Óritskoðað MiniMax API: sjón á gólfverðinu

Nánast öll hýst fjölþátta API verðleggja sjón sem lúxus. Þú borgar taxta textalíkans fyrir texta, og svo borgar þú meira — stundum margfalt meira — um leið og mynd fer inn í fyrirmælin. Ofan á það er myndinntak einmitt þar sem neitunarhegðun er hörðust: líkanið sem ræðir efni fúslega í texta neitar að lýsa því sama á ljósmynd. Útkoman er vara sem er dýr á hvert kall og óáreiðanleg á hvert kall, sem er það versta úr báðum heimum þegar þú vinnur í magni. MiniMax-M3 á Shannon er svarið okkar við því: sömu $0.50 / $2.00 og þú borgar fyrir ódýrasta textalíkanið okkar, á grunnlíkan sem var þjálfað fjölþátta frá fyrsta skrefi, án neitunarlags fyrir framan sig.

01Hvað „ódýrasta óritskoðaða sjónlíkanið“ þýðir hér í raun

Shannon-skráin er tólf líkön. Fimm þeirra taka við myndum. Verð þeirra, á hverja milljón tákna:

Líkan með sjón	Inntak	Úttak	Skipulagt úttak
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	aðeins response_format
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 situr á gólfinu — $0.50 / $2.00 — jafnt MiMo-V2.5 og ekkert fyrir neðan, því $0.50 / $2.00 er gólfið á verðlistanum okkar. Á móti toppi sjónbilsins er það 7,7× ódýrara á inntaki og 9,6× ódýrara á úttaki en Kimi-K3.

Settu það í vinnuálag. Segjum að þú sért að flokka 1.000 myndir — skjámyndir, skannaðar síður, vörumyndir — með gróflega 1.200 táknum af mynd og fyrirmælum inn og 300 táknum af svari út:

Listaverð Shannon, september 2026. Táknafjöldi er til skýringar; táknun myndanna þinna ræðst af upplausn og hversu margar myndir þú hengir við hvert kall.

Tveir viðmiðunarpunktar í viðbót sem gott er að hafa í kollinum. Að fylla allan 262,144 tákna gluggann einu sinni kostar um 13 sent. Svar í hámarkslengd, 16,384 tákn, kostar um 3,3 sent. Þetta eru raunveruleg mörk einnar beiðni í versta falli, og þau eru nógu lítil til að áhugaverða takmörkunin á sjónferli hættir að vera peningar og verður afköst.

02MiniMax-ættin: rannsóknarstofa sem bestar tákn, ekki fyrirsagnir

MiniMax AI er rannsóknarstofa í Sjanghæ og allur ferill hennar með opnum þyngdum snýst um eina spurningu: hvernig gerir maður athygli nógu ódýra til að langt samhengi og fjölþáttun hætti að vera munaður? Sérhver útgáfa í línunni er svar við þeirri spurningu, og svörin byggja hvert á öðru.

MiniMax-01 — Lightning Attention, og sjón frá byrjun

MiniMax-01 röðin (birt sem arXiv 2501.08313) kynnti Lightning Attention, útfærslu á línulegu athyglisafbrigði sem tekur mið af inn- og útlestri, inni í blönduðu Mixture-of-Experts líkani með 456B færibreytum alls og 45,9B virkum á hvert tákn. Röðin kom út í pari: MiniMax-Text-01 og MiniMax-VL-01, sjónlíkanið. VL-01 notaði hinn kunnuglega ViT-MLP-LLM stafla, en með Vision Transformer með 303 milljón færibreytum þjálfaðan frá grunni á 694 milljón mynda- og myndatextapörum frekar en lánaðan kóðara, sem var svo samstilltur og fínstilltur sameiginlega í fjölþrepa ferli sem vann úr 512 milljörðum tákna.

Það smáatriði skiptir máli fyrir greinina sem þú ert að lesa. Sjónin í þessari ætt er ekki síðbúinn millistykki skrúfaður á textalíkan til að haka í reit. MiniMax hefur þjálfað sinn eigin sjónturn frá fyrstu opnu útgáfu sinni, og þess vegna hafa skjalaskilningur, skilningur á viðmótum og skjámyndum, og lestur grafa verið samkvæmir styrkleikar fjölskyldunnar frekar en eftiráhugsun.

MiniMax-M1 — blönduð athygli fyrir langa rökhugsun

MiniMax-M1 (arXiv 2506.13585) var af höfundum sínum lýst sem fyrsta stóra rökhugsunarlíkaninu með opnum þyngdum og blandaðri athygli. Það hélt 456B / 45,9B MoE bolnum og fléttaði saman athyglistegundunum tveimur: hefðbundinni softmax-athyglisblokk eftir hverjar sjö Lightning Attention blokkir. Ávinningurinn mældist í reikningi frekar en sæti á stigatöflu — MiniMax greindi frá því að við 100K tákna framleiðslulengd notaði M1 gróflega 25% af flotreikningunum sem DeepSeek R1 notaði, um leið og það studdi innbyggt milljón tákna samhengi.

MiniMax-M2 — beygjan yfir í litla virkjun

MiniMax-M2 fór í hina áttina í stærð og vakti athygli fyrir það: 62 laga afkóðari með 229,9B færibreytum alls en aðeins um 9,8B virkum á hvert tákn, sem notaði 256 fínkorna sérfræðinga á hvert MoE-lag með sigmoid-beiningu til átta þeirra, RoPE staðsetningar og QK-RMSNorm fyrir stöðugleika í þjálfun. Það var afdráttarlaust gerendaforritunarlíkan — breytingar yfir margar skrár, keyra-og-laga lykkjur, viðgerðir staðfestar með prófum — og það kynnti samfléttaða hugsun, þar sem rökhugsun er borin á milli umferða af verkfærakalli í stað þess að henda henni eftir hverja umferð. M2 er líkanið sem skapaði orðspor MiniMax fyrir að skila gerendahegðun nálægt framlínunni fyrir brot af kostnaðinum á hvert tákn, eingöngu með því að halda virkjunum örsmáum.

MiniMax-M3 — grunnlíkanið undir þessum endapunkti

MiniMax-M3 kom út 1. júní 2026, með þyngdum á Hugging Face skömmu síðar og tækniskýrslu á arXiv 2606.13392. Það er Mixture-of-Experts líkan með 428B færibreytum og gróflega 23B virkum á hvert tákn, skjalfestu milljón tákna samhengi og innbyggðu mynd- og myndbandsinntaki — MiniMax lýsir því sem þjálfuðu með blönduðum þáttum „frá allra fyrsta skrefi“, frekar en textaforþjálfuðu og svo aðlöguðu að fjölþáttun. Á birtum tölum MiniMax sjálfs fær það 80,5% á SWE-bench Verified og 59,0% á SWE-bench Pro. Þetta eru tölur frá framleiðanda á forritunarviðmiði, sem er nákvæmlega hvernig þú ættir að vega þær; við vitnum í þær vegna þess að þær eru birtar fullyrðingar rannsóknarstofunnar, ekki vegna þess að við höfum endurtekið þær sjálfstætt.

03MiniMax Sparse Attention: hvers vegna sjónlíkan getur verið svona ódýrt

Áhugaverða verkfræðin í M3 er MiniMax Sparse Attention (MSA), og hún er bein ástæða þess að fjölþátta líkan af þessari stærð getur setið á gólfverðinu okkar. Myndir eru táknfrekar. Handfylli af háupplausnarsíðum getur sett tugþúsundir tákna inn í fyrirmælin áður en þú hefur skrifað eitt einasta fyrirmæli. Undir venjulegri athygli hleðst sá kostnaður upp í öðru veldi, og líkanið sem les tuttugu síður er ekki tvöfalt dýrara en það sem les tíu — það er miklu verra en tvöfalt.

MSA breytir lögun þeirrar kúrfu. Það er blokkastrjált kerfi byggt á Grouped Query Attention burðarlagi, klofið í tvær greinar:

• Létt vísigrein sem gefur lykil-gildisblokkum einkunn — hámarkssöfnun einkunna yfir táknin innan hverrar blokkar — og velur efstu k fyrir hverja fyrirspurnarstöðu og hvern GQA-hóp, og tekur alltaf með staðbundnu blokkina sem inniheldur fyrirspurnina sjálfa til að tryggja stöðugleika í þjálfun.
• Aðalgrein sem keyrir venjulega softmax-athygli aðeins yfir þær blokkir sem vísigreinin valdi.

Stillingin í MSA-greininni er k = 16 blokkir af 128 táknum, sem gefur hverri fyrirspurn fasta heimild upp á 2.048 tákn til að horfa á. Fasta, sem þýðir að hún vex ekki með lengd runu. Það er allt bragðið: eftir því sem samhengið vex heldur athyglikostnaður þéttrar grunnstillingar áfram að klifra á meðan kostnaður aðalgreinar MSA helst flatur, svo athyglin skalast línulega í stað þess að skalast í öðru veldi.

Tölur úr MiniMax Sparse Attention skýrslunni (arXiv 2606.13392): 28,4× fækkun flotreikninga í athygli á hvert tákn á móti sambærilega stilltri GQA við 1M samhengi, og 14,2× forfylling / 7,6× afkóðun í raunhraða mæld á H800 vélbúnaði í 109B færibreyta rannsókn greinarinnar. MiniMax greinir sérstaklega frá 9× hraðari forfyllingu og 15× hraðari afkóðun fyrir M3 á móti M2 við 1M samhengi. Allt eru þetta tölur frá rannsóknarstofunni.

Greinin gerir líka athugunina sem skiptir máli fyrir grein um sjón: á innbyggt fjölþátta 109B MoE hélt MSA frammistöðu sambærilegri við grunnstillingu með fullri athygli yfir myndviðmið á borð við AI2D, ChartQA og MMMU, og yfir myndbandsviðmið á borð við EgoSchema, LongVideoBench og VideoMME — þar sem strjálu afbrigðin bættu stundum árangurinn í myndbandsverkum með lengra samhengi. Strjálleiki hér er ekki gæðaskattur sem þú borgar fyrir hraða; á löngu inntaki virðist hann nokkurn veginn ókeypis.

Hvers vegna þér ætti að vera ekki sama sem viðskiptavini: rekstrarkostnaður er það sem ræður listaverði. Grunnlíkan þar sem athyglikostnaðurinn hættir að vaxa er grunnlíkan sem þú hefur efni á að beina að hundrað þúsund myndum. Það er kerfið á bak við „ódýrasta óritskoðaða sjónlíkanið“ — þetta er ekki kynningartaxti, þetta er byggingarlag.

04Hvað 3BIT-REAP þýðir, og hvar það kostar þig

Líkan með 428 milljörðum færibreyta kemst hvergi þægilega fyrir á fullri nákvæmni. MiniMax-M3 smíðin okkar ber viðskeytið 3BIT-REAP, sem lýsir tveimur aðskildum aðgerðum sem beitt er í tiltekinni röð.

REAP: eyddu sérfræðingum áður en þú þjappar þeim

REAP — Router-weighted Expert Activation Pruning — er þjöppunaraðferð fyrir MoE í einu skoti frá Cerebras og Háskólanum í Calgary, birt sem arXiv 2510.13999 og samþykkt á ICLR 2026. Röksemd hennar er sú að fyrir framleiðsluverk sé betra að grisja sérfræðinga en að steypa þeim saman: samsteypa eyðileggur fínkorna stýringu beinisins og innleiðir villu sem þú getur aldrei endurheimt. REAP gefur því í staðinn hverjum sérfræðingi einkunn eftir mikilvægisviðmiði sem sameinar hliðgildi beinisins (hversu oft og hversu sterkt beinirinn velur hann) og virkjunarstaðla sérfræðingsins (hversu mikið úttak hans leggur raunverulega til), og eyðir svo þeim ómerkilegustu alveg.

Höfundarnir greina frá því að hafa fjarlægt allt að 50% sérfræðinga úr líkönum allt að einni billjón færibreyta og haldið að mestu grunngæðum — á Qwen3-480B-Coder-FP8 við 50% grisjun héldust 97,6% af grunngetu í forritun án gerenda og 96,7% á gerendaverkefnum í SWE-Bench. Þetta eru tölur greinarinnar á líkönum greinarinnar, ekki okkar á MiniMax-M3; við vitnum í þær svo þú getir metið aðferðina, ekki til að gefa í skyn sambærilega mælingu hér.

3 bita þyngdir, í öðru lagi

Þyngdirnar sem lifa af eru svo geymdar á 3 bitum. Röðin er vísvitandi og hún er tilgangur samsetningarinnar: grisja fyrst, þjappa svo. Það er engin glóra í því að eyða dýrmætu þremur bitunum þínum á hverja þyngd í að kóða af trúmennsku sérfræðinga sem þú ert að fara að eyða. Grisjaðu strjála halann og láttu svo alla heimildina sem eftir er fara til sérfræðinga sem raunverulega kvikna.

Heiðarlegi fyrirvarinn

3BIT-REAP er harkalegasta þrepið sem við bjóðum. Við notum það á stærstu grunnlíkönin — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — því það er munurinn á því að þessi líkön séu aðgengileg á vitrænu verði og að þau séu alls ekki aðgengileg. Þar sem grunnlíkan er nógu lítið til að þurfa það ekki notum við það ekki: W8A16 líkönin í skránni keyra 8 bita þyngdir með 16 bita virkjunum, og W4A16-AUTOROUND-REAP situr þar á milli og notar lærða námundun AutoRound til að endurheimta nákvæmni sem einföld námundun að næsta gildi gefur eftir. Veldu þrepið sem passar við þolmörkin þín. Ef þú ert að draga reiti út úr tíu þúsund reikningum eru 3 bitar réttu skiptin. Ef þú ert að gera einn lestur með miklu í húfi á einni mynd í réttarfræðilegu samhengi skaltu eyða peningunum í Kimi-K3.

05Hvað „ekkert neitunarlag“ þýðir þegar inntakið er mynd

Óritskoðað er orð sem er notað lauslega, svo hér er nákvæma fullyrðingin: það er ekkert neitunarlag og engin síun á úttaki á þessum endapunkti. Enginn flokkari skoðar myndina þína áður en líkanið sér hana. Ekkert stefnulíkan skoðar táknin á leiðinni út. Það sem líkanið framleiðir er það sem þú færð.

Í texta eru áhrifin af því kunnugleg. Í sjón eru þau annars eðlis, því neitunarhegðun á myndinntaki er þar sem viðskiptaleg fjölþátta API eru varfærnust og handahófskenndust. Einkennandi bilanir líta svona út:

• Alger neitun um persónur — að neita alfarið að lýsa fólki á ljósmynd, þar með talið eiginleikum sem eru bersýnilegir og alveg meinlausir, af því að stefna getur ekki greint lýsingu frá auðkenningu.
• Undanhald vegna efnis — að neita að umrita eða draga saman skjal vegna þess um hvað skjalið fjallar, þótt umritun sé vélrænt verk.
• Læknisfræðileg og réttarfræðileg viðkvæmni — að neita að lýsa klínískum myndum, skráningu áverka eða slysamyndum sem fagmaður þarf að fá lýst.
• Falskar viðvaranir vegna öryggisverkfæra — að neita að lesa skjámynd af því að hún sýnir skipanalínu, pakkaupptöku eða villuleitara.
• Hljóðlát hnignun — sú versta: ekki neitun heldur loðið ósvar, sem stenst skemavottunina þína og eitrar gagnasafnið þitt án þess að nokkurn tímann komi villa.

Rekstrarvandinn við allar fimm er ekki að þær séu ósanngjarnar. Hann er að þær eru ómælanlegar. Rangt svar er gagnapunktur; þú getur gefið því einkunn, gripið það í mati og leiðrétt fyrir því. Neitun er gat. Í lotuvinnslu er 3% neitunartíðni sem dreifist ekki af handahófi yfir inntökin þín — sem safnast, eðli málsins samkvæmt, einmitt á erfiðu og óvenjulegu tilfellin — kerfisbundin skekkja í niðurstöðunum þínum sem engin hreinsun eftir á lagar. Að fjarlægja neitunarlagið fjarlægir uppsprettu hljóðlátra, samfylgjandi gagna sem vantar.

Shannon er rekið af Shannon Lab LLC, Nýju-Mexíkó, Bandaríkjunum, samkvæmt stefnu okkar um ábyrga notkun. Óritskoðað þýðir að líkanið hefur ekki skoðanir á inntökunum þínum; það þýðir ekki að reikningurinn sé án skilmála.

06Fullar tækniupplýsingar

Reitur	MiniMax-M3 · 3BIT-REAP
Líkanaauðkenni	MiniMax-M3-3BIT-REAP
Grunnlíkan	MiniMax-M3 (MiniMax AI)
Samhengisgluggi	262,144 tákn
Hámarksúttak	16,384 tákn
Myndinntak	Já
Myndbandsinntak	Ekki í boði
Streymi	Já
Verkfærakall	Já
Rökhugsun	Já (reasoning_effort)
Skipulagt úttak	json_schema + response_format
Neitunarlag	Ekkert
Endapunktar	/v1/chat/completions · /v1/messages · /v1/responses
Keyrt á	okkar eigin GPU-klasa

Tvær línur í þeirri töflu eiga skilið áherslu. Myndbandsinntak er ekki í boði. M3 grunnlíkanið að baki var þjálfað á myndböndum og MiniMax skjalfestir myndbandsinntak; endapunkturinn okkar tekur við myndum. Byggðu miðað við myndir. Í öðru lagi er 262,144 tákna glugginn okkar, ekki milljón tákna talan hjá framleiðanda — skipuleggðu vinnuálag með löngum skjölum og mörgum myndum miðað við 262,144 og þú verður aldrei fyrir óvæntum uppákomum.

07Að kalla á óritskoðaða MiniMax API-ið

Þrjár mállýskur, sama líkan á bak við þær allar, streymi á öllum þremur. Notaðu þá sem biðlarinn þinn talar nú þegar; það er enginn getumunur á milli þeirra. Beindu grunnslóðinni þinni á Shannon og skiptu um líkanaauðkenni.

Myndskilningur gegnum OpenAI-mállýskuna

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
  }'

Bæði fjartengdar https:// slóðir og base64 gagnaslóðir virka í image_url hlutanum. Hengdu nokkra myndhluta við eitt skilaboð þegar þú þarft samanburð milli síðna — þú hefur 262,144 tákn til að eyða og, á $0.50 á hverja milljón, er ódýrt að eyða þeim.

Týpaður útdráttur með JSON-skema

Þar sem þetta líkan vinnur sér inn sess í ferli er samsetningin sjón + strangt skema + gólfverð. Ekki öll líkön í skránni okkar hafa öll þrjú: Laguna-S-2.1 og inkling styðja ekki json_schema. MiniMax-M3 gerir það, sem þýðir að þú getur fengið vottaðan hlut út úr mynd án þáttunarlags:

{
  "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
      }
    }
  }
}

Rökhugsunarþungi

Líkanið býður upp á reasoning_effort. Í fjöldaflokkun mynda skaltu halda honum lágum — þú ert að spyrja skynjunarspurningar, og rökhugsunartákn eru úttakstákn sem þú borgar fyrir. Hækkaðu hann fyrir þau köll þar sem myndin er sönnunargagn í lengri röksemdafærslu: að lesa skýringarmynd á móti forskrift, að samræma graf við töflu, að ákveða hvort tvær skjámyndir sýni sömu villuna.

Fullt yfirlit yfir færibreytur, villumerkingar og streymissnið fyrir allar þrjár mállýskurnar er í API-skjölum Shannon.

08Hvar MiniMax-M3 er rétta valið — og hvar ekki

Gríptu í það þegar

• Myndvinna í miklu magni. Merking gagnasafna, rannsóknir á ritstýringu, auðgun vörulista, flokkun skjámynda, ljóslestur og uppbygging í lotum yfir skönnuð skjöl. Gólfverðið er öll röksemdin.
• Myndir yfir í týpaðar færslur. Sjón plús strangt json_schema plús ódýrustu táknin í skránni er samsetning sem aðeins tvö líkön hér bjóða.
• Langt fjölþátta samhengi. Margar síður, eða margir rammar, í einni beiðni — byggingarlagið undir er smíðað einmitt fyrir þessa lögun af inntaki.
• Rannsóknir þar sem neitanir spilla úrtakinu. Hvers kyns rannsókn þar sem réttmætið veltur á því að líkanið svari hverju einasta atriði, líka þeim óþægilegu.
• Gerendalykkjur sem lesa skjá. M-röðin er afdráttarlaust gerendamiðuð, og verkfærakall er í boði.

Gríptu í eitthvað annað þegar

• Þú þarft hæsta sjónþakið og fjárhagurinn leyfir það. Kimi-K3 · 3BIT-REAP er 7,7× inntaksverðið af ástæðu; í einum lestri með miklu í húfi eru það réttu peningarnir að eyða.
• Þú þarft þyngdir með hámarkstrúmennsku. 3 bitar eru harkalegasta þrepið okkar. W8A16 líkönin skipta verði fyrir nákvæmni, og MiMo-V2.5 · W8A16 er með sjón á sömu $0.50 / $2.00 ef trúmennska á hverja þyngd er það sem þú ert að besta.
• Þú þarft myndband. Við bjóðum ekki myndbandsinntak á þessum endapunkti.
• Verkið er hreinn texti í framlínunni. DeepSeek-V4-Pro-0813 er til fyrir það; þú værir að borga fyrir sjónturn sem þú notar aldrei.

Tölur um byggingarlag, viðmið og hraðaaukningu fyrir MiniMax-fjölskylduna eru frá rannsóknarstofu MiniMax AI; REAP-tölur eru frá höfundum REAP á þeirra eigin líkönum og eru ekki mæling á þessari smíð. Verð Shannon, samhengisgluggi og getumerkingar eru okkar og eru lesnar úr lifandi líkanaskránni okkar.

09Algengar spurningar

---

Heimildir: líkanaspjald 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. Viðmiða- og hraðatölur MiniMax eru frá rannsóknarstofunni og til bráðabirgða þar til þær eru sannreyndar sjálfstætt. Verð og getumerkingar Shannon eru rétt miðað við 5. september 2026.