és legönkényesebb elutasítási viselkedést. A jellemző hibák így néznek ki:

• Általános személyazonossági elutasítások — a fényképen szereplő emberek leírásának teljes megtagadása, még a nyilvánvalóan látható és teljesen ártalmatlan jegyeké is, mert egy szabályzat nem tudja megkülönböztetni a leírást az azonosítástól.
• Tárgykör miatti kihátrálás — egy dokumentum átírásának vagy összefoglalásának megtagadása amiatt, hogy miről szól a dokumentum, holott az átírás mechanikus feladat.
• Orvosi és igazságügyi finnyásság — klinikai képanyag, sérüléseket dokumentáló felvételek vagy baleseti fotók leírásának megtagadása, amelyeket egy szakembernek le kell íratnia.
• Biztonsági eszközök okozta téves riasztás — egy képernyőkép elolvasásának megtagadása, mert terminál, csomagelfogás vagy hibakereső látszik rajta.
• Csendes leromlás — a legrosszabb: nem elutasítás, hanem kitérő nemválasz, amely átmegy a sémaellenőrzésén, és úgy mérgezi meg az adathalmazát, hogy soha nem dob hibát.

Mind az öttel az a működési baj, hogy nem igazságtalanok, hanem mérhetetlenek. Egy rossz válasz adatpont; pontozható, kiértékeléskor elkapható, korrigálható. Egy elutasítás lyuk. Kötegméretben egy 3%-os elutasítási arány, amely nem véletlenszerűen oszlik el a bemenetei között — hanem szerkezeténél fogva pontosan a nehéz és szokatlan esetekre koncentrálódik —, olyan rendszeres torzítás az eredményeiben, amelyet semennyi utólagos tisztítás nem tesz jóvá. Az elutasítási réteg eltávolítása a csendes, korrelált adathiány egyik forrását szünteti meg.

A Shannont a Shannon Lab LLC üzemelteti Új-Mexikóban, az Egyesült Államokban, a Felelős használati szabályzatunk szerint. A cenzúrázatlan azt jelenti, hogy a modell nem véleményezi a bemeneteit; nem azt jelenti, hogy a fióknak nincsenek feltételei.

06A teljes specifikáció

Mező	MiniMax-M3 · 3BIT-REAP
Modellazonosító	MiniMax-M3-3BIT-REAP
Alapmodell	MiniMax-M3 (MiniMax AI)
Kontextusablak	262 144 token
Max. kimenet	16 384 token
Képi bemenet	Igen
Videóbemenet	Nem elérhető
Streamelés	Igen
Eszközhívás	Igen
Gondolkodás	Igen (reasoning_effort)
Strukturált kimenet	json_schema + response_format
Elutasítási réteg	Nincs
Végpontok	/v1/chat/completions · /v1/messages · /v1/responses
Kiszolgálás helye	A Shannon saját GPU-fürtje

Két sor a táblázatból külön hangsúlyt érdemel. A videóbemenet nem elérhető. A felsőbb szintű M3 alapmodellt videón tanították, és a MiniMax dokumentálja a videóbemenetet; a mi végpontunk képeket fogad. Képekre építsen. Másodszor, a 262 144 tokenes ablak a miénk, nem a felsőbb szintű egymilliós érték — a hosszú dokumentumos és sok képet tartalmazó munkaterheléseket a 262 144-hez tervezze, és soha nem éri meglepetés.

07A cenzúrázatlan MiniMax API meghívása

Három dialektus, mindegyik mögött ugyanaz a modell, mindhármon streameléssel. Használja azt, amelyiket a meglévő kliense már beszéli; képességbeli különbség nincs köztük. Irányítsa az alap-URL-t a Shannonra, és cserélje ki a modellazonosítót.

Képértelmezés az OpenAI-dialektuson

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
  }'

Az image_url részben távoli https:// URL-ek és base64 adat-URL-ek egyaránt működnek. Csatoljon több képrészt egyetlen üzenetbe, ha oldalak közötti összehasonlításra van szüksége — 262 144 tokent költhet el, és millió tokenenként 0,50 $-nál ez olcsó mulatság.

Típusos kinyerés JSON sémával

Ez a modell egy folyamatban a képfeldolgozás + szigorú séma + alsó ár kombinációjával érdemli ki a helyét. A katalógusunkban nem minden modellnek van meg mindhárom: a Laguna-S-2.1 és az inkling nem támogatja a json_schema paramétert. A MiniMax-M3 igen, ami azt jelenti, hogy ellenőrzött objektumot kaphat egy képből, elemző réteg nélkül:

{
  "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
      }
    }
  }
}

Gondolkodási erőfeszítés

A modell kínálja a reasoning_effort paramétert. Tömeges képosztályozásnál tartsa alacsonyan — érzékelési kérdést tesz fel, a gondolkodási tokenek pedig olyan kimeneti tokenek, amelyekért fizet. Emelje meg azoknál a hívásoknál, ahol a kép egy hosszabb érvelés bizonyítéka: egy ábra összeolvasása egy specifikációval, egy diagram egyeztetése egy táblázattal, annak eldöntése, hogy két képernyőkép ugyanazt a hibát mutatja-e.

A teljes paraméterreferencia, a hibaszemantika és mindhárom dialektus streamelési formátuma a Shannon API-dokumentációban található.

08Mikor jó választás a MiniMax-M3 — és mikor nem

Nyúljon érte, ha

• Tömeges képes munka. Adathalmaz-címkézés, moderálási kutatás, katalógusdúsítás, képernyőképek szűrése, kötegelt OCR és struktúrakinyerés beszkennelt dokumentumokból. Az alsó ár önmagában az érv.
• Képekből típusos rekordok. Képfeldolgozás plusz szigorú json_schema plusz a katalógus legolcsóbb tokenjei — ezt a kombinációt itt csak két modell kínálja.
• Hosszú multimodális kontextus. Sok oldal vagy sok képkocka egyetlen kérésben — az alatta lévő architektúrát pontosan erre a bemeneti alakra építették.
• Kutatás, ahol az elutasítások rontják a mintát. Bármely vizsgálat, amelynek érvényessége azon múlik, hogy a modell minden tételre válaszol, a kényelmetlenekre is.
• Képernyőt olvasó ügynöki hurkok. Az M-sorozat felmenői kifejezetten ügynökiek, és az eszközhívás elérhető.

Nyúljon máshoz, ha

• A legmagasabb képfeldolgozási plafon kell, és van rá keret. A Kimi-K3 · 3BIT-REAP nem véletlenül 7,7-szeres bemeneti áron fut; egyetlen nagy tétű elemzésnél ez a helyesen elköltött pénz.
• Maximális hűségű súlyok kellenek. A 3 bit a legagresszívebb szintünk. A W8A16 modellek árat cserélnek pontosságra, és a MiMo-V2.5 · W8A16 ugyanazon a 0,50 $ / 2,00 $ áron látni is képes, ha a súlyonkénti hűség az, amit optimalizál.
• Videóra van szüksége. Ezen a végponton nem kínálunk videóbemenetet.
• A feladat tiszta szöveg az élvonalban. Erre való a DeepSeek-V4-Pro-0813; itt olyan vizuális toronyért fizetne, amelyet soha nem használ.

A MiniMax család architektúra-, benchmark- és gyorsulási számait a MiniMax AI labor közölte; a REAP-számokat a REAP szerzői közölték a saját modelljeiken, és nem ennek a buildnek a mérései. A Shannon árai, a kontextusablak és a képességjelzők a mieink, és az élő modellkatalógusunkból származnak.

09Gyakori kérdések

---

Források: MiniMax-M3 modellkártya · 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. A MiniMax benchmark- és gyorsulási számai laborközlésűek, és független ellenőrzésig előzetesek. A Shannon árai és képességjelzői 2026. szeptember 5-i állapotúak.