API ya MiniMax a bê sansûr: dîtin li bihayê erdê

Hema hema her API ya pir-modalî ya hosting-kirî dîtinê wek tiştekî premium bihanî dike. Tu ji bo nivîsê rêjeya modela nivîsê didî, û paşê tu zêdetir didî — carinan çend caran zêdetir — di wê kêliyê de ku wêneyek dikeve prompta te. Ji ber vê jî, têketinên wêneyan cihê ku tevgera redkirinê herî tund e ne: modela ku bi kêfxweşî li ser mijarekê bi nivîsê diaxive dê red bike ku heman tiştî di wêneyekê de şirove bike. Encam berhemek e ku ji bo her bangekê biha ye û ji bo her bangekê nebawer e, ku ev di dema pêvajokirina hejmara mezin de xerabtirîn her du cîhanan e. MiniMax-M3 li ser Shannon bersiva me ya vê yekê ye: heman $0.50 / $2.00 ku tu ji bo modela me ya nivîsê ya herî erzan didî, li ser bingehekê tê sepandin ku ji gava yekem ve pir-modalî hatiye perwerdekirin, bêyî tebeqeyeke redkirinê li ber wê.

01«Modela dîtinê ya bê sansûr a herî erzan» li vir bi rastî çi tê wateyê

Kataloga Shannon diwazdeh model in. Pênc ji wan wêneyan qebûl dikin. Bihayên wan, ji bo her mîlyon tokenan:

Modela bi kapasîteya dîtinê	Têketin	Derketin	Derketina strukturkirî
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	tenê response_format
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 li erdê rûdine — $0.50 / $2.00 — bi MiMo-V2.5 re wekhev û tiştek li jêrî wê tune, ji ber ku $0.50 / $2.00 erdê lîsteya bihayên me bi xwe ye. Li hember serê rêza dîtinê ew 7.7× li ser têketinê û 9.6× li ser derketinê erzantir e ji Kimi-K3.

Wê têxe nav karekî. Bifikire ku tu 1,000 wêneyan senifandinê dikî — screenshot, rûpelên skenkirî, wêneyên berheman — bi navînî bi qasî 1,200 tokenên wêne plus prompt diçin hundir û 300 tokenên bersivê derdikevin:

Bihayên lîsteyê yên Shannon, Îlona 2026. Hejmarên tokenan nimûneyî ne; tokenkirina wêneyên te bi rezolusyonê û bi wê ve girêdayî ye ka tu çend wêneyan bi her bangekê ve dizeliqînî.

Du xalên referansê yên din ên ku baş e tu di serê xwe de bigirî. Tijîkirina tevahiya contexta 262,144-tokenî carekê bi qasî 13 sentan dike. Bersiveke bi dirêjahiya herî zêde ya 16,384-tokenî bi qasî 3.3 sentan dike. Ev sînorên rastîn ên daxwazeke yekane ya herî xerab in, û ew têra xwe biçûk in ku astenga balkêş a li ser lûleyeke dîtinê êdî ne pere be lê bibe bandewahî.

02Rêza MiniMax: laboratûwarek ku tokenan optîmîze dike, ne sernavan

MiniMax AI laboratûwareke Şanghayê ye ku tevahiya dîroka wê ya giraniyên vekirî li ser yek pirsê ye: tu çawa balê têra xwe erzan dikî ku contexta dirêj û pir-modalîbûn êdî luks nebin? Her berdaneke di vê xetê de bersiveke wê pirsê ye, û bersiv li ser hev tên avakirin.

MiniMax-01 — Lightning Attention, û dîtin ji destpêkê ve

Rêza MiniMax-01 (wek arXiv 2501.08313 hatiye weşandin) Lightning Attention da nasîn, pêkanîneke ji I/Oyê haydar a guhertoyeke balê ya xêzî, di nav modeleke Mixture-of-Experts a hîbrîd de bi 456B parametreyên giştî û 45.9B aktîv ji bo her tokenekê. Rêz wek cotekê hat şandin: MiniMax-Text-01 û MiniMax-VL-01, modela dîtinê. VL-01 stûna ViT-MLP-LLM ya niha nas bikar anî, lê bi Vision Transformerekê ya 303-mîlyon-parametreyî ku ji sifirê li ser 694 mîlyon cotên wêne-nivîsê hatiye perwerdekirin ne bi kodkerekî deyn kirî, paşê li seranserê lûleyeke pir-qonaxî ya ku 512 mîlyar tokenan pêvajo dike hat hevrêzkirin û bi hev re fine-tune kirin.

Ew hûrgil ji bo vê gotarê ya ku tu dixwînî girîng e. Dîtin di vê rêzê de ne adapterekî dereng e ku li modeleke nivîsê hatiye zeliqandin da ku qutiyek were nîşankirin. MiniMax ji berdana xwe ya vekirî ya yekem ve stûna dîtinê ya xwe bi xwe perwerde dike, ku ev e sedema ku têgihiştina belgeyan, têgihiştina navrûyan û screenshotan, û xwendina grafîkan hêzên berdewam ên malbatê bûne ne fikrên paşerojê.

MiniMax-M1 — bala hîbrîd ji bo ramîna dirêj

MiniMax-M1 (arXiv 2506.13585) ji aliyê nivîskarên xwe ve wek modela ramanê ya yekem a bi giraniyên vekirî, bi pîvana mezin û bi bala hîbrîd hat şirovekirin. Wê laşê MoE yê 456B / 45.9B parast û du cureyên balê li hev hûnand: blokeke transformerê ya bala softmax a asayî piştî her heft blokên Lightning Attention. Qezenc bi hesab hat pîvandin ne bi cihê li ser lîsteyê — MiniMax ragihand ku li dirêjahiya çêkirinê ya 100K-tokenî, M1 bi qasî 25% ya FLOPên DeepSeek R1 xerc kir, dema ku bi awayekî niştecih piştgiriya contexta yek-mîlyon-tokenî dikir.

MiniMax-M2 — zivirîna ber bi aktîvasyona biçûk

MiniMax-M2 li ser mezinahiyê aliyê din çû û bala xwe pê kişand: dekodereke 62-tebeqeyî bi 229.9B parametreyên giştî lê tenê ~9.8B aktîv ji bo her tokenekê, bi 256 pisporên hûrgilî ji bo her tebeqeya MoE bi rêkirina sigmoid ber bi heştan ve, pozîsyonên RoPE û QK-RMSNorm ji bo stabîliya perwerdehiyê. Ew bi eşkereyî modeleke kodkirina ajanî bû — guhertinên pir-fîleyî, lûpên meşandin-û-rastkirinê, tamîrên bi testan verîfîkirî — û wê formata ramîna li hev hûnandî da nasîn, ku tê de ramîn di navbera dorên bangkirina amûran de tê hilgirtin li şûna ku piştî her dorekê were avêtin. M2 ew model e ku navûdengê MiniMax ji bo pêşkêşkirina tevgereke ajanî ya nêzî sînor bi perçeyekî ji lêçûna her-tokenî ava kir, tenê bi biçûk hiştina aktîvasyonan.

MiniMax-M3 — bingeha li bin vî endpointî

MiniMax-M3 di 1ê Hezîrana 2026 de hat berdan, bi giraniyan li ser Hugging Face demek şûnda û rapora teknîkî li arXiv 2606.13392. Ew modeleke Mixture-of-Experts a 428B-parametreyî ye bi qasî 23B aktîv ji bo her tokenekê, bi contexteke yek-mîlyon-tokenî ya belgekirî, û têketina niştecih a wêne û vîdyoyê — MiniMax wê wek bi modalîteya tevlihev «ji gava herî yekem ve» perwerdekirî şirove dike, ne wek bi nivîsê pêş-perwerdekirî û paşê bi awayekî pir-modalî adapte kirî. Li ser jimarên MiniMax ên weşandî ew 80.5% li ser SWE-bench Verified û 59.0% li ser SWE-bench Pro digire. Ev jimarên ku ji aliyê firoşkar ve li ser benchmarkeke kodkirinê hatine ragihandin in, ku ev tam awayê ku divê tu giraniyê bidî wan e; em wan binav dikin ji ber ku ew îdiayên weşandî yên laboratûwarê ne, ne ji ber ku me ew bi awayekî serbixwe ji nû ve çêkirine.

03MiniMax Sparse Attention: çima modeleke dîtinê dikare ewqas erzan be

Endezyariya balkêş a di M3 de MiniMax Sparse Attention (MSA) ye, û ew sedema rasterast e ku modeleke pir-modalî ya vê mezinahiyê dikare li bihayê me yê erdê rûne. Wêne ji aliyê tokenan ve biha ne. Çend rûpelên bi rezolusyona bilind dikarin dehan hezar tokenan têxin nav promptekê berî ku tu rênimayeke yekane binivîsî. Di bin balê ya standard de, ew lêçûn bi awayekî quadratîk kom dibe, û modela ku bîst rûpelan dixwîne ne du caran ji ya ku deh rûpelan dixwîne bihatir e — ew ji du caran pir xerabtir e.

MSA şeklê wê xêzê diguherîne. Ew mekanîzmayeke blok-seyrek e ku li ser stûnekê Grouped Query Attention hatiye avakirin, ku li du şaxan tê dabeşkirin:

• Şaxekî Indeksê yê sivik ku blokên bişkoj-nirxê dinirxîne — nirxên max-pooling li seranserê tokenên di nav her blokekê de — û top-k ji bo her pozîsyoneke pirsê û her koma GQA hildibijêre, her tim bloka herêmî ya ku pirs bi xwe tê de heye ji bo stabîliya perwerdehiyê tê de dihewîne.
• Şaxekî Sereke ku bala softmax a asayî tenê li ser wan blokên ku indeks hilbijartine dimeşîne.

Konfigurasyona di gotara MSA de k = 16 blokên 128-tokenî ye, ku ji her pirsekê re budceyeke sabît a 2,048 tokenên bal-dayî dide. Sabît, tê wateya ku ew bi dirêjahiya rêzê re mezin nabe. Ev e temamê hîleyê: dema ku context mezin dibe, lêçûna balê ya bingehîna dagirtî ber bi jor ve diçe dema ku lêçûna şaxê sereke yê MSA sabît dimîne, loma bal bi awayekî xêzî tê pîvandin li şûna quadratîk.

Jimar ji rapora MiniMax Sparse Attention (arXiv 2606.13392): kêmkirineke 28.4× di FLOPên balê yên her-tokenî de li hember GQA ya bi heman konfigurasyonê li contexta 1M, û lezkirinên dema-dîwarî yên 14.2× prefill / 7.6× dekodkirin ku li ser hardware ya H800 di lêkolîna 109B-parametreyî ya gotarê de hatine pîvandin. MiniMax bi cudayî 9× lezkirina prefillê û 15× lezkirina dekodkirinê ji bo M3 li hember M2 li contexta 1M ragihîne. Hemû ji aliyê laboratûwarê ve hatine ragihandin.

Gotar herwiha wê kontrolê dike ku ji bo gotareke dîtinê girîng e: li ser MoEyeke 109B ya bi awayekî niştecih pir-modalî, MSA performanseke berawirdî bi bingehîna bala tam re li seranserê benchmarkên wêneyan ligel AI2D, ChartQA û MMMU, û li seranserê benchmarkên vîdyoyê ligel EgoSchema, LongVideoBench û VideoMME parast — bi guhertoyên seyrek ku carinan li ser karên vîdyoyê yên bi contexta dirêjtir baştir dibûn. Seyrekî li vir ne bacekî kalîteyê ye ku tu ji bo lezê didî; li ser têketinên dirêj ew bi qasî belaş xuya dike.

Çima divê tu wek muşteriyekî bala xwe bidî: lêçûna xizmetkirinê ew tişt e ku bihayê lîsteyê destnîşan dike. Bingehekê ku lêçûna balê ya wê mezin nabe bingehek e ku tu dikarî wê li ser sed hezar wêneyan bikî. Ev mekanîzmaya li piştî «modela dîtinê ya bê sansûr a herî erzan» e — ew ne rêjeyeke reklamê ye, ew mîmarî ye.

043BIT-REAP çi tê wateyê, û li ku ji te re lêçûnek e

Modeleke 428-mîlyar-parametreyî di rasttiya tam de li tu cihekî guncaw cih nagire. Avakirina me ya MiniMax-M3 paşgira 3BIT-REAP hildigire, ku du operasyonên cuda yên bi rêzeke diyar hatine sepandin şirove dike.

REAP: pisporan berî ku wan bipêçî jê bibe

REAP — Router-weighted Expert Activation Pruning — rêbazeke pêçandina MoE ya yek-gavî ye ji Cerebras û Zanîngeha Calgary, wek arXiv 2510.13999 hatiye weşandin û li ICLR 2026 hatiye qebûlkirin. Argumana wê ev e ku ji bo karên çêker, birrîna pisporan ji tevlihevkirina wan çêtir e: tevlihevkirin kontrola hûrgilî ya routerê hilweşîne û çewtiyekê dide ku tu carî nayê vegerandin. Loma REAP li şûna wê her pisporekî bi pîvaneke berbiçavbûnê dinirxîne ku nirxên dergehê routerê (çend caran û çiqas bi hêz router wî hildibijêre) û normên aktîvasyona pisporî (derketina wî bi rastî çiqas beşdar dibe) li hev tîne, paşê pisporên herî kêm berbiçav rasterast jê dibe.

Nivîskar ragihînin ku heta 50% ya pisporan ji modelên heta yek trîlyon parametreyî tê rakirin dema ku kalîteya bingehîn bi giranî tê parastin — li ser Qwen3-480B-Coder-FP8 li 50% birrînê, 97.6% ya kapasîteya kodkirinê ya ne-ajanî ya bingehîn û 96.7% li ser SWE-Bench ya ajanî hatin parastin. Ev jimarên gotarê li ser modelên gotarê ne, ne yên me li ser MiniMax-M3; em wan binav dikin da ku tu bikaribî rêbazê binirxînî, ne ku em pîvandineke wekhev li vir îma bikin.

Giraniyên 3-bit, ya duyem

Giraniyên ku dimînin paşê bi 3 bitan tên hilanîn. Rêzkirin bi mebest e û ew xala tevlihevkirinê ye: pêşî birrîn, paşê quantize kirin. Ne aqilane ye ku tu sê bitên xwe yên hêja ji bo her giraniyekê bi dilsozî li ser kodkirina wan pisporan xerc bikî ku tu yê wan jê bibî. Dûvika seyrek bibirre, paşê bila budceya mayî bi tevahî here ser wan pisporên ku bi rastî dişewitin.

Hişyariya dilsoz

3BIT-REAP asta herî tund e ku em dişînin. Em wê li ser bingehên herî mezin bikar tînin — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — ji ber ku ew cudahiya di navbera hebûna wan modelan li bihayekî aqilane û qet nebûna wan de ye. Li cihê ku bingehek têra xwe biçûk e ku wê hewce neke, em wê bikar naynin: modelên W8A16 yên di katalogê de giraniyên 8-bit bi aktîvasyonên 16-bit dimeşînin, û W4A16-AUTOROUND-REAP di navê de rûdine, bi bikaranîna gilorkirina fêrbûyî ya AutoRound ku wê rasttiyê vedigerîne ku quantizasyona gilorkirina-sade-ber-bi-ya-nêzîk dide. Asta ku li gorî tehemûla te ye hilbijêre. Heke tu ji deh hezar fatûreyan qadan derdixî, 3-bit bazara rast e. Heke tu xwendineke adlî ya bi rîska bilind a wêneyekî yekane dikî, perê xwe li ser Kimi-K3 xerc bike.

05Gava têketin wêneyek be «tu tebeqeya redkirinê» çi tê wateyê

Bê sansûr peyvek e ku bi awayekî sist tê bikaranîn, loma îdiaya rast ev e: li ser vî endpointî tu tebeqeya redkirinê tune û tu fîltrekirina derketinê nîne. Tu klasîfîker wêneyê te berî ku model wî bibîne venakole. Tu modela polîtîkayê tokenan di rê de venakole. Tiştê ku model çêdike ew e ku tu werdigirî.

Di nivîsê de, bandora wê nas e. Di dîtinê de, ew ji cureyekî din e, ji ber ku tevgera redkirinê li ser têketinên wêneyan cihê ku API yên pir-modalî yên bazirganî herî muhafezekar û herî kêfî ne. Têkçûnên taybet wisa xuya dikin:

• Redkirinên nasnameyê yên giştî — bi tevahî redkirina şirovekirina kesan di wêneyekê de, ligel taybetmendiyên ku bi eşkereyî xuya û bi tevahî bêziyan in, ji ber ku polîtîkayek nikare şirovekirinê ji nasandinê veqetîne.
• Reva ji mijarê — redkirina veguhastina an kurtkirina belgeyekê ji ber wê ku belge li ser çi ye, tevî ku veguhastin karekî mekanîkî ye.
• Nerihetiya bijîşkî û adlî — redkirina şirovekirina wêneyên klînîkî, belgekirina birînan, an wêneyên qezayê ku pisporek hewce dike werin şirovekirin.
• Pozîtîfên xelet ên amûrên ewlehiyê — redkirina xwendina screenshotekê ji ber ku tê de terminalek, girtineke paketan, an debuggerek heye.
• Xerabûna bêdeng — ya herî xerab: ne redkirinek lê ne-bersiveke bi çeper, ku verîfîkasyona şemaya te derbas dike û komeleya daneyên te jehr dike bêyî ku carekê çewtiyekê rake.

Pirsgirêka xebitandinê ya bi her pêncan re ne ew e ku ew neheq in. Ew e ku ew nayên pîvandin. Bersiveke xelet xaleke daneyê ye; tu dikarî wê binirxînî, di nirxandinê de bigirî, û ji bo wê sererast bikî. Redkirinek qulek e. Li pîvana komî, rêjeyeke redkirinê ya 3% ku bi awayekî ne-tesadufî li seranserê têketinên te belav bûye — bi avakirinê, li ser tam wan dozên dijwar û ne asayî kom bûye — di encamên te de alîgiriyeke sîstematîk e ku tu paqijkirineke paşerojê wê venagerîne. Rakirina tebeqeya redkirinê çavkaniyeke daneyên winda yên bêdeng û korelekirî radike.

Shannon ji aliyê Shannon Lab LLC, New Mexico, DYA ve, di bin Polîtîkaya Bikaranîna Berpirsiyar a me de tê xebitandin. Bê sansûr tê wateya ku model li ser têketinên te şîroveyên exlaqî nake; ew nayê wê wateyê ku hesêb tu şert tune.

06Spesîfîkasyona tam

Qad	MiniMax-M3 · 3BIT-REAP
Nasnameya modelê	MiniMax-M3-3BIT-REAP
Bingeh	MiniMax-M3 (MiniMax AI)
Pencereya contextê	262,144 token
Derketina herî zêde	16,384 token
Têketina wêneyan	Erê
Têketina vîdyoyê	Nayê eşkere kirin
Streaming	Erê
Bangkirina amûran	Erê
Ramîn	Erê (reasoning_effort)
Derketina strukturkirî	json_schema + response_format
Tebeqeya redkirinê	Tune
Endpoint	/v1/chat/completions · /v1/messages · /v1/responses
Tê xizmet kirin li ser	koma GPU ya Shannon bi xwe

Du rêzên di wê tabloyê de hêjayî tekezkirinê ne. Têketina vîdyoyê nayê eşkere kirin. Bingehê M3 yê jorîn li ser vîdyoyê hatiye perwerdekirin û MiniMax têketina vîdyoyê belge dike; endpointê me wêneyan qebûl dike. Li ser wêneyan ava bike. Ya duyem, pencereya 262,144-tokenî ya me ye, ne jimara yek-mîlyonî ya jorîn — karên belgeyên dirêj û gelek-wêneyî li gorî 262,144 plan bike û tu carî nayê şaşkirin.

07Bangkirina API ya MiniMax a bê sansûr

Sê zarava, heman model li piştî hemûyan, streaming li ser her sêyan. Kîjan clientê te jixwe diaxive wê bikar bîne; di navbera wan de tu cudahiya kapasîteyê tune. URLa xwe ya bingehîn li Shannon nîşan bike û nasnameya modelê biguherîne.

Têgihiştina wêneyan bi rêya zaravayê 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
  }'

Hem URLên dûr ên https:// hem jî URLên daneyên base64 di beşa image_url de dixebitin. Gava tu berawirdkirina di navbera rûpelan de hewce dikî çend beşên wêneyan di yek peyamekê de ve bizeliqîne — 262,144 tokenên te hene ku tu xerc bikî û, li $0.50 ji bo her mîlyonê, xerckirina wan erzan e.

Derxistina bi tîp bi şemayeke JSON

Cihê ku ev model cihê xwe di lûleyekê de hêjayî dike tevlihevkirina dîtin + şemaya hişk + bihayê erdê ye. Ne her modeleke di katalogê me de her sê hene: Laguna-S-2.1 û inkling piştgiriya json_schema nakin. MiniMax-M3 dike, ku ev tê wateya ku tu dikarî objeyeke verîfîkirî ji wêneyekê derxînî bêyî tebeqeyeke parsekirinê:

{
  "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
      }
    }
  }
}

Hewldana ramanê

Model reasoning_effort eşkere dike. Li ser klasîfîkasyona wêneyan a komî, wê nizm bihêle — tu pirseke têgihiştinê dikî, û tokenên ramanê tokenên derketinê ne ku tu ji bo wan pere didî. Wê ji bo wan bangan bilind bike ku tê de wêne delîlek e di argumaneke dirêjtir de: xwendina diagramekê li hember spesîfîkasyonekê, lihevanîna grafîkekê bi tabloyekê re, biryardana ka du screenshot heman kêmasiyê nîşan didin an na.

Referansa parametreyan a tam, semantîka çewtiyan, û formatên streamingê ji bo her sê zaravayan di belgekirina API ya Shannon de dijîn.

08Li ku MiniMax-M3 bijartina rast e — û li ku ne rast e

Destê xwe dirêjî wê bike gava

• Karê wêneyan ê bi hejmara mezin. Nîşankirina komeleya daneyan, lêkolîna moderasyonê, dewlemendkirina katalogê, senifandina screenshotan, OCR-û-strukturkirina komî ya li ser belgeyên skenkirî. Bihayê erdê temamê argumanê ye.
• Wêne bo tomarên bi tîp. Dîtin plus json_schema ya hişk plus tokenên herî erzan ên di katalogê de tevlihevkirinek e ku tenê du model li vir pêşkêş dikin.
• Contexta pir-modalî ya dirêj. Gelek rûpel, an gelek çarçove, di daxwazeke yekane de — mîmariya li binî tam ji bo vî şeklê têketinê hatiye avakirin.
• Lêkolîna ku tê de redkirin nimûneyê xera dikin. Her lêkolîneke ku rastiya wê bi bersivdayîna modelê ji bo her hêmanekê, ligel yên nerihet, ve girêdayî ye.
• Lûpên ajanî yên ku ekranekê dixwînin. Rêza M-ê bi eşkereyî ajanî ye, û bangkirina amûran heye.

Destê xwe dirêjî tiştekî din bike gava

• Tu tavana dîtinê ya herî bilind hewce dikî û budce heye. Kimi-K3 · 3BIT-REAP bi sedemekê 7.7× bihayê têketinê ye; li ser xwendineke yekane ya bi rîska bilind, ew perê rast e ku were xerckirin.
• Tu giraniyên bi wefadariya herî bilind hewce dikî. 3-bit asta me ya herî tund e. Modelên W8A16 bihayê bi rastiyê re dikin bazar, û MiMo-V2.5 · W8A16 li heman $0.50 / $2.00 bi kapasîteya dîtinê ye heke ya ku tu optîmîze dikî wefadariya her giraniyekê be.
• Tu vîdyoyê hewce dikî. Em li ser vî endpointî têketina vîdyoyê eşkere nakin.
• Kar bi tevahî nivîs e û li sînor e. DeepSeek-V4-Pro-0813 ji bo wê heye; tu yê ji bo stûneke dîtinê ya ku tu carî bikar naynî pere bidî.

Jimarên mîmarî, benchmarkê û lezkirinê yên ji bo malbata MiniMax ji aliyê MiniMax AI ve wek laboratûwar hatine ragihandin; jimarên REAP ji aliyê nivîskarên REAP ve li ser modelên wan hatine ragihandin û ne pîvandineke vê avakirinê ne. Bihayên Shannon, pencereya contextê û ala kapasîteyan yên me ne û ji kataloga me ya modelan a zindî tên xwendin.

09Pirsên ku pir tên kirin

---

Çavkanî: Karta modelê ya 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. Jimarên benchmarkê û lezkirinê yên MiniMax ji aliyê laboratûwarê ve hatine ragihandin û heta verîfîkasyona serbixwe demkî ne. Bihayên Shannon û alayên kapasîteyê heta 5ê Îlona 2026 rojane ne.