API MiniMax senza censura: la visione al prezzo minimo

Quasi tutte le API multimodali gestite trattano la visione come un extra di lusso. Paghi la tariffa di un modello di testo per il testo, e poi paghi di più — a volte parecchie volte di più — nel momento in cui un'immagine entra nel prompt. In più, è proprio sugli input immagine che il comportamento di rifiuto è più aggressivo: il modello che discute volentieri un argomento a parole si rifiuta di descrivere la stessa cosa in una fotografia. Il risultato è un prodotto caro per chiamata e inaffidabile per chiamata, cioè il peggio dei due mondi quando lavori a volume. MiniMax-M3 su Shannon è la nostra risposta: gli stessi 0,50 $ / 2,00 $ che paghi per il nostro modello di testo più economico, applicati a una base addestrata multimodale fin dal primo passo e senza alcuno strato di rifiuto davanti.

01Che cosa significa qui «modello di visione senza censura più economico»

Il catalogo Shannon è di dodici modelli. Cinque accettano immagini. I loro prezzi, per milione di token:

Modello capace di visione	Input	Output	Output strutturato
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 $	solo response_format
Kimi-K3 · 3BIT-REAP	3,83 $	19,12 $	json_schema + response_format

MiniMax-M3 sta al pavimento — 0,50 $ / 2,00 $ — alla pari con MiMo-V2.5 e senza nulla al di sotto, perché 0,50 $ / 2,00 $ è il pavimento del nostro listino. Rispetto al vertice della gamma di visione è 7,7 volte più economico in input e 9,6 volte più economico in output di Kimi-K3.

Mettilo dentro un carico di lavoro. Supponi di dover smistare 1.000 immagini — screenshot, pagine scansionate, foto di prodotto — con una media di circa 1.200 token fra immagine e prompt in ingresso e 300 token di risposta in uscita:

Prezzi di listino Shannon, settembre 2026. I conteggi di token sono illustrativi; la tokenizzazione delle tue immagini dipende dalla risoluzione e da quante immagini alleghi per chiamata.

Altri due punti di riferimento utili da tenere a mente. Riempire una volta l'intero contesto da 262.144 token costa circa 13 centesimi. Una risposta di lunghezza massima da 16.384 token costa circa 3,3 centesimi. Sono i limiti reali di una singola richiesta nel caso peggiore, e sono abbastanza piccoli perché il vincolo interessante di una pipeline di visione smetta di essere il denaro e diventi il throughput.

02Il lignaggio MiniMax: un laboratorio che ottimizza i token, non i titoli

MiniMax AI è un laboratorio di Shanghai il cui intero curriculum a pesi aperti ruota attorno a una sola domanda: come si rende l'attenzione abbastanza economica perché il contesto lungo e la multimodalità smettano di essere lussi? Ogni rilascio della linea è una risposta a quella domanda, e le risposte si costruiscono l'una sull'altra.

MiniMax-01: la Lightning Attention, e la visione fin dall'inizio

La serie MiniMax-01 (pubblicata come arXiv 2501.08313) ha introdotto la Lightning Attention, un'implementazione consapevole dell'I/O di una variante di attenzione lineare, dentro un modello Mixture-of-Experts ibrido da 456B di parametri totali con 45,9B attivi per token. La serie è uscita in coppia: MiniMax-Text-01 e MiniMax-VL-01, il modello di visione. VL-01 usava lo stack ViT-MLP-LLM ormai familiare, ma con un Vision Transformer da 303 milioni di parametri addestrato da zero su 694 milioni di coppie immagine-didascalia invece di un encoder preso in prestito, poi allineato e messo a punto congiuntamente in una pipeline a più stadi che ha elaborato 512 miliardi di token.

Questo dettaglio conta per l'articolo che stai leggendo. In questo lignaggio la visione non è un adattatore tardivo avvitato a un modello di testo per spuntare una casella. MiniMax addestra la propria torre visiva fin dal primo rilascio aperto, ed è per questo che la comprensione dei documenti, la lettura di interfacce e screenshot e l'interpretazione dei grafici sono punti di forza costanti della famiglia e non ripensamenti.

MiniMax-M1: attenzione ibrida per ragionare a lungo

MiniMax-M1 (arXiv 2506.13585) è stato descritto dai suoi autori come il primo modello di ragionamento a pesi aperti e su larga scala con attenzione ibrida. Ha mantenuto il corpo MoE 456B / 45,9B e ha alternato i due tipi di attenzione: un blocco transformer con attenzione softmax convenzionale dopo ogni sette blocchi di Lightning Attention. Il guadagno si è misurato in calcolo più che in posizione di classifica — MiniMax ha riportato che a una lunghezza di generazione di 100K token M1 consumava all'incirca il 25% dei FLOPs di DeepSeek R1, supportando nativamente un contesto da un milione di token.

MiniMax-M2: la svolta delle attivazioni piccole

MiniMax-M2 è andato nella direzione opposta sulle dimensioni e per questo ha attirato attenzione: un decoder a 62 strati con 229,9B di parametri totali ma solo ~9,8B attivi per token, con 256 esperti a grana fine per strato MoE e instradamento sigmoide verso otto di essi, posizioni RoPE e QK-RMSNorm per la stabilità dell'addestramento. Era esplicitamente un modello di coding agentico — modifiche su più file, cicli esegui-correggi, riparazioni validate dai test — e ha introdotto il formato del pensiero interlacciato, in cui il ragionamento viene portato avanti tra un giro di chiamate a strumenti e l'altro invece di essere buttato via a ogni turno. M2 è il modello che ha costruito la reputazione di MiniMax nel consegnare un comportamento agentico prossimo alla frontiera a una frazione del costo per token, semplicemente tenendo minuscole le attivazioni.

MiniMax-M3: la base sotto questo endpoint

MiniMax-M3 è stato rilasciato il 1° giugno 2026, con i pesi su Hugging Face poco dopo e un rapporto tecnico su arXiv 2606.13392. È un Mixture-of-Experts da 428B di parametri con circa 23B attivi per token, un contesto documentato da un milione di token e input nativo di immagini e video: MiniMax lo descrive come addestrato a modalità miste «fin dal primo passo», anziché pre-addestrato su testo e poi adattato al multimodale. Sui numeri pubblicati da MiniMax stessa ottiene l'80,5% su SWE-bench Verified e il 59,0% su SWE-bench Pro. Sono dati riportati dal fornitore su un benchmark di programmazione, ed è esattamente il peso che dovresti dare loro; li citiamo perché sono le affermazioni pubblicate dal laboratorio, non perché li abbiamo riprodotti in modo indipendente.

03MiniMax Sparse Attention: perché un modello di visione può costare così poco

L'ingegneria interessante di M3 è la MiniMax Sparse Attention (MSA), ed è la ragione diretta per cui un modello multimodale di queste dimensioni può stare al nostro prezzo minimo. Le immagini costano molti token. Una manciata di pagine ad alta risoluzione può mettere decine di migliaia di token in un prompt prima ancora che tu abbia scritto una sola istruzione. Con l'attenzione standard quel costo si compone quadraticamente, e il modello che legge venti pagine non costa il doppio di quello che ne legge dieci: costa molto più del doppio.

La MSA cambia la forma di quella curva. È un meccanismo a blocchi sparsi costruito su una struttura portante di Grouped Query Attention, diviso in due rami:

• Un ramo indice leggero che assegna un punteggio ai blocchi chiave-valore — con max-pooling dei punteggi sui token dentro ogni blocco — e seleziona i top-k per posizione di query e per gruppo GQA, includendo sempre il blocco locale che contiene la query stessa per stabilità di addestramento.
• Un ramo principale che esegue l'ordinaria attenzione softmax solo sui blocchi selezionati dall'indice.

La configurazione del paper MSA è k = 16 blocchi da 128 token, il che dà a ogni query un budget fisso di 2.048 token attesi. Fisso, cioè che non cresce con la lunghezza della sequenza. È tutto qui il trucco: mentre il contesto cresce, il costo di attenzione di una baseline densa continua a salire mentre quello del ramo principale della MSA resta piatto, così l'attenzione scala linearmente invece che quadraticamente.

Dati dal rapporto MiniMax Sparse Attention (arXiv 2606.13392): una riduzione di 28,4 volte dei FLOPs di attenzione per token rispetto a una GQA configurata in modo equivalente a 1M di contesto, e accelerazioni di 14,2 volte in prefill e 7,6 volte in decode misurate a orologio su hardware H800 nello studio da 109B di parametri del paper. Separatamente MiniMax riporta per M3 accelerazioni di 9 volte in prefill e 15 volte in decode rispetto a M2 a 1M di contesto. Sono tutti dati riportati dal laboratorio.

Il paper fa anche la verifica che conta per un articolo sulla visione: su un MoE da 109B nativamente multimodale, la MSA ha tenuto prestazioni comparabili a una baseline ad attenzione piena su benchmark di immagini fra cui AI2D, ChartQA e MMMU, e su benchmark video fra cui EgoSchema, LongVideoBench e VideoMME — con le varianti sparse che a volte migliorano sui compiti video a contesto più lungo. Qui la sparsità non è una tassa di qualità che paghi per la velocità; sugli input lunghi sembra essere all'incirca gratuita.

Perché dovrebbe interessarti da cliente: è il costo di servizio a fissare il prezzo di listino. Una base il cui costo di attenzione smette di crescere è una base che puoi permetterti di puntare su centomila immagini. È questo il meccanismo dietro al «modello di visione senza censura più economico»: non è una tariffa promozionale, è un'architettura.

04Che cosa significa 3BIT-REAP, e dove ti costa

Un modello da 428 miliardi di parametri non sta comodo da nessuna parte a piena precisione. La nostra build di MiniMax-M3 porta il suffisso 3BIT-REAP, che descrive due operazioni distinte applicate in un ordine preciso.

REAP: elimina gli esperti prima di comprimerli

REAP — Router-weighted Expert Activation Pruning — è un metodo di compressione one-shot per MoE di Cerebras e dell'Università di Calgary, pubblicato come arXiv 2510.13999 e accettato a ICLR 2026. La sua tesi è che per i compiti generativi potare gli esperti batte fonderli: la fusione distrugge il controllo a grana fine del router e introduce un errore da cui non si torna più indietro. REAP assegna invece a ogni esperto un punteggio secondo un criterio di rilevanza che combina i valori del gate del router (quanto spesso e quanto fortemente il router lo sceglie) e le norme di attivazione dell'esperto (quanto il suo output contribuisce davvero), poi elimina del tutto gli esperti meno rilevanti.

Gli autori riportano di aver rimosso fino al 50% degli esperti da modelli grandi fino a mille miliardi di parametri preservando in gran parte la qualità di partenza — su Qwen3-480B-Coder-FP8 con pruning al 50% sono stati mantenuti il 97,6% della capacità di programmazione non agentica di riferimento e il 96,7% su SWE-Bench agentico. Sono i numeri del paper sui modelli del paper, non i nostri su MiniMax-M3; li citiamo perché tu possa giudicare il metodo, non per suggerire una misurazione equivalente qui.

I pesi a 3 bit, per secondi

I pesi sopravvissuti vengono poi memorizzati a 3 bit. L'ordine è deliberato ed è il punto della combinazione: prima si pota, poi si quantizza. Non ha alcun senso spendere i tuoi preziosi tre bit per peso a codificare fedelmente esperti che stai per cancellare. Pota la coda rada, poi lascia che il budget rimanente vada tutto agli esperti che si accendono davvero.

L'avvertenza onesta

3BIT-REAP è il livello più aggressivo che pubblichiamo. Lo usiamo sulle basi più grandi — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — perché è la differenza fra avere quei modelli a un prezzo sensato e non averli affatto. Dove una base è abbastanza piccola da non averne bisogno non lo usiamo: i modelli W8A16 del catalogo girano con pesi a 8 bit e attivazioni a 16 bit, e W4A16-AUTOROUND-REAP sta nel mezzo, usando l'arrotondamento appreso di AutoRound per recuperare l'accuratezza che la quantizzazione ingenua al più vicino regala via. Scegli il livello che corrisponde alla tua tolleranza. Se stai estraendo campi da diecimila fatture, 3 bit è lo scambio giusto. Se stai facendo una singola lettura forense ad alto rischio di una sola immagine, spendi i soldi su Kimi-K3.

05Che cosa significa «nessuno strato di rifiuto» quando l'input è un'immagine

«Senza censura» è una parola usata alla leggera, quindi ecco l'affermazione precisa: su questo endpoint non c'è alcuno strato di rifiuto e nessun filtro sull'output. Nessun classificatore ispeziona la tua immagine prima che il modello la veda. Nessun modello di policy ispeziona i token in uscita. Quello che il modello produce è quello che ricevi.

Nel testo l'effetto è familiare. Nella visione è diverso per natura, perché il comportamento di rifiuto sugli input immagine è il punto in cui le API multimodali commerciali sono più conservative e più arbitrarie. I fallimenti caratteristici sono questi:

• Rifiuti generalizzati sull'identità — il rifiuto di descrivere del tutto le persone in una fotografia, comprese caratteristiche palesemente visibili e del tutto innocue, perché una policy non sa distinguere la descrizione dall'identificazione.
• Abbandoni per argomento — il rifiuto di trascrivere o riassumere un documento a causa di ciò di cui il documento parla, anche se trascrivere è un compito meccanico.
• Ritrosia medica e forense — il rifiuto di descrivere immagini cliniche, documentazione di lesioni o fotografie di incidenti che un professionista ha bisogno di sentir descrivere.
• Falsi positivi sugli strumenti di sicurezza — il rifiuto di leggere uno screenshot perché contiene un terminale, una cattura di pacchetti o un debugger.
• Degradazione silenziosa — la peggiore: non un rifiuto ma una non-risposta prudente, che supera la validazione del tuo schema e avvelena il tuo dataset senza mai sollevare un errore.

Il problema operativo di tutti e cinque non è che siano ingiusti. È che sono non misurabili. Una risposta sbagliata è un dato: puoi valutarla, coglierla in fase di valutazione e correggerla. Un rifiuto è un buco. Su scala batch, un tasso di rifiuto del 3% distribuito in modo non casuale sui tuoi input — concentrato, per costruzione, esattamente sui casi difficili e insoliti — è una distorsione sistematica dei risultati che nessuna quantità di pulizia a valle recupera. Togliere lo strato di rifiuto toglie una fonte di dati mancanti silenziosa e correlata.

Shannon è gestito da Shannon Lab LLC, New Mexico, USA, secondo la nostra Responsible Use Policy. Senza censura significa che il modello non fa editoriali sui tuoi input; non significa che l'account non abbia termini.

06La specifica completa

Campo	MiniMax-M3 · 3BIT-REAP
Id del modello	MiniMax-M3-3BIT-REAP
Base	MiniMax-M3 (MiniMax AI)
Finestra di contesto	262.144 token
Output massimo	16.384 token
Input immagine	Sì
Input video	Non esposto
Streaming	Sì
Tool calling	Sì
Ragionamento	Sì (reasoning_effort)
Output strutturato	json_schema + response_format
Strato di rifiuto	Nessuno
Endpoint	/v1/chat/completions · /v1/messages · /v1/responses
Servito su	Il cluster GPU di proprietà di Shannon

Due righe di quella tabella meritano enfasi. L'input video non è esposto. La base M3 a monte è stata addestrata su video e MiniMax documenta l'input video; il nostro endpoint accetta immagini. Costruisci sulle immagini. Secondo, la finestra da 262.144 token è la nostra, non il dato a monte da un milione: pianifica i carichi su documenti lunghi e molte immagini rispetto a 262.144 e non avrai mai sorprese.

07Chiamare l'API MiniMax senza censura

Tre dialetti, lo stesso modello dietro a tutti e tre, streaming su tutti e tre. Usa quello che il tuo client già parla; fra loro non c'è differenza di capacità. Punta la tua base URL su Shannon e cambia l'id del modello.

Comprensione delle immagini con il dialetto 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
  }'

Nella parte image_url funzionano sia le URL remote https:// sia le data URL in base64. Allega più parti immagine in un solo messaggio quando ti serve il confronto fra pagine: hai 262.144 token da spendere e, a 0,50 $ per milione, spenderli costa poco.

Estrazione tipizzata con uno schema JSON

Dove questo modello si guadagna il posto in una pipeline è la combinazione di visione + schema in modalità strict + prezzo minimo. Non tutti i modelli del nostro catalogo hanno tutte e tre le cose: Laguna-S-2.1 e inkling non supportano json_schema. MiniMax-M3 sì, il che significa che puoi ottenere un oggetto validato da un'immagine senza uno strato di parsing:

{
  "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
      }
    }
  }
}

Sforzo di ragionamento

Il modello espone reasoning_effort. Sulla classificazione di immagini in blocco tienilo basso: stai facendo una domanda percettiva, e i token di ragionamento sono token di output che paghi. Alzalo per le chiamate in cui l'immagine è una prova dentro un ragionamento più lungo: leggere un diagramma a fronte di una specifica, riconciliare un grafico con una tabella, decidere se due screenshot mostrano lo stesso difetto.

Il riferimento completo dei parametri, la semantica degli errori e i formati di streaming per tutti e tre i dialetti stanno nella documentazione API di Shannon.

08Dove MiniMax-M3 è la scelta giusta — e dove non lo è

Usalo quando

• Lavori su immagini a volume. Etichettatura di dataset, ricerca sulla moderazione, arricchimento di cataloghi, smistamento di screenshot, OCR e strutturazione in blocco su documenti scansionati. Il prezzo minimo è tutto l'argomento.
• Immagini che diventano record tipizzati. Visione più json_schema in modalità strict più i token più economici del catalogo è una combinazione che qui offrono solo due modelli.
• Contesto multimodale lungo. Molte pagine, o molti fotogrammi, in un'unica richiesta — l'architettura sottostante è costruita esattamente per questa forma di input.
• Ricerca in cui i rifiuti corrompono il campione. Qualsiasi studio la cui validità dipenda dal fatto che il modello risponda a ogni voce, comprese quelle scomode.
• Cicli agentici che leggono uno schermo. Il lignaggio della serie M è esplicitamente agentico, e il tool calling è disponibile.

Usa altro quando

• Ti serve il tetto di visione più alto e il budget c'è. Kimi-K3 · 3BIT-REAP costa 7,7 volte tanto in input per un motivo; su una singola lettura ad alto rischio è la spesa giusta.
• Ti servono pesi a fedeltà massima. 3 bit è il nostro livello più aggressivo. I modelli W8A16 scambiano prezzo con precisione, e MiMo-V2.5 · W8A16 è capace di visione agli stessi 0,50 $ / 2,00 $ se ciò che stai ottimizzando è la fedeltà per peso.
• Ti serve il video. Su questo endpoint non esponiamo l'input video.
• Il compito è puro testo alla frontiera. DeepSeek-V4-Pro-0813 esiste per quello; qui pagheresti una torre visiva che non usi mai.

I dati di architettura, benchmark e accelerazione della famiglia MiniMax sono riportati dal laboratorio MiniMax AI; i dati REAP sono riportati dagli autori di REAP sui propri modelli e non sono una misurazione di questa build. I prezzi Shannon, la finestra di contesto e i flag di capacità sono nostri e sono letti dal nostro catalogo modelli in produzione.

09Domande frequenti

---

Fonti: Scheda modello 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. I dati di benchmark e di accelerazione MiniMax sono riportati dal laboratorio e provvisori in attesa di verifica indipendente. I prezzi e i flag di capacità di Shannon sono aggiornati al 5 settembre 2026.