असेन्सॉर्ड MiniMax API: तळाच्या दरात व्हिजन

जवळजवळ प्रत्येक होस्टेड मल्टिमोडल API व्हिजनला प्रीमियम म्हणून किंमत लावते. मजकुरासाठी तुम्ही मजकूर-मॉडेलचा दर देता, आणि प्रॉम्प्टमध्ये प्रतिमा शिरताच जास्त — कधी कित्येक पट जास्त — देता. त्यावर कडी म्हणजे इमेज इनपुटवरच नकार-वर्तन सर्वात आक्रमक असते: जे मॉडेल मजकुरात एखाद्या विषयावर खुशीने चर्चा करेल, तेच छायाचित्रातली तीच गोष्ट वर्णन करायला नकार देते. परिणाम म्हणजे प्रति कॉल महाग आणि प्रति कॉल अविश्वसनीय असे उत्पादन — मोठ्या प्रमाणावर प्रक्रिया करताना दोन्ही जगांतले वाईटच. Shannon वरचे MiniMax-M3 हे त्यावरचे आमचे उत्तर: आमच्या सर्वात स्वस्त मजकूर मॉडेलसाठी तुम्ही जे $0.50 / $2.00 देता तेच, पहिल्या पावलापासून मल्टिमोडल प्रशिक्षण झालेल्या आधारावर लावलेले, आणि त्याच्यासमोर कोणताही नकार स्तर नाही.

01इथे “सर्वात स्वस्त असेन्सॉर्ड व्हिजन मॉडेल” म्हणजे नेमके काय

Shannon कॅटलॉगमध्ये बारा मॉडेल आहेत. त्यांपैकी पाच प्रतिमा स्वीकारतात. त्यांच्या प्रति दशलक्ष टोकन किमती:

व्हिजन-सक्षम मॉडेल	इनपुट	आउटपुट	संरचित आउटपुट
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	फक्त response_format
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 तळाशी बसते — $0.50 / $2.00 — MiMo-V2.5 सोबत बरोबरीत, आणि त्याखाली काहीच नाही, कारण $0.50 / $2.00 हाच आमच्या किंमत-यादीचा तळ आहे. व्हिजन पल्ल्याच्या वरच्या टोकाशी तुलना करता ते Kimi-K3 पेक्षा इनपुटवर 7.7× आणि आउटपुटवर 9.6× स्वस्त आहे.

हे एका कामात मांडा. समजा तुम्ही 1,000 प्रतिमांची छाननी करत आहात — स्क्रीनशॉट, स्कॅन केलेली पाने, उत्पादनांची छायाचित्रे — ज्यात सरासरी साधारण 1,200 टोकन प्रतिमा अधिक प्रॉम्प्ट आत जातात आणि 300 टोकनचे उत्तर बाहेर येते:

Shannon च्या यादी-किमती, सप्टेंबर 2026. टोकन संख्या केवळ उदाहरणादाखल; तुमचे इमेज टोकनायझेशन रिझोल्यूशनवर आणि प्रति कॉल किती प्रतिमा जोडता यावर अवलंबून असते.

डोक्यात ठेवण्याजोगे आणखी दोन संदर्भबिंदू. संपूर्ण 262,144-टोकन संदर्भ एकदा भरण्याचा खर्च साधारण 13 सेंट. कमाल लांबीच्या 16,384-टोकन प्रतिसादाचा खर्च साधारण 3.3 सेंट. एका सर्वात वाईट परिस्थितीतल्या विनंतीच्या या खऱ्या मर्यादा आहेत, आणि त्या इतक्या लहान आहेत की व्हिजन पाइपलाइनवरचे रंजक बंधन पैसा उरत नाही, थ्रूपुट होते.

02MiniMax ची वंशावळ: मथळे नव्हे, टोकन अनुकूल करणारी प्रयोगशाळा

MiniMax AI ही शांघायमधली प्रयोगशाळा आहे, जिचा संपूर्ण ओपन-वेट इतिहास एकाच प्रश्नाभोवती फिरतो: अटेन्शन इतके स्वस्त कसे करायचे की दीर्घ संदर्भ आणि मल्टिमोडॅलिटी ही चैन उरणार नाही? या रांगेतले प्रत्येक प्रकाशन त्या प्रश्नाचे उत्तर आहे, आणि ती उत्तरे एकावर एक रचली जातात.

MiniMax-01 — Lightning Attention, आणि सुरुवातीपासूनच व्हिजन

MiniMax-01 मालिकेने (arXiv 2501.08313 म्हणून प्रकाशित) Lightning Attention आणले — रेखीय अटेन्शनच्या एका प्रकाराची I/O-जागरूक अंमलबजावणी — एकूण 456B पॅरामीटर आणि प्रति टोकन 45.9B सक्रिय असलेल्या हायब्रिड Mixture-of-Experts मॉडेलच्या आत. ही मालिका जोडीने आली: MiniMax-Text-01 आणि व्हिजन मॉडेल MiniMax-VL-01. VL-01 ने आता परिचित झालेला ViT-MLP-LLM रचनाक्रम वापरला, पण उसन्या एन्कोडरऐवजी 69 कोटी 40 लाख इमेज-कॅप्शन जोड्यांवर शून्यापासून प्रशिक्षित 303-दशलक्ष-पॅरामीटरचा Vision Transformer, जो नंतर 512 अब्ज टोकनवर प्रक्रिया करणाऱ्या बहु-टप्पी पाइपलाइनमधून अलाइन आणि एकत्रित फाइन-ट्यून केला गेला.

तुम्ही वाचत असलेल्या लेखासाठी हा तपशील महत्त्वाचा आहे. या वंशावळीतले व्हिजन म्हणजे यादीत खूण करण्यासाठी मजकूर मॉडेलवर उशिरा ठोकलेला अ‍ॅडॉप्टर नाही. MiniMax पहिल्या खुल्या प्रकाशनापासून स्वतःचा दृश्य मनोरा प्रशिक्षित करत आले आहे, आणि म्हणूनच दस्तऐवज आकलन, UI व स्क्रीनशॉटची समज, आणि तक्ते वाचणे ही या कुटुंबाची उपरी जोड नसून सातत्यपूर्ण बलस्थाने राहिली आहेत.

MiniMax-M1 — लांबवरच्या रिझनिंगसाठी हायब्रिड अटेन्शन

MiniMax-M1 (arXiv 2506.13585) चे वर्णन त्याच्या लेखकांनी पहिले ओपन-वेट, मोठ्या प्रमाणावरचे हायब्रिड-अटेन्शन रिझनिंग मॉडेल असे केले. त्याने 456B / 45.9B ची MoE काया कायम ठेवली आणि दोन अटेन्शन प्रकार आलटून पालटून वापरले: दर सात Lightning Attention ब्लॉकनंतर एक पारंपरिक सॉफ्टमॅक्स-अटेन्शन ट्रान्सफॉर्मर ब्लॉक. याचा फायदा क्रमवारीतल्या स्थानाने नव्हे तर गणनेत मोजला गेला — 100K-टोकन निर्मिती-लांबीवर M1 ने DeepSeek R1 च्या साधारण 25% FLOPs वापरले, आणि तरीही मूळचाच दहा लाख टोकनचा संदर्भ पाठिंबा दिला, असे MiniMax ने नोंदवले.

MiniMax-M2 — कमी सक्रियतेकडचे वळण

MiniMax-M2 आकाराबाबत उलट दिशेने गेले आणि त्यासाठीच लक्ष वेधून घेतले: 62-स्तरांचा डिकोडर, एकूण 229.9B पॅरामीटर पण प्रति टोकन फक्त ~9.8B सक्रिय, प्रति MoE स्तर 256 सूक्ष्म-कणी एक्सपर्ट आणि सिग्मॉइड राउटिंगने त्यांपैकी आठांची निवड, प्रशिक्षण स्थैर्यासाठी RoPE स्थाने आणि QK-RMSNorm. ते स्पष्टपणे एजंटिक-कोडिंग मॉडेल होते — बहु-फाइल संपादन, चालवा-दुरुस्त करा लूप, चाचणीने पडताळलेल्या दुरुस्त्या — आणि त्याने interleaved thinking हे स्वरूप आणले, जिथे रिझनिंग प्रत्येक फेरीनंतर फेकून न देता टूल-कॉल फेऱ्यांमधून पुढे नेले जाते. सक्रियता लहान ठेवून, प्रति-टोकन खर्चाच्या अंशात आघाडीच्या जवळचे एजंटिक वर्तन देण्याची MiniMax ची ख्याती M2 नेच घडवली.

MiniMax-M3 — या एंडपॉइंटखालचा आधार

MiniMax-M3 1 जून 2026 रोजी प्रसिद्ध झाले, त्यापाठोपाठ लवकरच Hugging Face वर वेट्स आणि arXiv 2606.13392 वर तांत्रिक अहवाल आला. हे प्रति टोकन साधारण 23B सक्रिय असलेले 428B-पॅरामीटरचे Mixture-of-Experts मॉडेल आहे, ज्याचा नोंदवलेला संदर्भ दहा लाख टोकन आहे आणि ज्यात मूळचेच इमेज व व्हिडिओ इनपुट आहे — MiniMax त्याचे वर्णन मजकुरावर पूर्व-प्रशिक्षित करून नंतर मल्टिमोडल जुळवणी केलेले नव्हे, तर “अगदी पहिल्या पावलापासून” मिश्र-मोडॅलिटीवर प्रशिक्षित असे करते. MiniMax ने स्वतः प्रकाशित केलेल्या आकड्यांनुसार ते SWE-bench Verified वर 80.5% आणि SWE-bench Pro वर 59.0% गुण मिळवते. हे कोडिंग बेंचमार्कवरचे विक्रेता-नोंदित आकडे आहेत, आणि तुम्ही त्यांना नेमके तेवढेच वजन द्यावे; ते प्रयोगशाळेचे प्रकाशित दावे आहेत म्हणून आम्ही ते देत आहोत, आम्ही ते स्वतंत्रपणे पुन्हा पडताळले आहेत म्हणून नाही.

03MiniMax Sparse Attention: व्हिजन मॉडेल इतके स्वस्त का असू शकते

M3 मधले रंजक अभियांत्रिकी म्हणजे MiniMax Sparse Attention (MSA), आणि इतक्या आकाराचे मल्टिमोडल मॉडेल आमच्या तळाच्या दरात बसण्याचे थेट कारण तेच आहे. प्रतिमा टोकनच्या दृष्टीने महाग असतात. मूठभर उच्च-रिझोल्यूशन पाने तुम्ही एकही सूचना लिहायच्या आत प्रॉम्प्टमध्ये हजारो टोकन टाकू शकतात. साध्या अटेन्शनखाली हा खर्च वर्गाच्या पटीने चक्रवाढ होतो, आणि वीस पाने वाचणारे मॉडेल दहा पाने वाचणाऱ्यापेक्षा दुप्पट महाग नसते — ते दुप्पटीपेक्षा बरेच वाईट असते.

MSA त्या वक्ररेषेचा आकारच बदलते. ती Grouped Query Attention च्या पायावर बांधलेली ब्लॉक-विरळ यंत्रणा आहे, दोन फाट्यांत विभागलेली:

• एक हलका Index Branch जो की-व्हॅल्यू ब्लॉकना गुण देतो — प्रत्येक ब्लॉकमधल्या टोकनवर मॅक्स-पूलिंग करून — आणि प्रति क्वेरी स्थान व प्रति GQA गटासाठी सर्वोच्च k निवडतो, प्रशिक्षण स्थैर्यासाठी क्वेरी असलेला स्थानिक ब्लॉक नेहमी समाविष्ट करून.
• एक Main Branch जो फक्त इंडेक्सने निवडलेल्या ब्लॉकवरच नेहमीचे सॉफ्टमॅक्स अटेन्शन चालवतो.

MSA शोधनिबंधातली मांडणी आहे k = 128 टोकनचे 16 ब्लॉक, ज्यामुळे प्रत्येक क्वेरीला 2,048 अटेंड केलेल्या टोकनचे ठरावीक अंदाजपत्रक मिळते. ठरावीक, म्हणजे ते क्रमाच्या लांबीबरोबर वाढत नाही. हीच सगळी युक्ती आहे: संदर्भ वाढत जातो तसा घन आधाररेषेचा अटेन्शन खर्च चढतच राहतो, तर MSA च्या मुख्य फाट्याचा खर्च सपाट राहतो — त्यामुळे अटेन्शन वर्गाच्या पटीत नव्हे तर रेखीय वाढते.

आकडे MiniMax Sparse Attention अहवालातून (arXiv 2606.13392): 1M संदर्भावर तितक्याच मांडणीच्या GQA च्या तुलनेत प्रति-टोकन अटेन्शन FLOPs मध्ये 28.4× घट, आणि शोधनिबंधाच्या 109B-पॅरामीटर अभ्यासात H800 हार्डवेअरवर मोजलेली 14.2× प्रीफिल / 7.6× डिकोड घड्याळी वेगवाढ. 1M संदर्भावर M2 च्या तुलनेत M3 साठी 9× प्रीफिल आणि 15× डिकोड वेगवाढ MiniMax स्वतंत्रपणे नोंदवते. हे सर्व प्रयोगशाळा-नोंदित आहे.

शोधनिबंध व्हिजन लेखासाठी महत्त्वाची तपासणीही करतो: मूळचेच मल्टिमोडल असलेल्या 109B MoE वर MSA ने AI2D, ChartQA आणि MMMU यांसह इमेज बेंचमार्कवर, आणि EgoSchema, LongVideoBench व VideoMME यांसह व्हिडिओ बेंचमार्कवर पूर्ण-अटेन्शन आधाररेषेशी तुलनेने कामगिरी टिकवली — आणि लांब-संदर्भाच्या व्हिडिओ कामांवर विरळ प्रकार कधीकधी सुधारणाही दाखवत होते. इथली विरळता वेगासाठी भरावा लागणारा गुणवत्तेचा कर नाही; लांब इनपुटवर ती जवळजवळ फुकट दिसते.

ग्राहक म्हणून तुम्हाला याची पर्वा का असावी: सर्व्हिंगचा खर्चच यादी-किंमत ठरवतो. ज्या आधाराचा अटेन्शन खर्च वाढणे थांबते, त्याच आधाराकडे लाख प्रतिमा वळवणे तुम्हाला परवडते. “सर्वात स्वस्त असेन्सॉर्ड व्हिजन मॉडेल” यामागची यंत्रणा हीच आहे — तो जाहिरातीचा दर नाही, ती वास्तुरचना आहे.

043BIT-REAP म्हणजे काय, आणि त्याची किंमत कुठे पडते

428-अब्ज-पॅरामीटरचे मॉडेल पूर्ण अचूकतेवर कुठेही सोयीस्करपणे बसत नाही. आमच्या MiniMax-M3 बिल्डला 3BIT-REAP हा प्रत्यय आहे, जो ठरावीक क्रमाने लावलेल्या दोन स्वतंत्र क्रियांचे वर्णन करतो.

REAP: संकुचित करण्याआधी एक्सपर्ट काढून टाका

REAP — Router-weighted Expert Activation Pruning — ही Cerebras आणि University of Calgary कडून आलेली एकवेळची MoE कॉम्प्रेशन पद्धत आहे, arXiv 2510.13999 म्हणून प्रकाशित आणि ICLR 2026 मध्ये स्वीकारलेली. तिचा युक्तिवाद असा की निर्मितीच्या कामांसाठी एक्सपर्ट छाटणे हे त्यांचे विलीनीकरण करण्यापेक्षा सरस आहे: विलीनीकरण राउटरचे सूक्ष्म नियंत्रण नष्ट करते आणि कधीही भरून न निघणारी चूक आणते. म्हणून REAP त्याऐवजी प्रत्येक एक्सपर्टला राउटर गेट मूल्ये (राउटर तो किती वेळा आणि किती जोरात निवडतो) आणि एक्सपर्ट ॲक्टिव्हेशन नॉर्म (त्याचे आउटपुट प्रत्यक्षात किती योगदान देते) एकत्र करणाऱ्या ठळकपणाच्या निकषावर गुण देते, आणि सर्वात कमी ठळक एक्सपर्ट सरळ काढून टाकते.

लेखक एक ट्रिलियन पॅरामीटरइतक्या मोठ्या मॉडेलमधले 50% पर्यंत एक्सपर्ट काढूनही आधाररेषेची गुणवत्ता मोठ्या प्रमाणात टिकल्याचे नोंदवतात — Qwen3-480B-Coder-FP8 वर 50% छाटणीनंतर आधाररेषेच्या 97.6% बिगर-एजंटिक कोडिंग क्षमता आणि एजंटिक SWE-Bench वर 96.7% टिकले. हे शोधनिबंधाच्या मॉडेलवरचे शोधनिबंधाचे आकडे आहेत, MiniMax-M3 वरचे आमचे नाहीत; इथे तितकेच मोजमाप झाले असे सुचवण्यासाठी नव्हे, तर तुम्हाला पद्धतीचे मूल्यमापन करता यावे म्हणून आम्ही ते देत आहोत.

दुसऱ्या टप्प्यात 3-bit वेट्स

उरलेली वेट्स मग 3 बिटवर साठवली जातात. हा क्रम जाणीवपूर्वक आहे आणि याच संयोजनाचा तो गाभा आहे: आधी छाटणी, मग क्वांटायझेशन. जे एक्सपर्ट तुम्ही काढून टाकणारच आहात, त्यांचे इमानेइतबारे एन्कोडिंग करण्यात प्रति वेट तुमचे मौल्यवान तीन बिट खर्च करण्यात काही अर्थ नाही. विरळ शेपूट छाटा, आणि मग उरलेले अंदाजपत्रक पूर्णपणे प्रत्यक्षात चालणाऱ्या एक्सपर्टकडे जाऊ द्या.

प्रामाणिक सावधगिरी

3BIT-REAP हा आम्ही पाठवत असलेला सर्वात आक्रमक स्तर आहे. सर्वात मोठ्या आधारांवर आम्ही तो वापरतो — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — कारण ती मॉडेल शहाण्यासुरत्या किमतीत उपलब्ध असणे आणि मुळात उपलब्धच नसणे यातला फरक तोच घडवतो. जिथे आधार इतका लहान असतो की त्याची गरजच नाही, तिथे आम्ही तो वापरत नाही: कॅटलॉगमधली W8A16 मॉडेल 8-bit वेट्स आणि 16-bit ॲक्टिव्हेशनवर चालतात, आणि W4A16-AUTOROUND-REAP त्या मधोमध बसते, जिथे भाबडे जवळचे-पूर्णांक क्वांटायझेशन जी अचूकता गमावते ती AutoRound च्या शिकलेल्या राउंडिंगने परत मिळवली जाते. तुमच्या सहनशक्तीशी जुळणारा स्तर निवडा. तुम्ही दहा हजार बीजकांमधून फील्ड काढत असाल, तर 3-bit हीच योग्य अदलाबदल आहे. एका प्रतिमेचे एकच उच्च-जोखमीचे न्यायवैद्यक वाचन करत असाल, तर Kimi-K3 वर पैसे खर्च करा.

05इनपुट प्रतिमा असताना “नकार स्तर नाही” म्हणजे काय

“असेन्सॉर्ड” हा शब्द सैलपणे वापरला जातो, म्हणून नेमका दावा असा: या एंडपॉइंटवर नकार स्तर नाही आणि आउटपुट फिल्टरिंग नाही. मॉडेल तुमची प्रतिमा पाहण्याआधी कोणताही वर्गीकारक तिची तपासणी करत नाही. बाहेर जाणाऱ्या टोकनची कोणतेही धोरण-मॉडेल तपासणी करत नाही. मॉडेल जे निर्माण करते तेच तुम्हाला मिळते.

मजकुरात याचा परिणाम परिचित आहे. व्हिजनमध्ये तो प्रकारानेच वेगळा आहे, कारण इमेज इनपुटवरच व्यावसायिक मल्टिमोडल API सर्वात सावध आणि सर्वात मनमानी असतात. वैशिष्ट्यपूर्ण अपयशे अशी दिसतात:

• ओळखीबाबतचे सरसकट नकार — छायाचित्रातल्या माणसांचे वर्णन करायलाच नकार, अगदी उघड दिसणाऱ्या आणि पूर्णपणे निरुपद्रवी गुणधर्मांचेही, कारण धोरण वर्णन आणि ओळख यांत फरक करू शकत नाही.
• विषयामुळे माघार — प्रतिलेखन हे यांत्रिक काम असूनही, दस्तऐवज कशाबद्दल आहे यामुळे त्याचे प्रतिलेखन किंवा सारांश करायला नकार.
• वैद्यकीय आणि न्यायवैद्यक नाजूकपणा — व्यावसायिकाला वर्णन हवे असलेली क्लिनिकल प्रतिमा, दुखापतीचे दस्तावेजीकरण किंवा अपघाताची छायाचित्रे वर्णन करायला नकार.
• सुरक्षा-साधनांवरचे खोटे इशारे — स्क्रीनशॉटमध्ये टर्मिनल, पॅकेट कॅप्चर किंवा डीबगर आहे म्हणून तो वाचायला नकार.
• मूक झीज — सर्वात वाईट प्रकार: नकार नव्हे, तर सावध शब्दांतले बिन-उत्तर, जे तुमची स्कीमा पडताळणी पार करते आणि कोणतीही त्रुटी न उठवता तुमचा डेटासेट बिघडवते.

या पाचांचीही खरी अडचण ती अन्याय्य आहेत ही नाही. ती अमोजनीय आहेत ही आहे. चुकीचे उत्तर हा एक डेटा बिंदू असतो; त्याला गुण देता येतात, मूल्यमापनात पकडता येते, आणि दुरुस्ती करता येते. नकार म्हणजे भोक. मोठ्या प्रमाणावर, तुमच्या इनपुटवर बिगर-यादृच्छिकपणे वाटलेला 3% नकार दर — जो रचनेनेच नेमक्या कठीण आणि असामान्य प्रकरणांवर एकवटलेला असतो — हा तुमच्या निष्कर्षांतला पद्धतशीर कल असतो, जो कितीही नंतरच्या साफसफाईने भरून निघत नाही. नकार स्तर काढून टाकल्याने मूक, परस्परसंबंधित गहाळ डेटाचा एक स्रोत नाहीसा होतो.

Shannon चे संचालन Shannon Lab LLC, न्यू मेक्सिको, अमेरिका, आमच्या जबाबदार वापर धोरणाखाली करते. असेन्सॉर्ड म्हणजे मॉडेल तुमच्या इनपुटवर भाष्य करत नाही; याचा अर्थ खात्याला अटी नाहीत असा नव्हे.

06संपूर्ण तपशील

क्षेत्र	MiniMax-M3 · 3BIT-REAP
मॉडेल आयडी	MiniMax-M3-3BIT-REAP
आधार	MiniMax-M3 (MiniMax AI)
संदर्भ विंडो	262,144 टोकन
कमाल आउटपुट	16,384 टोकन
इमेज इनपुट	होय
व्हिडिओ इनपुट	उपलब्ध नाही
स्ट्रीमिंग	होय
टूल कॉलिंग	होय
रिझनिंग	होय (reasoning_effort)
संरचित आउटपुट	json_schema + response_format
नकार स्तर	नाही
एंडपॉइंट	/v1/chat/completions · /v1/messages · /v1/responses
सर्व्ह केलेले	आमच्या स्वतःच्या GPU क्लस्टरवर

त्या कोष्टकातल्या दोन ओळींवर भर द्यायला हवा. व्हिडिओ इनपुट उपलब्ध नाही. अपस्ट्रीम M3 आधाराचे प्रशिक्षण व्हिडिओवर झाले आहे आणि MiniMax व्हिडिओ इनपुट नोंदवते; आमचा एंडपॉइंट प्रतिमा स्वीकारतो. प्रतिमांवरच बांधणी करा. दुसरे, 262,144-टोकन विंडो आमची आहे, अपस्ट्रीमचा दहा लाखांचा आकडा नव्हे — लांब दस्तऐवज आणि बहु-प्रतिमा कामांचे नियोजन 262,144 वर करा, म्हणजे तुम्हाला कधीच धक्का बसणार नाही.

07असेन्सॉर्ड MiniMax API कॉल करणे

तीन बोली, त्या सर्वांमागे तेच मॉडेल, तिन्हींवर स्ट्रीमिंग. तुमचा अस्तित्वातला क्लायंट जी आधीच बोलतो ती वापरा; त्यांच्यात क्षमतेचा कोणताही फरक नाही. तुमचा बेस URL Shannon कडे वळवा आणि मॉडेल आयडी बदला.

OpenAI बोलीतून इमेज आकलन

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
  }'

दूरस्थ https:// URL आणि base64 डेटा URL — दोन्ही image_url भागात चालतात. आंतर-पान तुलना हवी असेल तेव्हा एकाच संदेशात अनेक इमेज भाग जोडा — तुमच्याकडे खर्चायला 262,144 टोकन आहेत, आणि प्रति दशलक्ष $0.50 दराने ते खर्चणे स्वस्त आहे.

JSON स्कीमासह टाइप केलेली माहिती काढणे

पाइपलाइनमध्ये हे मॉडेल आपली जागा कमावते ती व्हिजन + काटेकोर स्कीमा + तळाची किंमत या संयोगामुळे. आमच्या कॅटलॉगमधल्या प्रत्येक मॉडेलकडे तिन्ही नाहीत: Laguna-S-2.1 आणि inkling json_schema ला पाठिंबा देत नाहीत. MiniMax-M3 देते, म्हणजे पार्सिंग स्तराशिवाय तुम्हाला प्रतिमेतून पडताळलेली वस्तू मिळू शकते:

{
  "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
      }
    }
  }
}

Reasoning effort

हे मॉडेल reasoning_effort उपलब्ध करते. मोठ्या प्रमाणावरच्या इमेज वर्गीकरणावर तो कमी ठेवा — तुम्ही आकलनाचा प्रश्न विचारत आहात, आणि रिझनिंग टोकन ही तुम्ही पैसे मोजत असलेली आउटपुट टोकनच आहेत. ज्या कॉलमध्ये प्रतिमा हा एका लांब युक्तिवादातला पुरावा असतो त्यासाठी तो वाढवा: तपशीलपत्राच्या विरोधात आकृती वाचणे, तक्ता आणि कोष्टक यांचा मेळ घालणे, दोन स्क्रीनशॉट एकाच त्रुटीचे आहेत का हे ठरवणे.

तिन्ही बोलींसाठीचा संपूर्ण पॅरामीटर संदर्भ, त्रुटींचे अर्थ आणि स्ट्रीमिंग स्वरूपे Shannon API दस्तऐवजांमध्ये आहेत.

08MiniMax-M3 योग्य निर्णय कुठे आहे — आणि कुठे नाही

याकडे वळा जेव्हा

• मोठ्या प्रमाणावरचे इमेज काम. डेटासेट लेबलिंग, मॉडरेशन संशोधन, कॅटलॉग समृद्धीकरण, स्क्रीनशॉट छाननी, स्कॅन केलेल्या दस्तऐवजांवर सामूहिक OCR आणि संरचना. तळाची किंमत हाच संपूर्ण युक्तिवाद आहे.
• प्रतिमांमधून टाइप केलेल्या नोंदी. व्हिजन अधिक काटेकोर json_schema अधिक कॅटलॉगमधली सर्वात स्वस्त टोकन — हा संयोग इथे फक्त दोन मॉडेल देतात.
• लांब मल्टिमोडल संदर्भ. एकाच विनंतीत अनेक पाने किंवा अनेक फ्रेम — खालची वास्तुरचना नेमक्या याच आकाराच्या इनपुटसाठी बांधलेली आहे.
• नकारांमुळे नमुना बिघडतो असे संशोधन. ज्याची वैधता मॉडेलने प्रत्येक घटकाला, अस्वस्थ करणाऱ्यांसह, उत्तर देण्यावर अवलंबून आहे असा कोणताही अभ्यास.
• स्क्रीन वाचणारे एजंटिक लूप. M-मालिकेची वंशावळ स्पष्टपणे एजंटिक आहे, आणि टूल कॉलिंग उपलब्ध आहे.

दुसऱ्या कशाकडे वळा जेव्हा

• तुम्हाला व्हिजनची सर्वोच्च कमाल मर्यादा हवी आहे आणि अंदाजपत्रक आहे. Kimi-K3 · 3BIT-REAP ची इनपुट किंमत 7.7× आहे ती कारणाशिवाय नाही; एकाच उच्च-जोखमीच्या वाचनावर तेवढे पैसे खर्च करणे योग्य असते.
• तुम्हाला कमाल विश्वासार्हतेची वेट्स हवी आहेत. 3-bit हा आमचा सर्वात आक्रमक स्तर आहे. W8A16 मॉडेल अचूकतेसाठी किमतीची अदलाबदल करतात, आणि प्रति वेट विश्वासार्हता हेच तुमचे अनुकूलन असेल तर MiMo-V2.5 · W8A16 त्याच $0.50 / $2.00 दरात व्हिजन-सक्षम आहे.
• तुम्हाला व्हिडिओ हवा आहे. या एंडपॉइंटवर आम्ही व्हिडिओ इनपुट उपलब्ध करत नाही.
• काम आघाडीच्या पातळीवरचे शुद्ध मजकुराचे आहे. त्यासाठी DeepSeek-V4-Pro-0813 आहे; इथे तुम्ही कधीही न वापरणाऱ्या व्हिजन मनोऱ्यासाठी पैसे देत असाल.

MiniMax कुटुंबासाठीचे वास्तुरचना, बेंचमार्क आणि वेगवाढीचे आकडे MiniMax AI ने प्रयोगशाळेतून नोंदवलेले आहेत; REAP चे आकडे REAP च्या लेखकांनी त्यांच्या स्वतःच्या मॉडेलवर नोंदवलेले आहेत आणि ते या बिल्डचे मोजमाप नाहीत. Shannon च्या किमती, संदर्भ विंडो आणि क्षमता-ध्वज आमचे स्वतःचे आहेत आणि आमच्या थेट मॉडेल कॅटलॉगमधून वाचलेले आहेत.

09वारंवार विचारले जाणारे प्रश्न

---

स्रोत: MiniMax-M3 मॉडेल कार्ड · 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 चे बेंचमार्क आणि वेगवाढीचे आकडे प्रयोगशाळा-नोंदित आहेत आणि स्वतंत्र पडताळणी होईपर्यंत तात्पुरते आहेत. Shannon च्या किमती आणि क्षमता-ध्वज 5 सप्टेंबर 2026 पर्यंत चालू आहेत.