ಸೆನ್ಸಾರ್ ರಹಿತ MiniMax API: ನೆಲಮಟ್ಟದ ಬೆಲೆಯಲ್ಲಿ ದೃಷ್ಟಿ

ಬಹುತೇಕ ಎಲ್ಲಾ ಹೋಸ್ಟ್ ಮಾಡಿದ ಮಲ್ಟಿಮೋಡಲ್ API ಗಳು ದೃಷ್ಟಿಗೆ ಪ್ರೀಮಿಯಂ ಬೆಲೆ ಇಡುತ್ತವೆ. ಪಠ್ಯಕ್ಕೆ ನೀವು ಪಠ್ಯ-ಮಾಡೆಲ್ ದರ ಪಾವತಿಸುತ್ತೀರಿ, ಮತ್ತು ಪ್ರಾಂಪ್ಟ್‌ಗೆ ಚಿತ್ರ ಪ್ರವೇಶಿಸಿದ ಕ್ಷಣ ಹೆಚ್ಚು — ಕೆಲವೊಮ್ಮೆ ಹಲವು ಪಟ್ಟು ಹೆಚ್ಚು — ಪಾವತಿಸುತ್ತೀರಿ. ಅದರ ಮೇಲೆ, ಚಿತ್ರ ಇನ್‌ಪುಟ್‌ಗಳೇ ನಿರಾಕರಣೆ ವರ್ತನೆ ಅತಿ ಆಕ್ರಮಣಕಾರಿಯಾಗಿರುವ ಸ್ಥಳ: ಪಠ್ಯದಲ್ಲಿ ಒಂದು ವಿಷಯವನ್ನು ಸಂತೋಷದಿಂದ ಚರ್ಚಿಸುವ ಮಾಡೆಲ್ ಅದೇ ವಿಷಯವನ್ನು ಫೋಟೋದಲ್ಲಿ ವಿವರಿಸಲು ನಿರಾಕರಿಸುತ್ತದೆ. ಫಲಿತಾಂಶ ಪ್ರತಿ ಕರೆಗೆ ದುಬಾರಿ ಮತ್ತು ಪ್ರತಿ ಕರೆಗೆ ಅವಿಶ್ವಾಸಾರ್ಹ ಉತ್ಪನ್ನ — ನೀವು ಪ್ರಮಾಣದಲ್ಲಿ ಸಂಸ್ಕರಿಸುತ್ತಿರುವಾಗ ಎರಡೂ ಪ್ರಪಂಚಗಳ ಕೆಟ್ಟದ್ದು. Shannon ನಲ್ಲಿ MiniMax-M3 ಅದಕ್ಕೆ ನಮ್ಮ ಉತ್ತರ: ನಮ್ಮ ಅಗ್ಗದ ಪಠ್ಯ ಮಾಡೆಲ್‌ಗೆ ನೀವು ಪಾವತಿಸುವ ಅದೇ $0.50 / $2.00, ಮೊದಲ ಹಂತದಿಂದಲೇ ಮಲ್ಟಿಮೋಡಲ್ ಆಗಿ ತರಬೇತಿ ಪಡೆದ ಫೌಂಡೇಶನ್‌ಗೆ ಅನ್ವಯಿಸಲಾಗಿದೆ, ಅದರ ಮುಂದೆ ಯಾವುದೇ ನಿರಾಕರಣೆ ಪದರ ಕೂರದೆ.

01ಇಲ್ಲಿ "ಅಗ್ಗದ ಸೆನ್ಸಾರ್ ರಹಿತ ದೃಷ್ಟಿ ಮಾಡೆಲ್" ನಿಜವಾಗಿ ಅರ್ಥವೇನು

Shannon ಕ್ಯಾಟಲಾಗ್ ಹನ್ನೆರಡು ಮಾಡೆಲ್‌ಗಳು. ಅವುಗಳಲ್ಲಿ ಐದು ಚಿತ್ರಗಳನ್ನು ಸ್ವೀಕರಿಸುತ್ತವೆ. ಪ್ರತಿ ಮಿಲಿಯನ್ ಟೋಕನ್‌ಗೆ ಅವುಗಳ ಬೆಲೆಗಳು:

ದೃಷ್ಟಿ-ಸಾಮರ್ಥ್ಯದ ಮಾಡೆಲ್	ಇನ್‌ಪುಟ್	ಔಟ್‌ಪುಟ್	ರಚನಾತ್ಮಕ ಔಟ್‌ಪುಟ್
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 ಮಾತ್ರ
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 ನೆಲಮಟ್ಟದಲ್ಲಿ ಕುಳಿತಿದೆ — $0.50 / $2.00 — MiMo-V2.5 ಜೊತೆ ಸಮಬಂಧಿಯಾಗಿ ಮತ್ತು ಅದಕ್ಕಿಂತ ಕೆಳಗೆ ಏನೂ ಇಲ್ಲ, ಏಕೆಂದರೆ $0.50 / $2.00 ಆಗಿದೆ ನಮ್ಮ ಬೆಲೆ ಪಟ್ಟಿಯ ನೆಲಮಟ್ಟ. ದೃಷ್ಟಿ ಶ್ರೇಣಿಯ ಮೇಲ್ಭಾಗಕ್ಕೆ ಎದುರಾಗಿ ಇದು Kimi-K3 ಗಿಂತ ಇನ್‌ಪುಟ್‌ನಲ್ಲಿ 7.7× ಅಗ್ಗ ಮತ್ತು ಔಟ್‌ಪುಟ್‌ನಲ್ಲಿ 9.6× ಅಗ್ಗ.

ಅದನ್ನು ಕೆಲಸದ ಭಾರದಲ್ಲಿ ಇಡಿ. ನೀವು 1,000 ಚಿತ್ರಗಳನ್ನು — ಸ್ಕ್ರೀನ್‌ಶಾಟ್‌ಗಳು, ಸ್ಕ್ಯಾನ್ ಮಾಡಿದ ಪುಟಗಳು, ಉತ್ಪನ್ನ ಫೋಟೋಗಳು — ಟ್ರಯಾಜ್ ಮಾಡುತ್ತಿದ್ದೀರಿ ಎಂದು ಭಾವಿಸಿ, ಸರಾಸರಿ ಒಳಬರುವ ಸುಮಾರು 1,200 ಟೋಕನ್‌ಗಳ ಚಿತ್ರ ಮತ್ತು ಪ್ರಾಂಪ್ಟ್ ಮತ್ತು ಹೊರಬರುವ 300 ಟೋಕನ್‌ಗಳ ಉತ್ತರ ಜೊತೆ:

Shannon ಪಟ್ಟಿ ಬೆಲೆಗಳು, ಸೆಪ್ಟೆಂಬರ್ 2026. ಟೋಕನ್ ಎಣಿಕೆಗಳು ವಿವರಣಾತ್ಮಕ; ನಿಮ್ಮ ಚಿತ್ರ ಟೋಕನೈಸೇಶನ್ ರೆಸಲ್ಯೂಶನ್ ಮತ್ತು ಪ್ರತಿ ಕರೆಗೆ ನೀವು ಎಷ್ಟು ಚಿತ್ರಗಳನ್ನು ಲಗತ್ತಿಸುತ್ತೀರಿ ಎಂಬುದರ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ.

ನಿಮ್ಮ ತಲೆಯಲ್ಲಿಟ್ಟುಕೊಳ್ಳಲು ಉಪಯುಕ್ತವಾದ ಇನ್ನೆರಡು ಉಲ್ಲೇಖ ಬಿಂದುಗಳು. ಇಡೀ 262,144-ಟೋಕನ್ ಸಂದರ್ಭವನ್ನು ಒಮ್ಮೆ ತುಂಬಿಸಲು ಸುಮಾರು 13 ಸೆಂಟ್ಸ್ ವೆಚ್ಚವಾಗುತ್ತದೆ. ಗರಿಷ್ಠ-ಉದ್ದದ 16,384-ಟೋಕನ್ ಪ್ರತಿಕ್ರಿಯೆ ಸುಮಾರು 3.3 ಸೆಂಟ್ಸ್ ವೆಚ್ಚವಾಗುತ್ತದೆ. ಅವು ಒಂಟಿ ಕೆಟ್ಟ-ಸನ್ನಿವೇಶ ವಿನಂತಿಯ ನಿಜವಾದ ಮಿತಿಗಳು, ಮತ್ತು ಅವು ಎಷ್ಟು ಚಿಕ್ಕದೆಂದರೆ ದೃಷ್ಟಿ ಪೈಪ್‌ಲೈನ್‌ನ ಮೇಲಿನ ಆಸಕ್ತಿದಾಯಕ ನಿರ್ಬಂಧ ಹಣವಾಗುವುದನ್ನು ನಿಲ್ಲಿಸಿ ಥ್ರೂಪುಟ್ ಆಗುತ್ತದೆ.

02MiniMax ವಂಶಾವಳಿ: ಹೆಡ್‌ಲೈನ್‌ಗಳಲ್ಲ, ಟೋಕನ್‌ಗಳನ್ನು ಆಪ್ಟಿಮೈಸ್ ಮಾಡುವ ಲ್ಯಾಬ್

MiniMax AI ಎಂಬುದು ಶಾಂಘೈ ಲ್ಯಾಬ್, ಇದರ ಸಂಪೂರ್ಣ ಓಪನ್-ವೈಟ್ಸ್ ಟ್ರ್ಯಾಕ್ ರೆಕಾರ್ಡ್ ಒಂದೇ ಪ್ರಶ್ನೆಯ ಬಗ್ಗೆ: ದೀರ್ಘ ಸಂದರ್ಭ ಮತ್ತು ಮಲ್ಟಿಮೋಡಾಲಿಟಿ ಐಷಾರಾಮಗಳಾಗಿ ಉಳಿಯುವುದನ್ನು ನಿಲ್ಲಿಸುವಷ್ಟು ಅಟೆನ್ಷನ್ ಅನ್ನು ಅಗ್ಗ ಮಾಡುವುದು ಹೇಗೆ? ಈ ಸಾಲಿನ ಪ್ರತಿ ಬಿಡುಗಡೆಯೂ ಆ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರ, ಮತ್ತು ಉತ್ತರಗಳು ಒಂದರ ಮೇಲೊಂದು ಕಟ್ಟಲ್ಪಡುತ್ತವೆ.

MiniMax-01 — Lightning Attention, ಮತ್ತು ಆರಂಭದಿಂದಲೇ ದೃಷ್ಟಿ

MiniMax-01 ಸರಣಿ (arXiv 2501.08313 ಆಗಿ ಪ್ರಕಟಿತ) Lightning Attention ಅನ್ನು ಪರಿಚಯಿಸಿತು — ಲೀನಿಯರ್ ಅಟೆನ್ಷನ್ ವೇರಿಯಂಟ್‌ನ I/O-ಜಾಗೃತ ಅನುಷ್ಠಾನ — 456B ಒಟ್ಟು ಪ್ಯಾರಾಮೀಟರ್‌ಗಳ ಮತ್ತು ಪ್ರತಿ ಟೋಕನ್‌ಗೆ 45.9B ಸಕ್ರಿಯ ಇರುವ ಹೈಬ್ರಿಡ್ ಮಿಶ್ರಣ-ಆಫ್-ಎಕ್ಸ್‌ಪರ್ಟ್ಸ್ ಮಾಡೆಲ್ ಒಳಗೆ. ಸರಣಿ ಜೋಡಿಯಾಗಿ ಬಿಡುಗಡೆಯಾಯಿತು: MiniMax-Text-01 ಮತ್ತು ದೃಷ್ಟಿ ಮಾಡೆಲ್ MiniMax-VL-01. VL-01 ಈಗ ಪರಿಚಿತವಾದ ViT-MLP-LLM ಸ್ಟ್ಯಾಕ್ ಬಳಸಿತು, ಆದರೆ ಎರವಲು ಪಡೆದ ಎನ್ಕೋಡರ್ ಬದಲಿಗೆ 694 ಮಿಲಿಯನ್ ಚಿತ್ರ-ಶೀರ್ಷಿಕೆ ಜೋಡಿಗಳ ಮೇಲೆ ಸೊನ್ನೆಯಿಂದ ತರಬೇತಿ ಪಡೆದ 303-ಮಿಲಿಯನ್-ಪ್ಯಾರಾಮೀಟರ್ Vision Transformer ಜೊತೆ, ನಂತರ 512 ಬಿಲಿಯನ್ ಟೋಕನ್‌ಗಳನ್ನು ಸಂಸ್ಕರಿಸುವ ಬಹು-ಹಂತದ ಪೈಪ್‌ಲೈನ್‌ನಾದ್ಯಂತ ಜೋಡಿಸಿ ಜಂಟಿಯಾಗಿ ಫೈನ್-ಟ್ಯೂನ್ ಮಾಡಲ್ಪಟ್ಟಿತು.

ಆ ವಿವರ ನೀವು ಓದುತ್ತಿರುವ ಲೇಖನಕ್ಕೆ ಮುಖ್ಯ. ಈ ವಂಶಾವಳಿಯಲ್ಲಿ ದೃಷ್ಟಿ ಎಂಬುದು ಪೆಟ್ಟಿಗೆ ಗುರುತು ಹಾಕಲು ಪಠ್ಯ ಮಾಡೆಲ್‌ಗೆ ತಡವಾಗಿ ಬೋಲ್ಟ್ ಮಾಡಿದ ಅಡಾಪ್ಟರ್ ಅಲ್ಲ. MiniMax ತನ್ನ ಮೊದಲ ಓಪನ್ ಬಿಡುಗಡೆಯಿಂದಲೂ ತನ್ನದೇ ದೃಶ್ಯ ಟವರ್ ಅನ್ನು ತರಬೇತಿ ಮಾಡುತ್ತಿದೆ, ಅದಕ್ಕಾಗಿಯೇ ದಾಖಲೆ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ, UI ಮತ್ತು ಸ್ಕ್ರೀನ್‌ಶಾಟ್ ಗ್ರಹಿಕೆ, ಮತ್ತು ಚಾರ್ಟ್ ಓದುವಿಕೆ ಈ ಕುಟುಂಬದ ನಂತರದ ಆಲೋಚನೆಗಳಿಗಿಂತ ಸ್ಥಿರ ಸಾಮರ್ಥ್ಯಗಳಾಗಿ ಉಳಿದಿವೆ.

MiniMax-M1 — ಉದ್ದನೆಯ ರೀಸನಿಂಗ್‌ಗಾಗಿ ಹೈಬ್ರಿಡ್ ಅಟೆನ್ಷನ್

MiniMax-M1 (arXiv 2506.13585) ಅನ್ನು ಅದರ ಲೇಖಕರು ಮೊದಲ ಓಪನ್-ವೈಟ್ಸ್, ದೊಡ್ಡ-ಪ್ರಮಾಣದ ಹೈಬ್ರಿಡ್-ಅಟೆನ್ಷನ್ ರೀಸನಿಂಗ್ ಮಾಡೆಲ್ ಎಂದು ವಿವರಿಸಿದರು. ಇದು 456B / 45.9B MoE ದೇಹವನ್ನು ಉಳಿಸಿಕೊಂಡು ಎರಡು ಅಟೆನ್ಷನ್ ಪ್ರಕಾರಗಳನ್ನು ಹೆಣೆಯಿತು: ಪ್ರತಿ ಏಳು Lightning Attention ಬ್ಲಾಕ್‌ಗಳ ನಂತರ ಒಂದು ಸಾಂಪ್ರದಾಯಿಕ softmax-ಅಟೆನ್ಷನ್ ಟ್ರಾನ್ಸ್‌ಫಾರ್ಮರ್ ಬ್ಲಾಕ್. ಫಲಿತಾಂಶವನ್ನು ಲೀಡರ್‌ಬೋರ್ಡ್ ಸ್ಥಾನಕ್ಕಿಂತ ಕಂಪ್ಯೂಟ್‌ನಲ್ಲಿ ಅಳೆಯಲಾಗಿತ್ತು — 100K-ಟೋಕನ್ ಉತ್ಪಾದನೆಯ ಉದ್ದದಲ್ಲಿ, M1 DeepSeek R1 ಯ ಸುಮಾರು 25% FLOPs ಬಳಸಿತು ಎಂದು MiniMax ವರದಿ ಮಾಡಿತು, ಮಿಲಿಯನ್-ಟೋಕನ್ ಸಂದರ್ಭವನ್ನು ಸ್ಥಳೀಯವಾಗಿ ಬೆಂಬಲಿಸುತ್ತಲೇ.

MiniMax-M2 — ಚಿಕ್ಕ-ಆಕ್ಟಿವೇಶನ್ ತಿರುವು

MiniMax-M2 ಗಾತ್ರದಲ್ಲಿ ಬೇರೆ ದಿಕ್ಕಿಗೆ ಹೋಗಿ ಅದಕ್ಕಾಗಿ ಗಮನ ಗೆದ್ದಿತು: 229.9B ಒಟ್ಟು ಪ್ಯಾರಾಮೀಟರ್‌ಗಳ ಆದರೆ ಪ್ರತಿ ಟೋಕನ್‌ಗೆ ಕೇವಲ ~9.8B ಸಕ್ರಿಯ ಇರುವ 62-ಪದರದ ಡಿಕೋಡರ್, ಪ್ರತಿ MoE ಪದರಕ್ಕೆ 256 ಸೂಕ್ಷ್ಮ-ಧಾನ್ಯದ ಎಕ್ಸ್‌ಪರ್ಟ್‌ಗಳನ್ನು ಅವುಗಳಲ್ಲಿ ಎಂಟಕ್ಕೆ sigmoid ರೂಟಿಂಗ್ ಜೊತೆ, ತರಬೇತಿ ಸ್ಥಿರತೆಗಾಗಿ RoPE ಸ್ಥಾನಗಳು ಮತ್ತು QK-RMSNorm ಬಳಸಿ. ಇದು ಸ್ಪಷ್ಟವಾಗಿ ಏಜೆಂಟಿಕ್-ಕೋಡಿಂಗ್ ಮಾಡೆಲ್ ಆಗಿತ್ತು — ಬಹು-ಫೈಲ್ ಎಡಿಟ್‌ಗಳು, ರನ್-ಫಿಕ್ಸ್ ಲೂಪ್‌ಗಳು, ಟೆಸ್ಟ್-ಪರಿಶೀಲಿಸಿದ ದುರಸ್ತಿಗಳು — ಮತ್ತು ಇದು ಹೆಣೆದ ಚಿಂತನೆ ಫಾರ್ಮ್ಯಾಟ್ ಅನ್ನು ಪರಿಚಯಿಸಿತು, ಅಲ್ಲಿ ರೀಸನಿಂಗ್ ಪ್ರತಿ ಸುತ್ತಿನ ನಂತರ ಬಿಸಾಡುವ ಬದಲು ಟೂಲ್-ಕಾಲ್ ಸುತ್ತುಗಳ ನಡುವೆ ಸಾಗಿಸಲ್ಪಡುತ್ತದೆ. M2 ಎಂಬುದು ಆಕ್ಟಿವೇಶನ್‌ಗಳನ್ನು ಚಿಕ್ಕದಾಗಿಡುವ ಮೂಲಕ ಮಾತ್ರ, ಪ್ರತಿ-ಟೋಕನ್ ವೆಚ್ಚದ ಒಂದು ಭಾಗದಲ್ಲಿ ಫ್ರಾಂಟಿಯರ್-ಸಮೀಪದ ಏಜೆಂಟಿಕ್ ವರ್ತನೆಯನ್ನು ತಲುಪಿಸುವ MiniMax ನ ಖ್ಯಾತಿಯನ್ನು ಸ್ಥಾಪಿಸಿದ ಮಾಡೆಲ್.

MiniMax-M3 — ಈ ಎಂಡ್‌ಪಾಯಿಂಟ್‌ನ ಕೆಳಗಿನ ಫೌಂಡೇಶನ್

MiniMax-M3 ಜೂನ್ 1, 2026 ರಂದು ಬಿಡುಗಡೆಯಾಯಿತು, ಸ್ವಲ್ಪ ಸಮಯದ ನಂತರ Hugging Face ನಲ್ಲಿ ವೈಟ್ಸ್ ಮತ್ತು arXiv 2606.13392 ನಲ್ಲಿ ತಾಂತ್ರಿಕ ವರದಿ ಜೊತೆ. ಇದು ಪ್ರತಿ ಟೋಕನ್‌ಗೆ ಸುಮಾರು 23B ಸಕ್ರಿಯ ಇರುವ 428B-ಪ್ಯಾರಾಮೀಟರ್ ಮಿಶ್ರಣ-ಆಫ್-ಎಕ್ಸ್‌ಪರ್ಟ್ಸ್ ಮಾಡೆಲ್, ದಾಖಲಿತ ಒಂದು-ಮಿಲಿಯನ್-ಟೋಕನ್ ಸಂದರ್ಭ, ಮತ್ತು ಸ್ಥಳೀಯ ಚಿತ್ರ ಮತ್ತು ವೀಡಿಯೋ ಇನ್‌ಪುಟ್ — MiniMax ಇದನ್ನು ಪಠ್ಯ-ಪೂರ್ವತರಬೇತಿ ಪಡೆದು ನಂತರ ಮಲ್ಟಿಮೋಡಲ್ ಆಗಿ ಹೊಂದಿಸಿದ್ದಕ್ಕಿಂತ, "ಅತ್ಯಂತ ಮೊದಲ ಹಂತದಿಂದಲೇ" ಮಿಶ್ರ-ಮೋಡಾಲಿಟಿ ತರಬೇತಿ ಎಂದು ವಿವರಿಸುತ್ತದೆ. MiniMax ಸ್ವಂತ ಪ್ರಕಟಿತ ಸಂಖ್ಯೆಗಳ ಪ್ರಕಾರ ಇದು SWE-bench Verified ನಲ್ಲಿ 80.5% ಮತ್ತು SWE-bench Pro ನಲ್ಲಿ 59.0% ಗಳಿಸುತ್ತದೆ. ಅವು ಕೋಡಿಂಗ್ ಬೆಂಚ್‌ಮಾರ್ಕ್ ಮೇಲಿನ ಮಾರಾಟಗಾರ-ವರದಿ ಮಾಡಿದ ಅಂಕಿಗಳು, ಅವನ್ನು ನೀವು ಹೇಗೆ ತೂಗಬೇಕೋ ಸರಿಯಾಗಿ ಅದೇ ರೀತಿ; ಅವು ಲ್ಯಾಬ್‌ನ ಪ್ರಕಟಿತ ಹಕ್ಕುಗಳಾಗಿರುವುದರಿಂದ ನಾವು ಅವನ್ನು ಉಲ್ಲೇಖಿಸುತ್ತೇವೆ, ನಾವು ಸ್ವತಂತ್ರವಾಗಿ ಅವನ್ನು ಪುನರುತ್ಪಾದಿಸಿದ್ದೇವೆ ಎಂಬ ಕಾರಣಕ್ಕಲ್ಲ.

03MiniMax Sparse Attention: ದೃಷ್ಟಿ ಮಾಡೆಲ್ ಇಷ್ಟು ಅಗ್ಗವಾಗಿರಬಹುದು ಏಕೆ

M3 ನಲ್ಲಿನ ಆಸಕ್ತಿದಾಯಕ ಎಂಜಿನಿಯರಿಂಗ್ MiniMax Sparse Attention (MSA), ಮತ್ತು ಇಷ್ಟು ಗಾತ್ರದ ಮಲ್ಟಿಮೋಡಲ್ ಮಾಡೆಲ್ ನಮ್ಮ ನೆಲಮಟ್ಟದ ಬೆಲೆಯಲ್ಲಿ ಕುಳಿತುಕೊಳ್ಳಲು ಇದೇ ನೇರ ಕಾರಣ. ಚಿತ್ರಗಳು ಟೋಕನ್-ದುಬಾರಿ. ಕೆಲವು ಹೈ-ರೆಸಲ್ಯೂಶನ್ ಪುಟಗಳು ನೀವು ಒಂದೇ ಸೂಚನೆ ಬರೆಯುವ ಮೊದಲೇ ಪ್ರಾಂಪ್ಟ್‌ಗೆ ಹತ್ತಾರು ಸಾವಿರ ಟೋಕನ್‌ಗಳನ್ನು ಹಾಕಬಹುದು. ಪ್ರಮಾಣಿತ ಅಟೆನ್ಷನ್ ಅಡಿಯಲ್ಲಿ, ಆ ವೆಚ್ಚ ಚತುರ್ಭುಜವಾಗಿ ಸಂಯುಕ್ತಗೊಳ್ಳುತ್ತದೆ, ಮತ್ತು ಇಪ್ಪತ್ತು ಪುಟಗಳನ್ನು ಓದುವ ಮಾಡೆಲ್ ಹತ್ತು ಓದುವ ಮಾಡೆಲ್‌ಗಿಂತ ಎರಡು ಪಟ್ಟು ದುಬಾರಿಯಲ್ಲ — ಅದು ಎರಡು ಪಟ್ಟಿಗಿಂತ ಬಹಳ ಕೆಟ್ಟದು.

MSA ಆ ವಕ್ರರೇಖೆಯ ಆಕಾರವನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ. ಇದು Grouped Query Attention ಬೆನ್ನೆಲುಬಿನ ಮೇಲೆ ಕಟ್ಟಲಾದ ಬ್ಲಾಕ್-ಸ್ಪಾರ್ಸ್ ಯಾಂತ್ರಿಕತೆ, ಎರಡು ಶಾಖೆಗಳಾಗಿ ವಿಭಜಿಸಲ್ಪಟ್ಟಿದೆ:

• ಲಘು ಇಂಡೆಕ್ಸ್ ಶಾಖೆ ಕೀ-ವ್ಯಾಲ್ಯೂ ಬ್ಲಾಕ್‌ಗಳಿಗೆ ಸ್ಕೋರ್ ಕೊಡುತ್ತದೆ — ಪ್ರತಿ ಬ್ಲಾಕ್‌ನೊಳಗಿನ ಟೋಕನ್‌ಗಳಾದ್ಯಂತ max-pooling ಸ್ಕೋರ್‌ಗಳು — ಮತ್ತು ಪ್ರತಿ ಕ್ವೆರಿ ಸ್ಥಾನಕ್ಕೆ ಮತ್ತು ಪ್ರತಿ GQA ಗುಂಪಿಗೆ top-k ಆಯ್ಕೆ ಮಾಡುತ್ತದೆ, ತರಬೇತಿ ಸ್ಥಿರತೆಗಾಗಿ ಯಾವಾಗಲೂ ಕ್ವೆರಿಯನ್ನೇ ಒಳಗೊಂಡ ಸ್ಥಳೀಯ ಬ್ಲಾಕ್ ಅನ್ನು ಸೇರಿಸಿಕೊಂಡು.
• ಮುಖ್ಯ ಶಾಖೆ ಇಂಡೆಕ್ಸ್ ಆಯ್ಕೆ ಮಾಡಿದ ಬ್ಲಾಕ್‌ಗಳ ಮೇಲೆ ಮಾತ್ರ ಸಾಮಾನ್ಯ softmax ಅಟೆನ್ಷನ್ ಚಲಾಯಿಸುತ್ತದೆ.

MSA ಪೇಪರ್‌ನಲ್ಲಿನ ಕಾನ್ಫಿಗರೇಶನ್ k = 128 ಟೋಕನ್‌ಗಳ 16 ಬ್ಲಾಕ್‌ಗಳು, ಇದು ಪ್ರತಿ ಕ್ವೆರಿಗೆ 2,048 ಅಟೆಂಡೆಡ್ ಟೋಕನ್‌ಗಳ ಸ್ಥಿರ ಬಜೆಟ್ ಕೊಡುತ್ತದೆ. ಸ್ಥಿರ, ಎಂದರೆ ಇದು ಅನುಕ್ರಮ ಉದ್ದದ ಜೊತೆ ಬೆಳೆಯುವುದಿಲ್ಲ. ಅದೇ ಇಡೀ ತಂತ್ರ: ಸಂದರ್ಭ ಬೆಳೆದಂತೆ, ಡೆನ್ಸ್ ಬೇಸ್‌ಲೈನ್‌ನ ಅಟೆನ್ಷನ್ ವೆಚ್ಚ ಏರುತ್ತಲೇ ಇರುತ್ತದೆ ಆದರೆ MSA ಯ ಮುಖ್ಯ-ಶಾಖೆ ವೆಚ್ಚ ಸಮತಟ್ಟಾಗಿ ಉಳಿಯುತ್ತದೆ, ಆದ್ದರಿಂದ ಅಟೆನ್ಷನ್ ಚತುರ್ಭುಜದ ಬದಲು ರೇಖೀಯವಾಗಿ ಸ್ಕೇಲ್ ಆಗುತ್ತದೆ.

MiniMax Sparse Attention ವರದಿಯಿಂದ (arXiv 2606.13392) ಅಂಕಿಗಳು: 1M ಸಂದರ್ಭದಲ್ಲಿ ಸಮಾನವಾಗಿ ಕಾನ್ಫಿಗರ್ ಮಾಡಿದ GQA ಗೆ ಎದುರಾಗಿ ಪ್ರತಿ-ಟೋಕನ್ ಅಟೆನ್ಷನ್ FLOPs ನಲ್ಲಿ 28.4× ಕಡಿತ, ಮತ್ತು ಪೇಪರ್‌ನ 109B-ಪ್ಯಾರಾಮೀಟರ್ ಅಧ್ಯಯನದಲ್ಲಿ H800 ಹಾರ್ಡ್‌ವೇರ್‌ನಲ್ಲಿ ಅಳೆಯಲಾದ 14.2× ಪ್ರಿಫಿಲ್ / 7.6× ಡಿಕೋಡ್ ವಾಲ್-ಕ್ಲಾಕ್ ವೇಗ ಹೆಚ್ಚಳಗಳು. MiniMax ಪ್ರತ್ಯೇಕವಾಗಿ 1M ಸಂದರ್ಭದಲ್ಲಿ M2 ಗೆ ಎದುರಾಗಿ M3 ಗಾಗಿ 9× ಪ್ರಿಫಿಲ್ ಮತ್ತು 15× ಡಿಕೋಡ್ ವೇಗ ಹೆಚ್ಚಳಗಳನ್ನು ವರದಿ ಮಾಡುತ್ತದೆ. ಎಲ್ಲವೂ ಲ್ಯಾಬ್-ವರದಿ ಮಾಡಿದವು.

ಪೇಪರ್ ದೃಷ್ಟಿ ಲೇಖನಕ್ಕೆ ಮುಖ್ಯವಾದ ಪರಿಶೀಲನೆಯನ್ನೂ ಮಾಡುತ್ತದೆ: ಸ್ಥಳೀಯವಾಗಿ ಮಲ್ಟಿಮೋಡಲ್ ಆದ 109B MoE ಮೇಲೆ, AI2D, ChartQA ಮತ್ತು MMMU ಸೇರಿದಂತೆ ಚಿತ್ರ ಬೆಂಚ್‌ಮಾರ್ಕ್‌ಗಳಾದ್ಯಂತ ಮತ್ತು EgoSchema, LongVideoBench ಮತ್ತು VideoMME ಸೇರಿದಂತೆ ವೀಡಿಯೋ ಬೆಂಚ್‌ಮಾರ್ಕ್‌ಗಳಾದ್ಯಂತ MSA ಪೂರ್ಣ-ಅಟೆನ್ಷನ್ ಬೇಸ್‌ಲೈನ್‌ಗೆ ಹೋಲಿಸಬಹುದಾದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಉಳಿಸಿಕೊಂಡಿತು — ಸ್ಪಾರ್ಸ್ ವೇರಿಯಂಟ್‌ಗಳು ಕೆಲವೊಮ್ಮೆ ದೀರ್ಘ-ಸಂದರ್ಭದ ವೀಡಿಯೋ ಕೆಲಸಗಳಲ್ಲಿ ಸುಧಾರಿಸುತ್ತಲೂ ಇದ್ದವು. ಇಲ್ಲಿ ಸ್ಪಾರ್ಸಿಟಿ ಎಂಬುದು ವೇಗಕ್ಕಾಗಿ ನೀವು ಪಾವತಿಸುವ ಗುಣಮಟ್ಟದ ತೆರಿಗೆಯಲ್ಲ; ದೀರ್ಘ ಇನ್‌ಪುಟ್‌ಗಳಲ್ಲಿ ಅದು ಬಹುತೇಕ ಉಚಿತವಾಗಿ ಕಾಣುತ್ತದೆ.

ಗ್ರಾಹಕರಾಗಿ ನೀವು ಏಕೆ ಗಮನ ಕೊಡಬೇಕು: ಪಟ್ಟಿ ಬೆಲೆಯನ್ನು ಸೇವಾ ವೆಚ್ಚ ನಿರ್ಧರಿಸುತ್ತದೆ. ಅಟೆನ್ಷನ್ ವೆಚ್ಚ ಬೆಳೆಯುವುದನ್ನು ನಿಲ್ಲಿಸುವ ಫೌಂಡೇಶನ್ ಎಂದರೆ ನೀವು ಲಕ್ಷ ಚಿತ್ರಗಳ ಮೇಲೆ ತೋರಿಸಲು ಭರಿಸಬಹುದಾದ ಫೌಂಡೇಶನ್. "ಅಗ್ಗದ ಸೆನ್ಸಾರ್ ರಹಿತ ದೃಷ್ಟಿ ಮಾಡೆಲ್" ಹಿಂದಿನ ಯಾಂತ್ರಿಕತೆ ಇದೇ — ಇದು ಪ್ರಚಾರದ ದರವಲ್ಲ, ಇದು ವಾಸ್ತುಶಿಲ್ಪ.

043BIT-REAP ಎಂದರೆ ಏನು, ಮತ್ತು ಅದು ನಿಮಗೆ ಎಲ್ಲಿ ವೆಚ್ಚವಾಗುತ್ತದೆ

428-ಬಿಲಿಯನ್-ಪ್ಯಾರಾಮೀಟರ್ ಮಾಡೆಲ್ ಪೂರ್ಣ ನಿಖರತೆಯಲ್ಲಿ ಎಲ್ಲಿಯೂ ಅನುಕೂಲಕರವಾಗಿ ಹೊಂದಿಕೊಳ್ಳುವುದಿಲ್ಲ. ನಮ್ಮ MiniMax-M3 ಬಿಲ್ಡ್ 3BIT-REAP ಸಫಿಕ್ಸ್ ಹೊಂದಿದೆ, ಇದು ನಿರ್ದಿಷ್ಟ ಕ್ರಮದಲ್ಲಿ ಅನ್ವಯಿಸಲಾದ ಎರಡು ಪ್ರತ್ಯೇಕ ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ವಿವರಿಸುತ್ತದೆ.

REAP: ಸಂಕುಚಿಸುವ ಮೊದಲು ಎಕ್ಸ್‌ಪರ್ಟ್‌ಗಳನ್ನು ಅಳಿಸಿ

REAP — ರೂಟರ್-ತೂಕದ ಎಕ್ಸ್‌ಪರ್ಟ್ ಆಕ್ಟಿವೇಶನ್ ಪ್ರೂನಿಂಗ್ — ಎಂಬುದು Cerebras ಮತ್ತು University of Calgary ಯ ಒಂಟಿ-ಶಾಟ್ MoE ಸಂಕುಚನ ವಿಧಾನ, arXiv 2510.13999 ಆಗಿ ಪ್ರಕಟಿತ ಮತ್ತು ICLR 2026 ನಲ್ಲಿ ಸ್ವೀಕರಿಸಲ್ಪಟ್ಟಿದೆ. ಇದರ ವಾದ ಏನೆಂದರೆ ಜನರೇಟಿವ್ ಕೆಲಸಗಳಿಗೆ, ಎಕ್ಸ್‌ಪರ್ಟ್‌ಗಳನ್ನು ಪ್ರೂನ್ ಮಾಡುವುದು ಅವನ್ನು ವಿಲೀನಗೊಳಿಸುವುದನ್ನು ಸೋಲಿಸುತ್ತದೆ: ವಿಲೀನ ರೂಟರ್‌ನ ಸೂಕ್ಷ್ಮ-ಧಾನ್ಯದ ನಿಯಂತ್ರಣವನ್ನು ನಾಶಪಡಿಸುತ್ತದೆ ಮತ್ತು ನೀವು ಎಂದಿಗೂ ಚೇತರಿಸಿಕೊಳ್ಳಲಾಗದ ದೋಷವನ್ನು ಪರಿಚಯಿಸುತ್ತದೆ. ಆದ್ದರಿಂದ REAP ಬದಲಿಗೆ ರೂಟರ್ ಗೇಟ್ ಮೌಲ್ಯಗಳನ್ನು (ರೂಟರ್ ಅದನ್ನು ಎಷ್ಟು ಬಾರಿ ಮತ್ತು ಎಷ್ಟು ಬಲವಾಗಿ ಆಯ್ಕೆ ಮಾಡುತ್ತದೆ) ಮತ್ತು ಎಕ್ಸ್‌ಪರ್ಟ್ ಆಕ್ಟಿವೇಶನ್ ನಾರ್ಮ್‌ಗಳನ್ನು (ಅದರ ಔಟ್‌ಪುಟ್ ನಿಜವಾಗಿ ಎಷ್ಟು ಕೊಡುಗೆ ನೀಡುತ್ತದೆ) ಸಂಯೋಜಿಸುವ ಸಾಲಿಯನ್ಸಿ ಮಾನದಂಡದೊಂದಿಗೆ ಪ್ರತಿ ಎಕ್ಸ್‌ಪರ್ಟ್‌ಗೆ ಸ್ಕೋರ್ ಕೊಟ್ಟು, ನಂತರ ಅತಿ ಕಡಿಮೆ ಸಾಲಿಯಂಟ್ ಎಕ್ಸ್‌ಪರ್ಟ್‌ಗಳನ್ನು ನೇರವಾಗಿ ಅಳಿಸುತ್ತದೆ.

ಲೇಖಕರು ಒಂದು ಟ್ರಿಲಿಯನ್ ಪ್ಯಾರಾಮೀಟರ್‌ಗಳಷ್ಟು ದೊಡ್ಡ ಮಾಡೆಲ್‌ಗಳಿಂದ 50% ವರೆಗೆ ಎಕ್ಸ್‌ಪರ್ಟ್‌ಗಳನ್ನು ತೆಗೆದುಹಾಕುತ್ತಿದ್ದರೂ ಬೇಸ್‌ಲೈನ್ ಗುಣಮಟ್ಟವನ್ನು ಬಹುಮಟ್ಟಿಗೆ ಸಂರಕ್ಷಿಸುತ್ತಿದ್ದುದನ್ನು ವರದಿ ಮಾಡುತ್ತಾರೆ — Qwen3-480B-Coder-FP8 ನಲ್ಲಿ 50% ಪ್ರೂನಿಂಗ್‌ನಲ್ಲಿ, 97.6% ಬೇಸ್‌ಲೈನ್ ನಾನ್-ಏಜೆಂಟಿಕ್ ಕೋಡಿಂಗ್ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಏಜೆಂಟಿಕ್ SWE-Bench ನಲ್ಲಿ 96.7% ಉಳಿಸಿಕೊಳ್ಳಲ್ಪಟ್ಟವು. ಅವು ಪೇಪರ್‌ನ ಮಾಡೆಲ್‌ಗಳ ಮೇಲಿನ ಪೇಪರ್‌ನ ಸಂಖ್ಯೆಗಳು, MiniMax-M3 ಮೇಲಿನ ನಮ್ಮ ಸಂಖ್ಯೆಗಳಲ್ಲ; ನೀವು ವಿಧಾನವನ್ನು ನಿರ್ಣಯಿಸಬಹುದೆಂದು ನಾವು ಅವನ್ನು ಉಲ್ಲೇಖಿಸುತ್ತೇವೆ, ಇಲ್ಲಿ ಸಮಾನ ಅಳತೆಯನ್ನು ಸೂಚಿಸಲು ಅಲ್ಲ.

3-ಬಿಟ್ ವೈಟ್ಸ್, ಎರಡನೆಯದಾಗಿ

ಉಳಿದ ವೈಟ್ಸ್ ಅನ್ನು ನಂತರ 3 ಬಿಟ್‌ಗಳಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾಗುತ್ತದೆ. ಕ್ರಮ ಉದ್ದೇಶಪೂರ್ವಕ ಮತ್ತು ಅದೇ ಸಂಯೋಜನೆಯ ಮುಖ್ಯ ಅಂಶ: ಮೊದಲು ಪ್ರೂನ್, ಎರಡನೆಯದಾಗಿ ಕ್ವಾಂಟೈಸ್. ನೀವು ಅಳಿಸಲಿರುವ ಎಕ್ಸ್‌ಪರ್ಟ್‌ಗಳನ್ನು ನಿಷ್ಠೆಯಿಂದ ಎನ್‌ಕೋಡ್ ಮಾಡುವಲ್ಲಿ ನಿಮ್ಮ ಪ್ರತಿ ವೈಟ್‌ಗೆ ಅಮೂಲ್ಯವಾದ ಮೂರು ಬಿಟ್‌ಗಳನ್ನು ಖರ್ಚು ಮಾಡುವುದರಲ್ಲಿ ಯಾವುದೇ ಅರ್ಥವಿಲ್ಲ. ಸ್ಪಾರ್ಸ್ ಬಾಲವನ್ನು ಪ್ರೂನ್ ಮಾಡಿ, ನಂತರ ಉಳಿದ ಬಜೆಟ್ ನಿಜವಾಗಿ ಫೈರ್ ಆಗುವ ಎಕ್ಸ್‌ಪರ್ಟ್‌ಗಳಿಗೆ ಸಂಪೂರ್ಣವಾಗಿ ಹೋಗಲಿ.

ಪ್ರಾಮಾಣಿಕ ಎಚ್ಚರಿಕೆ

3BIT-REAP ನಾವು ಸೇವೆ ನೀಡುವ ಅತ್ಯಂತ ಆಕ್ರಮಣಕಾರಿ ಶ್ರೇಣಿ. ನಾವು ಇದನ್ನು ಅತಿ ದೊಡ್ಡ ಫೌಂಡೇಶನ್‌ಗಳ ಮೇಲೆ ಬಳಸುತ್ತೇವೆ — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — ಏಕೆಂದರೆ ಆ ಮಾಡೆಲ್‌ಗಳು ಸಮಂಜಸ ಬೆಲೆಯಲ್ಲಿ ಲಭ್ಯವಿರುವುದು ಮತ್ತು ಸಂಪೂರ್ಣವಾಗಿ ಲಭ್ಯವಿಲ್ಲದಿರುವುದರ ನಡುವಿನ ವ್ಯತ್ಯಾಸ ಇದೇ. ಫೌಂಡೇಶನ್ ಅದು ಬೇಕಾಗದಷ್ಟು ಚಿಕ್ಕದಾಗಿರುವಲ್ಲಿ, ನಾವು ಅದನ್ನು ಬಳಸುವುದಿಲ್ಲ: ಕ್ಯಾಟಲಾಗ್‌ನಲ್ಲಿನ W8A16 ಮಾಡೆಲ್‌ಗಳು 16-ಬಿಟ್ ಆಕ್ಟಿವೇಶನ್‌ಗಳ ಜೊತೆ 8-ಬಿಟ್ ವೈಟ್ಸ್ ಚಲಾಯಿಸುತ್ತವೆ, ಮತ್ತು W4A16-AUTOROUND-REAP ನಡುವೆ ಕುಳಿತಿದೆ, ನಿಷ್ಕಪಟ ರೌಂಡ್-ಟು-ನಿಯರೆಸ್ಟ್ ಕ್ವಾಂಟೈಸೇಶನ್ ಬಿಟ್ಟುಕೊಡುವ ನಿಖರತೆಯನ್ನು ಮರಳಿ ಪಡೆಯುವ AutoRound ನ ಕಲಿತ ರೌಂಡಿಂಗ್ ಬಳಸಿ. ನಿಮ್ಮ ಸಹನೆಗೆ ಹೊಂದುವ ಶ್ರೇಣಿಯನ್ನು ಆಯ್ಕೆ ಮಾಡಿ. ನೀವು ಹತ್ತು ಸಾವಿರ ಇನ್‌ವಾಯ್ಸ್‌ಗಳಿಂದ ಫೀಲ್ಡ್‌ಗಳನ್ನು ಹೊರತೆಗೆಯುತ್ತಿದ್ದರೆ, 3-ಬಿಟ್ ಸರಿಯಾದ ಟ್ರೇಡ್. ನೀವು ಒಂಟಿ ಚಿತ್ರದ ಒಂದು ಹೆಚ್ಚಿನ-ಪಣದ ಫೊರೆನ್ಸಿಕ್ ಓದು ಮಾಡುತ್ತಿದ್ದರೆ, Kimi-K3 ಮೇಲೆ ಹಣ ಖರ್ಚು ಮಾಡಿ.

05ಇನ್‌ಪುಟ್ ಚಿತ್ರವಾಗಿರುವಾಗ "ನಿರಾಕರಣೆ ಪದರ ಇಲ್ಲ" ಎಂದರೆ ಏನು

ಸೆನ್ಸಾರ್ ರಹಿತ ಎಂಬುದು ಸಡಿಲವಾಗಿ ಬಳಸಲಾಗುವ ಪದ, ಆದ್ದರಿಂದ ಇಲ್ಲಿ ನಿಖರವಾದ ಹಕ್ಕು ಇದೆ: ಈ ಎಂಡ್‌ಪಾಯಿಂಟ್‌ನಲ್ಲಿ ನಿರಾಕರಣೆ ಪದರ ಇಲ್ಲ ಮತ್ತು ಔಟ್‌ಪುಟ್ ಫಿಲ್ಟರಿಂಗ್ ಇಲ್ಲ. ಯಾವುದೇ ವರ್ಗೀಕಾರಕ ಮಾಡೆಲ್ ನೋಡುವ ಮೊದಲು ನಿಮ್ಮ ಚಿತ್ರವನ್ನು ಪರಿಶೀಲಿಸುವುದಿಲ್ಲ. ಯಾವುದೇ ನೀತಿ ಮಾಡೆಲ್ ಹೊರಹೋಗುವ ದಾರಿಯಲ್ಲಿ ಟೋಕನ್‌ಗಳನ್ನು ಪರಿಶೀಲಿಸುವುದಿಲ್ಲ. ಮಾಡೆಲ್ ಉತ್ಪಾದಿಸುವುದೇ ನೀವು ಸ್ವೀಕರಿಸುವುದು.

ಪಠ್ಯದಲ್ಲಿ, ಅದರ ಪರಿಣಾಮ ಪರಿಚಿತ. ದೃಷ್ಟಿಯಲ್ಲಿ, ಅದು ಬೇರೆ ರೀತಿಯದ್ದು, ಏಕೆಂದರೆ ಚಿತ್ರ ಇನ್‌ಪುಟ್‌ಗಳ ಮೇಲಿನ ನಿರಾಕರಣೆ ವರ್ತನೆ ಎಲ್ಲಿ ವಾಣಿಜ್ಯಿಕ ಮಲ್ಟಿಮೋಡಲ್ API ಗಳು ಅತಿ ಸಂಪ್ರದಾಯವಾದಿ ಮತ್ತು ಅತಿ ಅನಿಯಂತ್ರಿತ ಎಂಬುದೇ ಅಲ್ಲಿ. ವಿಶಿಷ್ಟ ವೈಫಲ್ಯಗಳು ಹೀಗೆ ಕಾಣುತ್ತವೆ:

• ಎಲ್ಲವನ್ನೂ ಆವರಿಸುವ ಗುರುತು ನಿರಾಕರಣೆಗಳು — ಫೋಟೋದಲ್ಲಿನ ಜನರನ್ನು ವಿವರಿಸಲು ಸಂಪೂರ್ಣವಾಗಿ ನಿರಾಕರಿಸುವುದು, ಸ್ಪಷ್ಟವಾಗಿ ಗೋಚರವಾಗುವ ಮತ್ತು ಸಂಪೂರ್ಣ ನಿರುಪದ್ರವಿ ಗುಣಲಕ್ಷಣಗಳನ್ನೂ ಸೇರಿ, ಏಕೆಂದರೆ ನೀತಿ ವಿವರಣೆಯನ್ನು ಗುರುತಿಸುವಿಕೆಯಿಂದ ಪ್ರತ್ಯೇಕಿಸಲಾಗುವುದಿಲ್ಲ.
• ವಿಷಯ-ಆಧಾರಿತ ಹಿಂತೆಗೆತಗಳು — ದಾಖಲೆ ಯಾವುದರ ಬಗ್ಗೆ ಎಂಬ ಕಾರಣಕ್ಕೆ ಅದನ್ನು ಪ್ರತಿಲಿಪಿ ಮಾಡಲು ಅಥವಾ ಸಾರಾಂಶ ಮಾಡಲು ನಿರಾಕರಿಸುವುದು, ಪ್ರತಿಲಿಪಿ ಒಂದು ಯಾಂತ್ರಿಕ ಕೆಲಸವಾಗಿದ್ದರೂ.
• ವೈದ್ಯಕೀಯ ಮತ್ತು ಫೊರೆನ್ಸಿಕ್ ಹೇಸಿಗೆ — ವೃತ್ತಿಪರರಿಗೆ ವಿವರಣೆ ಬೇಕಾದ ಕ್ಲಿನಿಕಲ್ ಚಿತ್ರಣ, ಗಾಯ ದಾಖಲೀಕರಣ, ಅಥವಾ ಅಪಘಾತ ಫೋಟೋಗಳನ್ನು ವಿವರಿಸಲು ನಿರಾಕರಿಸುವುದು.
• ಭದ್ರತಾ-ಟೂಲಿಂಗ್ ಸುಳ್ಳು ಧನಾತ್ಮಕಗಳು — ಸ್ಕ್ರೀನ್‌ಶಾಟ್‌ನಲ್ಲಿ ಟರ್ಮಿನಲ್, ಪ್ಯಾಕೆಟ್ ಕ್ಯಾಪ್ಚರ್, ಅಥವಾ ಡೀಬಗರ್ ಇರುವ ಕಾರಣ ಅದನ್ನು ಓದಲು ನಿರಾಕರಿಸುವುದು.
• ಮೂಕ ಅವನತಿ — ಅತಿ ಕೆಟ್ಟದು: ನಿರಾಕರಣೆಯಲ್ಲ ಆದರೆ ಹೆಡ್ಜ್ ಮಾಡಿದ ಉತ್ತರವಿಲ್ಲದಿರುವಿಕೆ, ಇದು ನಿಮ್ಮ schema ಮೌಲ್ಯೀಕರಣವನ್ನು ಪಾಸ್ ಮಾಡಿ ಎಂದೂ ದೋಷವನ್ನು ಎತ್ತದೆ ನಿಮ್ಮ ಡೇಟಾಸೆಟ್ ಅನ್ನು ವಿಷಪೂರಿತಗೊಳಿಸುತ್ತದೆ.

ಎಲ್ಲಾ ಐದರ ಕಾರ್ಯಾಚರಣಾ ಸಮಸ್ಯೆ ಅವು ಅನ್ಯಾಯ ಎಂಬುದಲ್ಲ. ಅವು ಅಳೆಯಲಾಗದವು ಎಂಬುದೇ. ತಪ್ಪು ಉತ್ತರ ಒಂದು ಡೇಟಾ ಪಾಯಿಂಟ್; ನೀವು ಅದನ್ನು ಸ್ಕೋರ್ ಮಾಡಬಹುದು, ಮೌಲ್ಯಮಾಪನದಲ್ಲಿ ಹಿಡಿಯಬಹುದು, ಮತ್ತು ಅದಕ್ಕೆ ಸರಿಪಡಿಸಬಹುದು. ನಿರಾಕರಣೆ ಒಂದು ರಂಧ್ರ. ಬ್ಯಾಚ್ ಪ್ರಮಾಣದಲ್ಲಿ, ನಿಮ್ಮ ಇನ್‌ಪುಟ್‌ಗಳಾದ್ಯಂತ ಅಸಂಭಾವ್ಯವಾಗಿ ವಿತರಿಸಲ್ಪಟ್ಟ 3% ನಿರಾಕರಣೆ ದರ — ರಚನೆಯ ಪ್ರಕಾರ, ಕಠಿಣ ಮತ್ತು ಅಸಾಮಾನ್ಯ ಪ್ರಕರಣಗಳ ಮೇಲೆ ನಿಖರವಾಗಿ ಕೇಂದ್ರೀಕೃತವಾಗಿ — ನಿಮ್ಮ ಫಲಿತಾಂಶಗಳಲ್ಲಿ ಎಷ್ಟೇ ಡೌನ್‌ಸ್ಟ್ರೀಮ್ ಶುಚಿಗೊಳಿಕೆಯೂ ಚೇತರಿಸಿಕೊಳ್ಳಲಾಗದ ವ್ಯವಸ್ಥಿತ ಪಕ್ಷಪಾತ. ನಿರಾಕರಣೆ ಪದರವನ್ನು ತೆಗೆಯುವುದೆಂದರೆ ಮೂಕ, ಸಂಬಂಧಿತ ಕಾಣೆಯಾದ ಡೇಟಾದ ಮೂಲವನ್ನು ತೆಗೆಯುವುದು.

Shannon ಅನ್ನು Shannon Lab LLC, ನ್ಯೂ ಮೆಕ್ಸಿಕೊ, USA, ನಮ್ಮ ಜವಾಬ್ದಾರಿಯುತ ಬಳಕೆ ನೀತಿಯ ಅಡಿಯಲ್ಲಿ ನಿರ್ವಹಿಸುತ್ತದೆ. ಸೆನ್ಸಾರ್ ರಹಿತ ಎಂದರೆ ಮಾಡೆಲ್ ನಿಮ್ಮ ಇನ್‌ಪುಟ್‌ಗಳ ಬಗ್ಗೆ ಸಂಪಾದಕೀಯ ಅಭಿಪ್ರಾಯ ವ್ಯಕ್ತಪಡಿಸುವುದಿಲ್ಲ ಎಂದರ್ಥ; ಖಾತೆಗೆ ಷರತ್ತುಗಳಿಲ್ಲ ಎಂದಲ್ಲ.

06ಪೂರ್ಣ ಸ್ಪೆಸಿಫಿಕೇಶನ್

ಫೀಲ್ಡ್	MiniMax-M3 · 3BIT-REAP
ಮಾಡೆಲ್ id	MiniMax-M3-3BIT-REAP
ಫೌಂಡೇಶನ್	MiniMax-M3 (MiniMax AI)
ಸಂದರ್ಭ ವಿಂಡೋ	262,144 ಟೋಕನ್‌ಗಳು
ಗರಿಷ್ಠ ಔಟ್‌ಪುಟ್	16,384 ಟೋಕನ್‌ಗಳು
ಚಿತ್ರ ಇನ್‌ಪುಟ್	ಹೌದು
ವೀಡಿಯೋ ಇನ್‌ಪುಟ್	ಒಡ್ಡಲಾಗಿಲ್ಲ
ಸ್ಟ್ರೀಮಿಂಗ್	ಹೌದು
ಟೂಲ್ ಕಾಲಿಂಗ್	ಹೌದು
ರೀಸನಿಂಗ್	ಹೌದು (reasoning_effort)
ರಚನಾತ್ಮಕ ಔಟ್‌ಪುಟ್	json_schema + response_format
ನಿರಾಕರಣೆ ಪದರ	ಇಲ್ಲ
ಎಂಡ್‌ಪಾಯಿಂಟ್‌ಗಳು	/v1/chat/completions · /v1/messages · /v1/responses
ಇಲ್ಲಿ ಸೇವೆ ನೀಡಲಾಗಿದೆ	Shannon ನ ಸ್ವಂತ GPU ಕ್ಲಸ್ಟರ್

ಆ ಟೇಬಲ್‌ನಲ್ಲಿ ಎರಡು ಸಾಲುಗಳು ಒತ್ತಿ ಹೇಳಬೇಕಾದವು. ವೀಡಿಯೋ ಇನ್‌ಪುಟ್ ಒಡ್ಡಲಾಗಿಲ್ಲ. ಅಪ್‌ಸ್ಟ್ರೀಮ್ M3 ಫೌಂಡೇಶನ್ ವೀಡಿಯೋ ಮೇಲೆ ತರಬೇತಿ ಪಡೆದಿದೆ ಮತ್ತು MiniMax ವೀಡಿಯೋ ಇನ್‌ಪುಟ್ ಅನ್ನು ದಾಖಲಿಸುತ್ತದೆ; ನಮ್ಮ ಎಂಡ್‌ಪಾಯಿಂಟ್ ಚಿತ್ರಗಳನ್ನು ಸ್ವೀಕರಿಸುತ್ತದೆ. ಚಿತ್ರಗಳ ವಿರುದ್ಧ ಕಟ್ಟಿ. ಎರಡನೆಯದಾಗಿ, 262,144-ಟೋಕನ್ ವಿಂಡೋ ನಮ್ಮದು, ಅಪ್‌ಸ್ಟ್ರೀಮ್‌ನ ಒಂದು-ಮಿಲಿಯನ್ ಅಂಕಿ ಅಲ್ಲ — ದೀರ್ಘ-ದಾಖಲೆ ಮತ್ತು ಬಹು-ಚಿತ್ರ ಕೆಲಸದ ಭಾರವನ್ನು 262,144 ಗೆ ವಿರುದ್ಧವಾಗಿ ಯೋಜಿಸಿ ಮತ್ತು ನೀವು ಎಂದಿಗೂ ಆಶ್ಚರ್ಯಗೊಳ್ಳುವುದಿಲ್ಲ.

07ಸೆನ್ಸಾರ್ ರಹಿತ MiniMax API ಕರೆಯುವುದು

ಮೂರು ಶೈಲಿಗಳು, ಎಲ್ಲದರ ಹಿಂದೆ ಅದೇ ಮಾಡೆಲ್, ಎಲ್ಲಾ ಮೂರರಲ್ಲೂ ಸ್ಟ್ರೀಮಿಂಗ್. ನಿಮ್ಮ ಈಗಿರುವ ಕ್ಲೈಂಟ್ ಈಗಾಗಲೇ ಮಾತನಾಡುವುದನ್ನೇ ಬಳಸಿ; ಅವುಗಳ ನಡುವೆ ಸಾಮರ್ಥ್ಯ ವ್ಯತ್ಯಾಸ ಇಲ್ಲ. ನಿಮ್ಮ base URL ಅನ್ನು Shannon ಗೆ ತೋರಿಸಿ ಮತ್ತು ಮಾಡೆಲ್ id ಬದಲಾಯಿಸಿ.

OpenAI ಶೈಲಿಯ ಮೂಲಕ ಚಿತ್ರ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ

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
  }'

ರಿಮೋಟ್ https:// URL ಗಳು ಮತ್ತು base64 data URL ಗಳು ಎರಡೂ image_url ಭಾಗದಲ್ಲಿ ಕೆಲಸ ಮಾಡುತ್ತವೆ. ಅಡ್ಡ-ಪುಟ ಹೋಲಿಕೆ ಬೇಕಾದಾಗ ಒಂದೇ ಸಂದೇಶದಲ್ಲಿ ಹಲವು ಚಿತ್ರ ಭಾಗಗಳನ್ನು ಲಗತ್ತಿಸಿ — ನಿಮ್ಮ ಬಳಿ ಖರ್ಚು ಮಾಡಲು 262,144 ಟೋಕನ್‌ಗಳಿವೆ ಮತ್ತು ಪ್ರತಿ ಮಿಲಿಯನ್‌ಗೆ $0.50 ದರದಲ್ಲಿ, ಅವನ್ನು ಖರ್ಚು ಮಾಡುವುದು ಅಗ್ಗ.

JSON schema ಜೊತೆ ಟೈಪ್ ಮಾಡಿದ ಹೊರತೆಗೆಯುವಿಕೆ

ಈ ಮಾಡೆಲ್ ಪೈಪ್‌ಲೈನ್‌ನಲ್ಲಿ ತನ್ನ ಸ್ಥಾನವನ್ನು ಗಳಿಸುವ ಸ್ಥಳ ದೃಷ್ಟಿ + ಕಟ್ಟುನಿಟ್ಟಾದ schema + ನೆಲಮಟ್ಟದ ಬೆಲೆಯ ಸಂಯೋಜನೆ. ನಮ್ಮ ಕ್ಯಾಟಲಾಗ್‌ನಲ್ಲಿ ಎಲ್ಲಾ ಮಾಡೆಲ್‌ಗಳಿಗೆ ಈ ಮೂರೂ ಇಲ್ಲ: Laguna-S-2.1 ಮತ್ತು inkling json_schema ಬೆಂಬಲಿಸುವುದಿಲ್ಲ. MiniMax-M3 ಬೆಂಬಲಿಸುತ್ತದೆ, ಎಂದರೆ ಪಾರ್ಸಿಂಗ್ ಪದರವಿಲ್ಲದೆ ಚಿತ್ರದಿಂದ ಮೌಲ್ಯೀಕೃತ ಆಬ್ಜೆಕ್ಟ್ ಪಡೆಯಬಹುದು:

{
  "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
      }
    }
  }
}

ರೀಸನಿಂಗ್ ಎಫರ್ಟ್

ಮಾಡೆಲ್ reasoning_effort ಒಡ್ಡುತ್ತದೆ. ಬೃಹತ್ ಚಿತ್ರ ವರ್ಗೀಕರಣದಲ್ಲಿ, ಇದನ್ನು ಕಡಿಮೆ ಇಡಿ — ನೀವು ಗ್ರಹಿಕೆಯ ಪ್ರಶ್ನೆ ಕೇಳುತ್ತಿದ್ದೀರಿ, ಮತ್ತು ರೀಸನಿಂಗ್ ಟೋಕನ್‌ಗಳು ನೀವು ಪಾವತಿಸುವ ಔಟ್‌ಪುಟ್ ಟೋಕನ್‌ಗಳು. ಚಿತ್ರ ದೀರ್ಘ ವಾದದಲ್ಲಿ ಸಾಕ್ಷ್ಯವಾಗಿರುವ ಕರೆಗಳಿಗೆ ಇದನ್ನು ಏರಿಸಿ: ಸ್ಪೆಸಿಫಿಕೇಶನ್‌ಗೆ ಎದುರಾಗಿ ಡಯಾಗ್ರಾಮ್ ಓದುವುದು, ಚಾರ್ಟ್ ಅನ್ನು ಟೇಬಲ್‌ಗೆ ಸಮನ್ವಯಗೊಳಿಸುವುದು, ಎರಡು ಸ್ಕ್ರೀನ್‌ಶಾಟ್‌ಗಳು ಅದೇ ದೋಷವನ್ನು ತೋರಿಸುತ್ತವೆಯೇ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುವುದು.

ಎಲ್ಲಾ ಮೂರು ಶೈಲಿಗಳಿಗೆ ಸಂಪೂರ್ಣ ಪ್ಯಾರಾಮೀಟರ್ ಉಲ್ಲೇಖ, ದೋಷ ಸೆಮ್ಯಾಂಟಿಕ್ಸ್, ಮತ್ತು ಸ್ಟ್ರೀಮಿಂಗ್ ಫಾರ್ಮ್ಯಾಟ್‌ಗಳು Shannon API ದಾಖಲಾತಿಯಲ್ಲಿ ವಾಸಿಸುತ್ತವೆ.

08MiniMax-M3 ಸರಿಯಾದ ಆಯ್ಕೆ ಎಲ್ಲಿ — ಮತ್ತು ಎಲ್ಲಿ ಅಲ್ಲ

ಇದಕ್ಕಾಗಿ ತಲುಪಿ, ಯಾವಾಗ

• ಪ್ರಮಾಣದ ಚಿತ್ರ ಕೆಲಸ. ಡೇಟಾಸೆಟ್ ಲೇಬಲಿಂಗ್, ಮಾಡರೇಶನ್ ಸಂಶೋಧನೆ, ಕ್ಯಾಟಲಾಗ್ ಪುಷ್ಟೀಕರಣ, ಸ್ಕ್ರೀನ್‌ಶಾಟ್ ಟ್ರಯಾಜ್, ಸ್ಕ್ಯಾನ್ ಮಾಡಿದ ದಾಖಲೆಗಳ ಮೇಲೆ ಬ್ಯಾಚ್ OCR-ಮತ್ತು-ರಚನೆ. ನೆಲಮಟ್ಟದ ಬೆಲೆಯೇ ಸಂಪೂರ್ಣ ವಾದ.
• ಚಿತ್ರಗಳಿಂದ ಟೈಪ್ ಮಾಡಿದ ದಾಖಲೆಗಳಿಗೆ. ದೃಷ್ಟಿ ಜೊತೆಗೆ ಕಟ್ಟುನಿಟ್ಟಾದ json_schema ಜೊತೆಗೆ ಕ್ಯಾಟಲಾಗ್‌ನಲ್ಲಿನ ಅಗ್ಗದ ಟೋಕನ್‌ಗಳು — ಇಲ್ಲಿ ಕೇವಲ ಎರಡು ಮಾಡೆಲ್‌ಗಳು ಮಾತ್ರ ಕೊಡುವ ಸಂಯೋಜನೆ.
• ದೀರ್ಘ ಮಲ್ಟಿಮೋಡಲ್ ಸಂದರ್ಭ. ಒಂಟಿ ವಿನಂತಿಯಲ್ಲಿ ಹಲವು ಪುಟಗಳು, ಅಥವಾ ಹಲವು ಫ್ರೇಮ್‌ಗಳು — ಕೆಳಗಿನ ವಾಸ್ತುಶಿಲ್ಪ ನಿಖರವಾಗಿ ಈ ಆಕಾರದ ಇನ್‌ಪುಟ್‌ಗಾಗಿ ಕಟ್ಟಲ್ಪಟ್ಟಿದೆ.
• ನಿರಾಕರಣೆಗಳು ಮಾದರಿಯನ್ನು ಭ್ರಷ್ಟಗೊಳಿಸುವ ಸಂಶೋಧನೆ. ಅಹಿತಕರವಾದವುಗಳನ್ನೂ ಸೇರಿ, ಮಾಡೆಲ್ ಪ್ರತಿ ಐಟಂಗೆ ಉತ್ತರಿಸುವುದರ ಮೇಲೆ ಮಾನ್ಯತೆ ಅವಲಂಬಿಸಿರುವ ಯಾವುದೇ ಅಧ್ಯಯನ.
• ಪರದೆಯನ್ನು ಓದುವ ಏಜೆಂಟಿಕ್ ಲೂಪ್‌ಗಳು. M-ಸರಣಿ ವಂಶಾವಳಿ ಸ್ಪಷ್ಟವಾಗಿ ಏಜೆಂಟಿಕ್, ಮತ್ತು ಟೂಲ್ ಕಾಲಿಂಗ್ ಲಭ್ಯವಿದೆ.

ಬೇರೆ ಯಾವುದನ್ನಾದರೂ ತಲುಪಿ, ಯಾವಾಗ

• ನಿಮಗೆ ಅತಿ ಹೆಚ್ಚಿನ ದೃಷ್ಟಿ ಸೀಲಿಂಗ್ ಬೇಕು ಮತ್ತು ಬಜೆಟ್ ಇದೆ. Kimi-K3 · 3BIT-REAP ಒಂದು ಕಾರಣಕ್ಕಾಗಿ ಇನ್‌ಪುಟ್ ಬೆಲೆಯ 7.7× ಆಗಿದೆ; ಒಂಟಿ ಹೆಚ್ಚಿನ-ಪಣದ ಓದಿಗೆ, ಅದೇ ಸರಿಯಾದ ಹಣ ಖರ್ಚು ಮಾಡುವುದು.
• ನಿಮಗೆ ಗರಿಷ್ಠ-ನಿಷ್ಠೆಯ ವೈಟ್ಸ್ ಬೇಕು. 3-ಬಿಟ್ ನಮ್ಮ ಅತ್ಯಂತ ಆಕ್ರಮಣಕಾರಿ ಶ್ರೇಣಿ. W8A16 ಮಾಡೆಲ್‌ಗಳು ನಿಖರತೆಗಾಗಿ ಬೆಲೆಯನ್ನು ಟ್ರೇಡ್ ಮಾಡುತ್ತವೆ, ಮತ್ತು ಪ್ರತಿ ವೈಟ್‌ಗೆ ನಿಷ್ಠೆಯನ್ನೇ ನೀವು ಆಪ್ಟಿಮೈಸ್ ಮಾಡುತ್ತಿದ್ದರೆ MiMo-V2.5 · W8A16 ಅದೇ $0.50 / $2.00 ನಲ್ಲಿ ದೃಷ್ಟಿ-ಸಾಮರ್ಥ್ಯ ಹೊಂದಿದೆ.
• ನಿಮಗೆ ವೀಡಿಯೋ ಬೇಕು. ಈ ಎಂಡ್‌ಪಾಯಿಂಟ್‌ನಲ್ಲಿ ನಾವು ವೀಡಿಯೋ ಇನ್‌ಪುಟ್ ಅನ್ನು ಒಡ್ಡುವುದಿಲ್ಲ.
• ಕೆಲಸ ಫ್ರಂಟಿಯರ್‌ನಲ್ಲಿ ಶುದ್ಧ ಪಠ್ಯ. DeepSeek-V4-Pro-0813 ಅದಕ್ಕಾಗಿ ಇದೆ; ನೀವು ಎಂದಿಗೂ ಬಳಸದ ದೃಷ್ಟಿ ಟವರ್‌ಗೆ ಪಾವತಿಸುತ್ತಿರುತ್ತೀರಿ.

MiniMax ಕುಟುಂಬದ ವಾಸ್ತುಶಿಲ್ಪ, ಬೆಂಚ್‌ಮಾರ್ಕ್, ಮತ್ತು ವೇಗ ಹೆಚ್ಚಳ ಅಂಕಿಗಳು MiniMax AI ಯಿಂದ ಲ್ಯಾಬ್-ವರದಿ ಮಾಡಲ್ಪಟ್ಟಿವೆ; REAP ಅಂಕಿಗಳನ್ನು REAP ಲೇಖಕರು ಅವರ ಸ್ವಂತ ಮಾಡೆಲ್‌ಗಳ ಮೇಲೆ ವರದಿ ಮಾಡುತ್ತಾರೆ ಮತ್ತು ಇದು ಈ ಬಿಲ್ಡ್‌ನ ಅಳತೆಯಲ್ಲ. Shannon ಬೆಲೆಗಳು, ಸಂದರ್ಭ ವಿಂಡೋ, ಮತ್ತು ಸಾಮರ್ಥ್ಯ ಫ್ಲ್ಯಾಗ್‌ಗಳು ನಮ್ಮದೇ ಮತ್ತು ನಮ್ಮ ಲೈವ್ ಮಾಡೆಲ್ ಕ್ಯಾಟಲಾಗ್‌ನಿಂದ ಓದಲಾಗಿದೆ.

09ಪದೇ ಪದೇ ಕೇಳಲಾಗುವ ಪ್ರಶ್ನೆಗಳು

---

ಮೂಲಗಳು: MiniMax-M3 ಮಾಡೆಲ್ ಕಾರ್ಡ್ · 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 ಬೆಂಚ್‌ಮಾರ್ಕ್ ಮತ್ತು ವೇಗ ಹೆಚ್ಚಳ ಅಂಕಿಗಳು ಲ್ಯಾಬ್-ವರದಿ ಮಾಡಲ್ಪಟ್ಟಿವೆ ಮತ್ತು ಸ್ವತಂತ್ರ ಪರಿಶೀಲನೆಗೆ ಬಾಕಿ ಇವೆ. Shannon ಬೆಲೆಗಳು ಮತ್ತು ಸಾಮರ್ಥ್ಯ ಫ್ಲ್ಯಾಗ್‌ಗಳು ಸೆಪ್ಟೆಂಬರ್ 5, 2026 ರ ಪ್ರಕಾರ ಪ್ರಸ್ತುತ.