Necenzēts MiniMax API: redze par grīdas cenu

Gandrīz katrs mitinātais multimodālais API redzi cenā liek kā piemaksu. Par tekstu maksājat teksta modeļa likmi, un tad maksājat vairāk — dažkārt vairākas reizes vairāk — brīdī, kad uzvednē ienāk attēls. Turklāt tieši pie attēlu ievadēm atteikuma uzvedība ir visagresīvākā: modelis, kas tekstā par tēmu labprāt runās, atsacīsies aprakstīt to pašu fotogrāfijā. Rezultāts ir produkts, kas ir dārgs uz izsaukumu un neuzticams uz izsaukumu, un tas ir sliktākais no abām pasaulēm, kad apstrādājat apjomu. MiniMax-M3 platformā Shannon ir mūsu atbilde uz to: tie paši $0.50 / $2.00, ko maksājat par mūsu lētāko teksta modeli, pielietoti pamatmodelim, kas jau no pirmā soļa trenēts multimodāli, bez atteikuma slāņa tā priekšā.

01Ko šeit patiesībā nozīmē „lētākais necenzētais redzes modelis”

Shannon katalogs ir divpadsmit modeļi. Pieci no tiem pieņem attēlus. To cenas uz miljonu tokenu:

Modelis ar redzi	Ievade	Izvade	Strukturēta izvade
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	tikai response_format
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 sēž uz grīdas — $0.50 / $2.00 — vienādi ar MiMo-V2.5 un bez nekā zemāka, jo $0.50 / $2.00 ir mūsu cenrāža grīda. Pret redzes diapazona augšgalu tas ir 7.7× lētāks ievadē un 9.6× lētāks izvadē nekā Kimi-K3.

Ielieciet to darba slodzē. Pieņemsim, ka šķirojat 1,000 attēlu — ekrānuzņēmumus, skenētas lappuses, produktu fotogrāfijas — ar vidēji aptuveni 1,200 attēla plus uzvednes tokeniem iekšā un 300 atbildes tokeniem ārā:

Shannon cenrāža cenas, 2026. gada septembris. Tokenu skaiti ir ilustratīvi; jūsu attēlu tokenizācija ir atkarīga no izšķirtspējas un no tā, cik attēlu pievienojat vienam izsaukumam.

Vēl divi atskaites punkti, ko ir noderīgi paturēt galvā. Visa 262,144 tokenu konteksta piepildīšana vienreiz maksā aptuveni 13 centus. Maksimāla garuma 16,384 tokenu atbilde maksā aptuveni 3.3 centus. Tās ir viena sliktākā gadījuma pieprasījuma faktiskās robežas, un tās ir pietiekami mazas, lai interesantais ierobežojums redzes konveijerā pārstātu būt nauda un kļūtu par caurlaidspēju.

02MiniMax cilts: laboratorija, kas optimizē tokenus, nevis virsrakstus

MiniMax AI ir Šanhajas laboratorija, kuras viss atvērto svaru sniegums ir par vienu jautājumu: kā padarīt uzmanību pietiekami lētu, lai garš konteksts un multimodalitāte pārstātu būt greznība? Katrs šīs līnijas laidiens ir atbilde uz šo jautājumu, un atbildes viena uz otras balstās.

MiniMax-01 — Lightning Attention un redze jau no sākuma

Sērija MiniMax-01 (publicēta kā arXiv 2501.08313) ieviesa Lightning Attention — uz ievadi/izvadi orientētu lineārās uzmanības varianta īstenojumu — hibrīdā Mixture-of-Experts modelī ar 456B kopējiem parametriem un 45.9B aktīvajiem uz tokenu. Sērija iznāca pārī: MiniMax-Text-01 un MiniMax-VL-01, redzes modelis. VL-01 izmantoja tagad jau pazīstamo ViT-MLP-LLM steku, taču ar 303 miljonu parametru Vision Transformer, trenētu no nulles uz 694 miljoniem attēlu un parakstu pāru, nevis aizņemtu kodētāju, ko pēc tam saskaņoja un kopīgi piefinēja daudzpakāpju konveijerā, kas apstrādāja 512 miljardus tokenu.

Šī detaļa ir svarīga rakstam, ko lasāt. Redze šajā ciltī nav vēlīns adapteris, pieskrūvēts teksta modelim ķeksīša pēc. MiniMax kopš pirmā atvērtā laidiena trenē savu paša vizuālo torni, un tieši tāpēc dokumentu saprašana, saskarņu un ekrānuzņēmumu izpratne un diagrammu lasīšana ir bijušas šīs saimes konsekventas stiprās puses, nevis pēcdomas.

MiniMax-M1 — hibrīda uzmanība garai spriešanai

MiniMax-M1 (arXiv 2506.13585) tā autoru aprakstīts kā pirmais atvērto svaru liela mēroga hibrīdas uzmanības spriešanas modelis. Tas paturēja 456B / 45.9B MoE korpusu un pārmaiņus lika abus uzmanības veidus: parastu softmax uzmanības transformera bloku pēc katriem septiņiem Lightning Attention blokiem. Ieguvums tika mērīts skaitļošanā, nevis topa vietā — MiniMax ziņoja, ka pie 100K tokenu ģenerēšanas garuma M1 patērēja aptuveni 25% no DeepSeek R1 FLOP, vienlaikus iedzimti atbalstot viena miljona tokenu kontekstu.

MiniMax-M2 — pagrieziens uz mazu aktivāciju

MiniMax-M2 izmēra ziņā gāja pretējā virzienā un ar to izpelnījās uzmanību: 62 slāņu dekodētājs ar 229.9B kopējiem parametriem, bet tikai ~9.8B aktīvajiem uz tokenu, izmantojot 256 smalki dalītus ekspertus uz MoE slāni ar sigmoīda maršrutēšanu uz astoņiem no tiem, RoPE pozīcijas un QK-RMSNorm treniņa stabilitātei. Tas bija skaidri aģentiskas kodēšanas modelis — daudzfailu labojumi, palaišanas un labošanas cikli, ar testiem apstiprināti remonti — un tas ieviesa pārmaiņus ieaustās domāšanas formātu, kur spriešana tiek nesta cauri rīku izsaukumu kārtām, nevis izmesta pēc katra gājiena. M2 ir modelis, kas nostiprināja MiniMax reputāciju par priekšpulkam tuvas aģentiskas uzvedības piegādi par daļu no izmaksām uz tokenu — vienkārši noturot aktivācijas sīkas.

MiniMax-M3 — pamatmodelis zem šī galapunkta

MiniMax-M3 tika izlaists 2026. gada 1. jūnijā, ar svariem Hugging Face neilgi pēc tam un tehnisko ziņojumu arXiv 2606.13392. Tas ir 428B parametru Mixture-of-Experts modelis ar aptuveni 23B aktīvajiem uz tokenu, dokumentētu viena miljona tokenu kontekstu un iedzimtu attēlu un video ievadi — MiniMax to apraksta kā jauktās modalitātes trenētu „jau no paša pirmā soļa”, nevis vispirms uz tekstu iepriekštrenētu un pēc tam multimodāli pielāgotu. Pēc MiniMax pašas publicētajiem skaitļiem tas iegūst 80.5% uz SWE-bench Verified un 59.0% uz SWE-bench Pro. Tie ir ražotāja ziņoti skaitļi kodēšanas etalonā, un tieši tā tie arī jāsver; mēs tos citējam tāpēc, ka tie ir laboratorijas publicētie apgalvojumi, nevis tāpēc, ka būtu tos neatkarīgi atkārtojuši.

03MiniMax Sparse Attention: kāpēc redzes modelis var būt tik lēts

Interesantā inženierija M3 ir MiniMax Sparse Attention (MSA), un tā ir tiešais iemesls, kāpēc šāda izmēra multimodāls modelis var sēdēt pie mūsu grīdas cenas. Attēli ir tokenu ziņā dārgi. Sauja augstas izšķirtspējas lappušu uzvednē var ielikt desmitiem tūkstošu tokenu, pirms esat uzrakstījuši kaut vienu norādījumu. Standarta uzmanībā šīs izmaksas pieaug kvadrātiski, un modelis, kas izlasa divdesmit lappuses, nav divreiz dārgāks par to, kas izlasa desmit — tas ir daudz sliktāk nekā divreiz.

MSA maina šīs līknes formu. Tas ir bloku retuma mehānisms, būvēts uz Grouped Query Attention pamata, sadalīts divos atzaros:

• Viegls indeksa atzars, kas novērtē atslēgu un vērtību blokus — maksimuma apkopošana pār tokeniem katrā blokā — un izvēlas augšējos k uz katru vaicājuma pozīciju un uz katru GQA grupu, treniņa stabilitātei vienmēr iekļaujot arī vietējo bloku, kurā atrodas pats vaicājums.
• Galvenais atzars, kas parasto softmax uzmanību palaiž tikai pār tiem blokiem, ko indekss izvēlējies.

MSA rakstā aprakstītā konfigurācija ir k = 16 bloki pa 128 tokeniem, kas katram vaicājumam dod fiksētu 2,048 apskatīto tokenu budžetu. Fiksētu — proti, tas ar secības garumu neaug. Tajā ir viss triks: kontekstam augot, blīvās bāzes uzmanības izmaksas turpina kāpt, kamēr MSA galvenā atzara izmaksas paliek plakanas, tāpēc uzmanība mērogojas lineāri, nevis kvadrātiski.

Skaitļi no MiniMax Sparse Attention ziņojuma (arXiv 2606.13392): 28.4× samazinājums uzmanības FLOP uz tokenu pret līdzvērtīgi konfigurētu GQA pie 1M konteksta, un 14.2× priekšaizpildes / 7.6× dekodēšanas reālā laika paātrinājumi, mērīti uz H800 aparatūras raksta 109B parametru pētījumā. MiniMax atsevišķi ziņo 9× priekšaizpildes un 15× dekodēšanas paātrinājumu M3 pret M2 pie 1M konteksta. Visi ir laboratorijas ziņoti.

Rakstā izdarīta arī tā pārbaude, kas svarīga redzes rakstam: uz iedzimti multimodāla 109B MoE MSA noturēja sniegumu, salīdzināmu ar pilnas uzmanības bāzi, attēlu etalonos, ieskaitot AI2D, ChartQA un MMMU, un video etalonos, ieskaitot EgoSchema, LongVideoBench un VideoMME — un retie varianti garāka konteksta video uzdevumos dažkārt sniegumu pat uzlaboja. Retums šeit nav kvalitātes nodeva, ko maksājat par ātrumu; garās ievadēs tas šķiet aptuveni bezmaksas.

Kāpēc tam vajadzētu rūpēt jums kā klientam: cenrādi nosaka apkalpošanas izmaksas. Pamatmodelis, kura uzmanības izmaksas pārstāj augt, ir pamatmodelis, ko varat atļauties pavērst pret simts tūkstošiem attēlu. Tas ir mehānisms aiz „lētākā necenzētā redzes modeļa” — tā nav reklāmas likme, tā ir arhitektūra.

04Ko nozīmē 3BIT-REAP un kur tas jums maksā

428 miljardu parametru modelis pilnā precizitātē neietilpst nekur ērti. Mūsu MiniMax-M3 būve nes 3BIT-REAP piedēkli, kas apraksta divas atsevišķas darbības, pielietotas noteiktā secībā.

REAP: izdzēsiet ekspertus, pirms tos saspiežat

REAP — maršrutētāja svērtā ekspertu aktivācijas atzarošana — ir vienpakāpes MoE saspiešanas metode no Cerebras un Kalgari universitātes, publicēta kā arXiv 2510.13999 un pieņemta ICLR 2026. Tās arguments ir, ka ģeneratīvos uzdevumos ekspertu atzarošana pārspēj to apvienošanu: apvienošana iznīcina maršrutētāja smalko vadību un ievieš kļūdu, ko vairs nekad nevar atgūt. Tāpēc REAP katru ekspertu novērtē ar izteiksmīguma kritēriju, kas apvieno maršrutētāja vārtu vērtības (cik bieži un cik stipri maršrutētājs to izvēlas) un eksperta aktivācijas normas (cik daudz tā izvade patiešām dod), tad mazāk izteiksmīgos ekspertus izdzēš pavisam.

Autori ziņo par līdz 50% ekspertu noņemšanu modeļos līdz pat vienam triljonam parametru, lielā mērā saglabājot bāzes kvalitāti — uz Qwen3-480B-Coder-FP8 ar 50% atzarošanu tika noturēti 97.6% no bāzes neaģentiskās kodēšanas spējas un 96.7% uz aģentiskā SWE-Bench. Tie ir raksta skaitļi par raksta modeļiem, nevis mūsējie par MiniMax-M3; mēs tos citējam, lai jūs varētu spriest par metodi, nevis lai netieši norādītu uz līdzvērtīgu mērījumu šeit.

3 bitu svari, otrkārt

Izdzīvojušie svari pēc tam tiek glabāti 3 bitos. Secība ir apzināta, un tā ir visas kombinācijas jēga: vispirms atzarot, pēc tam kvantējot. Nav jēgas tērēt savus dārgos trīs bitus uz svaru, uzticīgi kodējot ekspertus, ko tūlīt izdzēsīsiet. Atzarojiet reto asti, tad ļaujiet atlikušajam budžetam pilnībā aiziet ekspertiem, kas patiešām nostrādā.

Godīgā atruna

3BIT-REAP ir visagresīvākais līmenis, ko piedāvājam. Mēs to izmantojam uz lielākajiem pamatmodeļiem — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra —, jo tā ir starpība starp šo modeļu pieejamību par saprātīgu cenu un to nepieejamību vispār. Kur pamatmodelis ir pietiekami mazs, lai to nevajadzētu, mēs to neizmantojam: W8A16 modeļi katalogā darbojas ar 8 bitu svariem un 16 bitu aktivācijām, un W4A16-AUTOROUND-REAP atrodas pa vidu, izmantojot AutoRound iemācīto noapaļošanu, lai atgūtu precizitāti, ko naiva noapaļošana uz tuvāko atdod. Izvēlieties līmeni, kas atbilst jūsu pielaidei. Ja izvelkat laukus no desmit tūkstošiem rēķinu, 3 biti ir pareizā apmaiņa. Ja veicat vienu augstu likmju tiesu ekspertīzes lasījumu no viena attēla, iztērējiet naudu Kimi-K3.

05Ko nozīmē „bez atteikuma slāņa”, kad ievade ir attēls

„Necenzēts” ir vārds, ko lieto vaļīgi, tāpēc lūk precīzais apgalvojums: uz šī galapunkta nav atteikuma slāņa un nav izvades filtrēšanas. Neviens klasifikators nepārbauda jūsu attēlu, pirms modelis to redz. Neviens politikas modelis nepārbauda tokenus ceļā ārā. Ko modelis rada, to jūs saņemat.

Tekstā šā efekts ir pazīstams. Redzē tas ir citādas dabas, jo tieši pie attēlu ievadēm komerciālie multimodālie API ir vissargātāji un visnepatvaļīgākie. Raksturīgās kļūmes izskatās šādi:

• Vispārēji identitātes atteikumi — atsakās vispār aprakstīt cilvēkus fotogrāfijā, ieskaitot pazīmes, kas ir acīmredzami redzamas un pilnīgi nekaitīgas, jo politika nespēj atšķirt aprakstīšanu no identificēšanas.
• Izlēkšana no tēmas — atsakās transkribēt vai apkopot dokumentu tā satura dēļ, kaut arī transkribēšana ir mehānisks uzdevums.
• Medicīniska un tiesu ekspertīzes kaunīgums — atsakās aprakstīt klīniskus attēlus, traumu dokumentāciju vai negadījumu fotogrāfijas, ko profesionālim vajag aprakstītas.
• Drošības rīku viltus pozitīvie — atsakās lasīt ekrānuzņēmumu, jo tajā ir terminālis, pakešu tvērums vai atkļūdotājs.
• Klusa degradācija — sliktākais no visiem: nevis atteikums, bet izvairīga neatbilde, kas iztur jūsu shēmas validāciju un saindē jūsu datu kopu, nekad neizraisot kļūdu.

Ekspluatācijas problēma ar visiem pieciem nav tā, ka tie būtu netaisnīgi. Tā ir tā, ka tie ir neizmērāmi. Nepareiza atbilde ir datu punkts; to var novērtēt, pieķert vērtēšanā un koriģēt. Atteikums ir caurums. Partiju mērogā 3% atteikumu īpatsvars, kas pār jūsu ievadēm sadalīts nejaušības principam neatbilstoši — pēc uzbūves sakoncentrēts tieši uz grūtajiem un neparastajiem gadījumiem —, ir sistemātiska nobīde jūsu rezultātos, ko nekāda pēcapstrādes sakopšana neatgūst. Atteikuma slāņa noņemšana noņem klusu, korelētu trūkstošo datu avotu.

Shannon uztur Shannon Lab LLC, Ņūmeksika, ASV, saskaņā ar mūsu atbildīgas lietošanas politiku. Necenzēts nozīmē, ka modelis par jūsu ievadēm nemoralizē; tas nenozīmē, ka kontam nav noteikumu.

06Pilnā specifikācija

Lauks	MiniMax-M3 · 3BIT-REAP
Modeļa id	MiniMax-M3-3BIT-REAP
Pamatmodelis	MiniMax-M3 (MiniMax AI)
Konteksta logs	262,144 tokeni
Maks. izvade	16,384 tokeni
Attēlu ievade	Jā
Video ievade	Nav atklāta
Straumēšana	Jā
Rīku izsaukšana	Jā
Spriešana	Jā (reasoning_effort)
Strukturēta izvade	json_schema + response_format
Atteikuma slānis	Nav
Galapunkti	/v1/chat/completions · /v1/messages · /v1/responses
Pasniegts uz	Shannon paša GPU klastera

Divas rindas šajā tabulā ir jāizceļ. Video ievade nav atklāta. Augšupējais M3 pamatmodelis tika trenēts uz video, un MiniMax video ievadi dokumentē; mūsu galapunkts pieņem attēlus. Būvējiet uz attēliem. Otrkārt, 262,144 tokenu logs ir mūsējais, nevis augšupējais viena miljona skaitlis — plānojiet garu dokumentu un daudzu attēlu darba slodzes pret 262,144, un jūs nekad netiksiet pārsteigti.

07Kā izsaukt necenzēto MiniMax API

Trīs dialekti, viens un tas pats modelis aiz tiem visiem, straumēšana visos trīs. Izmantojiet to, kuru jūsu esošais klients jau runā; iespēju atšķirību starp tiem nav. Pavērsiet savu bāzes URL uz Shannon un nomainiet modeļa id.

Attēlu saprašana caur OpenAI dialektu

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
  }'

Gan attālinātie https:// URL, gan base64 datu URL image_url daļā darbojas. Pievienojiet vienā ziņojumā vairākas attēlu daļas, kad vajag salīdzināt pāri lappusēm — jums ir 262,144 tokeni, ko tērēt, un par $0.50 uz miljonu to tērēšana ir lēta.

Tipizēta ekstrakcija ar JSON shēmu

Vietu konveijerā šis modelis nopelna ar kombināciju redze + stingra shēma + grīdas cena. Ne katram modelim mūsu katalogā ir visi trīs: Laguna-S-2.1 un inkling neatbalsta json_schema. MiniMax-M3 atbalsta, kas nozīmē, ka no attēla varat dabūt validētu objektu bez parsēšanas slāņa:

{
  "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
      }
    }
  }
}

Spriešanas intensitāte

Modelis atklāj reasoning_effort. Lielapjoma attēlu klasifikācijā turiet to zemu — jūs uzdodat uztveres jautājumu, un spriešanas tokeni ir izvades tokeni, par kuriem maksājat. Paceliet to tiem izsaukumiem, kur attēls ir pierādījums garākā argumentā: diagrammas lasīšana pret specifikāciju, diagrammas saskaņošana ar tabulu, lēmums, vai divi ekrānuzņēmumi rāda vienu un to pašu defektu.

Pilna parametru atsauce, kļūdu semantika un straumēšanas formāti visiem trim dialektiem ir Shannon API dokumentācijā.

08Kur MiniMax-M3 ir pareizā izvēle — un kur nav

Ķerieties pie tā, kad

• Lielapjoma attēlu darbs. Datu kopu birkošana, moderācijas pētniecība, kataloga bagātināšana, ekrānuzņēmumu šķirošana, partiju OCR un struktūras izvilkšana no skenētiem dokumentiem. Grīdas cena ir viss arguments.
• Attēli tipizētos ierakstos. Redze plus stingra json_schema plus lētākie tokeni katalogā ir kombinācija, ko šeit piedāvā tikai divi modeļi.
• Garš multimodāls konteksts. Daudzas lappuses vai daudzi kadri vienā pieprasījumā — arhitektūra apakšā ir būvēta tieši šai ievades formai.
• Pētniecība, kur atteikumi sabojā izlasi. Jebkurš pētījums, kura derīgums atkarīgs no tā, vai modelis atbild uz katru vienumu, arī neērtajiem.
• Aģentiski cikli, kas lasa ekrānu. M sērijas cilts ir skaidri aģentiska, un rīku izsaukšana ir pieejama.

Ķerieties pie kā cita, kad

• Jums vajag augstākos redzes griestus un budžets ir. Kimi-K3 · 3BIT-REAP maksā 7.7× vairāk ievadē ne velti; vienā augstu likmju lasījumā tā ir pareizā nauda, ko iztērēt.
• Jums vajag maksimālas precizitātes svarus. 3 biti ir mūsu visagresīvākais līmenis. W8A16 modeļi maina cenu pret precizitāti, un MiMo-V2.5 · W8A16 ir ar redzi par tiem pašiem $0.50 / $2.00, ja optimizējat precizitāti uz svaru.
• Jums vajag video. Uz šī galapunkta video ievadi mēs neatklājam.
• Uzdevums ir tīrs teksts priekšpulka līmenī. Tam ir DeepSeek-V4-Pro-0813; citādi maksātu par redzes torni, ko nekad neizmantojat.

MiniMax saimes arhitektūras, etalonu un paātrinājuma skaitļus ziņo pati MiniMax AI laboratorija; REAP skaitļus ziņo REAP autori par saviem modeļiem, un tie nav šīs būves mērījums. Shannon cenas, konteksta logs un iespēju karodziņi ir mūsējie un nolasīti no mūsu dzīvā modeļu kataloga.

09Biežāk uzdotie jautājumi

---

Avoti: MiniMax-M3 modeļa karte · 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 etalonu un paātrinājuma skaitļi ir laboratorijas ziņoti un provizoriski, līdz tiek neatkarīgi pārbaudīti. Shannon cenas un iespēju karodziņi ir aktuāli uz 2026. gada 5. septembri.