Нецензурирано MiniMax API: вид по подна цена

Речиси секое хостирано мултимодално API го наплаќа видот како премиум. Плаќаш стапка за текстуален модел за текстот, а потоа плаќаш повеќе — понекогаш неколкукратно повеќе — во мигот кога слика влегува во промптот. Врз тоа, влезот со слика е местото каде однесувањето при одбивање е најагресивно: моделот што со задоволство ќе разговара за некоја тема во текст ќе одбие да го опише истото на фотографија. Резултатот е производ што е скап по повик и недоверлив по повик, што е најлошото од двата света кога обработуваш обем. MiniMax-M3 на Shannon е нашиот одговор на тоа: истите 0,50 / 2,00 што ги плаќаш за нашиот најевтин текстуален модел, применети врз фундамент трениран мултимодално од првиот чекор, без слој за одбивање пред него.

01Што всушност значи овде „најевтин нецензуриран модел со вид“

Каталогот на Shannon е дванаесет модели. Пет од нив примаат слики. Нивните цени, на милион токени:

Модел со вид	Влез	Излез	Структуриран излез
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	само response_format
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 седи на подот — 0,50 / 2,00 — изедначен со MiMo-V2.5, и ништо нема под него, зашто 0,50 / 2,00 е подот на нашата ценовна листа. Наспроти врвот на опсегот со вид, тој е 7,7× поевтин на влез и 9,6× поевтин на излез од Kimi-K3.

Стави го тоа во оптоварување. Да речеме дека тријажираш 1.000 слики — снимки од екран, скенирани страници, фотографии на производи — со просек од околу 1.200 токени слика плус промпт навнатре и 300 токени одговор нанадвор:

Каталошки цени на Shannon, септември 2026 година. Бројот на токени е илустративен; твоето токенизирање на слики зависи од резолуцијата и од тоа колку слики прикачуваш по повик.

Уште две референтни точки вреди да ги држиш в глава. Да го наполниш целиот контекст од 262.144 токени еднаш чини околу 13 центи. Одговор со максимална должина од 16.384 токени чини околу 3,3 центи. Тоа се вистинските граници на едно барање во најлош случај, и се доволно мали за интересното ограничување во еден процес со вид да престане да биде парите и да стане пропусноста.

02Лозата на MiniMax: лабораторија што оптимизира токени, а не наслови

MiniMax AI е шангајска лабораторија чијшто целокупен опус со отворени тежини се врти околу едно прашање: како да го направиш вниманието доволно евтино за долгиот контекст и мултимодалноста да престанат да бидат луксуз? Секое издание во низата е одговор на тоа прашање, а одговорите се надградуваат еден врз друг.

MiniMax-01 — Lightning Attention и вид од самиот почеток

Серијата MiniMax-01 (објавена како arXiv 2501.08313) го воведе Lightning Attention, имплементација свесна за влезно-излезните операции на варијанта од линеарно внимание, внатре во хибриден модел со мешавина од експерти со 456 милијарди вкупни параметри и 45,9 милијарди активни по токен. Серијата излезе како пар: MiniMax-Text-01 и MiniMax-VL-01, моделот со вид. VL-01 го користеше сега веќе познатиот склоп ViT-MLP-LLM, но со визуелен трансформер од 303 милиони параметри трениран од нула врз 694 милиони парови слика-опис наместо со позајмен енкодер, потоа усогласен и заеднички дотрениран низ повеќефазен процес што обработи 512 милијарди токени.

Тој детаљ е важен за статијата што ја читаш. Видот во оваа лоза не е доцен адаптер прицврстен врз текстуален модел за да се обележи ставка од листа. MiniMax тренира сопствена визуелна кула уште од своето прво отворено издание, поради што разбирањето документи, сфаќањето кориснички интерфејси и снимки од екран, и читањето графикони се доследни силни страни на семејството, а не дополнителна мисла.

MiniMax-M1 — хибридно внимание за расудување на должина

MiniMax-M1 (arXiv 2506.13585) беше опишан од своите автори како првиот голем модел за расудување со отворени тежини и хибридно внимание. Го задржа MoE телото од 456 / 45,9 милијарди и ги преплете двата типа внимание: обичен трансформерски блок со softmax внимание по секои седум блока Lightning Attention. Придобивката се мереше во пресметка, а не во позиција на ранг-листа — MiniMax пријави дека при должина на генерирање од 100K токени, M1 трошел приближно 25% од FLOPs на DeepSeek R1, а притоа родно поддржувал контекст од еден милион токени.

MiniMax-M2 — свртувањето кон мали активации

MiniMax-M2 тргна во спротивна насока по големина и со тоа привлече внимание: декодер со 62 слоја со 229,9 милијарди вкупни параметри, но само околу 9,8 милијарди активни по токен, со 256 ситнозрнести експерти по MoE слој и сигмоидно рутирање кон осум од нив, RoPE позиции и QK-RMSNorm за стабилност при тренирање. Тој беше изречно модел за агентско кодирање — измени низ повеќе датотеки, циклуси изврши-поправи, поправки потврдени со тестови — и го воведе форматот на испреплетено размислување, во кој расудувањето се пренесува меѓу круговите со повици на алатки наместо да се отфрла по секој круг. M2 е моделот што ѝ ја изгради на MiniMax репутацијата дека испорачува агентско однесување блиско до врвот по дел од цената по токен, чисто со тоа што ги држи активациите ситни.

MiniMax-M3 — фундаментот под оваа крајна точка

MiniMax-M3 беше објавен на 1 јуни 2026 година, со тежини на Hugging Face кратко потоа и технички извештај на arXiv 2606.13392. Тоа е модел со мешавина од експерти со 428 милијарди параметри и приближно 23 милијарди активни по токен, со документиран контекст од еден милион токени и роден влез со слика и видео — MiniMax го опишува како трениран во мешани модалитети „од првиот чекор“, а не претрениран на текст па потоа мултимодално прилагоден. Според сопствените објавени бројки на MiniMax постигнува 80,5% на SWE-bench Verified и 59,0% на SWE-bench Pro. Тоа се бројки објавени од добавувачот на репер за кодирање, што е точно тежината што треба да им ја дадеш; ги наведуваме затоа што се објавени тврдења на лабораторијата, а не затоа што ние независно сме ги повториле.

03MiniMax Sparse Attention: зошто модел со вид може да биде толку евтин

Интересниот инженеринг во M3 е MiniMax Sparse Attention (MSA), и тој е директната причина еден мултимодален модел со ваква големина да седи на нашата подна цена. Сликите се скапи во токени. Шачка страници со висока резолуција можат да стават десетици илјади токени во промптот пред да напишеш и една инструкција. Под стандардно внимание, таа цена се сложува квадратно, и моделот што чита дваесет страници не е двапати поскап од оној што чита десет — многу е полошо од двапати.

MSA ја менува формата на таа крива. Тоа е блоковски редок механизам изграден врз основа од Grouped Query Attention, поделен на две гранки:

• Лесна индексна гранка што ги оценува блоковите клуч-вредност — со максимално обединување на резултатите низ токените во секој блок — и ги избира најдобрите k по позиција на прашањето и по GQA група, секогаш вклучувајќи го локалниот блок што го содржи самото прашање, заради стабилност при тренирање.
• Главна гранка што извршува обично softmax внимание само врз блоковите што ги избрал индексот.

Конфигурацијата во трудот за MSA е k = 16 блока по 128 токени, што му дава на секое прашање фиксен буџет од 2.048 токени врз кои внимава. Фиксен, што значи дека не расте со должината на низата. Тоа е целиот трик: како што расте контекстот, цената на вниманието кај густата основа продолжува да се качува, додека цената на главната гранка кај MSA останува рамна, па вниманието се скалира линеарно наместо квадратно.

Бројките се од извештајот за MiniMax Sparse Attention (arXiv 2606.13392): намалување од 28,4× на FLOPs за внимание по токен наспроти еквивалентно конфигуриран GQA при 1M контекст, и забрзување во реално време од 14,2× при prefill и 7,6× при декодирање, измерено на хардвер H800 во студијата на трудот со 109 милијарди параметри. MiniMax одделно пријавува забрзување од 9× при prefill и 15× при декодирање за M3 наспроти M2 при 1M контекст. Сите се објавени од лабораторијата.

Трудот ја прави и проверката што е важна за една статија за вид: на родно мултимодален MoE од 109 милијарди, MSA задржа изведба споредлива со основата со целосно внимание низ реперите за слики вклучувајќи ги AI2D, ChartQA и MMMU, и низ реперите за видео вклучувајќи ги EgoSchema, LongVideoBench и VideoMME — при што редовите варијанти понекогаш подобруваа кај видео задачите со подолг контекст. Редоста тука не е данок на квалитетот што го плаќаш за брзина; на долги влезови изгледа дека е речиси бесплатна.

Зошто ова да те интересира како клиент: цената на послужувањето е тоа што ја одредува каталошката цена. Фундамент чијашто цена на внимание престанува да расте е фундамент што можеш да си дозволиш да го насочиш кон сто илјади слики. Тоа е механизмот зад „најевтин нецензуриран модел со вид“ — не е промотивна стапка, туку архитектура.

04Што значи 3BIT-REAP и каде те чини

Модел со 428 милијарди параметри не собира никаде згодно во полна прецизност. Нашата верзија на MiniMax-M3 ја носи наставката 3BIT-REAP, што опишува две одделни операции применети во точно определен редослед.

REAP: избриши експерти пред да ги компресираш

REAP — поткастрување на активацијата на експертите пондерирано по рутерот — е еднократен метод за компресија на MoE од Cerebras и Универзитетот во Калгари, објавен како arXiv 2510.13999 и прифатен на ICLR 2026. Неговиот аргумент е дека за генеративни задачи поткаструвањето на експерти го надминува нивното спојување: спојувањето ја уништува ситнозрнестата контрола на рутерот и внесува грешка што никогаш не можеш да ја надоместиш. Затоа REAP наместо тоа го оценува секој експерт со критериум на истакнатост што ги комбинира вредностите на портите на рутерот (колку често и колку силно рутерот го избира) и нормите на активација на експертот (колку неговиот излез навистина придонесува), па потоа најмалку истакнатите експерти ги брише наполно.

Авторите пријавуваат отстранување на до 50% од експертите кај модели големи и до еден трилион параметри со главно зачуван почетен квалитет — кај Qwen3-480B-Coder-FP8 при поткастрување од 50%, задржани биле 97,6% од почетната неагентска способност за кодирање и 96,7% на агентскиот SWE-Bench. Тоа се бројките на трудот за моделите на трудот, а не наши за MiniMax-M3; ги наведуваме за да можеш да го оцениш методот, а не за да сугерираме еквивалентно мерење овде.

3-битни тежини, второ

Преживеаните тежини потоа се чуваат на 3 бита. Редоследот е намерен и токму тој е поентата на комбинацијата: прво поткаструвај, потоа квантизирај. Нема смисла да ги трошиш своите скапоцени три бита по тежина верно кодирајќи експерти што допрва ќе ги избришеш. Поткастри ја редата опашка, па пушти го целиот преостанат буџет кај експертите што навистина се палат.

Чесното ограничување

3BIT-REAP е најагресивното ниво што го испорачуваме. Го користиме на најголемите фундаменти — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — затоа што тој е разликата меѓу тие модели да бидат достапни по разумна цена и воопшто да не бидат достапни. Каде фундаментот е доволно мал за да не му треба, не го користиме: моделите со W8A16 во каталогот работат со 8-битни тежини и 16-битни активации, а W4A16-AUTOROUND-REAP е меѓу нив, со наученото заокружување на AutoRound што враќа точност што наивното заокружување на најблиску ја испушта. Избери го нивото што одговара на твојата толеранција. Ако извлекуваш полиња од десет илјади фактури, 3 бита се точната размена. Ако правиш едно форензичко читање со високи влогови на една слика, потроши ги парите на Kimi-K3.

05Што значи „без слој за одбивање“ кога влезот е слика

Нецензурирано е збор што се употребува лабаво, па еве го прецизното тврдење: на оваа крајна точка нема слој за одбивање и нема филтрирање на излезот. Ниту еден класификатор не ја прегледува твојата слика пред моделот да ја види. Ниту еден модел на политика не ги прегледува токените на излегување. Она што моделот го произведува е она што го примаш.

Во текст, ефектот од тоа е познат. Во вид, тој е поинаков по вид, зашто однесувањето при одбивање на влезови со слика е местото каде комерцијалните мултимодални API се најконзервативни и најпроизволни. Карактеристичните откажувања изгледаат вака:

• Паушални одбивања поради идентитет — одбивање воопшто да се опишат луѓе на фотографија, вклучувајќи ги и особините што се очигледно видливи и целосно безопасни, затоа што политиката не умее да го разликува описот од идентификацијата.
• Откажување поради темата — одбивање да се препише или сумира документ поради тоа за што е документот, иако препишувањето е механичка задача.
• Медицинска и форензичка гадливост — одбивање да се опише клиничка снимка, документирање повреда или фотографии од несреќа што на професионалец му треба да бидат опишани.
• Лажни позитиви кај безбедносните алатки — одбивање да се прочита снимка од екран затоа што содржи терминал, снимка на мрежен сообраќај или дебагер.
• Тивко влошување — најлошото: не одбивање, туку одговор со резерва што ништо не кажува, кој ја поминува твојата проверка на шема и ти го трује податочниот сет без никогаш да подигне грешка.

Оперативниот проблем со сите пет не е тоа што се неправедни. Проблемот е што се немерливи. Погрешен одговор е податочна точка; можеш да го оцениш, да го фатиш при евалуација и да коригираш за него. Одбивањето е дупка. При обем, стапка на одбивање од 3% распределена неслучајно низ твоите влезови — концентрирана, по самата своја природа, токму на тешките и невообичаените случаи — е систематска пристрасност во твоите резултати што никакво доцнежно чистење не ја враќа. Отстранувањето на слојот за одбивање отстранува извор на тивки, корелирани податоци што недостасуваат.

Со Shannon управува Shannon Lab LLC, Ново Мексико, САД, според нашата Политика за одговорна употреба. Нецензурирано значи дека моделот не коментира за твоите влезови; не значи дека сметката нема услови.

06Целосната спецификација

Поле	MiniMax-M3 · 3BIT-REAP
Идентификатор на моделот	MiniMax-M3-3BIT-REAP
Фундамент	MiniMax-M3 (MiniMax AI)
Контекстен прозорец	262,144 токени
Максимален излез	16,384 токени
Влез со слика	Да
Влез со видео	Не е изложен
Стриминг	Да
Повикување алатки	Да
Расудување	Да (reasoning_effort)
Структуриран излез	json_schema + response_format
Слој за одбивање	Нема
Крајни точки	/v1/chat/completions · /v1/messages · /v1/responses
Послужен на	сопствениот GPU кластер на Shannon

Два реда во таа табела заслужуваат нагласување. Влезот со видео не е изложен. Изворниот фундамент M3 е трениран на видео и MiniMax документира влез со видео; нашата крајна точка прима слики. Гради врз слики. Второ, прозорецот од 262.144 токени е наш, а не изворната бројка од еден милион — планирај ги оптоварувањата со долги документи и многу слики спрема 262.144 и никогаш нема да те изненади.

07Како се повикува нецензурираното MiniMax API

Три дијалекти, ист модел зад сите нив, стриминг на сите три. Користи го оној што твојот постоечки клиент веќе го зборува; меѓу нив нема разлика во можностите. Насочи го основниот URL кон Shannon и промени го идентификаторот на моделот.

Разбирање слики преку дијалектот на 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
  }'

И оддалечените https:// URL-адреси и base64 data URL-адреси работат во делот image_url. Прикачи повеќе делови со слики во една порака кога ти треба споредба низ страници — имаш 262.144 токени за трошење, а по 0,50 долари на милион, трошењето е евтино.

Типизирано извлекување со JSON шема

Местото каде овој модел го заслужува своето место во еден процес е комбинацијата вид + строга шема + подна цена. Немаат сите модели во нашиот каталог сите три: Laguna-S-2.1 и inkling не поддржуваат json_schema. MiniMax-M3 поддржува, што значи дека можеш да добиеш потврден објект од слика без слој за парсирање:

{
  "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
      }
    }
  }
}

Напор на расудување

Моделот го изложува reasoning_effort. При масовна класификација на слики, држи го ниско — поставуваш перцептивно прашање, а токените за расудување се излезни токени што ги плаќаш. Крени го за повиците каде сликата е доказ во подолг аргумент: читање дијаграм наспроти спецификација, усогласување графикон со табела, одлучување дали две снимки од екран го покажуваат истиот дефект.

Целосната референца за параметрите, семантиката на грешките и форматите за стриминг за сите три дијалекти живеат во документацијата на Shannon API.

08Каде MiniMax-M3 е вистинскиот избор — а каде не е

Посегни по него кога

• Работа со слики во обем. Означување податочни сетови, истражување модерација, збогатување каталози, тријажа на снимки од екран, масовен OCR и структурирање врз скенирани документи. Подната цена е целиот аргумент.
• Слики во типизирани записи. Вид плус строг json_schema плус најевтините токени во каталогот е комбинација што тука ја нудат само два модела.
• Долг мултимодален контекст. Многу страници или многу кадри во едно барање — архитектурата под него е градена токму за таков облик на влез.
• Истражување каде одбивањата го расипуваат примерокот. Секоја студија чијашто валидност зависи од тоа моделот да одговори на секоја ставка, вклучувајќи ги и непријатните.
• Агентски циклуси што читаат екран. Лозата на M-серијата е изречно агентска, а повикувањето алатки е достапно.

Посегни по нешто друго кога

• Ти треба највисок таван за вид и буџетот постои. Kimi-K3 · 3BIT-REAP е 7,7× поскап на влез со причина; на едно читање со високи влогови, тоа се вистинските пари за трошење.
• Ти требаат тежини со максимална верност. 3 бита се нашето најагресивно ниво. Моделите со W8A16 ја менуваат цената за прецизност, а MiMo-V2.5 · W8A16 има вид по истите 0,50 / 2,00 ако верноста по тежина е тоа што го оптимизираш.
• Ти треба видео. Не изложуваме влез со видео на оваа крајна точка.
• Задачата е чист текст на врвно ниво. DeepSeek-V4-Pro-0813 постои за тоа; инаку би плаќал за визуелна кула што никогаш не ја користиш.

Бројките за архитектурата, реперите и забрзувањата за семејството MiniMax се објавени од лабораторијата MiniMax AI; бројките за REAP се објавени од авторите на REAP за нивните сопствени модели и не се мерење на оваа верзија. Цените на Shannon, контекстниот прозорец и ознаките за можности се наши и се читаат од нашиот жив каталог на модели.

09Често поставувани прашања

---

Извори: картичка на моделот 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. Бројките за реперите и забрзувањата на MiniMax се објавени од лабораторијата и се привремени додека не се потврдат независно. Цените и ознаките за можности на Shannon се актуелни заклучно со 5 септември 2026 година.