Цензурасыз MiniMax API: еден бағасындағы көру

Ұсынылатын мультимодал API-лардың барлығы дерлік көруді премиум ретінде бағалайды. Мәтін үшін мәтіндік модель мөлшерлемесін төлейсіз, содан кейін промптқа сурет кірген сәтте көбірек — кейде бірнеше есе көп — төлейсіз. Оның үстіне бас тарту мінез-құлқы ең агрессивті болатын жер — дәл сурет кірістері: мәтінде тақырыпты қуана талқылайтын модель дәл сол нәрсені фотосуретте сипаттаудан бас тартады. Нәтижесінде шақыруы қымбат әрі шақыруы сенімсіз өнім шығады, ал бұл көлемді өңдеп отырғанда — екі жақтан да ең жаманы. Shannon-дағы MiniMax-M3 — біздің осыған жауабымыз: ең арзан мәтіндік моделімізге төлейтін дәл сол $0.50 / $2.00 бағасы, бірақ бірінші қадамнан бастап мультимодал оқытылған негізге қолданылған әрі алдында бас тарту қабаты тұрмаған.

01«Ең арзан цензурасыз көру моделі» мұнда нені білдіреді

Shannon каталогы — он екі модель. Олардың бесеуі суреттерді қабылдайды. Миллион токенге шаққандағы бағалары:

Көре алатын модель	Кіріс	Шығыс	Құрылымдалған шығыс
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	тек response_format
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 еденде тұр — $0.50 / $2.00 — MiMo-V2.5-пен тең, ал одан төмен ештеңе жоқ, өйткені $0.50 / $2.00 деген — баға тізіміміздің өзінің едені. Көру ауқымының жоғарғы шетімен салыстырғанда ол Kimi-K3-тен кіріс бойынша 7.7 есе, шығыс бойынша 9.6 есе арзан.

Мұны нақты жүктемеге салып көрейік. Айталық, 1,000 суретті сұрыптап жатырсыз — скриншоттар, сканерленген беттер, тауар фотолары — орта есеппен 1,200 токендік сурет пен промпт кіріп, 300 токендік жауап шығады:

Shannon-ның тізімдік бағалары, 2026 жылғы қыркүйек. Токен сандары — көрнекі мысал; сіздің суреттеріңіздің токенделуі ажыратымдылыққа және бір шақыруға қанша сурет тіркейтініңізге байланысты.

Есте ұстауға пайдалы тағы екі бағдар. Бүкіл 262,144 токендік контексті бір рет толтыру шамамен 13 центке түседі. Ең ұзын 16,384 токендік жауап шамамен 3.3 центке түседі. Бұл — бір ғана ең ауыр сұраныстың нақты шектері әрі олар соншалық шағын, сондықтан көру конвейеріндегі қызық шектеу ақша болудан қалып, өткізу қабілетіне ауысады.

02MiniMax тегі: тақырып емес, токен оңтайландыратын зертхана

MiniMax AI — Шанхайдағы зертхана, ал оның ашық салмақты бүкіл жолы бір сұрақтың төңірегінде: ұзын контекст пен мультимодалдық сән-салтанат болудан қалатындай зейінді қалай арзандатуға болады? Осы жолдағы әр шығарылым — сол сұраққа жауап, ал жауаптар бір-бірінің үстіне қаланады.

MiniMax-01 — Lightning Attention және басынан бастап көру

MiniMax-01 сериясы (arXiv 2501.08313 ретінде жарияланған) токенге 45.9B белсендісі бар 456B жалпы параметрлі гибрид Mixture-of-Experts моделінің ішінде Lightning Attention — сызықтық зейін нұсқасының енгізу-шығаруды ескеретін іске асырылымын — ұсынды. Серия жұп болып шықты: MiniMax-Text-01 және көру моделі MiniMax-VL-01. VL-01 қазір таныс ViT-MLP-LLM жинағын қолданды, бірақ алынған кодтаушының орнына 694 миллион сурет-сипаттама жұбында нөлден оқытылған 303 миллион параметрлі Vision Transformer пайдаланды, содан кейін 512 миллиард токенді өңдейтін көп кезеңді конвейерде туралап, бірлесіп дәл бапталды.

Бұл бөлшектің сіз оқып отырған мақалаға тікелей қатысы бар. Бұл тектегі көру — құсбелгі қою үшін мәтіндік модельге кейін жапсырылған адаптер емес. MiniMax өзінің алғашқы ашық шығарылымынан бері өз көрнекі мұнарасын оқытып келеді, сондықтан құжатты түсіну, интерфейс пен скриншотты ұғыну және диаграмма оқу осы отбасының кейін ойға келген нәрсесі емес, тұрақты күшті жақтары болып қалды.

MiniMax-M1 — ұзаққа созылған пайымдауға арналған гибрид зейін

MiniMax-M1 (arXiv 2506.13585) авторлары оны алғашқы ашық салмақты, ауқымды гибрид зейінді пайымдау моделі деп сипаттады. Ол 456B / 45.9B MoE денесін сақтап, екі зейін түрін кезектестірді: әр жеті Lightning Attention блогынан кейін дәстүрлі softmax зейінді трансформер блогы. Пайда рейтингтегі орынмен емес, есептеу қуатымен өлшенді — MiniMax 100K токендік жасау ұзындығында M1-дің DeepSeek R1-дегі FLOPs-тың шамамен 25%-ын жұмсағанын хабарлады, әрі бұл нативті түрде бір миллион токендік контекстті қолдай отырып.

MiniMax-M2 — аз белсенділікке бет бұру

MiniMax-M2 өлшем бойынша қарама-қарсы бағытқа кетті әрі осымен назарды өзіне аударды: жалпы 229.9B параметрі бар, бірақ токенге тек шамамен 9.8B белсендісі бар 62 қабатты декодер, әр MoE қабатында 256 ұсақ түйіршікті сарапшы, олардың сегізіне сигмоидтық бағдарлау, оқыту тұрақтылығы үшін RoPE позициялары және QK-RMSNorm. Ол ашық түрде агенттік код моделі болды — көп файлдық өңдеулер, жүргіз-түзет циклдері, тестпен тексерілген жөндеулер — әрі кезектесіп жүретін пайымдау пішімін енгізді: онда пайымдау әр айналымнан кейін лақтырылмай, құрал шақыру раундтарының арасында алып жүріледі. Дәл M2 — активацияларды кішкентай ұстау арқылы ғана токенге шаққанда әлдеқайда арзан бағада фронтирге жақын агенттік мінез-құлық беретін модель ретінде MiniMax-тың абыройын орнатқан модель.

MiniMax-M3 — осы эндпоинттің астындағы негіз

MiniMax-M3 2026 жылғы 1 маусымда шықты, көп ұзамай салмақтары Hugging Face-те, ал техникалық есебі arXiv 2606.13392-де жарияланды. Бұл — токенге шамамен 23B белсендісі бар 428B параметрлі Mixture-of-Experts моделі, құжатталған бір миллион токендік контекст әрі нативті сурет пен бейне кірісі — MiniMax оны мәтінде алдын ала оқытып, кейін мультимодалды бейімдеу емес, «ең бірінші қадамнан бастап» аралас модалдықта оқытылған деп сипаттайды. MiniMax өзі жариялаған сандар бойынша ол SWE-bench Verified-те 80.5% және SWE-bench Pro-да 59.0% алады. Бұл — код бенчмаркіндегі жеткізуші хабарлаған көрсеткіштер, оларды дәл солай өлшеп қабылдаған жөн; біз оларды тәуелсіз түрде қайталағанымыз үшін емес, зертхананың жарияланған мәлімдемелері болғандықтан келтіреміз.

03MiniMax Sparse Attention: көру моделі неге осыншалық арзан бола алады

M3-тегі қызық инженерия — MiniMax Sparse Attention (MSA), әрі мұндай өлшемдегі мультимодал модельдің біздің еден бағамызда тұра алуының тікелей себебі де осы. Суреттер токен жағынан қымбат. Бірнеше жоғары ажыратымдылықты бет сіз бір нұсқау жазып үлгергенше промптқа ондаған мың токен салып қоя алады. Стандартты зейінде бұл құн квадраттық түрде өседі, әрі жиырма бет оқитын модель он бет оқитыннан екі есе қымбат емес — екі еседен әлдеқайда жаман.

MSA сол қисықтың пішінін өзгертеді. Бұл — Grouped Query Attention дінгегіне құрылған блоктық-сирек механизм, екі тармаққа бөлінген:

• Кілт-мән блоктарын бағалайтын жеңіл Index Branch — әр блоктың ішіндегі токендер бойынша ұпайларды max-pooling арқылы жинайды — әрі әр сұраныс позициясы мен әр GQA тобы үшін топ-k таңдайды, оқыту тұрақтылығы үшін сұраныстың өзі тұрған жергілікті блокты үнемі қосып отырады.
• Main Branch — әдеттегі softmax зейінді тек индекс таңдаған блоктар бойынша жүргізеді.

MSA мақаласындағы конфигурация — k = 128 токендік 16 блок, бұл әр сұранысқа 2,048 зейін салынатын токендік тұрақты бюджет береді. Тұрақты, яғни ол тізбек ұзындығымен бірге өспейді. Бүкіл айла осында: контекст өскен сайын тығыз базалық нұсқаның зейін құны өсе береді, ал MSA-ның негізгі тармағының құны тегіс қалады, сондықтан зейін квадраттық емес, сызықты масштабталады.

Көрсеткіштер MiniMax Sparse Attention есебінен (arXiv 2606.13392): 1M контексте бірдей конфигурацияланған GQA-мен салыстырғанда токенге шаққандағы зейін FLOPs-ының 28.4 есе азаюы әрі мақаланың 109B параметрлі зерттеуінде H800 жабдығында өлшенген 14.2 есе prefill / 7.6 есе декод жеделдеуі. MiniMax бөлек түрде 1M контексте M3-тің M2-ге қарағанда 9 есе prefill және 15 есе декод жеделдеуін хабарлайды. Барлығы — зертхана хабарлаған көрсеткіштер.

Мақала көру туралы мақала үшін маңызы бар тексеруді де жасайды: нативті мультимодал 109B MoE-де MSA AI2D, ChartQA және MMMU-ды қоса алғандағы сурет бенчмарктарында, сондай-ақ EgoSchema, LongVideoBench және VideoMME-ні қоса алғандағы бейне бенчмарктарында толық зейінді базалық нұсқамен салыстырмалы өнімділікті сақтады — тіпті сирек нұсқалары контексті ұзынырақ бейне тапсырмаларында кейде жақсырақ нәтиже берді. Мұндағы сиректік — жылдамдық үшін төлейтін сапа салығы емес; ұзын кірістерде ол шамамен тегін болып шығады.

Мұның тұтынушы ретінде сізге не үшін маңызы бар: тізімдік бағаны ұсыну құны белгілейді. Зейін құны өсуін тоқтататын негіз — жүз мың суретке бағыттауға шамаңыз келетін негіз. «Ең арзан цензурасыз көру моделі» дегеннің артындағы тетік — осы; бұл жарнамалық мөлшерлеме емес, архитектура.

043BIT-REAP нені білдіреді әрі ол сізге неден шығын әкеледі

428 миллиард параметрлі модель толық дәлдікте ешбір ыңғайлы жерге сыймайды. Біздің MiniMax-M3 құрамамызда 3BIT-REAP жұрнағы бар, ол нақты ретпен қолданылған екі бөлек операцияны сипаттайды.

REAP: сарапшыларды қыспас бұрын жойыңыз

REAP — Router-weighted Expert Activation Pruning — Cerebras пен Калгари университетінен шыққан, arXiv 2510.13999 ретінде жарияланған әрі ICLR 2026-ға қабылданған бір реттік MoE қысу әдісі. Оның дәлелі мынау: генеративті тапсырмаларда сарапшыларды кесу оларды біріктіруден артық — біріктіру маршрутизатордың ұсақ түйіршікті бақылауын құртады әрі ешқашан қалпына келтіре алмайтын қате енгізеді. Сондықтан REAP оның орнына әр сарапшыны маршрутизатор қақпасының мәндерін (оны маршрутизатор қаншалықты жиі әрі қаншалықты күшті таңдайтынын) және сарапшы активациясының нормаларын (оның шығысы шын мәнінде қаншалықты үлес қосатынын) біріктіретін маңыздылық өлшемімен бағалайды, содан кейін ең аз маңызды сарапшыларды түбегейлі жояды.

Авторлар бір триллион параметрге дейінгі модельдерден сарапшылардың 50%-ына дейінін алып тастап, бастапқы сапаны негізінен сақтағанын хабарлайды — Qwen3-480B-Coder-FP8-де 50% кесуде агенттік емес код жазу қабілетінің 97.6%-ы және агенттік SWE-Bench-те 96.7%-ы сақталды. Бұл — мақаланың өз модельдеріндегі өз сандары, MiniMax-M3-тегі біздің сандарымыз емес; біз оларды мұнда осындай өлшем жасалды деп меңзеу үшін емес, әдісті бағалай алуыңыз үшін келтіреміз.

Екіншісі — 3-биттік салмақтар

Аман қалған салмақтар содан кейін 3 битте сақталады. Реті әдейі таңдалған әрі бұл құраманың бүкіл мәні: алдымен кесу, содан кейін кванттау. Жойғалы тұрған сарапшыларды дәл кодтауға салмаққа берілген қымбат үш битті жұмсаудың мәні жоқ. Сирек құйрықты кесіп, қалған бюджет толығымен шынымен іске қосылатын сарапшыларға кетсін.

Адал ескертпе

3BIT-REAP — біз ұсынатын ең агрессивті деңгей. Оны ең үлкен негіздерге қолданамыз — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — өйткені бұл сол модельдердің ақылға қонымды бағада қолжетімді болуы мен мүлдем қолжетімсіз болуының арасындағы айырма. Негіз оны қажет етпейтіндей шағын болса, біз оны қолданбаймыз: каталогтағы W8A16 модельдері 8-биттік салмақтармен және 16-биттік активациялармен жүреді, ал W4A16-AUTOROUND-REAP ортада тұр әрі қарапайым ең жақынға дөңгелектеу жоғалтатын дәлдікті қайтару үшін AutoRound-тың үйренілген дөңгелектеуін қолданады. Төзімділігіңізге сай деңгейді таңдаңыз. Он мың шот-фактурадан өріс шығарып алып жатсаңыз, 3 бит — дұрыс айырбас. Бір суретті бір рет, жоғары тәуекелмен сот-медициналық оқысаңыз, ақшаны Kimi-K3-ке жұмсаңыз.

05Кіріс сурет болғанда «бас тарту қабаты жоқ» нені білдіреді

«Цензурасыз» — еркін қолданылатын сөз, сондықтан нақты мәлімдеме мынау: бұл эндпоинтте бас тарту қабаты да, шығысты сүзу де жоқ. Модель суретті көрмей тұрып, оны ешбір классификатор тексермейді. Шыққан токендерді ешбір саясат моделі қарамайды. Модель не жасаса, сіз соны аласыз.

Мәтінде бұның әсері таныс. Ал көруде ол сапалық жағынан басқаша, өйткені сурет кірістеріндегі бас тарту мінез-құлқы — коммерциялық мультимодал API-лар ең консервативті әрі ең еркін болатын жер. Тән ақаулықтар мынадай көрінеді:

• Жаппай бірегейлендіру бойынша бас тарту — фотосуреттегі адамдарды сипаттаудан мүлдем бас тарту, оның ішінде анық көрінетін әрі толығымен зиянсыз белгілерді де, өйткені саясат сипаттауды бірегейлендіруден ажырата алмайды.
• Тақырып бойынша шегіну — құжатты көшіру механикалық тапсырма болса да, оның не туралы екеніне қарап көшіруден немесе түйіндеуден бас тарту.
• Медициналық және сот-медициналық қылықсыну — маманға сипаттап беру керек клиникалық суреттерді, жарақат құжаттамасын немесе жазатайым оқиға фотоларын сипаттаудан бас тарту.
• Қауіпсіздік құралдары бойынша жалған дабыл — құрамында терминал, пакет жазбасы немесе жөндеуші бар скриншотты оқудан бас тарту.
• Үнсіз нашарлау — ең жаманы: бас тарту емес, жалтарма жауапсыздық, ол сіздің схема тексеруіңізден өтіп кетеді әрі ешқашан қате шығармай, деректер жиынтығыңызды улайды.

Бесеуінің де операциялық мәселесі — олардың әділетсіз болуы емес. Мәселе — олардың өлшенбейтіндігі. Қате жауап — дерек нүктесі; оны бағалауға, бағалау кезінде ұстауға және түзетуге болады. Ал бас тарту — тесік. Топтық ауқымда кірістеріңіз бойынша кездейсоқ емес түрде таралған 3% бас тарту үлесі — құрылымы бойынша дәл қиын әрі әдеттен тыс жағдайларға шоғырланған — нәтижелеріңіздегі жүйелі ауытқу, әрі оны кейінгі кез келген тазалау қалпына келтіре алмайды. Бас тарту қабатын алып тастау үнсіз, өзара байланысты жетіспейтін деректердің көзін алып тастайды.

Shannon-ды Shannon Lab LLC (Нью-Мексико, АҚШ) Жауапты пайдалану саясатымыз аясында басқарады. Цензурасыз дегеніміз — модель сіздің кірістеріңізге пікір айтпайды дегені; ол есептік жазбада шарттар жоқ дегені емес.

06Толық сипаттама

Өріс	MiniMax-M3 · 3BIT-REAP
Модель идентификаторы	MiniMax-M3-3BIT-REAP
Негізі	MiniMax-M3 (MiniMax AI)
Контекст терезесі	262,144 токен
Ең үлкен шығыс	16,384 токен
Сурет кірісі	Иә
Бейне кірісі	Ашылмаған
Ағынды беру	Иә
Құралдарды шақыру	Иә
Пайымдау	Иә (reasoning_effort)
Құрылымдалған шығыс	json_schema + response_format
Бас тарту қабаты	Жоқ
Эндпоинттер	/v1/chat/completions · /v1/messages · /v1/responses
Қайда ұсынылады	Shannon-ның өз GPU кластері

Сол кестедегі екі жолды атап өткен жөн. Бейне кірісі ашылмаған. Жоғарғы жақтағы M3 негізі бейнеде оқытылған әрі MiniMax бейне кірісін құжаттайды; ал біздің эндпоинт суреттерді қабылдайды. Суреттерге сүйеніп құрыңыз. Екіншіден, 262,144 токендік терезе — біздікі, жоғарғы жақтағы бір миллион көрсеткіші емес — ұзын құжат және көп суретті жүктемелерді 262,144-ке қарай жоспарлаңыз, сонда ешқашан күтпеген жағдайға тап болмайсыз.

07Цензурасыз MiniMax API-ды шақыру

Үш диалект, олардың бәрінің артында бір модель, үшеуінде де ағынды беру бар. Бар клиентіңіз қайсысын сөйлесе, соны қолданыңыз; олардың арасында мүмкіндік айырмасы жоқ. Базалық URL-іңізді Shannon-ға бағыттап, модель идентификаторын өзгертіңіз.

OpenAI диалекті арқылы суретті түсіну

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
  }'

image_url бөлігінде қашықтағы https:// URL-дері де, base64 дерек URL-дері де жұмыс істейді. Беттерді салыстыру керек болса, бір хабарламаға бірнеше сурет бөлігін тіркеңіз — жұмсауға 262,144 токеніңіз бар әрі миллионға $0.50 бағасында оларды жұмсау арзан.

JSON схемасымен типтелген шығарып алу

Бұл модель конвейердегі орнын ақтайтын жер — көру + қатаң схема + еден бағасы құрамасы. Каталогымыздағы әр модельде үшеуі де бар емес: Laguna-S-2.1 мен inkling json_schema-ны қолдамайды. MiniMax-M3 қолдайды, яғни талдау қабатынсыз-ақ суреттен тексерілген нысан ала аласыз:

{
  "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
      }
    }
  }
}

Пайымдау күші

Модель reasoning_effort параметрін ашады. Көлемді суретті сыныптауда оны төмен ұстаңыз — сіз қабылдау сұрағын қойып отырсыз, ал пайымдау токендері — сіз төлейтін шығыс токендері. Сурет ұзынырақ дәлелдеудегі айғақ болатын шақыруларда оны көтеріңіз: диаграмманы сипаттамаға қарсы оқу, диаграмманы кестемен салыстыру, екі скриншот бір ақауды көрсетіп тұр ма деген шешім.

Үш диалекттің де параметрлерінің толық анықтамасы, қате семантикасы және ағын пішімдері Shannon API құжаттамасында.

08MiniMax-M3 қай жерде дұрыс таңдау — және қай жерде емес

Мына жағдайларда оған жүгініңіз

• Көлемді сурет жұмысы. Деректер жиынтығын таңбалау, модерация зерттеулері, каталогты байыту, скриншот сұрыптау, сканерленген құжаттар бойынша топтық OCR және құрылымдау. Еден бағасының өзі — бүкіл дәлел.
• Суреттерден типтелген жазбалар. Көру плюс қатаң json_schema плюс каталогтағы ең арзан токендер — мұны тек екі модель ұсынады.
• Ұзын мультимодал контекст. Бір сұраныста көп бет немесе көп кадр — астындағы архитектура дәл осындай пішінді кіріске құрылған.
• Бас тартулар таңдаманы бүлдіретін зерттеу. Жарамдылығы модельдің әр элементке, оның ішінде ыңғайсыздарына да, жауап беруіне тәуелді кез келген зерттеу.
• Экранды оқитын агенттік циклдер. M сериясының тегі ашық түрде агенттік, әрі құралдарды шақыру қолжетімді.

Мына жағдайларда басқасына жүгініңіз

• Көрудің ең жоғары шыңы керек әрі бюджет бар. Kimi-K3 · 3BIT-REAP кіріс бағасы бойынша 7.7 есе қымбат болуының себебі бар; тәуекелі жоғары бір оқуда ақшаны дәл соған жұмсаған дұрыс.
• Дәлдігі ең жоғары салмақтар керек. 3 бит — ең агрессивті деңгейіміз. W8A16 модельдері бағаны дәлдікке айырбастайды, ал салмаққа шаққандағы дәлдікті оңтайландырып жүрсеңіз, MiMo-V2.5 · W8A16 дәл сол $0.50 / $2.00 бағасында көре алады.
• Бейне керек. Біз бұл эндпоинтте бейне кірісін ашпаймыз.
• Тапсырма — фронтир деңгейіндегі таза мәтін. Ол үшін DeepSeek-V4-Pro-0813 бар; әйтпесе ешқашан қолданбайтын көру мұнарасына төлейсіз.

MiniMax отбасының архитектура, бенчмарк және жеделдеу көрсеткіштерін MiniMax AI зертханасы хабарлаған; REAP көрсеткіштерін REAP авторлары өз модельдерінде хабарлаған әрі олар осы құраманың өлшемі емес. Shannon-ның бағалары, контекст терезесі және мүмкіндік жалаушалары — біздікі, олар тірі модель каталогымыздан оқылған.

09Жиі қойылатын сұрақтар

---

Дереккөздер: MiniMax-M3 модель картасы · 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-тың бенчмарк және жеделдеу көрсеткіштерін зертхананың өзі хабарлаған әрі олар тәуелсіз тексеруге дейін уақытша. Shannon-ның бағалары мен мүмкіндік жалаушалары 2026 жылғы 5 қыркүйектегі жағдай бойынша өзекті.