Цензургүй MiniMax API: хараа доод үнээр

Бараг бүх байршуулсан олон горимт API хараанд илүү үнэ тавьдаг. Та текстэд текст загварын үнийг төлдөг, дараа нь зураг промпт руу орох мөчид илүү их — заримдаа хэд дахин их — төлдөг. Үүн дээр нэмээд, зургийн оролт бол татгалзах зан үйл хамгийн түрэмгий байдаг газар: текстээр сэдвийг баяртайгаар ярилцах загвар нэг зүйлийг гэрэл зурагт дүрсэлхийг татгалздаг. Үр дүн нь дуудлага тутам үнэтэй, дуудлага тутам найдваргүй бүтээгдэхүүн бөгөөд их хэмжээгээр боловсруулж байгаа үед энэ бол хоёулаа муу тал юм. Shannon дээрх MiniMax-M3 бол үүний хариулт: манай хамгийн хямд текст загварт төлдөг ижил $0.50 / $2.00-г эхний алхмаас олон горимтоор сургагдсан, урдаа татгалзах давхарга байхгүй суурь загварт хэрэглэсэн.

01"Хамгийн хямд цензургүй хараатай загвар" гэдэг нь энд үнэндээ юу гэсэн үг вэ

Shannon каталог арван хоёр загвартай. Тэдгээрийн тав нь зураг хүлээж авдаг. Тэдгээрийн үнэ, сая токен тутамд:

Хараатай загвар	Оролт	Гаралт	Бүтэцтэй гаралт
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 доод үнэд — $0.50 / $2.00 — MiMo-V2.5-тэй тэнцүү, түүнээс доогуур зүйл байхгүй, учир нь $0.50 / $2.00 бол манай үнийн жагсаалтын доод хэмжээ мөн. Хараатай ангиллын дээд хэсэгтэй харьцуулахад Kimi-K3-аас оролтоороо 7.7 дахин, гаралтаараа 9.6 дахин хямд.

Үүнийг ажлын ачаалалд оруулж үзье. Та 1,000 зургийг ангилж байна гэж бодъё — дэлгэцийн зураг, сканнердсан хуудас, бүтээгдэхүүний зураг — дунджаар ойролцоогоор 1,200 токены зураг ба промпт орж, 300 токены хариулт гарна:

Shannon-ий үнийн жагсаалт, 2026 оны 9 сар. Токены тоо тайлбарлах зорилготой; таны зургийн токенчлол нарийвчлал болон дуудлага тутам хэдэн зураг хавсаргаснаас хамаарна.

Толгойд тогтоох хэрэгтэй бас хоёр лавлагаа цэг бий. Бүх 262,144 токены контекстыг нэг удаа дүүргэхэд ойролцоогоор 13 цент зардаг. Хамгийн урт 16,384 токены хариулт ойролцоогоор 3.3 цент зардаг. Эдгээр нь нэг хамгийн муу тохиолдлын хүсэлтийн бодит хязгаар бөгөөд тэдгээр нь хараатай дамжуулгын сонирхолтой хязгаарлалт мөнгө байхаа больж, дамжуулах хурд болохоор хангалттай жижиг юм.

02MiniMax-ийн угсаа: гарчиг биш, токен оновчлодог лаборатори

MiniMax AI бол нээлттэй жингийн бүх түүх нь нэг асуулттай холбоотой Шанхайн лаборатори юм: урт контекст ба олон горимт байдал тансаг зүйл байхаа болих хэмжээнд анхаарлыг хэрхэн хямд болгох вэ? Энэ шугам дахь гаралт бүр тэр асуултын хариулт бөгөөд хариултууд нэг нэгэн дээрээ суурилдаг.

MiniMax-01 — Lightning Attention, мөн эхнээсээ хараа

MiniMax-01 цуврал (arXiv 2501.08313 хэлбэрээр нийтлэгдсэн) нь нийт 456Б параметр, токен тутамд 45.9Б идэвхтэй эрлийз холимог мэргэжилтнүүдийн загвар дотор Lightning Attention-г нэвтрүүлсэн — энэ бол шугаман анхаарлын хувилбарын I/O-мэдрэмтгий хэрэгжилт юм. Цуврал хос хэлбэрээр гарсан: MiniMax-Text-01 ба хараатай загвар MiniMax-VL-01. VL-01 одоо танил ViT-MLP-LLM стек ашигласан, гэвч зээлсэн кодлогчийн оронд 694 сая зураг-тайлбарын хос дээр эхнээс сургасан 303 сая параметртэй Vision Transformer-тай. Дараа нь 512 тэрбум токен боловсруулдаг олон үе шаттай дамжуулгаар нийлүүлж, хамтад нь нарийн тохируулсан.

Тэр нарийн ширхэг таны уншиж буй өгүүллэгт чухал. Энэ угсаан дахь хараа бол чагтыг зурахын тулд текст загварт хожуу наасан адаптер биш. MiniMax анхны нээлттэй гаралтаасаа хойш өөрийн харааны цамхагийг сургасаар ирсэн, тиймээс баримт бичгийг ойлгох, UI ба дэлгэцийн зургийг ойлгох, диаграм унших нь гэр бүлийн хожуу бодол биш, тогтмол давуу тал байсаар ирсэн.

MiniMax-M1 — урт учирлалд зориулсан эрлийз анхаарал

MiniMax-M1-г (arXiv 2506.13585) зохиогчид анхны нээлттэй жинтэй, том хэмжээст эрлийз-анхаарлын учирлалын загвар гэж тодорхойлсон. Энэ нь 456Б / 45.9Б MoE биеийг хадгалж, хоёр анхаарлын төрлийг ээлжлэн ашигласан: 7 Lightning Attention блок тутмын дараа энгийн softmax-анхаарлын трансформер блок орсон. Ашиг тусыг тэргүүлэх самбарын байрлал биш тооцооллоор хэмжсэн — MiniMax 100K токены үүсгэлтийн уртад M1 нь нэг сая токены контекстыг төрөлхөөр дэмждэг хэвээр DeepSeek R1-ийн ойролцоогоор 25%-ийн FLOPs зарцуулсан гэж мэдээлсэн.

MiniMax-M2 — бага идэвхжилтийн эргэлт

MiniMax-M2 хэмжээний хувьд эсрэг чиглэлд явж, үүгээрээ анхаарал татсан: нийт 229.9Б параметртэй ч токен тутамд ердөө ~9.8Б идэвхтэй 62 давхаргат декодер, MoE давхарга тутамд 256 нарийн ширхэгтэй мэргэжилтэн бөгөөд наймд нь sigmoid чиглүүлэлт, сургалтын тогтвортой байдалд RoPE байрлал ба QK-RMSNorm ашигласан. Энэ нь илт агентийн-кодлолын загвар байсан — олон файлын засвар, ажиллуулах-засах давталт, тестээр баталгаажсан засвар — мөн ээлжлэн учирлах форматыг нэвтрүүлсэн, энд учирлал эргэлт бүрийн дараа хаягдахын оронд хэрэгслийн дуудлагын үеүдийн хооронд зөөгддөг. M2 бол зөвхөн идэвхжилтийг жижигхэн байлгаснаар токен тутмын зардлын хэсэгхэн хувиар тэргүүлэгчид ойрхон агентийн зан үйлийг хүргэдэг гэсэн MiniMax-ийн нэр хүндийг тогтоосон загвар юм.

MiniMax-M3 — энэ endpoint дор буй суурь загвар

MiniMax-M3 2026 оны 6 сарын 1-нд гарсан бөгөөд удаагүй Hugging Face дээр жин, arXiv 2606.13392-т техникийн тайлан гарсан. Энэ бол токен тутамд ойролцоогоор 23Б идэвхтэй 428Б параметрийн холимог мэргэжилтнүүдийн загвар, баримтжуулсан нэг сая токены контекст, мөн төрөлх зураг ба видео оролттай — MiniMax үүнийг текст дээр урьдчилан сургаад дараа нь олон горимтоор дасан зохицуулсны оронд "хамгийн эхний алхмаасаа" холимог горимоор сургасан гэж тодорхойлсон. MiniMax өөрийнх нь нийтэлсэн тоогоор энэ нь SWE-bench Verified дээр 80.5%, SWE-bench Pro дээр 59.0% оноо авсан. Эдгээр нь кодлолын жишиг тест дээрх нийлүүлэгчийн мэдээлсэн тоо бөгөөд яг тэгж жинлэх ёстой; бид тэдгээрийг бие даан хуулбарлаагүй, харин лабораторийн нийтэлсэн мэдэгдэл учраас иш татаж байна.

03MiniMax Sparse Attention: хараатай загвар яагаад ийм хямд байж чадах вэ

M3 доторх сонирхолтой инженерчлэл бол MiniMax Sparse Attention (MSA) бөгөөд энэ хэмжээний олон горимт загвар манай доод үнэд байх шууд шалтгаан юм. Зураг токенийн хувьд үнэтэй. Хэдэн ширхэг өндөр нягтралтай хуудас та нэг зааврыг ч бичихээс өмнө промпт руу арван мянган токен оруулж болно. Стандарт анхаарлын дор энэ зардал квадратаар нэмэгдэж, хорин хуудас уншдаг загвар арав уншдаг загвараас хоёр дахин үнэтэй биш — хоёроос хамаагүй муу.

MSA тэр муруйн хэлбэрийг өөрчилдөг. Энэ бол Grouped Query Attention бэлхүүс дээр бүтээгдсэн блок-сийрэг механизм бөгөөд хоёр салбарт хуваагддаг:

• key-value блокуудыг дүгнэдэг хөнгөн Индекс Салбар — блок бүр доторх токенуудын оноог max-pooling хийж — query байрлал ба GQA бүлэг тутамд топ-k-г сонгодог, сургалтын тогтвортой байдлын үүднээс query агуулсан орон нутгийн блокыг үргэлж оруулдаг.
• индекс сонгосон блокуудад л энгийн softmax анхаарлыг ажиллуулдаг Гол Салбар.

MSA өгүүлэл дэх тохиргоо нь k = 128 токены 16 блок бөгөөд энэ нь query бүрд 2,048 анхаарсан токены тогтмол төсөв өгдөг. Тогтмол гэдэг нь дараалалын уртаас өсдөггүй гэсэн үг. Энэ бол бүх заль мэх: контекст өсөхөд нягт лавлагаа шугамын анхаарлын зардал өсөж байхад MSA-ийн гол салбарын зардал тогтмол хэвээр байдаг тул анхаарал квадрат биш шугаман хэмжээтэй масштаблагддаг.

MiniMax Sparse Attention тайлангаас (arXiv 2606.13392) авсан тоо баримт: 1M контекст дээр ижил тохиргоотой GQA-тай харьцуулахад токен тутмын анхаарлын FLOPs 28.4 дахин буурсан, мөн H800 тоног төхөөрөмж дээр өгүүллийн 109Б параметрийн судалгаанд хэмжсэн 14.2× prefill / 7.6× декодын бодит хугацааны хурдасгал. MiniMax тусад нь 1M контекст дээр M2-той харьцуулахад M3-д зориулж 9× prefill, 15× декодын хурдасгалыг мэдээлсэн. Бүгд лабораторийн мэдээлсэн тоо.

Өгүүлэл хараатай өгүүллэгт чухал шалгалтыг бас хийсэн: төрөлхөөр олон горимт 109Б MoE дээр MSA нь AI2D, ChartQA, MMMU зэрэг зургийн жишиг тест, мөн EgoSchema, LongVideoBench, VideoMME зэрэг видеоны жишиг тестийн хооронд бүрэн-анхаарлын лавлагаатай харьцуулахуйц гүйцэтгэлийг хадгалсан — сийрэг хувилбарууд заримдаа урт-контекст видеон ажлууд дээр сайжирсан ч. Энд сийрэг байдал бол хурдны төлөө төлдөг чанарын татвар биш; урт оролт дээр энэ нь ойролцоогоор үнэгүй мэт харагддаг.

Хэрэглэгчийн хувьд яагаад санаа тавих ёстой вэ: үйлчилгээний зардал жагсаалтын үнийг тогтоодог. Анхаарлын зардал нь өсөхөө болих суурь загвар бол та зуун мянган зурганд чиглүүлж чадах суурь загвар юм. Энэ бол "хамгийн хямд цензургүй хараатай загвар"-ын ард байгаа механизм — энэ бол урамшуулах үнэ биш, архитектур юм.

043BIT-REAP гэж юу гэсэн үг вэ, мөн энэ хаана танд зардал болдог

428 тэрбум параметртэй загвар бүрэн нарийвчлалаар хаана ч тохиромжтой багтдаггүй. Манай MiniMax-M3 бүтээц 3BIT-REAP дагавартай бөгөөд энэ нь тодорхой дараалалаар хэрэглэсэн хоёр тусдаа үйлдлийг тодорхойлдог.

REAP: мэргэжилтнүүдийг шахахаас өмнө устгах

REAP — Router-weighted Expert Activation Pruning буюу чиглүүлэгчийн жингээр жигнэсэн мэргэжилтний идэвхжилтийг хасах арга — Cerebras ба Калгарийн их сургуулиас гаралтай нэг удаагийн MoE шахалтын арга бөгөөд arXiv 2510.13999 хэлбэрээр нийтлэгдэж, ICLR 2026-д хүлээн авагдсан. Түүний баримтлал бол генератив ажилд мэргэжилтнүүдийг хасах нь нэгтгэхээс давдаг: нэгтгэх нь чиглүүлэгчийн нарийн ширхэгтэй хяналтыг устгаж, хэзээ ч сэргээшгүй алдаа оруулдаг. Тиймээс REAP оронд нь чиглүүлэгчийн гейт утга (хэр олонтоо, хэр хүчтэй сонгогддог) ба мэргэжилтний идэвхжүүлэлтийн норм (гаралт нь хэр их хувь нэмэр оруулдаг) хослуулсан ач холбогдлын шалгуураар мэргэжилтэн бүрийг дүгнэж, дараа нь хамгийн бага ач холбогдолтойг нь шууд устгадаг.

Зохиогчид 1 триллион параметр хүртэлх томоохон загваруудаас мэргэжилтний 50% хүртэлийг хасаж, чанараа ерөнхийдөө хадгалсан гэж мэдээлсэн — Qwen3-480B-Coder-FP8 дээр 50% хасалт хийхэд агентийн бус кодлолын чадварын 97.6%, агентийн SWE-Bench дээрх 96.7% хадгалагдсан. Эдгээр нь өгүүллийн загвар дээрх өгүүллийн тоо, MiniMax-M3 дээрх биднийх биш; бид эдгээрийг арга барилыг үнэлүүлэхийн тулд иш татсан, энд ижил хэмжилт хийсэн гэж хэлэх гэсэнгүй.

Хоёрдугаарт, 3 бит жин

Үлдсэн жинг дараа нь 3 бит болгон хадгалдаг. Дараалал санаатай бөгөөд энэ хослолын гол цэг: эхлээд хасаж, дараа нь квантчилдаг. Устгах гэж буй мэргэжилтнүүдийг үнэнчээр кодлоход жин тутмын үнэтэй гурван битийг зарцуулах утга учир байхгүй. Сийрэг сүүлийг хасаад, дараа нь үлдсэн төсвийг бодитоор идэвхждэг мэргэжилтнүүдэд бүхэлд нь зарцуулна.

Шударга анхааруулга

3BIT-REAP бол бидний гаргадаг хамгийн түрэмгий түвшин. Бид үүнийг хамгийн том суурь загваруудад — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — ашигладаг, учир нь энэ нь тэдгээр загвар боломжийн үнээр байх, огт байхгүй байхын ялгаа юм. Суурь загвар хэрэггүй хэмжээгээр жижиг байх үед бид үүнийг ашигладаггүй: каталог дахь W8A16 загварууд 16 битийн идэвхжүүлэлттэй 8 битийн жин ашигладаг, W4A16-AUTOROUND-REAP нь энгийн ойролцоогоор бутархайлах квантчилалаас алддаг нарийвчлалыг сэргээхийн тулд AutoRound-ийн сурсан бутархайлал ашиглан дунд байрладаг. Таны тэвчээрт тохирох түвшнийг сонго. Хэрэв та арван мянган нэхэмжлэхээс талбар задлан авч байгаа бол 3 бит зөв сонголт. Хэрэв та нэг зурган дээр өндөр эрсдэлтэй нэг шүүх шинжилгээ хийж байгаа бол Kimi-K3-д мөнгөө зарцуул.

05"Татгалзах давхаргагүй" гэдэг нь оролт зураг байх үед юу гэсэн үг вэ

Цензургүй гэдэг үг сул хэрэглэгддэг тул энд нарийн тодорхой мэдэгдэл байна: энэ endpoint дээр татгалзах давхарга ч, гаралтад шүүлт ч байхгүй. Ямар ч ангилагч загвар харахаас өмнө таны зургийг шалгадаггүй. Ямар ч бодлогын загвар гаргах замын токенийг шалгадаггүй. Загвар үүсгэсэн зүйл бол та хүлээж авах зүйл юм.

Текстэд үүний нөлөө танил. Хараанд энэ нь чанарын хувьд өөр, учир нь зургийн оролт дээрх татгалзах зан үйл бол арилжааны олон горимт API хамгийн консерватив, хамгийн дур мэдсэн байдаг газар юм. Онцлог бүтэлгүйтлүүд ийм харагддаг:

• Бүхэлд нь оршихуйн татгалзал — гэрэл зурган дахь хүмүүсийг огт дүрсэлж татгалзах, тодорхой харагдах, бүрэн хор хөнөөлгүй шинж чанаруудыг оролцуулаад, учир нь бодлого дүрслэлийг таних явдлаас ялгаж чадахгүй.
• Сэдвийн ялтгал — баримт бичгийг юу тухай болохоос нь шалтгаалан хуулж бичих, хураангуйлахаас татгалзах, гэвч хуулж бичих нь механик ажил.
• Эмнэлгийн ба шүүх шинжилгээний биеэ гутгах байдал — мэргэжилтэнд тайлбар хэрэгтэй эмнэлзүйн дүрслэл, гэмтлийн баримтжуулалт, эсвэл ослын гэрэл зургийг тайлбарлахаас татгалзах.
• Аюулгүй байдлын хэрэгслийн худал эерэг — терминал, пакет барих, эсвэл дебаггер агуулсан гэдгийн улмаас дэлгэцийн зургийг унших татгалзах.
• Чимээгүй доройтол — хамгийн муу нь: татгалзал биш, харин хамгаалалттай хариулт бус хариулт бөгөөд энэ нь таны схемийн баталгаажуулалтыг давж, ямар ч алдаа гаргалгүйгээр таны өгөгдлийн санг хордуулдаг.

Тав дахин ажлын асуудал нь тэдгээр шударга бус байгаад бус. Тэдгээр нь хэмжигдэшгүй байдагт байгаа юм. Буруу хариулт бол өгөгдлийн цэг; та үүнийг дүгнэж, үнэлгээнд илрүүлж, засаж болно. Татгалзал бол нүх юм. Багц хэмжээнд, таны оролтын дундуур санамсаргүй бус тархсан 3% татгалзлын хувь хэмжээ — бүтцээрээ яг хэцүү, ер бус тохиолдол дээр төвлөрсөн — доод урсгалын цэвэрлэгээгээр ямар ч хэмжээгээр сэргээгддэггүй таны үр дүн дэх системчлэгдсэн хазайлт юм. Татгалзах давхаргыг авах нь чимээгүй, хамааралтай алга болсон өгөгдлийн эх сурвалжийг устгадаг.

Shannon-ийг манай Хариуцлагатай Хэрэглээний Бодлогын дор Shannon Lab LLC, Нью-Мексико муж, АНУ ажиллуулдаг. Цензургүй гэдэг нь загвар таны оролтын талаар редакцлахгүй гэсэн үг; дансанд нөхцөл байхгүй гэсэн үг биш.

06Бүрэн техникийн үзүүлэлт

Талбар	MiniMax-M3 · 3BIT-REAP
Загварын ID	MiniMax-M3-3BIT-REAP
Суурь загвар	MiniMax-M3 (MiniMax AI)
Контекст цонх	262,144 токен
Дээд гаралт	16,384 токен
Зургийн оролт	Тийм
Видео оролт	Нээгдээгүй
Стриминг	Тийм
Хэрэгсэл дуудах	Тийм
Учирлал	Тийм (reasoning_effort)
Бүтэцтэй гаралт	json_schema + response_format
Татгалзах давхарга	Байхгүй
Endpoint-ууд	/v1/chat/completions · /v1/messages · /v1/responses
Ажилладаг	Shannon-ий өөрийн GPU кластер

Тэр хүснэгтэн дэх хоёр мөр онцлон тэмдэглэх ёстой. Видео оролт нээгдээгүй. Эх сурвалж M3 суурь загвар видео дээр сургагдсан бөгөөд MiniMax видео оролтыг баримтжуулсан; манай endpoint зураг хүлээж авдаг. Зурган дээр бүтээ. Хоёрдугаарт, 262,144 токены цонх бол манайх, эх сурвалжийн нэг сая тоо биш — урт баримт бичиг ба олон зургийн ажлын ачааллаа 262,144-тай тохируулж төлөвлө, хэзээ ч гайхахгүй.

07Цензургүй MiniMax API-г дуудах нь

Гурван аялгуу, бүгдийн ард ижил загвар, гурвуулаа стримингтэй. Одоо байгаа таны клиент ярьдаг ямар ч аялгуугаар ашигла; тэдгээрийн хооронд чадварын ялгаа байхгүй. Base URL-аа Shannon руу чиглүүлж, загварын ID-г сол.

OpenAI аялгуугаар зураг ойлгох

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
  }'

Алсын https:// URL болон base64 өгөгдлийн URL хоёулаа image_url хэсэгт ажилладаг. Хуудсуудыг харьцуулах шаардлагатай үед нэг зурвас дотор олон зургийн хэсгийг хавсарга — танд зарцуулах 262,144 токен байгаа бөгөөд сая тутамд $0.50-аар тэдгээрийг зарцуулах нь хямд.

JSON схемтэй бичсэн задлан авалт

Энэ загвар дамжуулгад байр сууриа олдог газар бол хараа + хатуу схем + доод үнэ-ийн хослол. Манай каталогийн загвар бүр гурвыг нь агуулдаггүй: Laguna-S-2.1 ба inkling json_schema-г дэмждэггүй. MiniMax-M3 дэмждэг тул та задлан шинжлэх давхаргагүйгээр зургаас баталгаажсан объект авч болно:

{
  "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
      }
    }
  }
}

Учирлалын хүчин чармайлт

Загвар reasoning_effort-г нээдэг. Их хэмжээний зургийн ангилал дээр бага байлга — та мэдрэхүйн асуулт асууж байгаа бөгөөд учирлалын токен бол таны төлдөг гаралтын токен. Зураг нь урт учирлалын нотолгоо байх дуудлагад нэмэгдүүл: диаграмыг тодорхойлолттой харьцуулж унших, графикийг хүснэгттэй тохируулах, хоёр дэлгэцийн зураг ижил согогийг харуулж байгаа эсэхийг шийдэх.

Гурван аялгуу бүрийн параметрийн бүрэн лавлагаа, алдааны семантик, стримингийн формат Shannon API баримт бичигт байна.

08MiniMax-M3 хаана зөв сонголт байдаг вэ — мөн хаана биш вэ

Үүнийг хэзээ сонгох вэ

• Их хэмжээний зургийн ажил. Өгөгдлийн санг шошголох, модерацийн судалгаа, каталог баяжуулах, дэлгэцийн зургийг ангилах, сканнердсан баримт бичиг дээр багц OCR-ба-бүтэц. Доод үнэ бол бүх шалтгаан.
• Зургийг бичсэн бичлэг болгон. Хараа, хатуу json_schema, каталог дахь хамгийн хямд токенууд гэсэн хослолыг эндхийн ердөө хоёр загвар л санал болгодог.
• Урт олон горимт контекст. Нэг хүсэлт дотор олон хуудас, эсвэл олон фрейм — доор нь буй архитектур яг энэ хэлбэрийн оролтод зориулагдан бүтээгдсэн.
• Татгалзал жишээг эвдэх судалгаа. Хүнд зүйлийг оролцуулаад загвар зүйл бүрд хариулахаас хамаардаг ямар ч судалгаа.
• Дэлгэцийг унших агентийн давталт. M-цувралын угсаа илт агентийн шинжтэй бөгөөд хэрэгсэл дуудах боломжтой.

Өөр зүйлийг хэзээ сонгох вэ

• Танд хамгийн өндөр хараатай дээвэр хэрэгтэй бөгөөд төсөв байгаа. Kimi-K3 · 3BIT-REAP оролтын үнэ 7.7 дахин байгаа нь шалтгаантай; нэг өндөр эрсдэлтэй унших дээр энэ бол зарцуулах зөв мөнгө.
• Танд хамгийн өндөр үнэнч байдалтай жин хэрэгтэй. 3 бит бол бидний хамгийн түрэмгий түвшин. W8A16 загварууд үнийг нарийвчлалд солидог, мөн хэрэв жин тутмын үнэнч байдлыг оновчлож байгаа бол MiMo-V2.5 · W8A16 ижил $0.50 / $2.00-т хараатай.
• Танд видео хэрэгтэй. Бид энэ endpoint дээр видео оролтыг нээдэггүй.
• Ажил тэргүүлэх түвшний цэвэр текст. DeepSeek-V4-Pro-0813 үүнд зориулагдсан; та хэзээ ч хэрэглэхгүй харааны цамхагт төлж байх болно.

MiniMax гэр бүлийн архитектур, жишиг тест, хурдасгалын тоо баримтыг MiniMax AI лабораторийн мэдээлсэн; REAP тоо баримтыг REAP-ийн зохиогчид өөрсдийн загвар дээр мэдээлсэн бөгөөд энэ бүтээцийн хэмжилт биш. Shannon-ий үнэ, контекст цонх, чадварын флагууд бол манайх бөгөөд манай амьд загварын каталогоос уншигдсан.

09Түгээмэл асуултууд

---

Эх сурвалж: MiniMax-M3 загварын карт · 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-ийн жишиг тест ба хурдасгалын тоо баримт нь лабораторийн мэдээлсэн бөгөөд бие даасан баталгаажуулалт хүлээгдэж буй урьдчилсан тоо юм. Shannon-ий үнэ ба чадварын флагууд нь 2026 оны 9 сарын 5-ны байдлаар хүчинтэй.