API MiniMax គ្មានសេនស័រ៖ ការមើលឃើញក្នុងតម្លៃទាបបំផុត

API ពហុមេឌៀបង្ហោះស្ទើរតែទាំងអស់កំណត់តម្លៃការមើលឃើញជាកម្រិតខ្ពស់។ អ្នកបង់ថ្លៃអត្រាម៉ូដែលអត្ថបទសម្រាប់អត្ថបទ ហើយបន្ទាប់មកអ្នកបង់ថ្លៃច្រើនជាង — ពេលខ្លះច្រើនដងជាង — ភ្លាមៗពេលរូបភាពចូលទៅក្នុងសំណើ។ លើសពីនោះទៀត ការទទួលរូបភាពជាកន្លែងដែលឥរិយាបថបដិសេធខ្លាំងបំផុត៖ ម៉ូដែលដែលនឹងពិភាក្សាប្រធានបទមួយក្នុងអត្ថបទដោយរីករាយ នឹងបដិសេធមិនពណ៌នារឿងដដែលនៅក្នុងរូបថត។ លទ្ធផលគឺផលិតផលមួយដែលថ្លៃក្នុងមួយការហៅ និងអាចទុកចិត្តបានតិចក្នុងមួយការហៅ ដែលជាការអាក្រក់បំផុតនៃពិភពទាំងពីរនៅពេលអ្នកកំពុងដំណើរការបរិមាណច្រើន។ MiniMax-M3 លើ Shannon ជាចម្លើយរបស់យើងចំពោះនោះ៖ $0.50 / $2.00 ដដែលដែលអ្នកបង់សម្រាប់ម៉ូដែលអត្ថបទថោកបំផុតរបស់យើង អនុវត្តទៅលើគ្រឹះមួយដែលត្រូវបានបណ្តុះបណ្តាលពហុមេឌៀតាំងពីជំហានដំបូង ដោយគ្មានស្រទាប់ការបដិសេធនៅមុខវា។

01តើ "ម៉ូដែលមើលឃើញគ្មានសេនស័រថោកបំផុត" មានន័យអ្វីនៅទីនេះ

កាតាឡុករបស់ Shannon មានម៉ូដែលដប់ពីរ។ ប្រាំក្នុងចំណោមនោះទទួលរូបភាព។ តម្លៃរបស់ពួកវា ក្នុងមួយលានថូខឹន៖

ម៉ូដែលមានការមើលឃើញ	ចូល	ចេញ	លទ្ធផលមានរចនាសម្ព័ន្ធ
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 តែប៉ុណ្ណោះ
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 ស្ថិតនៅកម្រិតជាន់ — $0.50 / $2.00 — ស្មើនឹង MiMo-V2.5 ហើយគ្មានអ្វីទាបជាងនេះទេ ព្រោះ $0.50 / $2.00 ជាកម្រិតជាន់នៃបញ្ជីតម្លៃរបស់យើង។ ធៀបនឹងកំពូលនៃជួរមើលឃើញ វាថោកជាង 7.7× លើចូល និង 9.6× លើចេញជាង Kimi-K3។

ដាក់វានៅក្នុងបន្ទុកការងារមួយ។ សន្មតថាអ្នកកំពុងតម្រៀបចាត់ថ្នាក់រូបភាព 1,000 — រូបថតអេក្រង់ ទំព័រស្កេន រូបថតផលិតផល — ជាមធ្យមប្រហែល 1,200 ថូខឹននៃរូបភាពបូកនឹងសំណើចូល និង 300 ថូខឹននៃចម្លើយចេញ៖

តម្លៃបញ្ជីរបស់ Shannon ខែកញ្ញា ឆ្នាំ 2026។ ចំនួនថូខឹនគ្រាន់តែជាឧទាហរណ៍ ការបំបែកថូខឹនរូបភាពរបស់អ្នកអាស្រ័យលើគុណភាពបង្ហាញ និងចំនួនរូបភាពដែលអ្នកភ្ជាប់ក្នុងមួយការហៅ។

ចំណុចយោងបន្ថែមពីរដែលមានប្រយោជន៍ក្នុងចិត្ត។ ការបំពេញបរិបទ 262,144 ថូខឹនទាំងមូលម្តងចំណាយ ប្រហែល 13 សេន។ ចម្លើយប្រវែងអតិបរមា 16,384 ថូខឹនចំណាយ ប្រហែល 3.3 សេន។ នោះជាព្រំដែនពិតប្រាកដនៃសំណើមួយក្នុងករណីអាក្រក់បំផុត ហើយវាតូចល្មមដែលដែនកំណត់គួរឲ្យចាប់អារម្មណ៍លើបំពង់មើលឃើញឈប់ជាលុយ ហើយចាប់ផ្តើមជា throughput។

02ពូជពង្ស MiniMax៖ មន្ទីរពិសោធន៍ដែលធ្វើឲ្យប្រសើរឡើងនូវថូខឹន មិនមែនចំណងជើងព័ត៌មានទេ

MiniMax AI ជាមន្ទីរពិសោធន៍មួយនៅសៀងហៃ ដែលកំណត់ត្រាទម្ងន់បើកចំហទាំងមូលរបស់វា ផ្តោតលើសំណួរតែមួយ៖ តើអ្នកធ្វើឲ្យការយកចិត្តទុកដាក់ថោកគ្រប់គ្រាន់ ដើម្បីឲ្យបរិបទវែង និងពហុមេឌៀឈប់ជាភាពប្រណីតយ៉ាងដូចម្តេច? រាល់ការចេញផ្សាយក្នុងខ្សែសង្វាក់នេះជាចម្លើយចំពោះសំណួរនោះ ហើយចម្លើយនីមួយៗសាងសង់លើគ្នាទៅវិញទៅមក។

MiniMax-01 — Lightning Attention និងការមើលឃើញតាំងពីដើម

ស៊េរី MiniMax-01 (ផ្សព្វផ្សាយជា arXiv 2501.08313) បានណែនាំ Lightning Attention ការអនុវត្តដឹងអំពី I/O នៃវ៉ារ្យ៉ង់ការយកចិត្តទុកដាក់លីនេអ៊ែរ នៅក្នុងម៉ូដែល Mixture-of-Experts ចម្រុះនៃប៉ារ៉ាម៉ែត្រសរុប 456B ជាមួយ 45.9B ធ្វើសកម្មភាពក្នុងមួយថូខឹន។ ស៊េរីនេះបានចេញផ្សាយជាគូ៖ MiniMax-Text-01 និង MiniMax-VL-01 ជាម៉ូដែលមើលឃើញ។ VL-01 បានប្រើគំនរ ViT-MLP-LLM ដែលធ្លាប់ស្គាល់ តែជាមួយ Vision Transformer 303 លានប៉ារ៉ាម៉ែត្រដែលបានបណ្តុះបណ្តាលពីដំបូងលើគូរូបភាព-ចំណងជើង 694 លាន ជាជាងឧបករណ៍អ៊ិនកូដខ្ចី បន្ទាប់មកតម្រឹម និងធ្វើឲ្យត្រឹមត្រូវរួមគ្នាកាត់តាមបំពង់ច្រើនដំណាក់កាលដំណើរការថូខឹន 512 ប៊ីលាន។

លម្អិតនោះសំខាន់សម្រាប់អត្ថបទដែលអ្នកកំពុងអាន។ ការមើលឃើញនៅក្នុងពូជពង្សនេះមិនមែនជាឧបករណ៍សម្របតោនចុងក្រោយភ្ជាប់ទៅម៉ូដែលអត្ថបទដើម្បីធីកប្រអប់ទេ។ MiniMax កំពុងបណ្តុះបណ្តាលប៉មមើលឃើញផ្ទាល់ខ្លួនរបស់ខ្លួន តាំងពីការចេញផ្សាយបើកចំហដំបូងបំផុត ដែលនោះជាមូលហេតុដែលការយល់ដឹងឯកសារ ការយល់ដឹង UI និងរូបថតអេក្រង់ និងការអានគំនូសតាង ជាចំណុចខ្លាំងស្ថិតស្ថេររបស់គ្រួសារនេះ ជាជាងគំនិតបន្ថែមក្រោយ។

MiniMax-M1 — ការយកចិត្តទុកដាក់ចម្រុះសម្រាប់ការវែកញែករយៈពេលវែង

MiniMax-M1 (arXiv 2506.13585) ត្រូវបានពណ៌នាដោយអ្នកនិពន្ធរបស់វាថាជាម៉ូដែលវែកញែកការយកចិត្តទុកដាក់ចម្រុះទម្ងន់បើកចំហ ទំហំធំដំបូងគេ។ វារក្សារាងកាយ MoE 456B / 45.9B ហើយឆ្លាស់ប្រភេទការយកចិត្តទុកដាក់ទាំងពីរ៖ ប្លុក transformer softmax-attention ធម្មតា បន្ទាប់ពីរាល់ប្លុក Lightning Attention ចំនួនប្រាំពីរ។ ផលចំណេញត្រូវបានវាស់ជាការគណនា ជាជាងចំណាត់ថ្នាក់លើ leaderboard — MiniMax រាយការណ៍ថានៅប្រវែងបង្កើត 100K ថូខឹន M1 ប្រើប្រហែល 25% នៃ FLOPs របស់ DeepSeek R1 ខណៈគាំទ្របរិបទមួយលានថូខឹនកើតដើម។

MiniMax-M2 — ការបត់ទៅរកការធ្វើសកម្មភាពតូច

MiniMax-M2 បានទៅទិសផ្ទុយលើទំហំ ហើយឈ្នះការចាប់អារម្មណ៍ចំពោះវា៖ decoder 62 ស្រទាប់ជាមួយ ប៉ារ៉ាម៉ែត្រសរុប 229.9B តែធ្វើសកម្មភាពប្រហែល 9.8B ក្នុងមួយថូខឹន ប្រើអ្នកជំនាញលម្អិត 256 ក្នុងមួយស្រទាប់ MoE ជាមួយការនាំផ្លូវ sigmoid ទៅប្រាំបី ទីតាំង RoPE និង QK-RMSNorm សម្រាប់ស្ថេរភាពការបណ្តុះបណ្តាល។ វាជាម៉ូដែលសរសេរកូដភ្នាក់ងារយ៉ាងច្បាស់ — ការកែសម្រួលឯកសារច្រើន រង្វិលជុំរត់-ជួសជុល ការជួសជុលផ្ទៀងផ្ទាត់ដោយដានតេស្ត — ហើយវាបានណែនាំទម្រង់ ការគិតឆ្លាស់ ដែលការវែកញែកត្រូវបានផ្ទុកបន្តរវាងជុំហៅឧបករណ៍ ជាជាងត្រូវបានបោះចោលបន្ទាប់ពីរាល់វេន។ M2 ជាម៉ូដែលដែលបានបង្កើតកេរ្តិ៍ឈ្មោះរបស់ MiniMax ក្នុងការផ្តល់ឥរិយាបថភ្នាក់ងារជិតដល់ជួរមុខក្នុងភាគប្រភាគនៃថ្លៃដើមក្នុងមួយថូខឹន គ្រាន់តែដោយរក្សាការធ្វើសកម្មភាពឲ្យតូច។

MiniMax-M3 — គ្រឹះនៅក្រោមចំណុចប្រទាក់នេះ

MiniMax-M3 ត្រូវបានចេញផ្សាយថ្ងៃទី 1 ខែមិថុនា ឆ្នាំ 2026 ជាមួយទម្ងន់នៅលើ Hugging Face បន្តិចក្រោយមក និងរបាយការណ៍បច្ចេកទេសនៅ arXiv 2606.13392។ វាជា ម៉ូដែល Mixture-of-Experts 428B ប៉ារ៉ាម៉ែត្រ ជាមួយប្រហែល 23B ធ្វើសកម្មភាពក្នុងមួយថូខឹន បរិបទ មួយលានថូខឹនដែលបានចងក្រងឯកសារ និង ការទទួលរូបភាព និងវីដេអូកើតដើម — MiniMax ពណ៌នាវាថាបានបណ្តុះបណ្តាលចម្រុះម៉ូដេលីតេ "តាំងពីជំហានដំបូងបំផុត" ជាជាងបណ្តុះបណ្តាលជាមុនលើអត្ថបទ ហើយបានសម្របពហុមេឌៀនៅពេលក្រោយ។ លើលេខដែលបានផ្សព្វផ្សាយផ្ទាល់ខ្លួនរបស់ MiniMax វាទទួលបាន 80.5% លើ SWE-bench Verified និង 59.0% លើ SWE-bench Pro។ ទាំងនោះជាតួលេខរាយការណ៍ដោយក្រុមហ៊ុនផលិតលើស្តង់ដារវាស់ស្ទង់សរសេរកូដ ដែលនោះជាវិធីពិតប្រាកដដែលអ្នកគួរថ្លឹងវា យើងដកស្រង់ពួកវាព្រោះវាជាការអះអាងដែលបានផ្សព្វផ្សាយរបស់មន្ទីរពិសោធន៍ មិនមែនព្រោះយើងបានផលិតឡើងវិញដោយឯករាជ្យទេ។

03MiniMax Sparse Attention៖ ហេតុអ្វីម៉ូដែលមើលឃើញអាចថោកបែបនេះ

វិស្វកម្មគួរឲ្យចាប់អារម្មណ៍នៅក្នុង M3 គឺ MiniMax Sparse Attention (MSA) ហើយវាជាមូលហេតុផ្ទាល់ដែលម៉ូដែលពហុមេឌៀទំហំនេះអាចស្ថិតនៅតម្លៃទាបបំផុតរបស់យើង។ រូបភាពមានតម្លៃថូខឹនខ្ពស់។ ទំព័រគុណភាពបង្ហាញខ្ពស់មួយក្តាប់អាចដាក់ថូខឹនរាប់ម៉ឺនចូលទៅក្នុងសំណើ មុនពេលអ្នកសរសេរការណែនាំតែមួយ។ ក្រោមការយកចិត្តទុកដាក់ស្តង់ដារ ថ្លៃដើមនោះកើនឡើងជាការេ ហើយម៉ូដែលដែលអានទំព័រម្ភៃមិនមែនថ្លៃពីរដងជាងអានទំព័រដប់ទេ — វាអាក្រក់ជាងពីរដងឆ្ងាយណាស់។

MSA ផ្លាស់ប្តូររាងនៃខ្សែកោងនោះ។ វាជា យន្តការ block-sparse សាងសង់លើឆ្អឹងខ្នង Grouped Query Attention បំបែកជាពីរសាខា៖

• សាខាលិបិក្រមស្រាលមួយដែលវាយតម្លៃប្លុក key-value — max-pooling ពិន្ទុកាត់តាមថូខឹននៅក្នុងប្លុកនីមួយៗ — ហើយជ្រើសរើស top-k ក្នុងមួយទីតាំង query និងក្នុងមួយក្រុម GQA ដោយរួមបញ្ចូលជានិច្ចនូវប្លុកមូលដ្ឋានដែលមាន query ខ្លួនឯង សម្រាប់ស្ថេរភាពការបណ្តុះបណ្តាល។
• សាខាមេដែលរត់ការយកចិត្តទុកដាក់ softmax ធម្មតា តែលើប្លុកដែលលិបិក្រមបានជ្រើសរើសប៉ុណ្ណោះ។

ការកំណត់រចនាសម្ព័ន្ធនៅក្នុងក្រដាស MSA គឺ k = 16 ប្លុកនៃ 128 ថូខឹន ដែលផ្តល់ query នីមួយៗនូវ ថវិកាថេរនៃថូខឹនចូលរួម 2,048។ ថេរ មានន័យថាមិនកើនតាមប្រវែងលំដាប់ទេ។ នោះជាល្បិចទាំងមូល៖ នៅពេលបរិបទកើនឡើង ថ្លៃដើមការយកចិត្តទុកដាក់របស់មូលដ្ឋានក្រាស់បន្តកើនឡើង ខណៈថ្លៃដើមសាខាមេរបស់ MSA នៅតែស្មើ ដូច្នេះការយកចិត្តទុកដាក់ពង្រីកជាលីនេអ៊ែរ ជាជាងជាការេ។

តួលេខពីរបាយការណ៍ MiniMax Sparse Attention (arXiv 2606.13392)៖ ការកាត់បន្ថយ 28.4× នៃ FLOPs ការយកចិត្តទុកដាក់ក្នុងមួយថូខឹន ធៀបនឹង GQA ដែលបានកំណត់រចនាសម្ព័ន្ធស្មើគ្នានៅបរិបទ 1M និងល្បឿនលឿនជាង 14.2× prefill / 7.6× decode វាស់នៅលើផ្នែករឹង H800 ក្នុងការសិក្សា 109B ប៉ារ៉ាម៉ែត្ររបស់ក្រដាស។ MiniMax រាយការណ៍ដាច់ដោយឡែកនូវល្បឿនលឿនជាង 9× prefill និង 15× decode សម្រាប់ M3 ធៀបនឹង M2 នៅបរិបទ 1M។ ទាំងអស់ត្រូវបានរាយការណ៍ដោយមន្ទីរពិសោធន៍។

ក្រដាសនេះក៏ធ្វើការត្រួតពិនិត្យដែលសំខាន់សម្រាប់អត្ថបទមើលឃើញផងដែរ៖ លើ MoE 109B ពហុមេឌៀកើតដើម MSA បានរក្សាដំណើរការប្រៀបធៀបទៅនឹងមូលដ្ឋាន full-attention កាត់តាមស្តង់ដារវាស់ស្ទង់រូបភាព រួមទាំង AI2D, ChartQA និង MMMU និងកាត់តាមស្តង់ដារវាស់ស្ទង់វីដេអូ រួមទាំង EgoSchema, LongVideoBench និង VideoMME — ជាមួយវ៉ារ្យ៉ង់ sparse ពេលខ្លះប្រសើរឡើងលើភារកិច្ចវីដេអូបរិបទវែងជាង។ Sparsity នៅទីនេះមិនមែនជាពន្ធគុណភាពដែលអ្នកបង់សម្រាប់ល្បឿនទេ លើទិន្នន័យបញ្ចូលវែង វាហាក់ដូចជាឥតគិតថ្លៃស្ទើរតែទាំងស្រុង។

ហេតុអ្វីអ្នកគួរខ្វល់ខ្វាយក្នុងនាមអតិថិជន៖ ថ្លៃដើមបម្រើជាអ្វីដែលកំណត់តម្លៃបញ្ជី។ គ្រឹះមួយដែលថ្លៃដើមការយកចិត្តទុកដាក់ឈប់កើនឡើងគឺជាគ្រឹះមួយដែលអ្នកមានលទ្ធភាពចង្អុលទៅរូបភាពមួយសែនសន្លឹក។ នោះជាយន្តការនៅពីក្រោយ "ម៉ូដែលមើលឃើញគ្មានសេនស័រថោកបំផុត" — វាមិនមែនជាអត្រាផ្សព្វផ្សាយទេ វាជាស្ថាបត្យកម្ម។

04អត្ថន័យនៃ 3BIT-REAP និងកន្លែងដែលវាចំណាយអ្នក

ម៉ូដែល 428 ប៊ីលានប៉ារ៉ាម៉ែត្រមិនអាចសមទំហំកន្លែងណាដែលងាយស្រួលនៅភាពត្រឹមត្រូវពេញលេញទេ។ ការសាងសង់ MiniMax-M3 របស់យើងមានបច្ច័យ 3BIT-REAP ដែលពណ៌នាប្រតិបត្តិការពីរដាច់ដោយឡែកអនុវត្តតាមលំដាប់ជាក់លាក់មួយ។

REAP៖ លុបចោលអ្នកជំនាញមុននឹងបង្រួមពួកគេ

REAP — Router-weighted Expert Activation Pruning — ជាវិធីសាស្ត្របង្រួម MoE តែម្តងពី Cerebras និងសាកលវិទ្យាល័យ Calgary ផ្សព្វផ្សាយជា arXiv 2510.13999 និងទទួលយកចូល ICLR 2026។ អំណះអំណាងរបស់វាគឺថា សម្រាប់ភារកិច្ចបង្កើត ការកាត់ចោលអ្នកជំនាញឈ្នះការបញ្ចូលគ្នា៖ ការបញ្ចូលគ្នាបំផ្លាញការគ្រប់គ្រងលម្អិតរបស់ router និងបញ្ចូលកំហុសដែលអ្នកមិនអាចសង្គ្រោះវិញបានទេ។ ដូច្នេះ REAP វិញវាយតម្លៃអ្នកជំនាញនីមួយៗជាមួយលក្ខណៈវិនិច្ឆ័យលេចធ្លោដែលបូកបញ្ចូល តម្លៃច្រកបើករបស់ router (ញឹកញាប់ និងខ្លាំងប៉ុណ្ណាដែល router ជ្រើសរើសវា) និង បទដ្ឋានធ្វើសកម្មភាពរបស់អ្នកជំនាញ (លទ្ធផលរបស់វាចូលរួមប៉ុន្មានពិតប្រាកដ) បន្ទាប់មកលុបចោលអ្នកមិនលេចធ្លោបំផុតទាំងស្រុង។

អ្នកនិពន្ធរាយការណ៍ការដកចេញ រហូតដល់ 50% នៃអ្នកជំនាញពីម៉ូដែលធំដល់មួយលានលានប៉ារ៉ាម៉ែត្រ ខណៈរក្សាគុណភាពមូលដ្ឋានភាគច្រើន — លើ Qwen3-480B-Coder-FP8 នៅការកាត់ចោល 50% 97.6% នៃសមត្ថភាពសរសេរកូដមូលដ្ឋានមិនមែនភ្នាក់ងារ និង 96.7% លើ SWE-Bench ភ្នាក់ងារ ត្រូវបានរក្សាទុក។ ទាំងនោះជាលេខរបស់ក្រដាសលើម៉ូដែលរបស់ក្រដាស មិនមែនរបស់យើងលើ MiniMax-M3 ទេ យើងដកស្រង់ពួកវាដើម្បីឲ្យអ្នកវិនិច្ឆ័យវិធីសាស្ត្រ មិនមែនបញ្ជាក់ថាមានការវាស់ស្ទង់ស្មើគ្នានៅទីនេះទេ។

ទម្ងន់ 3-bit ជាទីពីរ

ទម្ងន់ដែលនៅរួចត្រូវបានផ្ទុកនៅ 3 ប៊ីតបន្ទាប់មក។ លំដាប់នេះមានចេតនា ហើយវាជាចំណុចនៃការផ្សំនេះ៖ កាត់ចោលមុន កំណត់ចំនួនក្រោយ។ គ្មានប្រយោជន៍អ្វីក្នុងការចំណាយបីប៊ីតដ៏មានតម្លៃរបស់អ្នកក្នុងមួយទម្ងន់ ដើម្បីអ៊ិនកូដដោយស្មោះត្រង់នូវអ្នកជំនាញដែលអ្នកជិតនឹងលុបចោលនោះទេ។ កាត់ចោលកន្ទុយ sparse ជាមុន បន្ទាប់មកទុកឲ្យថវិកាដែលនៅសល់ទៅកាន់អ្នកជំនាញដែលពិតជាបាញ់ទាំងស្រុង។

ការព្រមានស្មោះត្រង់

3BIT-REAP ជាថ្នាក់បង្រួមខ្លាំងបំផុតដែលយើងផ្តល់។ យើងប្រើវាលើគ្រឹះធំបំផុត — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — ព្រោះវាជាភាពខុសគ្នារវាងម៉ូដែលទាំងនោះមានក្នុងតម្លៃសមហេតុផល និងមិនមាននៅតែម្តង។ កន្លែងណាដែលគ្រឹះតូចល្មមមិនត្រូវការវា យើងមិនប្រើវាទេ៖ ម៉ូដែល W8A16 នៅក្នុងកាតាឡុករត់ទម្ងន់ 8-bit ជាមួយការធ្វើសកម្មភាព 16-bit ហើយ W4A16-AUTOROUND-REAP ស្ថិតនៅចន្លោះ ដោយប្រើការបង្គត់ដែលរៀនរបស់ AutoRound ដើម្បីសង្គ្រោះភាពត្រឹមត្រូវដែលការកំណត់ចំនួនបង្គត់ទៅជិតបំផុតធម្មតាបោះបង់ចោល។ ជ្រើសរើសថ្នាក់ដែលត្រូវនឹងភាពអត់ធ្មត់របស់អ្នក។ បើអ្នកកំពុងទាញយកវាលពីវិក្កយបត្រមួយម៉ឺន 3-bit ជាការដូរត្រឹមត្រូវ។ បើអ្នកកំពុងធ្វើការអានកោសល្យវិច្ច័យហានិភ័យខ្ពស់មួយដងលើរូបភាពតែមួយ ចំណាយប្រាក់លើ Kimi-K3។

05អត្ថន័យនៃ "គ្មានស្រទាប់ការបដិសេធ" នៅពេលទិន្នន័យបញ្ចូលជារូបភាព

គ្មានសេនស័រជាពាក្យដែលត្រូវបានប្រើប្រាស់ជាទូទៅ ដូច្នេះនេះជាការអះអាងជាក់លាក់៖ គ្មានស្រទាប់ការបដិសេធ និងគ្មានតម្រងលទ្ធផលនៅលើចំណុចប្រទាក់នេះទេ។ គ្មានអ្នកចាត់ថ្នាក់ពិនិត្យរូបភាពរបស់អ្នកមុនពេលម៉ូដែលឃើញវាទេ។ គ្មានម៉ូដែលគោលការណ៍ពិនិត្យថូខឹននៅពេលចេញទេ។ អ្វីដែលម៉ូដែលបង្កើត គឺជាអ្វីដែលអ្នកទទួលបាន។

នៅក្នុងអត្ថបទ ផលប៉ះពាល់នៃវាធ្លាប់ស្គាល់។ នៅក្នុងការមើលឃើញ វាខុសគ្នាជាប្រភេទ ព្រោះឥរិយាបថបដិសេធលើទិន្នន័យបញ្ចូលរូបភាព ជាកន្លែងដែល API ពហុមេឌៀពាណិជ្ជកម្មនៅចំណុចអភិរក្សនិយម និងបំពានច្បាប់បំផុតរបស់ពួកគេ។ ការបរាជ័យលក្ខណៈមើលទៅដូចនេះ៖

• ការបដិសេធអត្តសញ្ញាណទាំងអស់ — បដិសេធមិនពណ៌នាមនុស្សនៅក្នុងរូបថតទាំងស្រុង រួមទាំងលក្ខណៈដែលមើលឃើញច្បាស់ និងគ្មានគ្រោះថ្នាក់ទាំងស្រុង ព្រោះគោលការណ៍មិនអាចញែកការពណ៌នាពីការកំណត់អត្តសញ្ញាណបានទេ។
• ការដកខ្លួនតាមប្រធានបទ — បដិសេធមិនចម្លង ឬសង្ខេបឯកសារព្រោះមាតិការបស់ឯកសារ ទោះបីជាការចម្លងជាភារកិច្ចមេកានិកក៏ដោយ។
• ភាពស្មោកគ្រោកលើវេជ្ជសាស្ត្រ និងកោសល្យវិច្ច័យ — បដិសេធមិនពណ៌នារូបភាពគ្លីនិក ឯកសារបញ្ជាក់របួស ឬរូបថតគ្រោះថ្នាក់ ដែលអ្នកជំនាញត្រូវការការពណ៌នា។
• ការកំណត់ខុសនៃឧបករណ៍សន្តិសុខ — បដិសេធមិនអានរូបថតអេក្រង់ព្រោះវាមានស្ថានីយ ការចាប់កញ្ចប់ ឬ debugger។
• ការធ្លាក់ចុះស្ងាត់ — អាក្រក់បំផុត៖ មិនមែនការបដិសេធទេ តែជាចម្លើយមិនច្បាស់ ដែលឆ្លងកាត់ការផ្ទៀងផ្ទាត់ schema របស់អ្នក ហើយពុលសំណុំទិន្នន័យរបស់អ្នកដោយគ្មានលើកកំហុសសោះ។

បញ្ហាប្រតិបត្តិការជាមួយទាំងប្រាំមិនមែនថាពួកវាមិនយុត្តិធម៌ទេ។ វាគឺថាពួកវាមិនអាចវាស់វែងបាន។ ចម្លើយខុសជាចំណុចទិន្នន័យមួយ អ្នកអាចវាយតម្លៃវា ចាប់វានៅក្នុងការវាយតម្លៃ និងកែតម្រូវវា។ ការបដិសេធជារន្ធមួយ។ នៅទំហំបណ្តុំ អត្រាបដិសេធ 3% ចែកចាយដោយមិនចៃដន្យកាត់តាមទិន្នន័យបញ្ចូលរបស់អ្នក — ប្រមូលផ្តុំដោយធម្មជាតិលើករណីពិបាក និងមិនធម្មតាពិតប្រាកដ — ជាភាពលម្អៀងជាប្រព័ន្ធនៅក្នុងលទ្ធផលរបស់អ្នកដែលការសម្អាតនៅឆ្ងាយប៉ុន្មានក៏មិនអាចសង្គ្រោះបានដែរ។ ការដកស្រទាប់ការបដិសេធចេញ ដកចេញប្រភពនៃទិន្នន័យបាត់បង់ស្ងាត់ និងទាក់ទងគ្នា។

Shannon ត្រូវបានប្រតិបត្តិដោយ Shannon Lab LLC រដ្ឋញូម៉ិកស៊ិកូ សហរដ្ឋអាមេរិក ក្រោមគោលការណ៍ប្រើប្រាស់ដោយទទួលខុសត្រូវរបស់យើង។ គ្មានសេនស័រមានន័យថាម៉ូដែលមិនផ្តល់មតិផ្ទាល់ខ្លួនអំពីទិន្នន័យបញ្ចូលរបស់អ្នកទេ វាមិនមានន័យថាគណនីគ្មានលក្ខខណ្ឌទេ។

06លក្ខណៈបច្ចេកទេសពេញលេញ

វាល	MiniMax-M3 · 3BIT-REAP
លេខសម្គាល់ម៉ូដែល	MiniMax-M3-3BIT-REAP
គ្រឹះ	MiniMax-M3 (MiniMax AI)
បង្អួចបរិបទ	262,144 ថូខឹន
លទ្ធផលអតិបរមា	16,384 ថូខឹន
ការទទួលរូបភាព	មាន
ការទទួលវីដេអូ	មិនបានបង្ហាញ
Streaming	មាន
ការហៅឧបករណ៍	មាន
ការវែកញែក	មាន (reasoning_effort)
លទ្ធផលមានរចនាសម្ព័ន្ធ	json_schema + response_format
ស្រទាប់ការបដិសេធ	គ្មាន
ចំណុចប្រទាក់	/v1/chat/completions · /v1/messages · /v1/responses
បម្រើនៅលើ	ចង្កោមកម្មវិធីក្រាហ្វិកផ្ទាល់ខ្លួនរបស់ Shannon

ជួរពីរនៅក្នុងតារាងនោះសមនឹងសង្កត់ធ្ងន់។ ការទទួលវីដេអូមិនត្រូវបានបង្ហាញទេ។ គ្រឹះ M3 ដើមត្រូវបានបណ្តុះបណ្តាលលើវីដេអូ ហើយ MiniMax ចងក្រងឯកសារការទទួលវីដេអូ ចំណុចប្រទាក់របស់យើងទទួលរូបភាព។ សាងសង់ដោយផ្អែកលើរូបភាព។ ទីពីរ បង្អួច 262,144 ថូខឹន ជារបស់យើង មិនមែនតួលេខមួយលានដើមទេ — សូមរៀបចំផែនការសម្រាប់បន្ទុកឯកសារវែង និងរូបភាពច្រើននឹង 262,144 ហើយអ្នកនឹងមិនងឿងឆ្ងល់ឡើយ។

07ការហៅ API MiniMax គ្មានសេនស័រ

ភាសាបី ម៉ូដែលដូចគ្នានៅពីក្រោយទាំងអស់ streaming នៅលើទាំងបី។ ប្រើមួយណាដែលកម្មវិធីភ្ញៀវដែលមានស្រាប់របស់អ្នកនិយាយរួចហើយ គ្មានភាពខុសគ្នានៃសមត្ថភាពរវាងពួកវាទេ។ ចង្អុល base URL របស់អ្នកទៅ Shannon ហើយប្តូរលេខសម្គាល់ម៉ូដែល។

ការយល់ដឹងរូបភាពតាមរយៈភាសា 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
  }'

URL https:// ពីចម្ងាយ និង base64 data URL ទាំងពីរដំណើរការនៅក្នុងផ្នែក image_url។ ភ្ជាប់ផ្នែករូបភាពច្រើននៅក្នុងសារតែមួយ ពេលអ្នកត្រូវការការប្រៀបធៀបឆ្លងទំព័រ — អ្នកមាន 262,144 ថូខឹនត្រូវចំណាយ ហើយក្នុងតម្លៃ $0.50 ក្នុងមួយលាន ការចំណាយវាថោក។

ការទាញយកមានប្រភេទជាមួយ JSON schema

កន្លែងដែលម៉ូដែលនេះទទួលបានកន្លែងរបស់វានៅក្នុងបំពង់ គឺការផ្សំនៃ ការមើលឃើញ + schema តឹងរឹង + តម្លៃទាបបំផុត។ មិនមែនម៉ូដែលទាំងអស់ក្នុងកាតាឡុករបស់យើងមានទាំងបីនេះទេ៖ Laguna-S-2.1 និង inkling មិនគាំទ្រ json_schema ទេ។ MiniMax-M3 គាំទ្រ ដែលមានន័យថាអ្នកអាចទទួលបានវត្ថុដែលបានផ្ទៀងផ្ទាត់ចេញពីរូបភាព ដោយគ្មានស្រទាប់ញែក៖

{
  "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
      }
    }
  }
}

កម្រិតការវែកញែក

ម៉ូដែលបង្ហាញ reasoning_effort។ លើការចាត់ថ្នាក់រូបភាពជាបណ្តុំ រក្សាវាទាប — អ្នកកំពុងសួរសំណួរអារម្មណ៍ ហើយថូខឹនវែកញែកជាថូខឹនលទ្ធផលដែលអ្នកបង់ថ្លៃ។ បង្កើនវាសម្រាប់ការហៅដែលរូបភាពជាភស្តុតាងក្នុងអំណះអំណាងវែងជាង៖ អានដ្យាក្រាមធៀបនឹងសេចក្តីបញ្ជាក់ សម្របសម្រួលគំនូសតាងជាមួយតារាង សម្រេចថាតើរូបថតអេក្រង់ពីរបង្ហាញកំហុសដូចគ្នាឬអត់។

ឯកសារយោងប៉ារ៉ាម៉ែត្រពេញលេញ អត្ថន័យកំហុស និងទម្រង់ streaming សម្រាប់ភាសាទាំងបីនៅក្នុង ឯកសារ API របស់ Shannon។

08កន្លែងដែល MiniMax-M3 ជាជម្រើសត្រឹមត្រូវ — និងកន្លែងដែលមិនមែន

ជ្រើសរើសវានៅពេល

• ការងាររូបភាពបរិមាណច្រើន។ ការដាក់ស្លាកសំណុំទិន្នន័យ ការស្រាវជ្រាវត្រួតត្រា ការបំពេញបន្ថែមកាតាឡុក ការតម្រៀបចាត់ថ្នាក់រូបថតអេក្រង់ OCR-និង-រចនាសម្ព័ន្ធជាបណ្តុំលើឯកសារស្កេន។ តម្លៃទាបបំផុតជាអំណះអំណាងទាំងមូល។
• រូបភាពទៅជាកំណត់ត្រាមានប្រភេទ។ ការមើលឃើញ បូកនឹង json_schema តឹងរឹង បូកនឹងថូខឹនថោកបំផុតក្នុងកាតាឡុក ជាបន្សំដែលមានតែម៉ូដែលពីរនៅទីនេះផ្តល់។
• បរិបទពហុមេឌៀវែង។ ទំព័រច្រើន ឬស៊ុមច្រើន ក្នុងសំណើតែមួយ — ស្ថាបត្យកម្មខាងក្រោមត្រូវបានសាងសង់សម្រាប់រូបរាងទិន្នន័យបញ្ចូលនេះពិតប្រាកដ។
• ការស្រាវជ្រាវដែលការបដិសេធបំផ្លាញគំរូ។ ការសិក្សាណាមួយដែលភាពត្រឹមត្រូវអាស្រ័យលើម៉ូដែលឆ្លើយរាល់ធាតុ រួមទាំងធាតុមិនស្រួល។
• រង្វិលជុំភ្នាក់ងារដែលអានអេក្រង់។ ពូជពង្សស៊េរី M ជាភ្នាក់ងារយ៉ាងច្បាស់ ហើយការហៅឧបករណ៍អាចប្រើបាន។

ជ្រើសរើសអ្វីផ្សេងនៅពេល

• អ្នកត្រូវការដំបូលមើលឃើញខ្ពស់បំផុត ហើយថវិកាមាន។ Kimi-K3 · 3BIT-REAP មានតម្លៃចូល 7.7× ដោយមូលហេតុ លើការអានហានិភ័យខ្ពស់តែមួយ នោះជាប្រាក់ត្រឹមត្រូវត្រូវចំណាយ។
• អ្នកត្រូវការទម្ងន់ភាពស្មោះត្រង់ខ្ពស់បំផុត។ 3-bit ជាថ្នាក់បង្រួមខ្លាំងបំផុតរបស់យើង។ ម៉ូដែល W8A16 ដូរតម្លៃសម្រាប់ភាពត្រឹមត្រូវ ហើយ MiMo-V2.5 · W8A16 មានការមើលឃើញក្នុងតម្លៃ $0.50 / $2.00 ដូចគ្នា បើភាពស្មោះត្រង់ក្នុងមួយទម្ងន់ជាអ្វីដែលអ្នកកំពុងធ្វើឲ្យប្រសើរ។
• អ្នកត្រូវការវីដេអូ។ យើងមិនបង្ហាញការទទួលវីដេអូនៅលើចំណុចប្រទាក់នេះទេ។
• ភារកិច្ចជាអត្ថបទសុទ្ធនៅជួរមុខ។ DeepSeek-V4-Pro-0813 មានសម្រាប់នោះ អ្នកនឹងបង់ថ្លៃសម្រាប់ប៉មមើលឃើញដែលអ្នកមិនដែលប្រើ។

តួលេខស្ថាបត្យកម្ម ស្តង់ដារវាស់ស្ទង់ និងល្បឿនសម្រាប់គ្រួសារ MiniMax ត្រូវបានរាយការណ៍ដោយ MiniMax AI។ តួលេខ REAP ត្រូវបានរាយការណ៍ដោយអ្នកនិពន្ធ REAP លើម៉ូដែលផ្ទាល់ខ្លួនរបស់ពួកគេ ហើយមិនមែនជាការវាស់ស្ទង់លើការសាងសង់នេះទេ។ តម្លៃ Shannon បង្អួចបរិបទ និងទង់សមត្ថភាពជារបស់យើង ហើយត្រូវបានអានពីកាតាឡុកម៉ូដែលផ្ទាល់របស់យើង។

09សំណួរដែលសួរញឹកញាប់

---

ប្រភព៖ ប័ណ្ណម៉ូដែល 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។ តួលេខស្តង់ដារវាស់ស្ទង់ និងល្បឿនរបស់ MiniMax ត្រូវបានរាយការណ៍ដោយមន្ទីរពិសោធន៍ និងបណ្តោះអាសន្នរង់ចាំការផ្ទៀងផ្ទាត់ដោយឯករាជ្យ។ តម្លៃ និងទង់សមត្ថភាព Shannon គិតត្រឹមថ្ងៃទី 5 ខែកញ្ញា ឆ្នាំ 2026។