സെൻസർ ചെയ്യാത്ത MiniMax API: തറനിരക്കിൽ വിഷൻ

മിക്കവാറും എല്ലാ ഹോസ്റ്റഡ് മൾട്ടിമോഡൽ API-കളും വിഷനെ ഒരു പ്രീമിയമായാണ് വിലയിടുന്നത്. ടെക്സ്റ്റിന് ഒരു ടെക്സ്റ്റ്-മോഡൽ നിരക്ക് നിങ്ങൾ നൽകുന്നു, പിന്നെ ഒരു ഇമേജ് പ്രോംപ്റ്റിലേക്ക് കയറുന്ന നിമിഷം കൂടുതൽ — ചിലപ്പോൾ പലമടങ്ങ് കൂടുതൽ — നൽകുന്നു. അതിനുപുറമേ, നിരസന സ്വഭാവം ഏറ്റവും ആക്രമണോത്സുകമായത് ഇമേജ് ഇൻപുട്ടുകളിലാണ്: ടെക്സ്റ്റിൽ ഒരു വിഷയത്തെക്കുറിച്ച് സന്തോഷത്തോടെ ചർച്ച ചെയ്യുന്ന മോഡൽ, അതേ കാര്യം ഒരു ഫോട്ടോയിൽ വിവരിക്കാൻ വിസമ്മതിക്കും. ഫലം ഓരോ കോളിനും ചെലവേറിയതും ഓരോ കോളിനും വിശ്വസനീയമല്ലാത്തതുമായ ഒരു ഉൽപ്പന്നമാണ് — അളവിൽ പ്രോസസ്സ് ചെയ്യുമ്പോൾ രണ്ടിന്റെയും ഏറ്റവും മോശം വശം. Shannon-ലെ MiniMax-M3 അതിനുള്ള ഞങ്ങളുടെ ഉത്തരമാണ്: ഞങ്ങളുടെ ഏറ്റവും വിലകുറഞ്ഞ ടെക്സ്റ്റ് മോഡലിന് നിങ്ങൾ നൽകുന്ന അതേ $0.50 / $2.00, ആദ്യ ഘട്ടം മുതൽ മൾട്ടിമോഡലായി പരിശീലിപ്പിച്ച ഒരു അടിത്തറയ്ക്ക്, മുന്നിൽ ഒരു നിരസന പാളിയുമില്ലാതെ.

01"ഏറ്റവും വിലകുറഞ്ഞ സെൻസർ ചെയ്യാത്ത വിഷൻ മോഡൽ" എന്നാൽ ഇവിടെ എന്താണ് അർത്ഥം

Shannon കാറ്റലോഗ് പന്ത്രണ്ട് മോഡലുകളാണ്. അവയിൽ അഞ്ചെണ്ണം ഇമേജുകൾ സ്വീകരിക്കുന്നു. അവയുടെ വിലകൾ, ദശലക്ഷം ടോക്കണിന്:

വിഷൻ ശേഷിയുള്ള മോഡൽ	ഇൻപുട്ട്	ഔട്ട്പുട്ട്	ഘടനാപരമായ ഔട്ട്പുട്ട്
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 only
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 തറയിലാണ് — $0.50 / $2.00 — MiMo-V2.5-നൊപ്പം ഒപ്പം, അതിനു താഴെ ഒന്നുമില്ല, കാരണം $0.50 / $2.00 ആണ് ഞങ്ങളുടെ വിലപ്പട്ടികയുടെ തറ. വിഷൻ ശ്രേണിയുടെ മുകൾത്തട്ടിനെതിരെ ഇത് Kimi-K3-നെക്കാൾ ഇൻപുട്ടിൽ 7.7 മടങ്ങും ഔട്ട്പുട്ടിൽ 9.6 മടങ്ങും വിലകുറഞ്ഞതാണ്.

ഒരു ജോലിഭാരത്തിൽ അത് വച്ചുനോക്കാം. സ്ക്രീൻഷോട്ടുകൾ, സ്കാൻ ചെയ്ത പേജുകൾ, ഉൽപ്പന്ന ഫോട്ടോകൾ എന്നിങ്ങനെ 1,000 ഇമേജുകൾ ട്രയാജ് ചെയ്യുന്നുവെന്ന് കരുതുക — ഏകദേശം 1,200 ടോക്കൺ ഇമേജും പ്രോംപ്റ്റും ഇൻ, 300 ടോക്കൺ ഉത്തരം ഔട്ട്:

Shannon ലിസ്റ്റ് വിലകൾ, 2026 സെപ്റ്റംബർ. ടോക്കൺ എണ്ണങ്ങൾ ദൃഷ്ടാന്തപരമാണ്; നിങ്ങളുടെ ഇമേജ് ടോക്കണൈസേഷൻ റെസലൂഷനെയും ഒരു കോളിൽ എത്ര ഇമേജുകൾ ചേർക്കുന്നു എന്നതിനെയും ആശ്രയിച്ചിരിക്കും.

മനസ്സിൽ സൂക്ഷിക്കാൻ ഉപകാരപ്രദമായ രണ്ട് റഫറൻസ് പോയിന്റുകൾ കൂടി. മുഴുവൻ 262,144 ടോക്കൺ സന്ദർഭം ഒരു തവണ നിറയ്ക്കാൻ ഏകദേശം 13 സെന്റ് ചെലവാകും. പരമാവധി-നീളമുള്ള 16,384 ടോക്കൺ ഉത്തരത്തിന് ഏകദേശം 3.3 സെന്റ് ചെലവാകും. ഇവയാണ് ഒറ്റ ഏറ്റവും-മോശം-സാഹചര്യ അഭ്യർത്ഥനയുടെ യഥാർത്ഥ അതിരുകൾ, അവ വളരെ ചെറുതായതിനാൽ ഒരു വിഷൻ പൈപ്പ്‌ലൈനിലെ കൗതുകകരമായ പരിമിതി പണമല്ലാതായി, ത്രൂപുട്ടായി മാറുന്നു.

02MiniMax പരമ്പര: ഹെഡ്‌ലൈനുകളല്ല, ടോക്കണുകൾ ഒപ്റ്റിമൈസ് ചെയ്യുന്ന ഒരു ലാബ്

MiniMax AI ഷാങ്ഹായ് ആസ്ഥാനമായ ഒരു ലാബാണ്, അതിന്റെ മുഴുവൻ ഓപ്പൺ-വെയ്റ്റ് ട്രാക്ക് റെക്കോർഡും ഒരൊറ്റ ചോദ്യത്തെക്കുറിച്ചാണ്: ദീർഘ സന്ദർഭവും മൾട്ടിമോഡാലിറ്റിയും ആഡംബരമല്ലാതാകാൻ അറ്റൻഷൻ എത്ര വിലകുറഞ്ഞതാക്കാം? ഈ നിരയിലെ ഓരോ റിലീസും ആ ചോദ്യത്തിനുള്ള ഒരു ഉത്തരമാണ്, ഉത്തരങ്ങൾ പരസ്പരം അടിസ്ഥാനമാക്കി കെട്ടിപ്പടുക്കുന്നു.

MiniMax-01 — Lightning Attention, തുടക്കം മുതൽ വിഷനും

ഒരു ഹൈബ്രിഡ് ലീനിയർ അറ്റൻഷൻ വകഭേദത്തിന്റെ I/O-അവെയർ നടപ്പാക്കലായ Lightning Attention-നെ, ടോക്കണിന് 45.9B സജീവമുള്ള 456B ആകെ പാരാമീറ്ററുള്ള ഒരു ഹൈബ്രിഡ് Mixture-of-Experts മോഡലിനുള്ളിൽ അവതരിപ്പിച്ചത് MiniMax-01 പരമ്പരയാണ് (arXiv 2501.08313 ആയി പ്രസിദ്ധീകരിച്ചത്). MiniMax-Text-01-ഉം MiniMax-VL-01-ഉം എന്ന ജോഡിയായാണ് ആ പരമ്പര പുറത്തിറങ്ങിയത്, VL-01 ആണ് വിഷൻ മോഡൽ. ഇപ്പോൾ പരിചിതമായ ViT-MLP-LLM സ്റ്റാക്കാണ് VL-01 ഉപയോഗിച്ചത്, പക്ഷേ കടം വാങ്ങിയ ഒരു എൻകോഡറിന് പകരം 694 ദശലക്ഷം ഇമേജ്-ക്യാപ്ഷൻ ജോഡികളിൽ പൂജ്യത്തിൽ നിന്ന് പരിശീലിപ്പിച്ച 303-ദശലക്ഷം-പാരാമീറ്റർ Vision Transformer ഉപയോഗിച്ച്, പിന്നീട് 512 ബില്യൺ ടോക്കൺ പ്രോസസ്സ് ചെയ്യുന്ന ഒരു ബഹുഘട്ട പൈപ്പ്‌ലൈനിലുടനീളം യോജിപ്പിച്ച് സംയുക്തമായി ഫൈൻ-ട്യൂൺ ചെയ്തു.

നിങ്ങൾ വായിക്കുന്ന ഈ ലേഖനത്തിന് ആ വിശദാംശം പ്രധാനമാണ്. ഈ പരമ്പരയിലെ വിഷൻ ഒരു ബോക്സ് ചെക്ക് ചെയ്യാൻ ഒരു ടെക്സ്റ്റ് മോഡലിലേക്ക് പിന്നീട് ഒട്ടിച്ചുവച്ച ഒരു അഡാപ്റ്റർ അല്ല. MiniMax അതിന്റെ ആദ്യ ഓപ്പൺ റിലീസ് മുതൽ സ്വന്തം വിഷ്വൽ ടവർ പരിശീലിപ്പിച്ചുകൊണ്ടിരിക്കുകയാണ്, അതുകൊണ്ടാണ് ഡോക്യുമെന്റ് ഗ്രഹണം, UI-യും സ്ക്രീൻഷോട്ടും മനസ്സിലാക്കൽ, ചാർട്ട് വായന എന്നിവ ഈ കുടുംബത്തിന്റെ പിന്നീട് ചിന്തിച്ച കാര്യങ്ങളല്ല, സ്ഥിരതയുള്ള ശക്തികളായത്.

MiniMax-M1 — നീളമുള്ള യുക്തിചിന്തയ്ക്ക് ഹൈബ്രിഡ് അറ്റൻഷൻ

ആദ്യത്തെ ഓപ്പൺ-വെയ്റ്റ്, വലിയ തോതിലുള്ള ഹൈബ്രിഡ്-അറ്റൻഷൻ യുക്തിചിന്താ മോഡലായി അതിന്റെ രചയിതാക്കൾ വിശേഷിപ്പിച്ചതാണ് MiniMax-M1 (arXiv 2506.13585). 456B / 45.9B MoE ഘടന നിലനിർത്തി, രണ്ട് അറ്റൻഷൻ തരങ്ങളും ഇടകലർത്തി: എല്ലാ ഏഴ് Lightning Attention ബ്ലോക്കുകൾക്കും ശേഷം ഒരു പരമ്പരാഗത softmax-attention ട്രാൻസ്ഫോർമർ ബ്ലോക്ക്. ലീഡർബോർഡ് സ്ഥാനത്തേക്കാൾ കണക്കുകൂട്ടലിലാണ് നേട്ടം അളന്നത് — 100K-ടോക്കൺ ജനറേഷൻ ദൈർഘ്യത്തിൽ, DeepSeek R1-ന്റെ FLOP-കളുടെ ഏകദേശം 25% മാത്രമേ M1 ഉപയോഗിച്ചുള്ളൂ എന്ന് MiniMax റിപ്പോർട്ട് ചെയ്തു, അതേസമയം ഒരു ദശലക്ഷം ടോക്കൺ സന്ദർഭം നേറ്റീവായി പിന്തുണച്ചു.

MiniMax-M2 — ചെറിയ ആക്ടിവേഷൻ എന്ന തിരിവ്

വലുപ്പത്തിൽ മറുവഴിക്ക് പോയി അതിന് ശ്രദ്ധ നേടിയതാണ് MiniMax-M2: 62-ലെയർ ഡീകോഡർ, 229.9B ആകെ പാരാമീറ്റർ പക്ഷേ ടോക്കണിന് ~9.8B മാത്രം സജീവം, sigmoid റൂട്ടിംഗിലൂടെ എട്ടെണ്ണത്തിലേക്ക് 256 സൂക്ഷ്മ എക്സ്പെർട്ടുകൾ ഓരോ MoE ലെയറിലും, RoPE പൊസിഷനുകളും പരിശീലന സ്ഥിരതയ്ക്ക് QK-RMSNorm-ഉം. ഇത് വ്യക്തമായി ഒരു ഏജന്റിക്-കോഡിംഗ് മോഡലായിരുന്നു — ബഹു-ഫയൽ തിരുത്തലുകൾ, റൺ-ഫിക്സ് ലൂപ്പുകൾ, ടെസ്റ്റ്-സാധൂകരിച്ച തിരുത്തലുകൾ — ഒപ്പം ഇടകലർന്ന ചിന്ത ഫോർമാറ്റും അവതരിപ്പിച്ചു, ഓരോ ടേണിനും ശേഷം ഒഴിവാക്കുന്നതിന് പകരം ടൂൾ-കോൾ റൗണ്ടുകൾക്കിടയിൽ യുക്തിചിന്ത കൈമാറ്റം ചെയ്യപ്പെടുന്ന ഫോർമാറ്റ്. ആക്ടിവേഷനുകൾ ചെറുതായി നിലനിർത്തി മാത്രം ടോക്കണിന് ഒരു ചെറിയ ഭാഗം ചെലവിൽ ഫ്രോണ്ടിയർ-അടുത്ത ഏജന്റിക് പെരുമാറ്റം നൽകുന്നതിന് MiniMax-ന്റെ പ്രശസ്തി സ്ഥാപിച്ച മോഡലാണ് M2.

MiniMax-M3 — ഈ എൻഡ്‌പോയിന്റിന് കീഴിലുള്ള അടിത്തറ

2026 ജൂൺ 1-ന് പുറത്തിറങ്ങിയതാണ് MiniMax-M3, ഉടൻ തന്നെ Hugging Face-ൽ വെയ്റ്റുകളും arXiv 2606.13392-ൽ ഒരു സാങ്കേതിക റിപ്പോർട്ടും. ടോക്കണിന് ഏകദേശം 23B സജീവമുള്ള 428B-പാരാമീറ്റർ Mixture-of-Experts മോഡലാണ് ഇത്, രേഖപ്പെടുത്തിയ ഒരു ദശലക്ഷം ടോക്കൺ സന്ദർഭവും നേറ്റീവ് ഇമേജ്, വീഡിയോ ഇൻപുട്ടും ഉള്ളത് — ടെക്സ്റ്റ്-പ്രീട്രെയിൻ ചെയ്തിട്ട് പിന്നീട് മൾട്ടിമോഡലായി അഡാപ്റ്റ് ചെയ്തതിന് പകരം "ആദ്യ ഘട്ടം മുതൽ" മിക്സഡ്-മോഡാലിറ്റി പരിശീലിപ്പിച്ചതെന്നാണ് MiniMax ഇതിനെ വിശേഷിപ്പിക്കുന്നത്. MiniMax-ന്റെ സ്വന്തം പ്രസിദ്ധീകരിച്ച കണക്കുകളിൽ SWE-bench Verified-ൽ 80.5%-ഉം SWE-bench Pro-ൽ 59.0%-ഉം ഇത് സ്കോർ ചെയ്യുന്നു. ഇവ ഒരു കോഡിംഗ് ബെഞ്ച്മാർക്കിലെ വെണ്ടർ-റിപ്പോർട്ട് ചെയ്ത കണക്കുകളാണ്, അത് കൃത്യമായി നിങ്ങൾ അവയെ എങ്ങനെ തൂക്കിനോക്കണം എന്നതാണ്; ഞങ്ങൾ ഇവ ഉദ്ധരിക്കുന്നത് ലാബിന്റെ പ്രസിദ്ധീകരിച്ച അവകാശവാദങ്ങളായതുകൊണ്ടാണ്, ഞങ്ങൾ സ്വതന്ത്രമായി പുനഃസൃഷ്ടിച്ചതുകൊണ്ടല്ല.

03MiniMax Sparse Attention: ഒരു വിഷൻ മോഡലിന് ഇത്ര വിലകുറയാൻ കാരണം

M3-ലെ കൗതുകകരമായ എഞ്ചിനീയറിംഗ് MiniMax Sparse Attention (MSA) ആണ്, ഈ വലുപ്പത്തിലുള്ള ഒരു മൾട്ടിമോഡൽ മോഡലിന് ഞങ്ങളുടെ തറനിരക്കിൽ നിൽക്കാൻ കഴിയുന്നതിന്റെ നേരിട്ടുള്ള കാരണവും അതാണ്. ഇമേജുകൾ ടോക്കൺ-ചെലവേറിയതാണ്. ഒരു നിർദ്ദേശം പോലും എഴുതുന്നതിന് മുമ്പ് ഏതാനും ഉയർന്ന-റെസലൂഷൻ പേജുകൾക്ക് പതിനായിരക്കണക്കിന് ടോക്കണുകൾ ഒരു പ്രോംപ്റ്റിലേക്ക് ഇടാൻ കഴിയും. സ്റ്റാൻഡേർഡ് അറ്റൻഷനിൽ, ആ ചെലവ് ക്വാഡ്രാറ്റിക്കായി വർദ്ധിക്കുന്നു, ഇരുപത് പേജ് വായിക്കുന്ന മോഡൽ പത്ത് വായിക്കുന്നതിനെക്കാൾ ഇരട്ടി ചെലവുള്ളതല്ല — അതിനെക്കാൾ വളരെ മോശമാണ്.

MSA ആ വളവിന്റെ രൂപം മാറ്റുന്നു. ഒരു Grouped Query Attention അസ്ഥികൂടത്തിൽ നിർമ്മിച്ച ബ്ലോക്ക്-സ്പാഴ്സ് സംവിധാനമാണ് ഇത്, രണ്ട് ശാഖകളായി വിഭജിച്ചത്:

• key-value ബ്ലോക്കുകൾ സ്കോർ ചെയ്യുന്ന ഭാരം കുറഞ്ഞ ഒരു ഇൻഡെക്സ് ബ്രാഞ്ച് — ഓരോ ബ്ലോക്കിനുള്ളിലെയും ടോക്കണുകളിലുടനീളം സ്കോറുകൾ max-pooling ചെയ്ത്, ഓരോ ക്വറി പൊസിഷനും ഓരോ GQA ഗ്രൂപ്പിനും top-k തിരഞ്ഞെടുക്കുന്നു, പരിശീലന സ്ഥിരതയ്ക്കായി ക്വറി തന്നെ അടങ്ങുന്ന ലോക്കൽ ബ്ലോക്ക് എപ്പോഴും ഉൾപ്പെടുത്തുന്നു.
• ഇൻഡെക്സ് തിരഞ്ഞെടുത്ത ബ്ലോക്കുകൾക്ക് മേൽ മാത്രം സാധാരണ softmax അറ്റൻഷൻ പ്രവർത്തിപ്പിക്കുന്ന ഒരു മെയിൻ ബ്രാഞ്ച്.

MSA പേപ്പറിലെ കോൺഫിഗറേഷൻ k = 128 ടോക്കണിന്റെ 16 ബ്ലോക്കുകളാണ്, ഇത് ഓരോ ക്വറിക്കും 2,048 ശ്രദ്ധിക്കപ്പെടുന്ന ടോക്കണുകളുടെ ഒരു നിശ്ചിത ബജറ്റ് നൽകുന്നു. നിശ്ചിതം, അതായത് സീക്വൻസ് നീളത്തിനൊപ്പം അത് വളരില്ല. അതാണ് മുഴുവൻ ട്രിക്കും: സന്ദർഭം വളരുമ്പോൾ, ഒരു ഡെൻസ് ബേസ്‌ലൈനിന്റെ അറ്റൻഷൻ ചെലവ് കയറിക്കൊണ്ടിരിക്കുമ്പോൾ MSA-യുടെ മെയിൻ-ബ്രാഞ്ച് ചെലവ് ഒരേപോലെ നിൽക്കുന്നു, അതിനാൽ അറ്റൻഷൻ ക്വാഡ്രാറ്റിക്കിന് പകരം ലീനിയറായി സ്കെയിൽ ചെയ്യുന്നു.

MiniMax Sparse Attention റിപ്പോർട്ടിലെ (arXiv 2606.13392) കണക്കുകൾ: 1M സന്ദർഭത്തിൽ തുല്യമായി കോൺഫിഗർ ചെയ്ത GQA-യെ അപേക്ഷിച്ച് ടോക്കണിന് അറ്റൻഷൻ FLOP-കളിൽ 28.4× കുറവ്, പേപ്പറിന്റെ 109B-പാരാമീറ്റർ പഠനത്തിൽ H800 ഹാർഡ്‌വെയറിൽ അളന്ന 14.2× പ്രീഫിൽ / 7.6× ഡീകോഡ് വാൾ-ക്ലോക്ക് വേഗതകൾ. M2-നെ അപേക്ഷിച്ച് 1M സന്ദർഭത്തിൽ M3-ന് 9× പ്രീഫിൽ, 15× ഡീകോഡ് വേഗതകൾ MiniMax വേറെ റിപ്പോർട്ട് ചെയ്യുന്നു. എല്ലാം ലാബ്-റിപ്പോർട്ട് ചെയ്തത്.

വിഷൻ ലേഖനത്തിന് പ്രധാനപ്പെട്ട പരിശോധനയും പേപ്പർ നടത്തുന്നു: നേറ്റീവായി മൾട്ടിമോഡലായ 109B MoE-യിൽ, AI2D, ChartQA, MMMU ഉൾപ്പെടെയുള്ള ഇമേജ് ബെഞ്ച്മാർക്കുകളിലും EgoSchema, LongVideoBench, VideoMME ഉൾപ്പെടെയുള്ള വീഡിയോ ബെഞ്ച്മാർക്കുകളിലും ഒരു ഫുൾ-അറ്റൻഷൻ ബേസ്‌ലൈനുമായി താരതമ്യപ്പെടുത്താവുന്ന പ്രകടനം MSA നിലനിർത്തി — സ്പാഴ്സ് വകഭേദങ്ങൾ ചിലപ്പോൾ ദീർഘ-സന്ദർഭ വീഡിയോ ജോലികളിൽ മെച്ചപ്പെടുത്തുകപോലും ചെയ്തു. ഇവിടെ സ്പാഴ്സിറ്റി വേഗതയ്ക്കായി നിങ്ങൾ നൽകുന്ന ഒരു ഗുണനിലവാര നികുതിയല്ല; ദീർഘ ഇൻപുട്ടുകളിൽ അത് ഏകദേശം സൗജന്യമാണെന്ന് തോന്നുന്നു.

ഒരു ഉപഭോക്താവെന്ന നിലയിൽ നിങ്ങൾ ശ്രദ്ധിക്കേണ്ടത് എന്തുകൊണ്ടെന്നാൽ: ലിസ്റ്റ് വില നിശ്ചയിക്കുന്നത് സേവന ചെലവാണ്. അറ്റൻഷൻ ചെലവ് വളരാൻ നിർത്തുന്ന ഒരു അടിത്തറ, ഒരു ലക്ഷം ചിത്രങ്ങളിലേക്ക് ചൂണ്ടിക്കാണിക്കാൻ നിങ്ങൾക്ക് താങ്ങാൻ കഴിയുന്ന ഒരു അടിത്തറയാണ്. "ഏറ്റവും വിലകുറഞ്ഞ സെൻസർ ചെയ്യാത്ത വിഷൻ മോഡൽ" എന്നതിന് പിന്നിലെ സംവിധാനം അതാണ് — ഇതൊരു പ്രമോഷണൽ നിരക്കല്ല, ഒരു ആർക്കിടെക്ചറാണ്.

043BIT-REAP എന്നാൽ എന്താണ്, അത് എവിടെ വില ഈടാക്കുന്നു

428-ബില്യൺ-പാരാമീറ്റർ മോഡൽ പൂർണ്ണ കൃത്യതയിൽ എവിടെയും സൗകര്യപ്രദമായി ഇടിഞ്ഞുകൂടില്ല. ഞങ്ങളുടെ MiniMax-M3 ബിൽഡ് 3BIT-REAP എന്ന ഉപസർഗ്ഗം വഹിക്കുന്നു, ഇത് ഒരു നിശ്ചിത ക്രമത്തിൽ പ്രയോഗിച്ച രണ്ട് വ്യത്യസ്ത പ്രവർത്തനങ്ങളെ വിവരിക്കുന്നു.

REAP: കംപ്രസ് ചെയ്യുന്നതിന് മുമ്പ് എക്സ്പെർട്ടുകളെ ഇല്ലാതാക്കുക

REAP — Router-weighted Expert Activation Pruning — Cerebras-ഉം University of Calgary-യും ചേർന്ന് arXiv 2510.13999 ആയി പ്രസിദ്ധീകരിച്ച്, ICLR 2026-ൽ അംഗീകരിക്കപ്പെട്ട ഒരു ഒറ്റത്തവണ MoE കംപ്രഷൻ രീതിയാണ്. ജനറേറ്റീവ് ജോലികൾക്ക്, ലയിപ്പിക്കുന്നതിനെക്കാൾ എക്സ്പെർട്ടുകളെ പ്രൂൺ ചെയ്യുന്നതാണ് മെച്ചമെന്നാണ് അതിന്റെ വാദം: ലയിപ്പിക്കൽ റൂട്ടറിന്റെ സൂക്ഷ്മ നിയന്ത്രണം നശിപ്പിക്കുകയും ഒരിക്കലും വീണ്ടെടുക്കാൻ കഴിയാത്ത ഒരു പിശക് അവതരിപ്പിക്കുകയും ചെയ്യുന്നു. അതിനാൽ REAP പകരം റൂട്ടർ ഗേറ്റ് മൂല്യങ്ങളും (റൂട്ടർ എത്ര തവണയും എത്ര ശക്തിയോടെയും അതിനെ തിരഞ്ഞെടുക്കുന്നു) എക്സ്പെർട്ട് ആക്ടിവേഷൻ നോമുകളും (അതിന്റെ ഔട്ട്പുട്ട് യഥാർത്ഥത്തിൽ എത്ര സംഭാവന ചെയ്യുന്നു) സംയോജിപ്പിക്കുന്ന ഒരു പ്രാധാന്യ മാനദണ്ഡം ഉപയോഗിച്ച് ഓരോ എക്സ്പെർട്ടിനെയും സ്കോർ ചെയ്യുന്നു, പിന്നീട് ഏറ്റവും കുറഞ്ഞ പ്രാധാന്യമുള്ള എക്സ്പെർട്ടുകളെ പൂർണ്ണമായി ഇല്ലാതാക്കുന്നു.

ഒരു ട്രില്യൺ പാരാമീറ്റർ വരെയുള്ള മോഡലുകളിൽ നിന്ന് 50% വരെ എക്സ്പെർട്ടുകളെ നീക്കം ചെയ്യുന്നത്, ബേസ്‌ലൈൻ ഗുണനിലവാരം ഏറെക്കുറെ നിലനിർത്തിക്കൊണ്ട്, രചയിതാക്കൾ റിപ്പോർട്ട് ചെയ്യുന്നു — Qwen3-480B-Coder-FP8-ൽ 50% പ്രൂണിംഗിൽ, ബേസ്‌ലൈൻ നോൺ-ഏജന്റിക് കോഡിംഗ് ശേഷിയുടെ 97.6%-ഉം ഏജന്റിക് SWE-Bench-ൽ 96.7%-ഉം നിലനിർത്തി. ഇവ പേപ്പറിന്റെ കണക്കുകൾ പേപ്പറിന്റെ മോഡലുകളിലാണ്, MiniMax-M3-ൽ ഞങ്ങളുടേതല്ല; ഞങ്ങൾ ഇവ ഉദ്ധരിക്കുന്നത് നിങ്ങൾക്ക് രീതി വിലയിരുത്താൻ വേണ്ടിയാണ്, ഇവിടെ ഒരു തുല്യമായ അളവുകോൽ സൂചിപ്പിക്കാൻ അല്ല.

പിന്നെ, 3-ബിറ്റ് വെയ്റ്റുകൾ

അതിജീവിക്കുന്ന വെയ്റ്റുകൾ പിന്നീട് 3 ബിറ്റിൽ സൂക്ഷിക്കുന്നു. ക്രമം ബോധപൂർവമാണ്, സംയോജനത്തിന്റെ പോയിന്റും അതാണ്: ആദ്യം പ്രൂൺ ചെയ്യുക, പിന്നെ ക്വാണ്ടൈസ് ചെയ്യുക. നിങ്ങൾ ഇല്ലാതാക്കാൻ പോകുന്ന എക്സ്പെർട്ടുകളെ വിശ്വസ്തതയോടെ എൻകോഡ് ചെയ്യാൻ വിലപ്പെട്ട മൂന്ന് ബിറ്റ് ഓരോ വെയ്റ്റിനും ചെലവഴിക്കുന്നതിൽ അർത്ഥമില്ല. സ്പാഴ്സ് വാൽഭാഗം പ്രൂൺ ചെയ്യുക, പിന്നെ ബാക്കിയുള്ള ബജറ്റ് യഥാർത്ഥത്തിൽ പ്രവർത്തിക്കുന്ന എക്സ്പെർട്ടുകൾക്ക് പൂർണ്ണമായി പോകട്ടെ.

സത്യസന്ധമായ മുന്നറിയിപ്പ്

ഞങ്ങൾ നൽകുന്ന ഏറ്റവും കടുപ്പമേറിയ തട്ടാണ് 3BIT-REAP. ഏറ്റവും വലിയ അടിത്തറകളിലാണ് ഞങ്ങൾ ഇത് ഉപയോഗിക്കുന്നത് — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — കാരണം ഈ മോഡലുകൾ ന്യായമായ ഒരു വിലയിൽ ലഭ്യമാകുന്നതും അല്ലാതാകുന്നതും തമ്മിലുള്ള വ്യത്യാസമാണ് അത്. ഒരു അടിത്തറ അതിന് ആവശ്യമില്ലാത്തത്ര ചെറുതാകുമ്പോൾ, ഞങ്ങൾ അത് ഉപയോഗിക്കുന്നില്ല: കാറ്റലോഗിലെ W8A16 മോഡലുകൾ 16-ബിറ്റ് ആക്ടിവേഷനുകളോടെ 8-ബിറ്റ് വെയ്റ്റുകൾ പ്രവർത്തിപ്പിക്കുന്നു, W4A16-AUTOROUND-REAP നടുവിൽ നിൽക്കുന്നു, നിഷ്കളങ്കമായ round-to-nearest ക്വാണ്ടൈസേഷൻ ഉപേക്ഷിക്കുന്ന കൃത്യത വീണ്ടെടുക്കാൻ AutoRound-ന്റെ പഠിച്ച റൗണ്ടിംഗ് ഉപയോഗിച്ച്. നിങ്ങളുടെ സഹിഷ്ണുതയോട് ചേരുന്ന തട്ട് തിരഞ്ഞെടുക്കുക. പതിനായിരം ഇൻവോയ്സുകളിൽ നിന്ന് ഫീൽഡുകൾ എക്സ്ട്രാക്റ്റ് ചെയ്യുകയാണെങ്കിൽ, 3-ബിറ്റ് ശരിയായ വ്യാപാരമാണ്. ഒരൊറ്റ ചിത്രത്തിന്റെ ഉയർന്ന-അപകടസാധ്യതയുള്ള ഒരു ഫോറൻസിക് വായന നടത്തുകയാണെങ്കിൽ, Kimi-K3-യിൽ പണം ചെലവഴിക്കുക.

05ഇൻപുട്ട് ഒരു ഇമേജ് ആകുമ്പോൾ "നിരസന പാളിയില്ല" എന്നാൽ എന്താണ് അർത്ഥം

സെൻസർ ചെയ്യാത്തത് അയഞ്ഞ രീതിയിൽ ഉപയോഗിക്കപ്പെടുന്ന ഒരു വാക്കാണ്, അതിനാൽ ഇതാ കൃത്യമായ അവകാശവാദം: ഈ എൻഡ്‌പോയിന്റിൽ ഒരു നിരസന പാളിയുമില്ല, ഒരു ഔട്ട്പുട്ട് ഫിൽട്ടറിംഗുമില്ല. മോഡൽ കാണുന്നതിന് മുമ്പ് നിങ്ങളുടെ ഇമേജ് ഒരു ക്ലാസിഫയറും പരിശോധിക്കുന്നില്ല. പുറത്തുപോകുന്ന ടോക്കണുകൾ ഒരു പോളിസി മോഡലും പരിശോധിക്കുന്നില്ല. മോഡൽ ഉണ്ടാക്കുന്നത് നിങ്ങൾക്ക് ലഭിക്കുന്നു.

ടെക്സ്റ്റിൽ അതിന്റെ പ്രഭാവം പരിചിതമാണ്. വിഷനിൽ അത് തരത്തിൽ വ്യത്യസ്തമാണ്, കാരണം വാണിജ്യ മൾട്ടിമോഡൽ API-കൾ ഏറ്റവും യാഥാസ്ഥിതികവും ഏറ്റവും ഏകപക്ഷീയവുമായ ഇടം ഇമേജ് ഇൻപുട്ടുകളിലെ നിരസന സ്വഭാവമാണ്. സ്വഭാവപരമായ പരാജയങ്ങൾ ഇങ്ങനെയാണ്:

• പൂർണ്ണമായ ഐഡന്റിറ്റി നിരസനങ്ങൾ — വ്യക്തമായി കാണാവുന്നതും തികച്ചും നിരുപദ്രവകരവുമായ വിശേഷണങ്ങൾ ഉൾപ്പെടെ, ഒരു ഫോട്ടോയിലെ ആളുകളെ വിവരിക്കാൻ പോലും വിസമ്മതിക്കുന്നത്, കാരണം ഒരു നയത്തിന് വിവരണത്തെ തിരിച്ചറിയലിൽ നിന്ന് വേർതിരിക്കാൻ കഴിയില്ല.
• വിഷയപരമായ പിന്മാറ്റങ്ങൾ — ട്രാൻസ്ക്രിപ്ഷൻ ഒരു യാന്ത്രിക ജോലിയാണെങ്കിലും, ഒരു ഡോക്യുമെന്റ് എന്തിനെക്കുറിച്ചാണെന്ന കാരണത്താൽ അത് ട്രാൻസ്ക്രൈബ് ചെയ്യാനോ സംഗ്രഹിക്കാനോ വിസമ്മതിക്കുന്നത്.
• മെഡിക്കൽ, ഫോറൻസിക് അറപ്പ് — ഒരു പ്രൊഫഷണലിന് വിവരണം ആവശ്യമുള്ള ക്ലിനിക്കൽ ഇമേജറി, പരിക്ക് രേഖപ്പെടുത്തൽ, അപകട ഫോട്ടോകൾ എന്നിവ വിവരിക്കാൻ വിസമ്മതിക്കുന്നത്.
• സുരക്ഷാ-ഉപകരണ തെറ്റായ പോസിറ്റീവുകൾ — ഒരു ടെർമിനലോ പാക്കറ്റ് ക്യാപ്ചറോ ഡീബഗ്ഗറോ അടങ്ങിയിരിക്കുന്നതിനാൽ ഒരു സ്ക്രീൻഷോട്ട് വായിക്കാൻ വിസമ്മതിക്കുന്നത്.
• നിശ്ശബ്ദമായ അപചയം — ഏറ്റവും മോശമായത്: ഒരു നിരസനമല്ല, മറിച്ച് നിങ്ങളുടെ സ്കീമ സാധൂകരണം കടന്നുപോകുകയും ഒരിക്കലും പിശക് ഉയർത്താതെ നിങ്ങളുടെ ഡാറ്റാസെറ്റിനെ വിഷലിപ്തമാക്കുകയും ചെയ്യുന്ന, മൂടിവച്ച ഒരു ഇല്ല-ഉത്തരം.

ഇവ അഞ്ചിനും ഉള്ള പ്രവർത്തനപരമായ പ്രശ്നം അവ അന്യായമാണെന്നല്ല. അവ അളക്കാൻ കഴിയാത്തതാണ് എന്നതാണ്. ഒരു തെറ്റായ ഉത്തരം ഒരു ഡാറ്റ പോയിന്റാണ്; നിങ്ങൾക്കത് സ്കോർ ചെയ്യാം, മൂല്യനിർണ്ണയത്തിൽ പിടിക്കാം, തിരുത്താം. ഒരു നിരസനം ഒരു ദ്വാരമാണ്. ബാച്ച് തോതിൽ, നിങ്ങളുടെ ഇൻപുട്ടുകളിലുടനീളം ക്രമരഹിതമല്ലാതെ വിതരണം ചെയ്യപ്പെട്ട ഒരു 3% നിരസന നിരക്ക് — നിർമ്മാണം കൊണ്ടുതന്നെ കൃത്യമായി കടുപ്പമുള്ളതും അസാധാരണവുമായ കേസുകളിൽ കേന്ദ്രീകരിച്ചത് — നിങ്ങളുടെ ഫലങ്ങളിലെ ഒരു വ്യവസ്ഥാപിത പക്ഷപാതമാണ്, ഒരു അളവിലുള്ള ഡൗൺസ്ട്രീം ക്ലീനപ്പിനും അത് വീണ്ടെടുക്കാൻ കഴിയില്ല. നിരസന പാളി നീക്കുന്നത് നിശ്ശബ്ദവും ബന്ധിതവുമായ കാണാതായ ഡാറ്റയുടെ ഒരു ഉറവിടം നീക്കുന്നു.

ഞങ്ങളുടെ ഉത്തരവാദിത്ത ഉപയോഗ നയം പ്രകാരം, യുഎസ്എയിലെ ന്യൂ മെക്സിക്കോയിലെ Shannon Lab LLC ആണ് Shannon പ്രവർത്തിപ്പിക്കുന്നത്. സെൻസർ ചെയ്യാത്തത് എന്നാൽ മോഡൽ നിങ്ങളുടെ ഇൻപുട്ടുകളെക്കുറിച്ച് അഭിപ്രായം പറയുന്നില്ല എന്നാണ്; അക്കൗണ്ടിന് നിബന്ധനകളില്ല എന്നല്ല.

06പൂർണ്ണ സ്പെസിഫിക്കേഷൻ

ഫീൽഡ്	MiniMax-M3 · 3BIT-REAP
മോഡൽ ഐഡി	MiniMax-M3-3BIT-REAP
അടിത്തറ	MiniMax-M3 (MiniMax AI)
സന്ദർഭ ജാലകം	262,144 ടോക്കൺ
പരമാവധി ഔട്ട്പുട്ട്	16,384 ടോക്കൺ
ഇമേജ് ഇൻപുട്ട്	ഉവ്വ്
വീഡിയോ ഇൻപുട്ട്	തുറന്നുനൽകുന്നില്ല
സ്ട്രീമിംഗ്	ഉവ്വ്
ടൂൾ കോളിംഗ്	ഉവ്വ്
യുക്തിചിന്ത	ഉവ്വ് (reasoning_effort)
ഘടനാപരമായ ഔട്ട്പുട്ട്	json_schema + response_format
നിരസന പാളി	ഇല്ല
എൻഡ്‌പോയിന്റുകൾ	/v1/chat/completions · /v1/messages · /v1/responses
നൽകുന്നത്	Shannon-ന്റെ സ്വന്തം GPU ക്ലസ്റ്ററിൽ

ആ പട്ടികയിലെ രണ്ട് വരികൾ ഊന്നൽ അർഹിക്കുന്നു. വീഡിയോ ഇൻപുട്ട് തുറന്നുനൽകുന്നില്ല. അപ്‌സ്ട്രീം M3 അടിത്തറ വീഡിയോയിൽ പരിശീലിപ്പിക്കപ്പെട്ടതാണ്, MiniMax വീഡിയോ ഇൻപുട്ട് രേഖപ്പെടുത്തുന്നു; ഞങ്ങളുടെ എൻഡ്‌പോയിന്റ് ഇമേജുകൾ സ്വീകരിക്കുന്നു. ഇമേജുകൾക്കെതിരെ നിർമ്മിക്കുക. രണ്ടാമത്, 262,144-ടോക്കൺ ജാലക ഞങ്ങളുടേതാണ്, അപ്‌സ്ട്രീം ഒരു ദശലക്ഷം കണക്കല്ല — ദീർഘ-ഡോക്യുമെന്റും ബഹു-ഇമേജ് ജോലിഭാരവും 262,144-നെതിരെ ആസൂത്രണം ചെയ്യുക, നിങ്ങൾ ഒരിക്കലും ആശ്ചര്യപ്പെടില്ല.

07സെൻസർ ചെയ്യാത്ത MiniMax API വിളിക്കുന്നത്

മൂന്ന് ഭാഷാഭേദങ്ങൾ, എല്ലാറ്റിനും പിന്നിൽ അതേ മോഡൽ, മൂന്നിലും സ്ട്രീമിംഗ്. നിങ്ങളുടെ നിലവിലുള്ള ക്ലയന്റ് ഇതിനകം സംസാരിക്കുന്നത് ഏതാണോ അത് ഉപയോഗിക്കുക; അവയ്ക്കിടയിൽ ശേഷി വ്യത്യാസമില്ല. നിങ്ങളുടെ ബേസ് URL Shannon-ലേക്ക് ചൂണ്ടിക്കാണിച്ച് മോഡൽ ഐഡി മാറ്റുക.

OpenAI ഭാഷാഭേദത്തിലൂടെ ഇമേജ് ഗ്രഹണം

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
  }'

റിമോട്ട് https:// URL-കളും base64 ഡാറ്റ URL-കളും image_url ഭാഗത്ത് രണ്ടും പ്രവർത്തിക്കും. ക്രോസ്-പേജ് താരതമ്യം വേണ്ടിവരുമ്പോൾ ഒരു സന്ദേശത്തിൽ പല ഇമേജ് ഭാഗങ്ങൾ ചേർക്കുക — നിങ്ങൾക്ക് ചെലവഴിക്കാൻ 262,144 ടോക്കണുകളുണ്ട്, ദശലക്ഷത്തിന് $0.50-ൽ, അവ ചെലവഴിക്കുന്നത് വിലകുറഞ്ഞതാണ്.

JSON സ്കീമ ഉപയോഗിച്ചുള്ള ടൈപ്പ് ചെയ്ത എക്സ്ട്രാക്ഷൻ

ഈ മോഡൽ ഒരു പൈപ്പ്‌ലൈനിൽ അതിന്റെ സ്ഥാനം അർഹിക്കുന്നത് വിഷൻ + കർശനമായ സ്കീമ + തറനിരക്ക് എന്ന സംയോജനത്തിലാണ്. ഞങ്ങളുടെ കാറ്റലോഗിലെ എല്ലാ മോഡലിനും ഈ മൂന്നും ഇല്ല: Laguna-S-2.1-ഉം inkling-ഉം json_schema പിന്തുണയ്ക്കുന്നില്ല. MiniMax-M3 പിന്തുണയ്ക്കുന്നു, അതായത് ഒരു പാഴ്സിംഗ് പാളിയില്ലാതെ ഒരു ഇമേജിൽ നിന്ന് സാധൂകരിച്ച ഒരു ഒബ്ജക്റ്റ് നിങ്ങൾക്ക് ലഭിക്കും:

{
  "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
      }
    }
  }
}

യുക്തിചിന്താ പരിശ്രമം

മോഡൽ reasoning_effort തുറന്നുനൽകുന്നു. ബൾക്ക് ഇമേജ് വർഗ്ഗീകരണത്തിൽ, അത് കുറച്ചു നിർത്തുക — നിങ്ങൾ ചോദിക്കുന്നത് ഒരു ഗ്രാഹ്യ ചോദ്യമാണ്, യുക്തിചിന്താ ടോക്കണുകൾ നിങ്ങൾ പണം നൽകുന്ന ഔട്ട്പുട്ട് ടോക്കണുകളാണ്. ഒരു നീണ്ട വാദത്തിലെ തെളിവായ ഇമേജ് ഉള്ള കോളുകളിൽ അത് ഉയർത്തുക: ഒരു സ്പെസിഫിക്കേഷനെതിരെ ഒരു ഡയഗ്രം വായിക്കൽ, ഒരു ചാർട്ടിനെ ഒരു പട്ടികയുമായി ഒത്തുനോക്കൽ, രണ്ട് സ്ക്രീൻഷോട്ടുകൾ ഒരേ തകരാർ കാണിക്കുന്നുണ്ടോ എന്ന് തീരുമാനിക്കൽ.

മൂന്ന് ഭാഷാഭേദങ്ങൾക്കുമുള്ള പൂർണ്ണ പാരാമീറ്റർ റഫറൻസ്, പിശക് സെമാന്റിക്സ്, സ്ട്രീമിംഗ് ഫോർമാറ്റുകൾ Shannon API ഡോക്യുമെന്റേഷനിൽ ഉണ്ട്.

08MiniMax-M3 ശരിയായ തിരഞ്ഞെടുപ്പാകുന്നത് എവിടെ — അല്ലാത്തത് എവിടെ

ഇത് തിരഞ്ഞെടുക്കുക, ഇവിടെ

• അളവിലുള്ള ഇമേജ് ജോലി. ഡാറ്റാസെറ്റ് ലേബലിംഗ്, മോഡറേഷൻ ഗവേഷണം, കാറ്റലോഗ് സമ്പുഷ്ടീകരണം, സ്ക്രീൻഷോട്ട് ട്രയാജ്, സ്കാൻ ചെയ്ത ഡോക്യുമെന്റുകൾക്ക് മേലുള്ള ബാച്ച് OCR-ഉം ഘടനയും. തറനിരക്കാണ് മുഴുവൻ വാദവും.
• ഇമേജുകൾ ടൈപ്പ് ചെയ്ത റെക്കോർഡുകളിലേക്ക്. വിഷനും കർശനമായ json_schema-ഉം കാറ്റലോഗിലെ ഏറ്റവും വിലകുറഞ്ഞ ടോക്കണുകളും ചേർന്നത് ഇവിടെ രണ്ട് മോഡലുകൾ മാത്രം നൽകുന്ന ഒരു സംയോജനമാണ്.
• ദീർഘ മൾട്ടിമോഡൽ സന്ദർഭം. ഒരൊറ്റ അഭ്യർത്ഥനയിൽ പല പേജുകൾ, അല്ലെങ്കിൽ പല ഫ്രെയിമുകൾ — ഈ രൂപത്തിലുള്ള ഇൻപുട്ടിനായി കൃത്യമായി നിർമ്മിച്ചതാണ് അടിസ്ഥാന ആർക്കിടെക്ചർ.
• നിരസനങ്ങൾ സാമ്പിളിനെ കേടുവരുത്തുന്ന ഗവേഷണം. അസ്വസ്ഥതയുള്ളവ ഉൾപ്പെടെ ഓരോ ഇനത്തിനും മോഡൽ ഉത്തരം നൽകുന്നതിനെ ആശ്രയിക്കുന്ന ഏതൊരു പഠനവും.
• ഒരു സ്ക്രീൻ വായിക്കുന്ന ഏജന്റിക് ലൂപ്പുകൾ. M-പരമ്പര വ്യക്തമായി ഏജന്റിക് ആണ്, ടൂൾ കോളിംഗ് ലഭ്യമാണ്.

മറ്റെന്തെങ്കിലും തിരഞ്ഞെടുക്കുക, ഇവിടെ

• ഏറ്റവും ഉയർന്ന വിഷൻ പരിധിയും അതിനുള്ള ബജറ്റും വേണമെങ്കിൽ. Kimi-K3 · 3BIT-REAP ഒരു കാരണത്താലാണ് ഇൻപുട്ട് വിലയുടെ 7.7 മടങ്ങ്; ഒരൊറ്റ ഉയർന്ന-അപകടസാധ്യതയുള്ള വായനയിൽ, അതാണ് ചെലവഴിക്കേണ്ട ശരിയായ പണം.
• പരമാവധി-കൃത്യതയുള്ള വെയ്റ്റുകൾ വേണമെങ്കിൽ. ഞങ്ങളുടെ ഏറ്റവും കടുപ്പമേറിയ തട്ടാണ് 3-ബിറ്റ്. W8A16 മോഡലുകൾ വിലയ്ക്ക് പകരം കൃത്യത നൽകുന്നു, വെയ്റ്റിന് കൃത്യതയാണ് നിങ്ങൾ ഒപ്റ്റിമൈസ് ചെയ്യുന്നതെങ്കിൽ MiMo-V2.5 · W8A16 അതേ $0.50 / $2.00-ൽ വിഷൻ ശേഷിയുള്ളതാണ്.
• വീഡിയോ വേണമെങ്കിൽ. ഈ എൻഡ്‌പോയിന്റിൽ ഞങ്ങൾ വീഡിയോ ഇൻപുട്ട് തുറന്നുനൽകുന്നില്ല.
• ജോലി ഫ്രോണ്ടിയറിലെ ശുദ്ധ ടെക്സ്റ്റാണെങ്കിൽ. അതിനായി DeepSeek-V4-Pro-0813 നിലവിലുണ്ട്; ഒരിക്കലും ഉപയോഗിക്കാത്ത ഒരു വിഷൻ ടവറിന് നിങ്ങൾ പണം നൽകുകയായിരിക്കും.

MiniMax കുടുംബത്തിനുള്ള ആർക്കിടെക്ചർ, ബെഞ്ച്മാർക്ക്, വേഗതാ കണക്കുകൾ MiniMax AI ലാബ്-റിപ്പോർട്ട് ചെയ്തതാണ്; REAP കണക്കുകൾ REAP രചയിതാക്കൾ അവരുടെ സ്വന്തം മോഡലുകളിൽ റിപ്പോർട്ട് ചെയ്തതാണ്, ഈ ബിൽഡിന്റെ ഒരു അളവുകോലല്ല. Shannon വിലകൾ, സന്ദർഭ ജാലകം, ശേഷി ഫ്ലാഗുകൾ എന്നിവ ഞങ്ങളുടേതാണ്, ഞങ്ങളുടെ ലൈവ് മോഡൽ കാറ്റലോഗിൽ നിന്ന് വായിക്കുന്നത്.

09പതിവ് ചോദ്യങ്ങൾ

---

സ്രോതസ്സുകൾ: MiniMax-M3 മോഡൽ കാർഡ് · 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 ബെഞ്ച്മാർക്കും വേഗതാ കണക്കുകളും ലാബ്-റിപ്പോർട്ട് ചെയ്തതും സ്വതന്ത്ര സ്ഥിരീകരണം കാത്തിരിക്കുന്നതുമാണ്. Shannon വിലകളും ശേഷി ഫ്ലാഗുകളും 2026 സെപ്റ്റംബർ 5 വരെ നിലവിലുള്ളതാണ്.