無検閲のMiniMax API：最安価格で画像認識
MiniMax-M3は、Shannonゲートウェイで無検閲の画像理解を最も安く手に入れる方法です。入力$0.50、出力$2.00、262,144トークンのコンテキスト、そしてあなたと画像のあいだに拒否層はありません。
要点
MiniMax-M3 · 3BIT-REAPは、Shannonの最安価格で提供する画像対応の無検閲モデルです。入力100万トークンあたり$0.50、出力100万トークンあたり$2.00、262,144トークンのコンテキスト、16,384トークンの出力、ストリーミング、ツール呼び出し、reasoning_effortによる推論、厳格なjson_schema出力に対応します。基盤はMiniMax AIのM3 — MiniMax Sparse Attentionとネイティブなマルチモーダル学習を備えた428BパラメータのMixture-of-Expertsモデル — で、これを3ビットウェイトとREAPによるエキスパート枝刈りで圧縮し、その価格で自社のGPUクラスタに収めています。あなたのワークロードが「この画像を見て、正直に答えてくれ、それを1万回」なら、これがそのモデルです。
ホスティングされたマルチモーダルAPIのほとんどは、画像認識をプレミアムとして値付けしています。テキストにはテキストモデルの料金を払い、プロンプトに画像が入った瞬間に、さらに — ときには何倍も — 払うことになります。そのうえ、画像入力は拒否の振る舞いが最も攻撃的になる場所です。あるトピックをテキストでは喜んで論じるモデルが、写真の中の同じものを描写することは断る。結果として出来上がるのは、1回あたり高価で、1回あたり信頼できない製品であり、量をさばくときには両方の意味で最悪です。ShannonのMiniMax-M3はそれに対する私たちの答えです。最も安いテキストモデルと同じ$0.50 / $2.00を、最初の一歩からマルチモーダルで学習された基盤に適用し、その前に拒否層を置かない。
01ここで「最も安い無検閲の画像認識モデル」が実際に意味すること
Shannonのカタログは12モデルです。そのうち5つが画像を受け付けます。100万トークンあたりの価格は次のとおりです。
| 画像対応モデル | 入力 | 出力 | 構造化出力 |
|---|---|---|---|
| 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 のみ |
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | json_schema + response_format |
MiniMax-M3は下限 — $0.50 / $2.00 — に位置し、MiMo-V2.5と並び、その下には何もありません。$0.50 / $2.00が私たちの価格表の下限そのものだからです。画像対応帯の上限と比べると、Kimi-K3より入力で7.7倍、出力で9.6倍安いことになります。
これをワークロードに置いてみましょう。画像1,000枚 — スクリーンショット、スキャンしたページ、商品写真 — を仕分けし、平均しておおよそ画像＋プロンプトで1,200トークンが入り、答えとして300トークンが出るとします。
Shannonの表示価格、2026年9月時点。トークン数はあくまで例示です。実際の画像トークン化は解像度と、1回の呼び出しに何枚添付するかに依存します。
頭に入れておくと便利な基準点をもう2つ。262,144トークンのコンテキストを一度いっぱいに埋めるとおよそ13セント。最大長16,384トークンの応答はおよそ3.3セントです。これが単一の最悪ケースのリクエストの実際の上下限であり、十分に小さいので、画像パイプラインで面白い制約はお金ではなくスループットのほうになります。
02MiniMaxの系譜：見出しではなくトークンを最適化する研究所
MiniMax AIは上海の研究所で、そのオープンウェイトの実績はまるごとひとつの問いについてのものです。長いコンテキストとマルチモーダルが贅沢品でなくなるほど、アテンションを安くするにはどうするか？ この系列のどのリリースもその問いへの答えであり、答えは互いの上に積み上がっています。
MiniMax-01 — Lightning Attentionと、最初からの画像認識
MiniMax-01シリーズ（arXiv 2501.08313として公開）は、線形アテンションの変種をI/Oを意識して実装したLightning Attentionを、総パラメータ456B・トークンあたり活性45.9BのハイブリッドMixture-of-Expertsモデルの内部に導入しました。シリーズは対で出荷されています。MiniMax-Text-01と、画像モデルのMiniMax-VL-01です。VL-01は、いまでは見慣れたViT-MLP-LLMのスタックを使っていますが、借り物のエンコーダではなく6億9,400万組の画像とキャプションでゼロから学習した3億300万パラメータのVision Transformerを用い、その後5,120億トークンを処理する多段パイプラインで整合と同時ファインチューニングを行いました。
この細部は、いま読んでいる記事にとって重要です。この系譜における画像認識は、体裁を整えるためにテキストモデルへ後付けされたアダプタではありません。MiniMaxは最初のオープンリリース以来、自前の視覚タワーを学習させてきました。だからこそ文書理解、UIやスクリーンショットの把握、チャート読解が、後付けではなくこのファミリーの一貫した強みなのです。
MiniMax-M1 — 長尺の推論のためのハイブリッドアテンション
MiniMax-M1（arXiv 2506.13585）は、著者らによって初のオープンウェイト大規模ハイブリッドアテンション推論モデルと説明されました。456B / 45.9BのMoE本体を保ちつつ、2種類のアテンションを織り交ぜています。Lightning Attentionブロック7つごとに、従来型のsoftmaxアテンションのTransformerブロックを1つ挟むのです。その見返りは順位表の位置ではなく計算量で測られました。MiniMaxは、10万トークンの生成長においてM1がDeepSeek R1のおよそ25%のFLOPsしか消費せず、なお100万トークンのコンテキストをネイティブに扱えると報告しています。
MiniMax-M2 — 小さな活性への転回
MiniMax-M2はサイズについて逆方向へ進み、それで注目を集めました。62層のデコーダで、総パラメータ229.9Bに対し、トークンあたり活性はわずか約9.8B。MoE層あたり256の細粒度エキスパートを持ち、シグモイドルーティングでそのうち8つを選び、位置にはRoPE、学習安定化にはQK-RMSNormを使います。これは明示的にエージェント的コーディングのモデルでした — 複数ファイルの編集、実行と修正のループ、テストで検証された修復 — そしてインターリーブド・シンキング形式を導入しました。推論をターンごとに捨てるのではなく、ツール呼び出しのラウンド間で持ち越す方式です。M2は、活性を小さく保つというそれだけで、トークン単価のごく一部でフロンティア近傍のエージェント的振る舞いを届けるというMiniMaxの評判を確立したモデルです。
MiniMax-M3 — このエンドポイントの下にある基盤
MiniMax-M3は2026年6月1日に公開され、まもなくHugging Faceにウェイトが、arXiv 2606.13392に技術レポートが出ました。トークンあたり活性およそ23Bの428BパラメータMixture-of-Expertsモデルで、文書化された100万トークンのコンテキストと、ネイティブの画像・動画入力を持ちます。MiniMaxはこれを、テキストで事前学習してからマルチモーダルに適応させたのではなく「ごく最初の一歩から」混合モダリティで学習したと説明しています。MiniMax自身が公開した数値では、SWE-bench Verifiedで80.5%、SWE-bench Proで59.0%を記録しています。これらはコーディングベンチマークにおける提供元報告値であり、まさにそのように重み付けすべきものです。私たちが引くのは研究所の公表した主張だからであって、独立に再現したからではありません。
03MiniMax Sparse Attention：画像モデルがここまで安くなる理由
M3で面白いエンジニアリングはMiniMax Sparse Attention（MSA）であり、これがこの規模のマルチモーダルモデルを私たちの最安価格に置ける直接の理由です。画像はトークンを食います。高解像度のページをいくつか渡せば、指示を1文字も書かないうちにプロンプトへ数万トークンが入ります。標準的なアテンションでは、そのコストは二次的に膨らみ、20ページを読むモデルは10ページを読むモデルの2倍の高さではありません — 2倍よりはるかに悪いのです。
MSAはその曲線の形を変えます。Grouped Query Attentionを土台としたブロックスパースの仕組みで、2つの枝に分かれています。
- 軽量なIndex Branchは、キー・バリューのブロックを採点し — 各ブロック内のトークンにわたるスコアを最大プーリングして — クエリ位置ごと・GQAグループごとに上位k個を選びます。学習の安定のため、クエリ自身を含む局所ブロックは常に含めます。
- Main Branchは、インデックスが選んだブロックだけに対して通常のsoftmaxアテンションを走らせます。
MSA論文の設定はk = 16、すなわち128トークンのブロック16個で、これによりすべてのクエリに2,048トークンという固定の注意予算が与えられます。固定、つまり系列長とともに増えないということです。仕掛けはそこに尽きます。コンテキストが伸びると密なベースラインのアテンションコストは登り続けますが、MSAのメインブランチのコストは平らなままなので、アテンションは二次ではなく線形にスケールします。
数値はMiniMax Sparse Attentionのレポート（arXiv 2606.13392）より。1Mコンテキストにおいて同等構成のGQAに対しトークンあたりアテンションFLOPsが28.4分の1、そして論文の109Bパラメータ研究でH800ハードウェア上で測定されたプレフィル14.2倍 / デコード7.6倍の実時間高速化です。MiniMaxは別途、1MコンテキストにおけるM3のM2に対するプレフィル9倍・デコード15倍の高速化を報告しています。いずれも研究所による報告値です。
論文は、画像を扱う記事にとって肝心な確認も行っています。ネイティブにマルチモーダルな109BのMoEにおいて、MSAはAI2D、ChartQA、MMMUを含む画像ベンチマーク全般、およびEgoSchema、LongVideoBench、VideoMMEを含む動画ベンチマーク全般で、フルアテンションのベースラインに匹敵する性能を保ちました — スパース版がより長いコンテキストの動画タスクで上回ることもありました。ここでのスパース性は、速度のために払う品質税ではありません。長い入力においては、おおむね無料に見えます。
顧客として気にすべき理由はこうです。表示価格を決めるのは提供コストです。アテンションコストが伸びなくなった基盤は、10万枚の画像に向けても採算が合う基盤です。それが「最も安い無検閲の画像認識モデル」の背後にある仕組みであり、キャンペーン価格ではなくアーキテクチャなのです。
043BIT-REAPの意味と、その代償
4,280億パラメータのモデルは、フル精度では都合のいい場所のどこにも収まりません。私たちのMiniMax-M3ビルドは3BIT-REAPという接尾辞を持ち、これは特定の順序で適用された2つの別々の操作を表しています。
REAP：圧縮する前にエキスパートを削除する
REAP — Router-weighted Expert Activation Pruning — は、Cerebrasとカルガリー大学によるワンショットのMoE圧縮手法で、arXiv 2510.13999として公開され、ICLR 2026に採択されました。その主張は、生成タスクにおいてはエキスパートを枝刈りするほうが統合するより優れているというものです。統合はルーターの細やかな制御を破壊し、二度と回復できない誤差を持ち込みます。そこでREAPは各エキスパートを、ルーターのゲート値（どれだけ頻繁に、どれだけ強く選ばれるか）とエキスパートの活性化ノルム（その出力が実際にどれだけ寄与するか）を組み合わせた顕著性基準で採点し、重要度の低いものをそのまま削除します。
著者らは、1兆パラメータ規模のモデルからエキスパートを最大50%削除してもベースライン品質をおおむね保てると報告しています — Qwen3-480B-Coder-FP8の50%枝刈りでは、非エージェント的コーディング能力のベースライン比97.6%、エージェント的なSWE-Benchで96.7%が保たれました。これらは論文のモデルに対する論文の数値であって、MiniMax-M3に対する私たちの測定ではありません。手法を評価できるように引用しているのであって、ここで同等の測定があると示唆するためではありません。
次に3ビットウェイト
生き残ったウェイトは、次に3ビットで保存されます。この順序は意図的であり、この組み合わせの要点です。先に枝刈り、次に量子化。これから削除するエキスパートを忠実に符号化するのに、貴重なウェイトあたり3ビットを費やす意味はありません。スパースな裾を枝刈りしてから、残った予算をまるごと、実際に発火するエキスパートに回すのです。
正直な但し書き
3BIT-REAPは私たちが出荷する中で最も攻めた階層です。最大級の基盤 — MiniMax-M3、Kimi-K3、DeepSeek-V4-Pro、GLM-5.2、Nemotron3Ultra — に使っています。それらのモデルが正気の価格で使えるか、まったく使えないかの分かれ目になるからです。基盤がそれを必要としないほど小さければ使いません。カタログのW8A16モデルは8ビットウェイトと16ビット活性で動き、W4A16-AUTOROUND-REAPはその中間で、素朴な最近接丸め量子化が手放してしまう精度をAutoRoundの学習済み丸めで回復します。自分の許容度に合う階層を選んでください。1万枚の請求書からフィールドを抽出しているなら、3ビットは正しい取引です。1枚の画像を1回、失敗の許されない精度で読むなら、Kimi-K3にお金を使ってください。
05入力が画像のとき「拒否層なし」が意味すること
無検閲という言葉はゆるく使われがちなので、正確な主張を述べます。このエンドポイントには拒否層がなく、出力へのフィルタリングもありません。モデルが見る前にあなたの画像を検査する分類器はありません。出ていくトークンを検査するポリシーモデルもありません。モデルが生成したものが、そのままあなたに届きます。
テキストにおけるその効果はよく知られています。画像では質が違います。画像入力に対する拒否の振る舞いこそ、商用マルチモーダルAPIが最も保守的で、最も恣意的になる場所だからです。典型的な失敗はこう見えます。
- 一律の同一性拒否 — 写真の中の人物をそもそも描写しない。はっきり見えていて完全に無害な属性でさえもです。ポリシーは描写と個人特定を区別できないからです。
- 主題による離脱 — 文書が何について書かれているかを理由に、転記や要約を拒否する。転記は機械的な作業なのにです。
- 医療・法科学における神経質さ — 専門家が描写を必要としている臨床画像、負傷の記録、事故写真の描写を断る。
- セキュリティツールの誤検知 — ターミナル、パケットキャプチャ、デバッガが写っているという理由でスクリーンショットの読み取りを拒否する。
- 静かな劣化 — 最悪なのはこれです。拒否ではなく、ぼかした非回答。スキーマ検証は通り、エラーも上げないまま、あなたのデータセットを汚染します。
この5つの運用上の問題は、不公平だということではありません。測定できないということです。誤答はデータ点です。採点でき、評価で捕まえられ、補正できます。拒否は穴です。バッチ規模では、入力全体に無作為ではない形で分布した3%の拒否率 — 構造上、まさに難しくて珍しいケースに集中します — は、下流でいくら掃除しても回復できない、結果への系統的なバイアスになります。拒否層を取り除くことは、静かで相関のある欠測データの発生源を取り除くことです。
Shannonは米国ニューメキシコ州のShannon Lab LLCが、当社の責任ある利用ポリシーのもとで運営しています。無検閲とは、モデルがあなたの入力について論評しないという意味であって、アカウントに規約がないという意味ではありません。
06完全な仕様
| 項目 | MiniMax-M3 · 3BIT-REAP |
|---|---|
| モデルID | MiniMax-M3-3BIT-REAP |
| 基盤 | MiniMax-M3 (MiniMax AI) |
| コンテキストウィンドウ | 262,144トークン |
| 最大出力 | 16,384トークン |
| 画像入力 | あり |
| 動画入力 | 公開していません |
| ストリーミング | あり |
| ツール呼び出し | あり |
| 推論 | あり（reasoning_effort） |
| 構造化出力 | json_schema + response_format |
| 拒否層 | なし |
| エンドポイント | /v1/chat/completions · /v1/messages · /v1/responses |
| 提供環境 | Shannon自社のGPUクラスタ |
この表の2行は強調に値します。動画入力は公開していません。上流のM3基盤は動画で学習されており、MiniMaxは動画入力を文書化していますが、私たちのエンドポイントが受け付けるのは画像です。画像を前提に組んでください。次に、262,144トークンのウィンドウは私たちのものであり、上流の100万という数字ではありません。長文書や多数画像のワークロードを262,144を前提に設計すれば、驚くことは決してありません。
07無検閲のMiniMax APIを呼び出す
3つの方言、その背後はすべて同じモデル、3つともストリーミング対応です。既存のクライアントが話せるものを使ってください。方言のあいだに機能差はありません。ベースURLをShannonに向けて、モデルIDを変えるだけです。
OpenAI方言での画像理解
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
}'リモートのhttps:// URLもbase64のデータURLも、image_urlパートで動きます。ページ間の比較が必要なら、1つのメッセージに複数の画像パートを添付してください。使えるトークンは262,144あり、100万あたり$0.50なら、それを使うのは安いことです。
JSONスキーマによる型付き抽出
このモデルがパイプラインでの居場所を勝ち取るのは、画像認識＋厳格なスキーマ＋最安価格の組み合わせです。カタログのすべてのモデルが3つとも備えているわけではありません。Laguna-S-2.1とinklingはjson_schemaに対応していません。MiniMax-M3は対応しているので、パース層なしで画像から検証済みのオブジェクトを取り出せます。
{
"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
}
}
}
}推論の強度
このモデルはreasoning_effortを公開しています。大量の画像分類では低く保ってください。尋ねているのは知覚の問題であり、推論トークンはあなたが払う出力トークンです。画像がより長い議論の中の証拠になる呼び出しでは上げてください。仕様書と照らして図面を読む、チャートを表と突き合わせる、2枚のスクリーンショットが同じ不具合を示しているか判断する、といった場面です。
3つの方言すべてについての完全なパラメータリファレンス、エラーの意味論、ストリーミング形式はShannon APIドキュメントにあります。
08MiniMax-M3が正解のとき、そうでないとき
手を伸ばすべき場面
- 量のある画像作業。データセットのラベリング、モデレーション研究、カタログの拡充、スクリーンショットの仕分け、スキャン文書へのバッチOCRと構造化。最安価格がそのまま論拠になります。
- 画像から型付きレコードへ。画像認識と厳格な
json_schema、そしてカタログで最も安いトークン。この組み合わせを持つのはここでは2モデルだけです。 - 長いマルチモーダルコンテキスト。1回のリクエストに多数のページ、あるいは多数のフレーム。下にあるアーキテクチャは、まさにこの形の入力のために作られています。
- 拒否が標本を壊す研究。妥当性が、居心地の悪いものも含めてすべての項目にモデルが答えることに依存する研究のすべて。
- 画面を読むエージェントのループ。Mシリーズの系譜は明示的にエージェント志向で、ツール呼び出しも使えます。
別のものに手を伸ばすべき場面
- 最も高い画像認識の天井が必要で、予算がある。Kimi-K3 · 3BIT-REAPが入力価格7.7倍なのには理由があります。失敗の許されない1回の読み取りでは、それが正しい支出です。
- 最大限に忠実なウェイトが必要。3ビットは私たちの最も攻めた階層です。
W8A16のモデルは価格と引き換えに精度を取り、ウェイトあたりの忠実さを最適化したいなら、MiMo-V2.5 · W8A16が同じ$0.50 / $2.00で画像に対応します。 - 動画が必要。このエンドポイントでは動画入力を公開していません。
- タスクがフロンティア級の純粋なテキスト。それにはDeepSeek-V4-Pro-0813があります。使わない視覚タワーに料金を払うことになります。
この記事に出てくる上流の数値はすべて、私たち以外の誰かが公開したものです。私たちの要約を鵜呑みにせず、一次資料を確認してください。
MiniMaxファミリーのアーキテクチャ、ベンチマーク、高速化の数値はMiniMax AIによる研究所報告値です。REAPの数値はREAPの著者らが自分たちのモデルについて報告したもので、このビルドの測定値ではありません。Shannonの価格、コンテキストウィンドウ、機能フラグは私たちのものであり、稼働中のモデルカタログから読み出しています。
09よくある質問
無検閲のMiniMax APIとは何ですか？
MiniMax-M3 · 3BIT-REAPを、Shannon自社のGPUクラスタ上で拒否層も出力フィルタもなしに提供しているものです。/v1/chat/completions、/v1/messages、/v1/responses のいずれかから、262,144トークンのコンテキストウィンドウ、画像入力、ツール呼び出し、JSONスキーマによる構造化出力とともに呼び出せます。料金は入力100万トークンあたり$0.50、出力100万トークンあたり$2.00です。
ShannonのMiniMax-M3は画像入力を受け付けますか？
はい。MiniMax-M3はShannonカタログにある画像対応5モデルのひとつで、標準の image_url コンテンツパート形式で画像を受け付けます。base64のデータURLも使えます。このエンドポイントが公開しているのは画像入力のみです。上流の基盤は動画でも学習されていますが、動画入力は公開していません。
無検閲の画像理解はいくらかかりますか？
MiniMax-M3はShannonの最安価格、入力100万トークンあたり$0.50、出力100万トークンあたり$2.00に位置します。1件あたり平均で入力1,200トークン・出力300トークンの画像呼び出しを1,000件処理すると、およそ$1.20です。同じバッチを、カタログで最も天井の高い画像対応モデルであるKimi-K3で走らせるとおよそ$10.34になります。
3BIT-REAPとは何を意味し、品質を損ないますか？
REAPはRouter-weighted Expert Activation Pruningの略で、Cerebrasとカルガリー大学によるワンショットのMixture-of-Experts圧縮手法です。各エキスパートをルーターのゲート値と活性化ノルムで採点し、量子化の前に重要度の低いエキスパートを削除します。残ったウェイトは3ビットで保存されます。これは私たちの最も攻めた圧縮階層であり、4,280億パラメータの基盤を最安価格で提供可能にしているものです。最大限の忠実さが必要な場合には、別途W8A16のモデルを用意しています。
ツール呼び出しとJSONスキーマ出力に対応していますか？
どちらも対応しています。MiniMax-M3はストリーミング、ツール呼び出し、reasoning_effort による推論制御、response_format、そして厳格な json_schema による構造化出力に対応します。この組み合わせはカタログ全体で共通ではありません。Laguna-S-2.1とinklingは json_schema に対応していないので、画像から型付きのオブジェクトを受け取りたいなら、MiniMax-M3がそれを返してくれる最も安いモデルです。
コンテキストウィンドウと出力上限はどれくらいですか？
コンテキストは262,144トークン、1リクエストあたりの出力は16,384トークンで、Shannonの12モデルすべてで同一です。上流のMiniMax-M3基盤は100万トークンとして文書化されていますが、私たちが提供するのは262Kのウィンドウです。長文書や複数画像のワークロードは、上流の数値ではなく262,144を前提に設計してください。
無検閲のMiniMax APIを試す
最安価格での画像理解。3つの方言、1つのモデルID、拒否層なし。
APIドキュメントを読む すべてのモデルガイドShannon Lab LLC · ニューメキシコ州、米国 · 責任ある利用ポリシーが適用されます
出典：MiniMax-M3 モデルカード · MiniMax-M1：Lightning Attentionによる推論時計算の効率的スケーリング · MiniMax-01：Lightning Attentionによる基盤モデルのスケーリング · REAP the Experts：ワンショットMoE圧縮で枝刈りが勝る理由。MiniMaxのベンチマークおよび高速化の数値は研究所による報告であり、独立検証が済むまでは暫定的なものです。Shannonの価格と機能フラグは2026年9月5日時点のものです。