API MiniMax ບໍ່ເຊັນເຊີ: ການເບິ່ງເຫັນໃນລາຄາພື້ນ

ເກືອບທຸກ API ຫຼາຍໂໝດທີ່ໂຮສໄວ້ຄິດລາຄາການເບິ່ງເຫັນເປັນລາຄາພິເສດ. ທ່ານຈ່າຍອັດຕາໂມເດວຂໍ້ຄວາມສຳລັບຂໍ້ຄວາມ, ແລ້ວທ່ານຈ່າຍຫຼາຍຂຶ້ນ — ບາງເທື່ອຫຼາຍເທົ່າຕົວ — ທັນທີທີ່ຮູບພາບເຂົ້າມາໃນພຣອມ. ນອກເໜືອຈາກນັ້ນ, input ຮູບພາບຄືບ່ອນທີ່ພຶດຕິກຳການປະຕິເສດຮຸນແຮງທີ່ສຸດ: ໂມເດວທີ່ຍິນດີສົນທະນາຫົວຂໍ້ໃນຂໍ້ຄວາມຈະປະຕິເສດອະທິບາຍສິ່ງດຽວກັນໃນຮູບຖ່າຍ. ຜົນລັບຄືຜະລິດຕະພັນທີ່ແພງຕໍ່ການເອີ້ນ ແລະ ບໍ່ໜ້າເຊື່ອຖືຕໍ່ການເອີ້ນ, ຊຶ່ງເປັນສິ່ງທີ່ຮ້າຍແຮງທີ່ສຸດຂອງທັງສອງໂລກເມື່ອທ່ານປະມວນຜົນປະລິມານຫຼວງຫຼາຍ. MiniMax-M3 ເທິງ Shannon ຄືຄຳຕອບຂອງພວກເຮົາຕໍ່ນັ້ນ: $0.50 / $2.00 ດຽວກັນທີ່ທ່ານຈ່າຍສຳລັບໂມເດວຂໍ້ຄວາມທີ່ຖືກທີ່ສຸດຂອງພວກເຮົາ, ນຳໃຊ້ກັບພື້ນຖານທີ່ຖືກຝຶກແບບຫຼາຍໂໝດຕັ້ງແຕ່ຂັ້ນຕອນທຳອິດ, ໂດຍບໍ່ມີຊັ້ນປະຕິເສດຢູ່ໜ້າມັນ.

01"ໂມເດວການເບິ່ງເຫັນບໍ່ເຊັນເຊີທີ່ຖືກທີ່ສຸດ" ໝາຍຄວາມວ່າຫຍັງແທ້ທີ່ນີ້

ແຄຕາລັອກ Shannon ມີສິບສອງໂມເດວ. ຫ້າອັນໃນນັ້ນຮັບຮູບພາບ. ລາຄາຂອງພວກມັນ, ຕໍ່ລ້ານ token:

ໂມເດວທີ່ເບິ່ງເຫັນໄດ້	ເຂົ້າ	ອອກ	ຜົນຜະລິດແບບມີໂຄງສ້າງ
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 ເທົ່ານັ້ນ
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 ຢູ່ທີ່ພື້ນ — $0.50 / $2.00 — ເສີແໜອ້ຽນກັບ MiMo-V2.5 ແລະ ບໍ່ມີອັນໃດຕ່ຳກວ່າ, ຍ້ອນວ່າ $0.50 / $2.00 ຄືພື້ນຂອງລາຍການລາຄາຂອງພວກເຮົາ. ທຽບກັບຍອດຂອງໄລນອັບການເບິ່ງເຫັນ ມັນຖືກກວ່າ 7.7 ເທົ່າໃນ input ແລະ ຖືກກວ່າ 9.6 ເທົ່າໃນ outputທຽບກັບ Kimi-K3.

ລອງໃສ່ໃນວຽກຈິງ. ສົມມຸດວ່າທ່ານກຳລັງຄັດແຍກ 1,000 ຮູບ — ພາບໜ້າຈໍ, ໜ້າສະແກນ, ຮູບສິນຄ້າ — ໂດຍສະເລ່ຍປະມານ 1,200 token ຮູບພາບບວກກັບພຣອມເຂົ້າ ແລະ 300 token ຄຳຕອບອອກ:

ລາຄາລິດ Shannon, ກັນຍາ 2026. ຈຳນວນ token ເປັນຕົວຢ່າງເທົ່ານັ້ນ; ການແປງ token ຮູບພາບຂອງທ່ານຂຶ້ນກັບຄວາມລະອຽດ ແລະ ຈຳນວນຮູບທີ່ທ່ານແນບຕໍ່ການເອີ້ນ.

ຈຸດອ້າງອີງເພີ່ມສອງອັນທີ່ຄວນຈື່ໄວ້. ການເຕີມ context 262,144 token ທັງໝົດໜຶ່ງເທື່ອລາຄາປະມານ 13 ເຊັນ. ຄຳຕອບຄວາມຍາວສູງສຸດ 16,384 token ລາຄາປະມານ 3.3 ເຊັນ. ນັ້ນຄືຂອບເຂດຈິງຂອງຄຳຂໍກໍລະນີຮ້າຍແຮງທີ່ສຸດອັນດຽວ, ແລະ ພວກມັນນ້ອຍພຽງພໍທີ່ຂໍ້ຈຳກັດທີ່ໜ້າສົນໃຈໃນ pipeline ການເບິ່ງເຫັນຢຸດເປັນເລື່ອງເງິນ ແລະ ເລີ່ມເປັນເລື່ອງ throughput.

02ຕະກູນ MiniMax: ແລບທີ່ປັບໃຫ້ເໝາະ token, ບໍ່ແມ່ນຫົວຂໍ້ຂ່າວ

MiniMax AI ຄືແລບຈາກເຊັຍງໄຮທີ່ບັນທຶກນ້ຳໜັກເປີດທັງໝົດຂອງມັນຕອບຄຳຖາມດຽວ: ທ່ານເຮັດແນວໃດໃຫ້ attention ຖືກພຽງພໍທີ່ context ຍາວ ແລະ ຫຼາຍໂໝດຈະບໍ່ໃຊ່ຄວາມຫຼູຫຼາອີກຕໍ່ໄປ? ທຸກການອອກໃນສາຍນີ້ຄືຄຳຕອບຕໍ່ຄຳຖາມນັ້ນ, ແລະ ຄຳຕອບຕໍ່ຄຳຕອບຕໍ່ຍອດກັນ.

MiniMax-01 — Lightning Attention, ແລະ ການເບິ່ງເຫັນຕັ້ງແຕ່ຕົ້ນ

ຊຸດ MiniMax-01 (ຕີພິມເປັນ arXiv 2501.08313) ນຳສະເໜີ Lightning Attention, ການປະຕິບັດ linear attention ທີ່ຮັບຮູ້ I/O, ພາຍໃນໂມເດວ Mixture-of-Experts ແບບປະສົມ 456B ພາຣາມິເຕີລວມດ້ວຍ 45.9B ເປີດໃຊ້ຕໍ່ token. ຊຸດອອກມາເປັນຄູ່: MiniMax-Text-01 ແລະ MiniMax-VL-01, ໂມເດວການເບິ່ງເຫັນ. VL-01 ໃຊ້ໂຄງສ້າງ ViT-MLP-LLM ທີ່ຄຸ້ນເຄີຍໃນປັດຈຸບັນ, ແຕ່ດ້ວຍ Vision Transformer ຂະໜາດ 303 ລ້ານພາຣາມິເຕີທີ່ຝຶກຈາກສູນເທິງຄູ່ຮູບ-ຄຳບັນຍາຍ 694 ລ້ານຄູ່ ແທນທີ່ຈະໃຊ້ encoder ຢືມ, ຈາກນັ້ນຈັດຮຽງ ແລະ fine-tune ຮ່ວມກັນຂ້າມ pipeline ຫຼາຍຂັ້ນຕອນທີ່ປະມວນຜົນ 512 ຕື້ token.

ລາຍລະອຽດນັ້ນສຳຄັນຕໍ່ບົດຄວາມທີ່ທ່ານກຳລັງອ່ານ. ການເບິ່ງເຫັນໃນຕະກູນນີ້ບໍ່ແມ່ນ adapter ຊັກຊ້າທີ່ຕິດເຂົ້າໃນໂມເດວຂໍ້ຄວາມພຽງເພື່ອຕິກ box. MiniMax ໄດ້ຝຶກ visual tower ຂອງຕົນເອງຕັ້ງແຕ່ການເຜີຍແຜ່ເປີດອັນທຳອິດ, ຊຶ່ງເປັນເຫດຜົນທີ່ຄວາມເຂົ້າໃຈເອກະສານ, ຄວາມເຂົ້າໃຈ UI ແລະ ພາບໜ້າຈໍ, ແລະ ການອ່ານແຜນຜັງເປັນຈຸດແຂງທີ່ສະໝ່ຳສະເໝີຂອງຕະກູນນີ້ ບໍ່ແມ່ນສິ່ງທີ່ຄິດພາຍຫຼັງ.

MiniMax-M1 — attention ແບບປະສົມສຳລັບການໃຫ້ເຫດຜົນຍາວ

MiniMax-M1 (arXiv 2506.13585) ຖືກອະທິບາຍໂດຍຜູ້ຂຽນວ່າເປັນໂມເດວການໃຫ້ເຫດຜົນແບບ hybrid-attention ນ້ຳໜັກເປີດຂະໜາດໃຫຍ່ອັນທຳອິດ. ມັນຮັກສາໂຄງຮ່າງ MoE 456B / 45.9B ໄວ້ ແລະ ສະຫຼັບ attention ສອງແບບ: block transformer softmax-attention ແບບທຳມະດາຫຼັງ block Lightning Attention ທຸກໆເຈັດອັນ. ຜົນຕອບແທນຖືກວັດແທກໃນການຄິດໄລ່ ບໍ່ແມ່ນຕຳແໜ່ງ leaderboard — MiniMax ລາຍງານວ່າທີ່ຄວາມຍາວການສ້າງ 100K token, M1 ໃຊ້ FLOPs ປະມານ 25% ຂອງ DeepSeek R1, ໃນຂະນະທີ່ຮອງຮັບ context ໜຶ່ງລ້ານ token ໂດຍທຳມະຊາດ.

MiniMax-M2 — ການຫັນໄປສູ່ການເປີດໃຊ້ນ້ອຍ

MiniMax-M2 ໄປທາງກົງກັນຂ້າມໃນເລື່ອງຂະໜາດ ແລະ ໄດ້ຮັບຄວາມສົນໃຈຈາກມັນ: decoder 62 ຊັ້ນດ້ວຍ ພາຣາມິເຕີລວມ 229.9B ແຕ່ເປີດໃຊ້ພຽງ ~9.8B ຕໍ່ token, ໃຊ້ຜູ້ຊ່ຽວຊານລະອຽດ 256 ຄົນຕໍ່ຊັ້ນ MoE ດ້ວຍການຈັດເສັ້ນທາງແບບ sigmoid ໄປສູ່ແປດຄົນ, ຕຳແໜ່ງ RoPE ແລະ QK-RMSNorm ສຳລັບຄວາມໝັ້ນຄົງໃນການຝຶກ. ມັນເປັນໂມເດວການຂຽນໂຄດແບບຕົວແທນຢ່າງຊັດເຈນ — ການແກ້ໄຂຫຼາຍໄຟລ໌, ວົງຈອນແລ່ນ-ແກ້ໄຂ, ການສ້ອມແປງທີ່ຢືນຢັນດ້ວຍ test — ແລະ ມັນນຳສະເໜີຮູບແບບ ການຄິດແບບສະຫຼັບກັນ, ບ່ອນທີ່ການໃຫ້ເຫດຜົນຖືກນຳຕິດຕໍ່ລະຫວ່າງຮອບການເອີ້ນເຄື່ອງມື ແທນທີ່ຈະຖືກຖິ້ມຫຼັງແຕ່ລະຮອບ. M2 ຄືໂມເດວທີ່ສ້າງຊື່ສຽງໃຫ້ MiniMax ໃນການສົ່ງມອບພຶດຕິກຳຕົວແທນລະດັບໃກ້ຊັ້ນນຳໃນເສດສ່ວນຂອງຄ່າໃຊ້ຈ່າຍຕໍ່ token, ພຽງແຕ່ດ້ວຍການຮັກສາການເປີດໃຊ້ໃຫ້ນ້ອຍ.

MiniMax-M3 — ພື້ນຖານພາຍໃຕ້ endpoint ນີ້

MiniMax-M3 ອອກເມື່ອວັນທີ 1 ມິຖຸນາ 2026, ດ້ວຍນ້ຳໜັກຢູ່ Hugging Face ບໍ່ດົນຫຼັງຈາກນັ້ນ ແລະ ບົດລາຍງານເທັກນິກທີ່ arXiv 2606.13392. ມັນຄືໂມເດວ Mixture-of-Experts ຂະໜາດ 428B ພາຣາມິເຕີດ້ວຍປະມານ 23B ເປີດໃຊ້ຕໍ່ token, context ໜຶ່ງລ້ານ token ທີ່ບັນທຶກໄວ້, ແລະ input ຮູບພາບ ແລະ ວິດີໂອແບບໂດຍທຳມະຊາດ — MiniMax ອະທິບາຍວ່າມັນຖືກຝຶກແບບຫຼາຍໂໝດປະສົມ "ຕັ້ງແຕ່ຂັ້ນຕອນທຳອິດ," ແທນທີ່ຈະຖືກຝຶກລ່ວງໜ້າດ້ວຍຂໍ້ຄວາມແລ້ວປັບຫຼາຍໂໝດພາຍຫຼັງ. ຕາມຕົວເລກທີ່ MiniMax ເຜີຍແຜ່ເອງ ມັນໄດ້ 80.5% ໃນ SWE-bench Verified ແລະ 59.0% ໃນ SWE-bench Pro. ນັ້ນຄືຕົວເລກທີ່ຜູ້ຂາຍລາຍງານເທິງເບັນມາກການຂຽນໂຄດ, ຊຶ່ງເປັນວິທີທີ່ຄວນຊັ່ງນ້ຳໜັກມັນຢ່າງແທ້ຈິງ; ພວກເຮົາອ້າງອິງພວກມັນຍ້ອນວ່າພວກມັນຄືຄຳອ້າງທີ່ແລບເຜີຍແຜ່, ບໍ່ແມ່ນຍ້ອນວ່າພວກເຮົາໄດ້ຢືນຢັນຄືນຢ່າງອິດສະຫຼະ.

03MiniMax Sparse Attention: ເປັນຫຍັງໂມເດວການເບິ່ງເຫັນຈຶ່ງຖືກໄດ້ຂະໜາດນີ້

ວິສະວະກຳທີ່ໜ້າສົນໃຈໃນ M3 ຄື MiniMax Sparse Attention (MSA), ແລະ ມັນຄືເຫດຜົນໂດຍກົງທີ່ໂມເດວຫຼາຍໂໝດຂະໜາດນີ້ຢູ່ໃນລາຄາພື້ນຂອງພວກເຮົາໄດ້. ຮູບພາບແພງເລື່ອງ token. ໜ້າຄວາມລະອຽດສູງພຽງບໍ່ຈັກໜ້າສາມາດໃສ່ token ຫຼາຍໝື່ນອັນເຂົ້າໄປໃນພຣອມກ່ອນທ່ານຈະຂຽນຄຳສັ່ງອັນດຽວ. ພາຍໃຕ້ attention ມາດຕະຖານ, ຄ່າໃຊ້ຈ່າຍນັ້ນສະສົມແບບກຳລັງສອງ, ແລະ ໂມເດວທີ່ອ່ານຊາວໜ້າບໍ່ໄດ້ແພງເປັນສອງເທົ່າຂອງອັນທີ່ອ່ານສິບໜ້າ — ມັນແພງກວ່າສອງເທົ່າຫຼາຍ.

MSA ປ່ຽນຮູບຮ່າງຂອງເສັ້ນໂຄ້ງນັ້ນ. ມັນຄືກົນໄກ block-sparse ທີ່ສ້າງເທິງໂຄງກະດູກ Grouped Query Attention, ແບ່ງເປັນສອງສາຂາ:

• Index Branch ນ້ຳໜັກເບົາທີ່ໃຫ້ຄະແນນ block key-value — max-pooling ຄະແນນທົ່ວ token ພາຍໃນແຕ່ລະ block — ແລະ ເລືອກ top-k ຕໍ່ຕຳແໜ່ງ query ແລະ ຕໍ່ກຸ່ມ GQA, ລວມ block ທ້ອງຖິ່ນທີ່ມີ query ເອງໄວ້ສະເໝີເພື່ອຄວາມໝັ້ນຄົງໃນການຝຶກ.
• Main Branch ທີ່ແລ່ນ softmax attention ທຳມະດາພຽງແຕ່ເໜືອ block ທີ່ index ເລືອກ.

ການຕັ້ງຄ່າໃນບົດຄວາມ MSA ຄື k = 16 block ຂອງ 128 token, ຊຶ່ງໃຫ້ query ແຕ່ລະອັນງົບ token ທີ່ຖືກ attend ຄົງທີ່ 2,048 token. ຄົງທີ່, ໝາຍຄວາມວ່າມັນບໍ່ເຕີບໃຫຍ່ຕາມຄວາມຍາວລຳດັບ. ນັ້ນຄືເລ່ຫລ່ຽມທັງໝົດ: ໃນຂະນະທີ່ context ເຕີບໃຫຍ່, ຄ່າໃຊ້ຈ່າຍ attention ຂອງເສັ້ນຖານ dense ຍັງເພີ່ມຂຶ້ນຕໍ່ໄປ ໃນຂະນະທີ່ຄ່າໃຊ້ຈ່າຍ main-branch ຂອງ MSA ຄົງທີ່, ດັ່ງນັ້ນ attention ຈຶ່ງຂະຫຍາຍແບບເສັ້ນຊື່ ແທນທີ່ຈະເປັນກຳລັງສອງ.

ຕົວເລກຈາກບົດລາຍງານ MiniMax Sparse Attention (arXiv 2606.13392): ການລົດລົງ 28.4× ໃນ FLOPs attention ຕໍ່ token ທຽບກັບ GQA ທີ່ຕັ້ງຄ່າທຽບເທົ່າກັນທີ່ context 1M, ແລະ ຄວາມໄວ prefill 14.2× / decode 7.6× ທີ່ວັດແທກເທິງຮາດແວ H800 ໃນການສຶກສາ 109B ພາຣາມິເຕີຂອງບົດຄວາມ. MiniMax ລາຍງານແຍກຕ່າງຫາກວ່າ prefill 9× ແລະ decode 15× ໄວຂຶ້ນສຳລັບ M3 ທຽບກັບ M2 ທີ່ context 1M. ທັງໝົດແມ່ນຂໍ້ມູນທີ່ແລບລາຍງານ.

ບົດຄວາມຍັງເຮັດການກວດສອບທີ່ສຳຄັນສຳລັບບົດຄວາມການເບິ່ງເຫັນ: ເທິງ MoE ຫຼາຍໂໝດແບບໂດຍທຳມະຊາດ 109B, MSA ຮັກສາປະສິດທິພາບໄດ້ທຽບເທົ່າກັບເສັ້ນຖານ full-attention ໃນທົ່ວເບັນມາກຮູບພາບລວມທັງ AI2D, ChartQA ແລະ MMMU, ແລະ ໃນທົ່ວເບັນມາກວິດີໂອລວມທັງ EgoSchema, LongVideoBench ແລະ VideoMME — ດ້ວຍຮູບແບບ sparse ບາງເທື່ອດີກວ່າໃນວຽກວິດີໂອ context ຍາວກວ່າ. ຄວາມ sparse ທີ່ນີ້ບໍ່ແມ່ນພາສີຄຸນນະພາບທີ່ທ່ານຈ່າຍສຳລັບຄວາມໄວ; ໃນ input ຍາວມັນເບິ່ງຄືວ່າຟຣີເກືອບໝົດ.

ເປັນຫຍັງທ່ານຄວນສົນໃຈໃນຖານະລູກຄ້າ: ຄ່າໃຊ້ຈ່າຍການໃຫ້ບໍລິການຄືສິ່ງທີ່ກຳນົດລາຄາລິດ. ພື້ນຖານທີ່ຄ່າໃຊ້ຈ່າຍ attention ບໍ່ເຕີບໃຫຍ່ຄືພື້ນຖານທີ່ທ່ານສາມາດຈ່າຍໄດ້ໃນການໃຊ້ກັບຮູບພາບແສນອັນ. ນັ້ນຄືກົນໄກທີ່ຢູ່ເບື້ອງຫຼັງ "ໂມເດວການເບິ່ງເຫັນບໍ່ເຊັນເຊີທີ່ຖືກທີ່ສຸດ" — ມັນບໍ່ແມ່ນອັດຕາໂປຣໂມຊັນ, ມັນຄືໂຄງສ້າງ.

043BIT-REAP ໝາຍຄວາມວ່າຫຍັງ, ແລະ ມັນເສຍຫຍັງໄປ

ໂມເດວ 428 ຕື້ພາຣາມິເຕີບໍ່ພໍດີບ່ອນໃດທີ່ສະດວກທີ່ຄວາມແມ່ນຢຳເຕັມ. ຮູບແບບ MiniMax-M3 ຂອງພວກເຮົາຕິດຄຳຕໍ່ທ້າຍ 3BIT-REAP, ຊຶ່ງອະທິບາຍການດຳເນີນງານແຍກຕ່າງຫາກສອງອັນນຳໃຊ້ຕາມລຳດັບສະເພາະ.

REAP: ລຶບຜູ້ຊ່ຽວຊານກ່ອນທ່ານຈະບີບອັດພວກມັນ

REAP — Router-weighted Expert Activation Pruning — ຄືວິທີການບີບອັດ MoE ຄັ້ງດຽວຈາກ Cerebras ແລະ University of Calgary, ຕີພິມເປັນ arXiv 2510.13999 ແລະ ຖືກຮັບຮອງທີ່ ICLR 2026. ຂໍ້ໂຕ້ແຍ້ງຂອງມັນຄືສຳລັບວຽກການສ້າງ, ການຕັດຜູ້ຊ່ຽວຊານຊະນະການລວມພວກມັນ: ການລວມທຳລາຍການຄວບຄຸມແບບລະອຽດຂອງ router ແລະ ນຳສະເໜີຄວາມຜິດພາດທີ່ທ່ານບໍ່ສາມາດຟື້ນຄືນໄດ້. ດັ່ງນັ້ນ REAP ຈຶ່ງໃຫ້ຄະແນນແຕ່ລະຜູ້ຊ່ຽວຊານດ້ວຍເງື່ອນໄຂຄວາມໂດດເດັ່ນທີ່ປະສົມຄ່າ gate ຂອງ router (ເລື້ອຍ ແລະ ແຮງປານໃດທີ່ router ເລືອກມັນ) ແລະ ບັນທັດຖານການເປີດໃຊ້ຂອງຜູ້ຊ່ຽວຊານ (ຜົນຜະລິດຂອງມັນປະກອບສ່ວນຫຼາຍປານໃດແທ້), ຈາກນັ້ນລຶບຜູ້ໂດດເດັ່ນໜ້ອຍທີ່ສຸດອອກໂດຍກົງ.

ຜູ້ຂຽນລາຍງານການລຶບຜູ້ຊ່ຽວຊານເຖິງ 50% ອອກຈາກໂມເດວທີ່ໃຫຍ່ເຖິງໜຶ່ງລ້ານລ້ານພາຣາມິເຕີໃນຂະນະທີ່ຮັກສາຄຸນນະພາບພື້ນຖານໄວ້ໄດ້ຫຼາຍ — ເທິງ Qwen3-480B-Coder-FP8 ທີ່ 50% pruning, 97.6% ຂອງຄວາມສາມາດຂຽນໂຄດແບບບໍ່ຕົວແທນພື້ນຖານ ແລະ 96.7% ໃນ SWE-Bench ແບບຕົວແທນ ຖືກຮັກສາໄວ້. ນັ້ນຄືຕົວເລກຂອງບົດຄວາມເທິງໂມເດວຂອງບົດຄວາມ, ບໍ່ແມ່ນຂອງພວກເຮົາເທິງ MiniMax-M3; ພວກເຮົາອ້າງອິງພວກມັນເພື່ອໃຫ້ທ່ານຕັດສິນວິທີການ, ບໍ່ແມ່ນເພື່ອສະແດງເປັນນັຍວ່າມີການວັດແທກທຽບເທົ່າກັນທີ່ນີ້.

ນ້ຳໜັກ 3-bit, ອັນທີສອງ

ນ້ຳໜັກທີ່ຍັງເຫຼືອຢູ່ຈາກນັ້ນຖືກເກັບໄວ້ທີ່ 3 bit. ລຳດັບນີ້ຕັ້ງໃຈ ແລະ ມັນຄືຈຸດສຳຄັນຂອງການປະສົມ: ຕັດກ່ອນ, quantize ຫຼັງ. ບໍ່ມີເຫດຜົນທີ່ຈະໃຊ້ສາມ bit ອັນລ້ຳຄ່າຂອງທ່ານໃນການເຂົ້າລະຫັດຜູ້ຊ່ຽວຊານທີ່ທ່ານກຳລັງຈະລຶບອອກຢ່າງແມ່ນຢຳ. ຕັດຫາງທີ່ sparse ອອກກ່ອນ, ແລ້ວປ່ອຍໃຫ້ງົບທີ່ເຫຼືອຢູ່ໄປສູ່ຜູ້ຊ່ຽວຊານທີ່ເຮັດວຽກແທ້.

ຄຳເຕືອນທີ່ຊື່ສັດ

3BIT-REAP ຄືລະດັບຮຸນແຮງທີ່ສຸດທີ່ພວກເຮົາໃຫ້ບໍລິການ. ພວກເຮົາໃຊ້ມັນເທິງພື້ນຖານທີ່ໃຫຍ່ທີ່ສຸດ — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — ຍ້ອນວ່າມັນຄືຄວາມແຕກຕ່າງລະຫວ່າງໂມເດວເຫຼົ່ານັ້ນມີໃນລາຄາທີ່ສົມເຫດສົມຜົນ ແລະ ບໍ່ມີເລີຍ. ບ່ອນທີ່ພື້ນຖານນ້ອຍພໍທີ່ບໍ່ຕ້ອງການມັນ, ພວກເຮົາບໍ່ໃຊ້ມັນ: ໂມເດວ W8A16 ໃນແຄຕາລັອກແລ່ນນ້ຳໜັກ 8-bit ດ້ວຍການເປີດໃຊ້ 16-bit, ແລະ W4A16-AUTOROUND-REAP ຢູ່ລະຫວ່າງກາງ, ໃຊ້ການປັດເສດທີ່ຮຽນຮູ້ໄດ້ຂອງ AutoRound ເພື່ອຟື້ນຄືນຄວາມແມ່ນຢຳທີ່ການ quantize round-to-nearest ທຳມະດາປະລະ. ເລືອກລະດັບທີ່ກົງກັບຄວາມທົນທານຂອງທ່ານ. ຖ້າທ່ານກຳລັງດຶງຂໍ້ມູນຈາກໃບແຈ້ງໜີ້ໝື່ນໃບ, 3-bit ຄືການແລກປ່ຽນທີ່ຖືກຕ້ອງ. ຖ້າທ່ານກຳລັງອ່ານນິຕິວິທະຍາສາດຄວາມສ່ຽງສູງຄັ້ງດຽວຂອງຮູບໜຶ່ງໃບ, ຈ່າຍເງິນສຳລັບ Kimi-K3.

05"ບໍ່ມີຊັ້ນປະຕິເສດ" ໝາຍຄວາມວ່າຫຍັງເມື່ອ input ຄືຮູບພາບ

ບໍ່ເຊັນເຊີຄືຄຳທີ່ຖືກໃຊ້ຢ່າງບໍ່ແມ່ນຢຳເລື້ອຍໆ, ດັ່ງນັ້ນນີ້ຄືຄຳອ້າງທີ່ແມ່ນຢຳ: ບໍ່ມີຊັ້ນປະຕິເສດ ແລະ ບໍ່ມີການກັ່ນຕອງຜົນຜະລິດເທິງ endpoint ນີ້. ບໍ່ມີຕົວຈັດປະເພດກວດຮູບພາບຂອງທ່ານກ່ອນໂມເດວຈະເຫັນມັນ. ບໍ່ມີໂມເດວນະໂຍບາຍກວດ token ຕອນອອກ. ສິ່ງທີ່ໂມເດວຜະລິດຄືສິ່ງທີ່ທ່ານໄດ້ຮັບ.

ໃນຂໍ້ຄວາມ, ຜົນຂອງມັນຄຸ້ນເຄີຍ. ໃນການເບິ່ງເຫັນ, ມັນຕ່າງອອກໄປໃນລັກສະນະ, ຍ້ອນວ່າພຶດຕິກຳການປະຕິເສດເທິງ input ຮູບພາບຄືບ່ອນທີ່ API ຫຼາຍໂໝດການຄ້າອະນຸລັກນິຍົມທີ່ສຸດ ແລະ ບໍ່ແນ່ນອນທີ່ສຸດ. ຄວາມລົ້ມເຫຼວປະຈຳຕົວມີລັກສະນະແບບນີ້:

• ການປະຕິເສດອັດຕະລັກສະນະແບບເໝົາລວມ — ປະຕິເສດອະທິບາຍຄົນໃນຮູບຖ່າຍທັງໝົດ, ລວມທັງລັກສະນະທີ່ເຫັນໄດ້ຊັດເຈນ ແລະ ບໍ່ເປັນອັນຕະລາຍໂດຍສິ້ນເຊີງ, ຍ້ອນວ່ານະໂຍບາຍແຍກຄຳອະທິບາຍຈາກການລະບຸຕົວຕົນບໍ່ໄດ້.
• ການຖອນຕົວຕາມເນື້ອຫາ — ປະຕິເສດຖອດຄວາມ ຫຼືສະຫຼຸບເອກະສານຍ້ອນເອກະສານນັ້ນເປັນຫຍັງ, ເຖິງແມ່ນວ່າການຖອດຄວາມຄືວຽກທາງກົນໄກ.
• ຄວາມຢ້ານທາງການແພດ ແລະ ນິຕິວິທະຍາສາດ — ປະຕິເສດອະທິບາຍພາບທາງຄລີນິກ, ເອກະສານການບາດເຈັບ, ຫຼືຮູບອຸບັດຕິເຫດທີ່ຜູ້ຊ່ຽວຊານຕ້ອງການໃຫ້ອະທິບາຍ.
• ຜົນບວກລວງຂອງເຄື່ອງມືຄວາມປອດໄພ — ປະຕິເສດອ່ານພາບໜ້າຈໍຍ້ອນມັນມີ terminal, packet capture, ຫຼື debugger.
• ຄວາມເສື່ອມແບບງຽບ — ອັນທີ່ຮ້າຍແຮງທີ່ສຸດ: ບໍ່ແມ່ນການປະຕິເສດແຕ່ຄືຄຳຕອບທີ່ບໍ່ຕອບແທ້ໆ, ຊຶ່ງຜ່ານການກວດ schema ຂອງທ່ານ ແລະ ເປື້ອນຊຸດຂໍ້ມູນຂອງທ່ານໂດຍບໍ່ເຄີຍສ້າງຂໍ້ຜິດພາດ.

ບັນຫາການປະຕິບັດງານກັບທັງຫ້າອັນນີ້ບໍ່ແມ່ນວ່າພວກມັນບໍ່ຍຸຕິທຳ. ແຕ່ຄືວ່າພວກມັນວັດແທກບໍ່ໄດ້. ຄຳຕອບຜິດຄືຈຸດຂໍ້ມູນ; ທ່ານໃຫ້ຄະແນນມັນໄດ້, ຈັບມັນໃນການປະເມີນ, ແລະ ແກ້ໄຂມັນໄດ້. ການປະຕິເສດຄືຮູໂຫວ່. ໃນລະດັບ batch, ອັດຕາການປະຕິເສດ 3% ທີ່ແຈກຢາຍແບບບໍ່ສຸ່ມທົ່ວ input ຂອງທ່ານ — ສຸມຢູ່, ໂດຍທຳມະຊາດ, ຢູ່ກໍລະນີທີ່ຍາກ ແລະ ຜິດປົກກະຕິພໍດີ — ຄືອະຄະຕິແບບລະບົບໃນຜົນລັບຂອງທ່ານທີ່ບໍ່ມີການທຳຄວາມສະອາດພາຍຫຼັງໃດຈະຟື້ນຄືນໄດ້. ການເອົາຊັ້ນປະຕິເສດອອກລຶບແຫຼ່ງຂອງຂໍ້ມູນທີ່ຫາຍໄປແບບງຽບໆ ແລະ ມີຄວາມສຳພັນກັນ.

Shannon ດຳເນີນງານໂດຍ Shannon Lab LLC, ລັດນິວເມັກຊິໂກ, ສະຫະລັດ, ພາຍໃຕ້ນະໂຍບາຍການໃຊ້ຢ່າງມີຄວາມຮັບຜິດຊອບຂອງພວກເຮົາ. ບໍ່ເຊັນເຊີໝາຍຄວາມວ່າໂມເດວບໍ່ວິຈານ input ຂອງທ່ານ; ມັນບໍ່ໄດ້ໝາຍຄວາມວ່າບັນຊີບໍ່ມີເງື່ອນໄຂ.

06ຂໍ້ກຳນົດເຕັມ

ຊ່ອງ	MiniMax-M3 · 3BIT-REAP
Model id	MiniMax-M3-3BIT-REAP
ພື້ນຖານ	MiniMax-M3 (MiniMax AI)
ໜ້າຕ່າງ context	262,144 token
ຜົນຜະລິດສູງສຸດ	16,384 token
Input ຮູບພາບ	ມີ
Input ວິດີໂອ	ບໍ່ໄດ້ເປີດເຜີຍ
ການສະຕຣີມ	ມີ
ການເອີ້ນເຄື່ອງມື	ມີ
ການໃຫ້ເຫດຜົນ	ມີ (reasoning_effort)
ຜົນຜະລິດແບບມີໂຄງສ້າງ	json_schema + response_format
ຊັ້ນປະຕິເສດ	ບໍ່ມີ
Endpoint	/v1/chat/completions · /v1/messages · /v1/responses
ໃຫ້ບໍລິການເທິງ	ຄລັດສເຕີ GPU ຂອງ Shannon ເອງ

ສອງແຖວໃນຕາຕະລາງນັ້ນຄວນເນັ້ນໜັກ. Input ວິດີໂອບໍ່ໄດ້ຖືກເປີດເຜີຍ. ພື້ນຖານ M3 ຕົ້ນທາງຖືກຝຶກເທິງວິດີໂອ ແລະ MiniMax ບັນທຶກ input ວິດີໂອ; endpoint ຂອງພວກເຮົາຮັບຮູບພາບ. ສ້າງໂດຍອີງໃສ່ຮູບພາບ. ອັນທີສອງ, ໜ້າຕ່າງ 262,144 token ຄືຂອງພວກເຮົາ, ບໍ່ແມ່ນຕົວເລກໜຶ່ງລ້ານຕົ້ນທາງ — ວາງແຜນວຽກເອກະສານຍາວ ແລະ ຫຼາຍຮູບພາບໂດຍອີງໃສ່ 262,144, ບໍ່ແມ່ນຕົວເລກຕົ້ນທາງ ແລ້ວທ່ານຈະບໍ່ແປກໃຈ.

07ການເອີ້ນ API MiniMax ບໍ່ເຊັນເຊີ

ພາສາສາມແບບ, ໂມເດວດຽວກັນຢູ່ເບື້ອງຫຼັງທັງໝົດ, ສະຕຣີມໄດ້ໃນທັງສາມແບບ. ໃຊ້ອັນທີ່ client ທີ່ມີຢູ່ຂອງທ່ານໃຊ້ຢູ່ແລ້ວ; ບໍ່ມີຄວາມແຕກຕ່າງດ້ານຄວາມສາມາດລະຫວ່າງພວກມັນ. ຊີ້ base URL ຂອງທ່ານໄປຫາ Shannon ແລ້ວປ່ຽນ model id.

ຄວາມເຂົ້າໃຈຮູບພາບຜ່ານພາສາ 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:// ໄລຍະໄກ ແລະ base64 data URL ທັງສອງໃຊ້ໄດ້ໃນສ່ວນ image_url. ແນບຫຼາຍສ່ວນຮູບພາບໃນຂໍ້ຄວາມດຽວເມື່ອທ່ານຕ້ອງການປຽບທຽບຂ້າມໜ້າ — ທ່ານມີ 262,144 token ໃຫ້ໃຊ້ ແລະ, ທີ່ $0.50 ຕໍ່ລ້ານ, ການໃຊ້ພວກມັນລາຄາຖືກ.

ການດຶງຂໍ້ມູນແບບກຳນົດປະເພດດ້ວຍ JSON schema

ບ່ອນທີ່ໂມເດວນີ້ໄດ້ບ່ອນຂອງມັນໃນ pipeline ຄືການປະສົມການເບິ່ງເຫັນ + schema ເຂັ້ມງວດ + ລາຄາພື້ນ. ບໍ່ແມ່ນທຸກໂມເດວໃນແຄຕາລັອກຂອງພວກເຮົາມີທັງສາມ: Laguna-S-2.1 ແລະ inkling ບໍ່ຮອງຮັບ json_schema. MiniMax-M3 ຮອງຮັບ, ຊຶ່ງໝາຍຄວາມວ່າທ່ານໄດ້ object ທີ່ຢືນຢັນແລ້ວອອກຈາກຮູບພາບໂດຍບໍ່ຕ້ອງມີຊັ້ນ parse:

{
  "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
      }
    }
  }
}

ຄວາມພະຍາຍາມການໃຫ້ເຫດຜົນ

ໂມເດວເປີດເຜີຍ reasoning_effort. ໃນການຈັດປະເພດຮູບພາບປະລິມານຫຼວງຫຼາຍ, ຮັກສາໄວ້ຕ່ຳ — ທ່ານກຳລັງຖາມຄຳຖາມທາງການຮັບຮູ້, ແລະ token ການໃຫ້ເຫດຜົນຄື token ຜົນຜະລິດທີ່ທ່ານຈ່າຍ. ຍົກລະດັບມັນສຳລັບການເອີ້ນທີ່ຮູບພາບຄືຫຼັກຖານໃນຂໍ້ໂຕ້ແຍ້ງທີ່ຍາວກວ່າ: ການອ່ານແຜນຜັງທຽບກັບຂໍ້ກຳນົດ, ການປະສານແຜນຜັງກັບຕາຕະລາງ, ການຕັດສິນວ່າພາບໜ້າຈໍສອງໃບສະແດງຂໍ້ບົກພ່ອງດຽວກັນ.

ເອກະສານພາຣາມິເຕີເຕັມ, ຄວາມໝາຍຂໍ້ຜິດພາດ, ແລະ ຮູບແບບການສະຕຣີມສຳລັບທັງສາມພາສາຢູ່ໃນ ເອກະສານ API Shannon.

08ບ່ອນທີ່ MiniMax-M3 ຄືການເລືອກທີ່ຖືກຕ້ອງ — ແລະ ບ່ອນທີ່ບໍ່ແມ່ນ

ໃຊ້ມັນເມື່ອ

• ວຽກຮູບພາບປະລິມານຫຼວງຫຼາຍ. ການໃສ່ປ້າຍຊຸດຂໍ້ມູນ, ການຄົ້ນຄວ້າການຄວບຄຸມ, ການເສີມຂໍ້ມູນແຄຕາລັອກ, ການຄັດແຍກພາບໜ້າຈໍ, batch OCR ແລະ ໂຄງສ້າງເໜືອເອກະສານທີ່ສະແກນ. ລາຄາພື້ນຄືຂໍ້ໂຕ້ແຍ້ງທັງໝົດ.
• ຮູບພາບເປັນບັນທຶກທີ່ກຳນົດປະເພດ. ການເບິ່ງເຫັນບວກກັບ json_schema ເຂັ້ມງວດ ບວກກັບ token ທີ່ຖືກທີ່ສຸດໃນແຄຕາລັອກ ຄືການປະສົມທີ່ພຽງແຕ່ສອງໂມເດວທີ່ນີ້ໃຫ້ໄດ້.
• Context ຫຼາຍໂໝດຍາວ. ຫຼາຍໜ້າ, ຫຼືຫຼາຍ frame, ໃນຄຳຂໍດຽວ — ໂຄງສ້າງເບື້ອງລຸ່ມຖືກສ້າງມາເພື່ອຮູບຮ່າງ input ແບບນີ້ພໍດີ.
• ການຄົ້ນຄວ້າທີ່ການປະຕິເສດທຳລາຍຕົວຢ່າງ. ການສຶກສາໃດກໍຕາມທີ່ຄວາມຖືກຕ້ອງຂຶ້ນກັບໂມເດວຕອບທຸກລາຍການ, ລວມທັງລາຍການທີ່ບໍ່ສະບາຍໃຈ.
• ວົງຈອນຕົວແທນທີ່ອ່ານໜ້າຈໍ. ຕະກູນ M-series ເປັນຕົວແທນຢ່າງຊັດເຈນ, ແລະ ການເອີ້ນເຄື່ອງມືມີໃຫ້.

ໃຊ້ອັນອື່ນເມື່ອ

• ທ່ານຕ້ອງການເພດານການເບິ່ງເຫັນສູງທີ່ສຸດ ແລະ ມີງົບ. Kimi-K3 · 3BIT-REAP ລາຄາ 7.7 ເທົ່າຂອງ input ດ້ວຍເຫດຜົນ; ໃນການອ່ານຄວາມສ່ຽງສູງອັນດຽວ, ນັ້ນຄືເງິນທີ່ຄວນຈ່າຍ.
• ທ່ານຕ້ອງການນ້ຳໜັກຄວາມແມ່ນຢຳສູງສຸດ. 3-bit ຄືລະດັບຮຸນແຮງທີ່ສຸດຂອງພວກເຮົາ. ໂມເດວ W8A16 ແລກລາຄາກັບຄວາມແມ່ນຢຳ, ແລະ MiMo-V2.5 · W8A16 ເບິ່ງເຫັນໄດ້ໃນລາຄາ $0.50 / $2.00 ດຽວກັນ ຖ້າຄວາມແມ່ນຢຳຕໍ່ນ້ຳໜັກຄືສິ່ງທີ່ທ່ານປັບໃຫ້ເໝາະສົມ.
• ທ່ານຕ້ອງການວິດີໂອ. ພວກເຮົາບໍ່ໄດ້ເປີດເຜີຍ input ວິດີໂອເທິງ endpoint ນີ້.
• ວຽກເປັນຂໍ້ຄວາມລ້ວນໆລະດັບຊັ້ນນຳ. DeepSeek-V4-Pro-0813 ມີໄວ້ສຳລັບນັ້ນ; ທ່ານຈະຈ່າຍສຳລັບ vision tower ທີ່ທ່ານບໍ່ເຄີຍໃຊ້.

ຕົວເລກໂຄງສ້າງ, ເບັນມາກ ແລະ ຄວາມໄວທີ່ເພີ່ມຂຶ້ນສຳລັບຕະກູນ MiniMax ຖືກລາຍງານໂດຍແລບ MiniMax AI; ຕົວເລກ REAP ຖືກລາຍງານໂດຍຜູ້ຂຽນ REAP ເທິງໂມເດວຂອງພວກເຂົາເອງ ແລະ ບໍ່ແມ່ນການວັດແທກຮູບແບບນີ້. ລາຄາ Shannon, ໜ້າຕ່າງ context ແລະ ທຸງຄວາມສາມາດເປັນຂອງພວກເຮົາເອງ ແລະ ອ່ານໄດ້ຈາກແຄຕາລັອກໂມເດວສົດຂອງພວກເຮົາ.

09ຄຳຖາມທີ່ພົບເລື້ອຍ

---

ແຫຼ່ງຂໍ້ມູນ: ບັດໂມເດວ 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. ຕົວເລກເບັນມາກ ແລະ ຄວາມໄວທີ່ເພີ່ມຂຶ້ນຂອງ MiniMax ຖືກແລບລາຍງານ ແລະ ຍັງບໍ່ແນ່ນອນ ລໍຖ້າການຢືນຢັນຄືນຢ່າງອິດສະຫຼະ. ລາຄາ ແລະ ທຸງຄວາມສາມາດຂອງ Shannon ເປັນປັດຈຸບັນນັບຮອດວັນທີ 5 ກັນຍາ 2026.