API bla ċensura ta' MiniMax: viżjoni bil-prezz tal-qiegħ

Kważi kull API multimodali servuta kummerċjalment tiffissa l-prezz tal-viżjoni bħala premium. Tħallas rata ta' mudell tat-test għat-test, u mbagħad tħallas aktar — xi drabi diversi darbiet aktar — malli immaġni tidħol fil-prompt. Fuq kollox, l-inputs ta' immaġni huma fejn l-imġiba ta' rifjut hi l-aktar aggressiva: il-mudell li jiddiskuti bil-qalb suġġett fit-test jirrifjuta li jiddeskrivi l-istess ħaġa f'ritratt. Ir-riżultat hu prodott għali għal kull sejħa u mhux affidabbli għal kull sejħa, li hu l-agħar taż-żewġ dinjiet meta tkun qed tipproċessa volum. MiniMax-M3 fuq Shannon AI hi t-tweġiba tagħna għal dan: l-istess $0.50 / $2.00 li tħallas għall-irħas mudell tat-test tagħna, applikat għal fondazzjoni li tħarrġet multimodali mill-ewwel pass, mingħajr saff ta' rifjut quddiemha.

01X'ifisser tabilħaqq "l-irħas mudell ta' viżjoni bla ċensura" hawn

Il-katalgu ta' Shannon AI hu ta' tnax-il mudell. Ħamsa minnhom jaċċettaw immaġni. Il-prezzijiet tagħhom, għal kull miljun token:

Mudell b'kapaċità ta' viżjoni	Dħul	Ħruġ	Output strutturat
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 biss
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 joqgħod fil-qiegħ — $0.50 / $2.00 — flimkien ma' MiMo-V2.5 u xejn taħtu, għax $0.50 / $2.00 huwa l-qiegħ tal-lista tal-prezzijiet tagħna. Kontra l-quċċata tal-medda ta' viżjoni hu 7.7× irħas fuq id-dħul u 9.6× irħas fuq il-ħruġ minn Kimi-K3.

Poġġi dan f'xogħol veru. Ejja ngħidu li qed tagħżel minn fost 1,000 immaġni — screenshots, paġni skennjati, ritratti ta' prodotti — b'medja ta' madwar 1,200 token ta' immaġni flimkien mal-prompt dieħel u 300 token ta' tweġiba ħiereġ:

Prezzijiet tal-lista ta' Shannon AI, Settembru 2026. L-għadd ta' tokens hu illustrattiv; it-tokenizzazzjoni tal-immaġni tiegħek tiddependi mir-riżoluzzjoni u minn kemm-il immaġni twaħħal għal kull sejħa.

Żewġ punti oħra ta' referenza li huma utli li żżommhom f'moħħok. Li timla t-tieqa kollha ta' 262,144-token darba tiswa madwar 13-il ċenteżmu. Tweġiba massima ta' 16,384-token tiswa madwar 3.3 ċenteżmi. Dawk huma l-limiti attwali ta' talba waħda fl-agħar każ, u huma żgħar biżżejjed li l-limitu interessanti fuq pipeline ta' viżjoni ma jibqax il-flus u jibda jkun it-throughput.

02Il-lineage ta' MiniMax: lab li tottimizza t-tokens, mhux it-titli

MiniMax AI hi lab ta' Shanghai li r-rekord kollu tagħha ta' piżi miftuħa hu dwar mistoqsija waħda: kif tagħmel l-attenzjoni rħisa biżżejjed li l-kuntest twil u l-multimodalità jieqfu jkunu lussi? Kull rilaxx f'din il-lineage hu tweġiba għal dik il-mistoqsija, u t-tweġibiet jibnu fuq xulxin.

MiniMax-01 — Lightning Attention, u viżjoni mill-bidu

Is-serje MiniMax-01 (ippubblikata bħala arXiv 2501.08313) introduċiet Lightning Attention, implimentazzjoni konxja tal-I/O ta' varjant ta' attenzjoni lineari, ġewwa mudell ibridu ta' Taħlita ta' Esperti ta' 456B parametru totali b'45.9B attiv għal kull token. Is-serje ħarġet bħala par: MiniMax-Text-01 u MiniMax-VL-01, il-mudell ta' viżjoni. VL-01 użat l-istack familjari ViT-MLP-LLM, iżda b'Vision Transformer ta' 303-miljun-parametru mħarreġ mill-bidu fuq 694 miljun par ta' immaġni-kapzjoni minflok encoder misluf, imbagħad allinjat u ffinjat b'mod konġunt tul pipeline b'diversi stadji li pproċessat 512 biljun token.

Dak id-dettall jgħodd għall-artiklu li qed taqra. Il-viżjoni f'din il-lineage mhijiex adapter tard imwaħħal ma' mudell tat-test biex jimmarka kaxxa. MiniMax ilha tħarreġ it-torri viżiv tagħha stess sa mill-ewwel rilaxx miftuħ tagħha, u din hi r-raġuni għaliex il-fehim ta' dokumenti, il-fehim tal-UI u tax-screenshots, u l-qari tal-graffs ilhom saħħiet konsistenti tal-familja minflok riflessjonijiet tard wara.

MiniMax-M1 — attenzjoni ibrida għal raġunament fit-tul

MiniMax-M1 (arXiv 2506.13585) ġie deskritt mill-awturi tiegħu bħala l-ewwel mudell ta' raġunament b'attenzjoni ibrida, b'piżi miftuħa u skala kbira. Żamm il-korp MoE ta' 456B / 45.9B u interfoldja ż-żewġ tipi ta' attenzjoni: blokk ta' transformer b'attenzjoni softmax konvenzjonali wara kull seba' blokki ta' Lightning Attention. Il-benefiċċju kien imkejjel fil-kompjut minflok fil-pożizzjoni fil-leaderboard — MiniMax irrapportat li b'tul ta' ġenerazzjoni ta' 100K-token, M1 ikkonsma madwar 25% tal-FLOPs ta' DeepSeek R1, filwaqt li appoġġja b'mod nattiv kuntest ta' miljun token.

MiniMax-M2 — il-bidla lejn attivazzjoni żgħira

MiniMax-M2 mar fid-direzzjoni l-oħra fuq id-daqs u rebaħ l-attenzjoni għal dan: decoder ta' 62 saff b'229.9B parametru totali imma biss ~9.8B attiv għal kull token, bl-użu ta' 256 espert fin għal kull saff MoE b'routing sigmoid lejn tmienja minnhom, pożizzjonijiet RoPE u QK-RMSNorm għall-istabbiltà tat-taħriġ. Kien b'mod espliċitu mudell ta' kodifikazzjoni aġentika — bidliet ta' diversi fajls, loops ta' esegwixxi-u-irranġa, tiswijiet ivvalidati bit-testijiet — u introduċa l-format ta' raġunament interfoldjat, fejn ir-raġunament jinġarr bejn dawriet ta' sejħiet ta' għodod minflok jintrema wara kull turn. M2 hu l-mudell li stabbilixxa r-reputazzjoni ta' MiniMax li twassal imġiba aġentika qrib il-fruntiera b'parti żgħira mill-kost għal kull token, purament billi żżomm l-attivazzjonijiet żgħar.

MiniMax-M3 — il-fondazzjoni taħt dan l-endpoint

MiniMax-M3 ġie rilaxxat fl-1 ta' Ġunju 2026, bil-piżi fuq Hugging Face ftit wara u rapport tekniku f'arXiv 2606.13392. Hu mudell ta' Taħlita ta' Esperti ta' 428B-parametru b'madwar 23B attiv għal kull token, kuntest dokumentat ta' miljun token, u input nattiv ta' immaġni u vidjo — MiniMax jiddeskrivih bħala mħarreġ b'modalità mħallta "mill-ewwel pass," minflok imħarreġ fuq test u mbagħad addattat multimodalment. Fuq iċ-ċifri ppubblikati tiegħu stess, MiniMax jiskorja 80.5% fuq SWE-bench Verified u 59.0% fuq SWE-bench Pro. Dawk huma ċifri rrapportati mill-vendur fuq benchmark tal-kodifikazzjoni, li hi eżattament kif għandek tqishom; nikkwotawhom għax huma l-pretensjonijiet ippubblikati tal-lab, mhux għax irriproduċejnihom b'mod indipendenti.

03MiniMax Sparse Attention: għaliex mudell ta' viżjoni jista' jkun daqshekk irħis

L-inġinerija interessanti f'M3 hi MiniMax Sparse Attention (MSA), u hi r-raġuni diretta għaliex mudell multimodali ta' dan id-daqs jista' joqgħod bil-prezz tal-qiegħ tagħna. L-immaġni huma għaljin f'tokens. Ftit paġni ta' riżoluzzjoni għolja jistgħu jdaħħlu għaxart elef token fi prompt qabel ma tkun kitibt struzzjoni waħda. Taħt attenzjoni standard, dak il-kost jikkomponi kwadratikament, u l-mudell li jaqra għoxrin paġna mhux id-doppju tal-prezz ta' dak li jaqra għaxra — hu ħafna agħar mid-doppju.

MSA jbiddel il-forma ta' dik il-kurva. Hu mekkaniżmu spars-blokk mibni fuq skeletru ta' Grouped Query Attention, maqsum f'żewġ fergħat:

• Fergħa ħafifa tal-Indiċi li tiskorja blokki ta' ċavetta-valur — max-pooling tal-iskors tul it-tokens ġewwa kull blokk — u tagħżel it-top-k għal kull pożizzjoni ta' mistoqsija u għal kull grupp GQA, dejjem tinkludi l-blokk lokali li fih il-mistoqsija nnifisha għall-istabbiltà tat-taħriġ.
• Fergħa Prinċipali li tħaddem attenzjoni softmax ordinarja biss fuq il-blokki li għażlet l-indiċi.

Il-konfigurazzjoni fil-karta tal-MSA hi k = 16-il blokk ta' 128 token, li jagħti lil kull mistoqsija baġit fiss ta' 2,048 token attenduti. Fiss, ifisser li ma jikbirx mat-tul tas-sekwenza. Dak hu t-trikk kollu: hekk kif il-kuntest jikber, il-kost tal-attenzjoni ta' linja bażi densa jibqa' jiżdied filwaqt li l-kost tal-fergħa prinċipali ta' MSA jibqa' fiss, għalhekk l-attenzjoni tiskala linearment minflok kwadratikament.

Ċifri mir-rapport ta' MiniMax Sparse Attention (arXiv 2606.13392): tnaqqis ta' 28.4× fil-FLOPs ta' attenzjoni għal kull token kontra GQA konfigurat b'mod ekwivalenti f'kuntest ta' 1M, u tħaffif tal-ħin reali ta' 14.2× prefill / 7.6× decode mkejla fuq hardware H800 fl-istudju ta' 109B-parametru tal-karta. MiniMax jirrapporta separatament tħaffif ta' 9× prefill u 15× decode għal M3 kontra M2 f'kuntest ta' 1M. Kollha rrapportati mil-lab.

Il-karta tagħmel ukoll il-verifika li tgħodd għal artiklu dwar il-viżjoni: fuq MoE nattivament multimodali ta' 109B, MSA żammet prestazzjoni komparabbli ma' linja bażi ta' attenzjoni sħiħa fost benchmarks tal-immaġni inklużi AI2D, ChartQA u MMMU, u fost benchmarks tal-vidjo inklużi EgoSchema, LongVideoBench u VideoMME — bil-varjanti spars xi drabi itejbu fuq ix-xogħlijiet tal-vidjo b'kuntest itwal. Is-sparsità hawn mhijiex taxxa ta' kwalità li tħallas għall-veloċità; fuq inputs twal tidher kważi b'xejn.

Għaliex għandek tinkwieta bħala klijent: il-kost tas-servizz hu dak li jiffissa l-prezz tal-lista. Fondazzjoni li l-kost tal-attenzjoni tagħha jieqaf jikber hi fondazzjoni li tista' tħallas biex tħares lejn mitt elf immaġni. Dak hu l-mekkaniżmu wara "l-irħas mudell ta' viżjoni bla ċensura" — mhux rata promozzjonali, hi arkitettura.

04X'ifisser 3BIT-REAP, u fejn jiswielek

Mudell ta' 428-biljun-parametru ma jidħolx imkien konvenjenti bi preċiżjoni sħiħa. Il-build tagħna ta' MiniMax-M3 iġorr is-suffiss 3BIT-REAP, li jiddeskrivi żewġ operazzjonijiet separati applikati f'ordni speċifika.

REAP: ħassar l-esperti qabel ma tikkompressahom

REAP — Router-weighted Expert Activation Pruning — hu metodu ta' kompressjoni MoE li jsir darba biss, minn Cerebras u l-Università ta' Calgary, ippubblikat bħala arXiv 2510.13999 u aċċettat f'ICLR 2026. L-argument tiegħu hu li għal xogħlijiet ġeneratorji, li tqaċċat l-esperti jegħleb li tgħaqqadhom: it-taħlit jeqred il-kontroll fin tar-router u jintroduċi żball li qatt ma tista' tirkupra. Għalhekk REAP minflok jiskorja kull espert b'kriterju ta' salijenza li jgħaqqad valuri tal-gate tar-router (kemm ta' spiss u b'liema qawwa r-router jagħżlu) u normi tal-attivazzjoni tal-espert (kemm jikkontribwixxi tabilħaqq l-output tiegħu), imbagħad iħassar l-esperti l-anqas salijenti direttament.

L-awturi jirrapportaw li neħħew sa 50% tal-esperti minn mudelli daqshekk kbar daqs triljun parametru filwaqt li ppreservaw fil-biċċa l-kbira l-kwalità bażi — fuq Qwen3-480B-Coder-FP8 b'tqaċċit ta' 50%, 97.6% tal-kapaċità bażi tal-kodifikazzjoni mhux aġentika u 96.7% fuq SWE-Bench aġentiku inżammu. Dawk huma ċ-ċifri tal-karta fuq il-mudelli tal-karta, mhux tagħna fuq MiniMax-M3; nikkwotawhom biex tkun tista' tiġġudika l-metodu, mhux biex nimplikaw kejl ekwivalenti hawn.

Piżi ta' 3-bit, it-tieni

Il-piżi li jifdal imbagħad jinħażnu b'3 bits. L-ordni hi deliberata u hi l-punt tal-kombinazzjoni: qaċċat l-ewwel, ikkwantizza t-tieni. M'hemm l-ebda sens li tonfoq it-tliet bits prezzjużi tiegħek għal kull piż tikkodifika bil-fedeltà esperti li se tħassar dalwaqt. Qaċċat id-denb spars, imbagħad ħalli l-baġit li jifdal jinfaq kollu fuq l-esperti li tabilħaqq jaħdmu.

L-avviż onest

3BIT-REAP hu l-aktar livell aggressiv li nservu. Nużawh fuq l-akbar fondazzjonijiet — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — għax hu d-differenza bejn dawk il-mudelli jkunu disponibbli bi prezz raġonevoli u ma jkunux disponibbli xejn. Fejn fondazzjoni hi żgħira biżżejjed li ma teħtiġux, ma nużawhx: il-mudelli W8A16 fil-katalgu jħaddmu piżi ta' 8-bit b'attivazzjonijiet ta' 16-bit, u W4A16-AUTOROUND-REAP joqgħod bejniethom, jużaw ir-rounding mgħallem ta' AutoRound biex jirkupraw preċiżjoni li kwantizzazzjoni naive ta' round-to-nearest tirrinunzjaha. Agħżel il-livell li jaqbel mat-tolleranza tiegħek. Jekk qed testrai kampi minn għaxart elef fattura, 3-bit hi t-tradeoff korretta. Jekk qed tagħmel qari forensiku wieħed b'ammont għoli ta' riskju fuq immaġni waħda, onfoq il-flus fuq Kimi-K3.

05X'ifisser "ebda saff ta' rifjut" meta l-input hu immaġni

Bla ċensura hi kelma li tintuża b'mod laxk, għalhekk hawn hi l-pretensjoni preċiża: m'hemm ebda saff ta' rifjut u ebda filtrar tal-output fuq dan l-endpoint. Ebda klassifikatur ma jeżamina l-immaġni tiegħek qabel ma jarah il-mudell. Ebda mudell tal-politika ma jeżamina t-tokens fil-ħruġ. Dak li jipproduċi l-mudell hu dak li tirċievi.

Fit-test, l-effett ta' dan hu familjari. Fil-viżjoni, hu differenti fin-natura, għax l-imġiba ta' rifjut fuq inputs ta' immaġni hi fejn l-APIs multimodali kummerċjali huma l-aktar konservattivi u l-aktar arbitrarji. Il-fallimenti karatteristiċi jidhru hekk:

• Rifjuti ġenerali ta' identità — jirrifjutaw li jiddeskrivu persuni f'ritratt għal kollox, inklużi attributi li huma viżibbli b'mod ċar u kompletament innoċenti, għax politika ma tistax tiddistingwi bejn deskrizzjoni u identifikazzjoni.
• Ħruġ mis-suġġett — jirrifjutaw li jittraskrivu jew jiġbru dokument minħabba dwar xiex hu d-dokument, minkejja li t-traskrizzjoni hi xogħol mekkaniku.
• Nuqqas ta' rieda medika u forensika — jirrifjutaw li jiddeskrivu immaġini kliniċi, dokumentazzjoni ta' korriment, jew ritratti ta' inċidenti li professjonist jeħtieġ deskritti.
• Pożittivi foloz tal-għodod tas-sigurtà — jirrifjutaw li jaqraw screenshot għax fih terminal, qbid ta' pakketti, jew debugger.
• Deġradazzjoni siekta — l-agħar waħda: mhux rifjut imma tweġiba mhux impenjata, li tgħaddi mill-validazzjoni tal-iskema tiegħek u tavvelena d-dataset tiegħek mingħajr ma qatt tqajjem żball.

Il-problema operattiva bil-ħamsa kollha mhijiex li huma inġusti. Hi li huma mhux imkejla. Tweġiba żbaljata hi punt ta' dejta; tista' tiskorjaha, taqbadha fil-valutazzjoni, u tikkoreġi għaliha. Rifjut hu toqba. Fuq skala ta' lott, rata ta' rifjut ta' 3% imqassma mhux b'mod każwali fost l-inputs tiegħek — konċentrata, min-natura tagħha, eżattament fuq il-każijiet diffiċli u mhux tas-soltu — hi preġudizzju sistematiku fir-riżultati tiegħek li ebda tindif downstream ma jirkupra. Li tneħħi s-saff ta' rifjut ineħħi sors ta' dejta neqsa siekta u korrelata.

Shannon AI hi mħaddma minn Shannon Lab LLC, New Mexico, l-Istati Uniti, taħt il-Politika ta' Użu Responsabbli tagħna. Bla ċensura jfisser li l-mudell ma jikkummentax dwar l-inputs tiegħek; ma jfissirx li l-kont m'għandu ebda termini.

06L-ispeċifikazzjoni sħiħa

Qasam	MiniMax-M3 · 3BIT-REAP
Id tal-mudell	MiniMax-M3-3BIT-REAP
Fondazzjoni	MiniMax-M3 (MiniMax AI)
Tieqa ta' kuntest	262,144 token
Output massimu	16,384 token
Input ta' immaġni	Iva
Input ta' vidjo	Mhux espost
Streaming	Iva
Sejħa ta' għodod	Iva
Raġunament	Iva (reasoning_effort)
Output strutturat	json_schema + response_format
Saff ta' rifjut	Xejn
Endpoints	/v1/chat/completions · /v1/messages · /v1/responses
Servut fuq	Il-cluster GPU tagħna stess

Żewġ ringieli f'dik it-tabella jistħoqqilhom enfasi. L-input ta' vidjo mhuwiex espost. Il-fondazzjoni upstream M3 tħarrġet fuq vidjo u MiniMax jiddokumenta input ta' vidjo; l-endpoint tagħna jaċċetta immaġni. Ibni kontra l-immaġni. It-tieni, it-tieqa ta' 262,144-token hi tagħna, mhux iċ-ċifra upstream ta' miljun — ippjana xogħol ta' dokumenti twal u ta' diversi immaġni skont 262,144 u qatt ma ssorprendik.

07Issejjaħ l-API bla ċensura ta' MiniMax

Tliet djaletti, l-istess mudell wara t-tlieta, streaming fuq it-tlieta. Uża liema jitkellem diġà l-client eżistenti tiegħek; m'hemm ebda differenza fil-kapaċità bejniethom. Punta l-URL bażi tiegħek lejn Shannon AI u biddel l-id tal-mudell.

Fehim ta' immaġni permezz tad-djalett ta' 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
  }'

Kemm URLs remoti ta' https:// kif ukoll image URLs bażi64 jaħdmu fil-biċċa image_url. Waħħal diversi biċċiet ta' immaġni f'messaġġ wieħed meta jkollok bżonn tqabbil bejn il-paġni — għandek 262,144 token biex tonfoqhom u, b'$0.50 għal kull miljun, li tonfoqhom hu rħis.

Estrazzjoni tipizzata b'JSON schema

Fejn dan il-mudell jistħoqqlu postu f'pipeline hi l-kombinazzjoni ta' viżjoni + skema stretta + prezz tal-qiegħ. Mhux kull mudell fil-katalgu tagħna għandu t-tlieta: Laguna-S-2.1 u inkling ma jappoġġjawx json_schema. MiniMax-M3 jappoġġjah, li jfisser li tista' tikseb oġġett ivvalidat minn immaġni mingħajr saff ta' parsing:

{
  "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
      }
    }
  }
}

L-isforz tar-raġunament

Il-mudell jesponi reasoning_effort. Fuq klassifikazzjoni bil-kotra ta' immaġni, żommu baxx — qed tistaqsi mistoqsija perċettiva, u t-tokens tar-raġunament huma tokens tal-output li tħallas għalihom. Għollih għas-sejħiet fejn l-immaġni hi evidenza f'argument itwal: taqra dijagramma kontra speċifikazzjoni, tirrikonċilja graff ma' tabella, tiddeċiedi jekk żewġ screenshots jurux l-istess difett.

Ir-referenza sħiħa tal-parametri, is-semantika tal-iżbalji, u l-formati tal-streaming għat-tliet djaletti jinsabu fid-dokumentazzjoni tal-API ta' Shannon AI.

08Meta MiniMax-M3 hi l-għażla t-tajba — u meta mhijiex

Mur għaliha meta

• Xogħol ta' immaġni bil-volum. Tikkettar ta' dataset, riċerka ta' moderazzjoni, arrikkiment ta' katalgu, triage ta' screenshots, OCR-u-strutturazzjoni bil-kotra fuq dokumenti skennjati. Il-prezz tal-qiegħ hu l-argument kollu.
• Immaġni f'rekords tipizzati. Viżjoni flimkien ma' json_schema stretta flimkien mal-irħas tokens fil-katalgu hi kombinazzjoni li biss żewġ mudelli hawn joffru.
• Kuntest multimodali twil. Ħafna paġni, jew ħafna frames, f'talba waħda — l-arkitettura taħtha nbniet eżatt għal din il-forma ta' input.
• Riċerka fejn ir-rifjuti jikkorrompu l-kampjun. Kull studju li l-validità tiegħu tiddependi fuq il-mudell iwieġeb kull oġġett, inklużi dawk skomdi.
• Loops aġentiċi li jaqraw skrin. Il-lineage tas-serje M hi espliċitament aġentika, u s-sejħa ta' għodod hi disponibbli.

Fittex xi ħaġa oħra meta

• Teħtieġ l-ogħla livell ta' viżjoni u l-baġit jeżisti. Kimi-K3 · 3BIT-REAP hu 7.7× il-prezz tad-dħul għal raġuni; fuq qari wieħed b'ammont għoli ta' riskju, dawk huma l-flus it-tajbin li tonfoq.
• Teħtieġ piżi bl-ogħla fedeltà. 3-bit hu l-aktar livell aggressiv tagħna. Il-mudelli W8A16 jibdlu l-prezz għall-preċiżjoni, u MiMo-V2.5 · W8A16 għandha kapaċità ta' viżjoni bl-istess $0.50 / $2.00 jekk fedeltà għal kull piż hi dak li qed tottimizza.
• Teħtieġ vidjo. Ma nesponux input ta' vidjo fuq dan l-endpoint.
• Ix-xogħol hu test pur fil-fruntiera. DeepSeek-V4-Pro-0813 teżisti għal dak; tkun qed tħallas għal torri ta' viżjoni li qatt ma tuża.

Iċ-ċifri tal-arkitettura, tal-benchmarks, u tat-tħaffif għall-familja MiniMax huma rrapportati mil-lab minn MiniMax AI; iċ-ċifri ta' REAP huma rrapportati mill-awturi ta' REAP fuq il-mudelli tagħhom stess u mhumiex kejl ta' dan il-build. Il-prezzijiet, it-tieqa ta' kuntest, u l-bnadar tal-kapaċità ta' Shannon AI huma tagħna u jinqraw mill-katalgu ħaj tal-mudelli tagħna.

09Mistoqsijiet frekwenti

---

Sorsi: Karta mudell ta' 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. Iċ-ċifri tal-benchmark u tat-tħaffif ta' MiniMax huma rrapportati mil-lab u proviżorji sakemm jiġu vverifikati b'mod indipendenti. Il-prezzijiet u l-bnadar tal-kapaċità ta' Shannon AI huma attwali sal-5 ta' Settembru 2026.