सेन्सर नगरिएको MiniMax API: भुइँतल मूल्य मा भिजन

झन्डै हरेक होस्ट गरिएको मल्टिमोडल API ले भिजनलाई प्रिमियमका रूपमा मूल्य तोक्छ। पाठका लागि तपाईं पाठ-मोडेलको दर तिर्नुहुन्छ, अनि प्रम्प्टमा तस्बिर छिर्ने बित्तिकै बढी तिर्नुहुन्छ — कहिलेकाहीँ धेरै गुणा बढी। त्यसमाथि, तस्बिर इनपुटमै अस्वीकार गर्ने व्यवहार सबैभन्दा आक्रामक हुन्छ: जुन मोडेलले पाठमा खुसीसाथ कुनै विषयको चर्चा गर्छ, त्यही मोडेलले तस्बिरमा त्यही कुरा वर्णन गर्न अस्वीकार गर्छ। नतिजा यस्तो उत्पादन हो जुन प्रति कल महँगो र प्रति कल अविश्वसनीय दुवै हुन्छ — मात्रामा प्रशोधन गर्दा यो दुवैतिरको सबैभन्दा खराब अवस्था हो। Shannon मा MiniMax-M3 त्यसको हाम्रो जवाफ हो: हाम्रो सबैभन्दा सस्तो पाठ मोडेलका लागि तिर्ने उही $0.50 / $2.00, पहिलो चरणदेखि नै मल्टिमोडल तालिम पाएको आधारमा लागू गरिएको, अगाडि कुनै अस्वीकृति तह नराखी।

01यहाँ "सबैभन्दा सस्तो सेन्सर नगरिएको भिजन मोडेल" को अर्थ के हो

Shannon क्याटलगमा बाह्र मोडेल छन्। तीमध्ये पाँचले तस्बिर स्वीकार गर्छन्। तिनको मूल्य, प्रति दस लाख टोकन:

भिजन-सक्षम मोडेल	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	response_format मात्र
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 भुइँतलमा बस्छ — $0.50 / $2.00 — MiMo-V2.5 सँग बराबरी, र यसभन्दा तल केही छैन, किनभने $0.50 / $2.00 नै हाम्रो मूल्य सूचीको भुइँतल हो। भिजन दायराको शिखरसँग तुलना गर्दा यो Kimi-K3 भन्दा इनपुटमा 7.7× र आउटपुटमा 9.6× सस्तो छ।

त्यसलाई कार्यभारमा राखौं। मानौं तपाईं 1,000 तस्बिर छानबिन गर्दै हुनुहुन्छ — स्क्रिनसट, स्क्यान गरिएका पृष्ठ, उत्पादनका फोटो — जसमा औसतमा तस्बिर र प्रम्प्ट गरी करिब 1,200 टोकन भित्र जान्छ र 300 टोकन जवाफ बाहिर आउँछ:

Shannon सूची मूल्य, सेप्टेम्बर 2026। टोकन सङ्ख्या उदाहरणका लागि हुन्; तपाईंको तस्बिर टोकनाइजेसन रिजोल्युसन र प्रति कल कति तस्बिर जोड्नुहुन्छ भन्नेमा निर्भर हुन्छ।

दिमागमा राख्न उपयोगी दुई थप सन्दर्भ बिन्दु। पूरै 262,144-टोकनको सन्दर्भ एक पटक भर्दा करिब 13 सेन्ट लाग्छ। अधिकतम लम्बाइको 16,384-टोकनको प्रतिक्रियाको लागत करिब 3.3 सेन्ट हो। ती एउटै सबैभन्दा नराम्रो अवस्थाको अनुरोधका वास्तविक सीमा हुन्, र ती यति साना छन् कि भिजन पाइपलाइनमा चाखलाग्दो बन्धन पैसा हुन छाडेर थ्रुपुट बन्न थाल्छ।

02MiniMax को वंश: हेडलाइन होइन, टोकन अनुकूलन गर्ने प्रयोगशाला

MiniMax AI साङ्घाईको एउटा प्रयोगशाला हो जसको सम्पूर्ण खुला-वेट इतिहास एउटै प्रश्नबारे छ: अटेन्सनलाई कति सस्तो बनाउने कि लामो सन्दर्भ र मल्टिमोडालिटी विलासिता हुन छाडून्? यस शृङ्खलाको हरेक रिलिज त्यसै प्रश्नको जवाफ हो, र ती जवाफ एकअर्कामाथि उभिएका छन्।

MiniMax-01 — Lightning Attention, र सुरुदेखि नै भिजन

MiniMax-01 शृङ्खला (arXiv 2501.08313 का रूपमा प्रकाशित) ले Lightning Attention ल्यायो, जुन एक लिनियर अटेन्सन प्रकारको I/O-सचेत कार्यान्वयन हो, र यो कुल 456B प्यारामिटर तथा प्रति टोकन 45.9B सक्रिय भएको हाइब्रिड Mixture-of-Experts मोडेलभित्र थियो। शृङ्खला जोडीका रूपमा आयो: MiniMax-Text-01 र MiniMax-VL-01, भिजन मोडेल। VL-01 ले अहिले परिचित भइसकेको ViT-MLP-LLM स्ट्याक प्रयोग गर्‍यो, तर सापटी लिइएको एन्कोडरको सट्टा 69 करोड 40 लाख तस्बिर-क्याप्सन जोडीमा शून्यबाट तालिम पाएको 30 करोड 30 लाख प्यारामिटरको Vision Transformer सहित, अनि 512 अर्ब टोकन प्रशोधन गर्ने बहु-चरण पाइपलाइनमा एलाइन गरी संयुक्त रूपमा फाइन-ट्युन गरियो।

तपाईंले पढिरहनुभएको लेखका लागि त्यो विवरण महत्त्वपूर्ण छ। यस वंशमा भिजन कुनै पाठ मोडेलमा चेकबक्स भर्न पछि जोडिएको एडाप्टर होइन। MiniMax ले आफ्नो पहिलो खुला रिलिजदेखि नै आफ्नै दृश्य टावरलाई तालिम दिँदै आएको छ, र त्यसैले कागजात बुझाइ, UI तथा स्क्रिनसट बोध, र चार्ट पढाइ यस परिवारका पछि सोचिएका कुरा होइन, निरन्तर बलियो पक्ष रहँदै आएका छन्।

MiniMax-M1 — लम्बाइमा तर्कका लागि हाइब्रिड अटेन्सन

MiniMax-M1 (arXiv 2506.13585) लाई यसका लेखकहरूले पहिलो खुला-वेट, ठूलो-स्केलको हाइब्रिड-अटेन्सन तर्क मोडेल भनेर वर्णन गरे। यसले 456B / 45.9B को MoE शरीर कायम राख्यो र दुई प्रकारका अटेन्सन आलोपालो मिलायो: हरेक सात Lightning Attention ब्लकपछि एउटा परम्परागत सफ्टम्याक्स-अटेन्सन ट्रान्सफर्मर ब्लक। यसको लाभ लिडरबोर्डको स्थान होइन, कम्प्युटमा नापियो — MiniMax ले 100K-टोकनको जेनेरेसन लम्बाइमा M1 ले DeepSeek R1 का करिब 25% FLOPs खपत गरेको रिपोर्ट गर्‍यो, त्यो पनि दस लाख टोकनको सन्दर्भ नेटिभ रूपमा समर्थन गर्दै।

MiniMax-M2 — सानो-एक्टिभेसनतर्फको मोड

MiniMax-M2 आकारमा उल्टो दिशा गयो र त्यसैका लागि चर्चा कमायो: 62-तहको डिकोडर जसमा कुल 229.9B प्यारामिटर छ तर प्रति टोकन ~9.8B मात्र सक्रिय हुन्छ, प्रति MoE तह 256 सूक्ष्म विशेषज्ञ प्रयोग गरी सिग्मोइड राउटिङले आठवटामा पठाउँदै, तालिम स्थायित्वका लागि RoPE स्थिति र QK-RMSNorm सहित। यो स्पष्ट रूपमा एजेन्टिक-कोडिङ मोडेल थियो — बहु-फाइल सम्पादन, चलाऊ-सुधार लुप, परीक्षण-प्रमाणित मर्मत — र यसले आलोपालो सोचाइ ढाँचा ल्यायो, जहाँ तर्कलाई हरेक टर्नपछि फ्याँक्नुको सट्टा टुल-कल राउन्डहरूबीच बोकिन्छ। एक्टिभेसनलाई सानै राखेर मात्रै अग्रपंक्ति-नजिकको एजेन्टिक व्यवहार प्रति-टोकन लागतको अंशमा दिने MiniMax को ख्याति स्थापित गर्ने मोडेल M2 नै हो।

MiniMax-M3 — यस एन्डपोइन्टमुनिको आधार

MiniMax-M3 जुन 1, 2026 मा जारी भयो, केही समयपछि Hugging Face मा वेट र arXiv 2606.13392 मा प्राविधिक प्रतिवेदनसहित। यो 428B प्यारामिटरको Mixture-of-Experts मोडेल हो जसमा प्रति टोकन करिब 23B सक्रिय हुन्छ, कागजात गरिएको दस लाख टोकन को सन्दर्भ, र नेटिभ तस्बिर तथा भिडियो इनपुट छ — MiniMax यसलाई पाठमा प्रि-ट्रेन गरेर पछि मल्टिमोडल रूपमा अनुकूलन गरिएको होइन, "पहिलो चरणदेखि नै" मिश्रित-मोडालिटीमा तालिम दिइएको भनेर वर्णन गर्छ। MiniMax का आफ्नै प्रकाशित सङ्ख्याअनुसार यसले SWE-bench Verified मा 80.5% र SWE-bench Pro मा 59.0% अङ्क पाउँछ। ती कोडिङ बेन्चमार्कमा विक्रेताले रिपोर्ट गरेका आँकडा हुन्, र ठ्याक्कै त्यसै रूपमा तौल दिनुपर्छ; हामी ती उद्धृत गर्छौं किनभने ती प्रयोगशालाका प्रकाशित दाबी हुन्, हामीले स्वतन्त्र रूपमा दोहोर्‍याएर पुष्टि गरेकाले होइन।

03MiniMax Sparse Attention: भिजन मोडेल यति सस्तो किन हुन सक्छ

M3 मा चाखलाग्दो इन्जिनियरिङ MiniMax Sparse Attention (MSA) हो, र यही नै यत्रो आकारको मल्टिमोडल मोडेल हाम्रो भुइँतल मूल्यमा बस्न सक्नुको प्रत्यक्ष कारण हो। तस्बिर टोकन-महँगा हुन्छन्। मुट्ठीभर उच्च-रिजोल्युसनका पृष्ठले तपाईंले एउटै निर्देशन लेख्नुअघि नै प्रम्प्टमा दसौं हजार टोकन हालिदिन सक्छन्। मानक अटेन्सनमा त्यो लागत वर्गाकार रूपमा बढ्छ, र बीस पृष्ठ पढ्ने मोडेल दस पृष्ठ पढ्नेभन्दा दुई गुणा मात्र महँगो हुँदैन — दुई गुणाभन्दा धेरै नराम्रो हुन्छ।

MSA ले त्यो वक्रको आकारै बदलिदिन्छ। यो Grouped Query Attention आधारमा बनेको ब्लक-स्पार्स संयन्त्र हो, जुन दुई हाँगामा विभाजित छ:

• एउटा हलुका Index Branch जसले की-भ्यालु ब्लकलाई अङ्क दिन्छ — प्रत्येक ब्लकभित्रका टोकनभरि अङ्कको म्याक्स-पुलिङ गर्दै — र प्रति क्वेरी स्थिति तथा प्रति GQA समूह शीर्ष-k छान्छ, तालिम स्थायित्वका लागि क्वेरी आफैं भएको स्थानीय ब्लक सधैं समावेश गर्दै।
• एउटा Main Branch जसले इन्डेक्सले छानेका ब्लकमाथि मात्र साधारण सफ्टम्याक्स अटेन्सन चलाउँछ।

MSA पेपरको कन्फिगरेसन k = 128 टोकनका 16 ब्लक हो, जसले हरेक क्वेरीलाई 2,048 अटेन्ड गरिएका टोकनको निश्चित बजेट दिन्छ। निश्चित, अर्थात् अनुक्रम लम्बाइसँगै बढ्दैन। पूरै जुक्ति यही हो: सन्दर्भ बढ्दै जाँदा घना आधाररेखाको अटेन्सन लागत उकालो लागिरहन्छ भने MSA को मुख्य-हाँगाको लागत समथर रहन्छ, त्यसैले अटेन्सन वर्गाकार होइन, रैखिक रूपमा स्केल हुन्छ।

आँकडा MiniMax Sparse Attention प्रतिवेदन (arXiv 2606.13392) बाट: 1M सन्दर्भमा समान रूपमा कन्फिगर गरिएको GQA विरुद्ध प्रति-टोकन अटेन्सन FLOPs मा 28.4× कमी, र पेपरको 109B प्यारामिटरको अध्ययनमा H800 हार्डवेयरमा नापिएको 14.2× प्रिफिल / 7.6× डिकोड घडी-समय तीव्रता। MiniMax ले छुट्टै रूपमा 1M सन्दर्भमा M2 विरुद्ध M3 का लागि 9× प्रिफिल र 15× डिकोड तीव्रता रिपोर्ट गर्छ। सबै प्रयोगशालाले रिपोर्ट गरेका हुन्।

पेपरले भिजन लेखका लागि महत्त्वपूर्ण हुने जाँच पनि गर्छ: नेटिभ रूपमा मल्टिमोडल 109B MoE मा, MSA ले AI2D, ChartQA र MMMU लगायतका तस्बिर बेन्चमार्क, तथा EgoSchema, LongVideoBench र VideoMME लगायतका भिडियो बेन्चमार्कभरि पूर्ण-अटेन्सन आधाररेखासँग तुलनीय प्रदर्शन कायम राख्यो — लामो-सन्दर्भका भिडियो कार्यमा त स्पार्स संस्करणले कहिलेकाहीँ सुधार नै देखायो। यहाँ स्पार्सिटी गतिका लागि तिरिने गुणस्तर कर होइन; लामो इनपुटमा यो झन्डै नि:शुल्क देखिन्छ।

ग्राहकका रूपमा तपाईंले किन ध्यान दिनुपर्छ: सेवा दिने लागतले सूची मूल्य निर्धारण गर्छ। जसको अटेन्सन लागत बढ्न छाड्छ, त्यो आधारलाई एक लाख तस्बिरतर्फ फर्काउने सामर्थ्य तपाईंसँग हुन्छ। "सबैभन्दा सस्तो सेन्सर नगरिएको भिजन मोडेल" पछाडिको संयन्त्र यही हो — यो प्रचारात्मक दर होइन, वास्तुकला हो।

043BIT-REAP को अर्थ, र यसले कहाँ मूल्य लिन्छ

428 अर्ब प्यारामिटरको मोडेल पूर्ण परिशुद्धतामा कतै सजिलै अट्दैन। हाम्रो MiniMax-M3 बिल्डले 3BIT-REAP प्रत्यय बोक्छ, जसले निश्चित क्रममा लागू गरिएका दुई अलग सञ्चालन वर्णन गर्छ।

REAP: सङ्कुचन गर्नुअघि विशेषज्ञ मेटाउनुहोस्

REAP — Router-weighted Expert Activation Pruning — Cerebras र University of Calgary बाट आएको एक-पटके MoE सङ्कुचन विधि हो, जुन arXiv 2510.13999 का रूपमा प्रकाशित र ICLR 2026 मा स्वीकृत भयो। यसको तर्क छ कि जेनेरेटिभ कार्यका लागि विशेषज्ञलाई मर्ज गर्नुभन्दा प्रुन गर्नु राम्रो हुन्छ: मर्जिङले राउटरको सूक्ष्म नियन्त्रण नष्ट गर्छ र कहिल्यै सुधार्न नसकिने त्रुटि ल्याउँछ। त्यसैले REAP ले प्रत्येक विशेषज्ञलाई राउटर गेट मान (राउटरले त्यसलाई कति पटक र कति बलियोसँग छान्छ) र विशेषज्ञ एक्टिभेसन नर्म (त्यसको आउटपुटले वास्तवमै कति योगदान गर्छ) जोड्ने प्रमुखता मापदण्डमा अङ्क दिन्छ, अनि सबैभन्दा कम प्रमुख विशेषज्ञलाई सिधै मेटाइदिन्छ।

लेखकहरूले एक ट्रिलियन प्यारामिटरसम्मका मोडेलबाट 50% सम्म विशेषज्ञ हटाउँदा पनि आधारभूत गुणस्तर धेरै हदसम्म जोगिएको रिपोर्ट गर्छन् — Qwen3-480B-Coder-FP8 मा 50% प्रुनिङमा गैर-एजेन्टिक कोडिङ क्षमताको 97.6% र एजेन्टिक SWE-Bench मा 96.7% कायम रह्यो। ती पेपरका मोडेलमा पेपरका सङ्ख्या हुन्, MiniMax-M3 मा हाम्रा होइनन्; हामी ती उद्धृत गर्छौं ताकि तपाईंले विधिको मूल्याङ्कन गर्न सक्नुहोस्, यहाँ बराबरको नाप भएको सङ्केत गर्न होइन।

त्यसपछि 3-बिट वेट

बाँचेका वेट त्यसपछि 3 बिटमा भण्डारण गरिन्छन्। यो क्रम जानीबुझी छ र यही नै संयोजनको मूल कुरा हो: पहिले प्रुन, अनि क्वान्टाइज। तपाईंले मेटाउनै लागेका विशेषज्ञलाई इमानदारीपूर्वक इन्कोड गर्न प्रति वेट आफ्ना बहुमूल्य तीन बिट खर्चनुको कुनै अर्थ छैन। पहिले विरल पुच्छर प्रुन गर्नुहोस्, अनि बाँकी बजेट पूरै साँच्चै सक्रिय हुने विशेषज्ञमा जान दिनुहोस्।

इमानदार चेतावनी

3BIT-REAP हामीले पठाउने सबैभन्दा आक्रामक तह हो। हामी यसलाई सबैभन्दा ठूला आधारमा प्रयोग गर्छौं — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — किनभने ती मोडेल समझदार मूल्यमा उपलब्ध हुनु र बिलकुलै उपलब्ध नहुनुबीचको फरक यही हो। जहाँ आधार यति सानो छ कि यो चाहिँदैन, त्यहाँ हामी प्रयोग गर्दैनौं: क्याटलगका W8A16 मोडेल 8-बिट वेट र 16-बिट एक्टिभेसनमा चल्छन्, र W4A16-AUTOROUND-REAP बीचमा पर्छ, जसले साधारण नजिकको-पूर्णाङ्क क्वान्टाइजेसनले गुमाउने शुद्धता फिर्ता ल्याउन AutoRound को सिकिएको राउन्डिङ प्रयोग गर्छ। आफ्नो सहनशीलतासँग मिल्ने तह छान्नुहोस्। तपाईं दस हजार बिलबाट फिल्ड निकाल्दै हुनुहुन्छ भने 3-बिट सही साटफेर हो। एउटै तस्बिरको उच्च-जोखिमको फोरेन्सिक पाठ गर्दै हुनुहुन्छ भने Kimi-K3 मा पैसा खर्चनुहोस्।

05इनपुट तस्बिर हुँदा "कुनै अस्वीकृति तह छैन" को अर्थ के हो

सेन्सर नगरिएको भन्ने शब्द फितलो रूपमा प्रयोग हुन्छ, त्यसैले सटीक दाबी यहाँ छ: यस एन्डपोइन्टमा कुनै अस्वीकृति तह छैन र आउटपुटमा कुनै फिल्टरिङ छैन। मोडेलले देख्नुअघि कुनै क्लासिफायरले तपाईंको तस्बिर जाँच्दैन। बाहिर निस्कने बाटोमा कुनै नीति मोडेलले टोकन जाँच्दैन। मोडेलले जे उत्पादन गर्छ, त्यही तपाईंले पाउनुहुन्छ।

पाठमा यसको असर परिचित छ। भिजनमा यो प्रकारमै फरक छ, किनभने तस्बिर इनपुटमै व्यावसायिक मल्टिमोडल API सबैभन्दा रूढिवादी र सबैभन्दा मनपरी हुन्छन्। विशिष्ट असफलता यस्ता देखिन्छन्:

• ढाकनी लगाएर पहिचान अस्वीकार — तस्बिरमा भएका मानिसको वर्णन नै गर्न अस्वीकार गर्ने, स्पष्ट देखिने र पूर्णतः निर्दोष विशेषता समेत, किनभने नीतिले वर्णनलाई पहिचानबाट छुट्याउन सक्दैन।
• विषयवस्तुका आधारमा पन्छिने — कागजात केबारे हो भन्ने आधारमा त्यसलाई ट्रान्सक्राइब वा संक्षेप गर्न अस्वीकार गर्ने, जबकि ट्रान्सक्रिप्सन यान्त्रिक कार्य हो।
• चिकित्सकीय र फोरेन्सिक घीन — पेशेवरलाई वर्णन चाहिने क्लिनिकल तस्बिर, चोटपटकको अभिलेख, वा दुर्घटनाका फोटो वर्णन गर्न अस्वीकार गर्ने।
• सुरक्षा-उपकरणमा गलत सकारात्मक — स्क्रिनसटमा टर्मिनल, प्याकेट क्याप्चर, वा डिबगर छ भन्दैमा त्यसलाई पढ्न अस्वीकार गर्ने।
• मौन ह्रास — सबैभन्दा खराब: अस्वीकार होइन, तर घुमाउरो गैर-जवाफ, जुन तपाईंको स्किमा प्रमाणीकरण पास गर्छ र कुनै त्रुटि नउठाईकनै तपाईंको डेटासेट विषाक्त बनाइदिन्छ।

यी पाँचैवटासँगको सञ्चालनगत समस्या तिनको अन्यायपूर्ण हुनु होइन। समस्या तिनको नाप्न नसकिनु हो। गलत जवाफ एउटा डेटा बिन्दु हो; तपाईंले त्यसलाई अङ्क दिन, मूल्याङ्कनमा पक्रन र सच्याउन सक्नुहुन्छ। अस्वीकार भनेको प्वाल हो। ब्याच स्केलमा, तपाईंका इनपुटभरि गैर-अनियमित रूपमा वितरित 3% अस्वीकार दर — जुन बनोटकै कारण ठ्याक्कै कठिन र असामान्य केसमा केन्द्रित हुन्छ — तपाईंको नतिजामा प्रणालीगत पूर्वाग्रह हो, र जति तल्लो तहमा सफाइ गरे पनि त्यो फर्किंदैन। अस्वीकृति तह हटाउनुले मौन, सहसम्बन्धित हराइरहेको डेटाको एउटा स्रोत हटाउँछ।

Shannon लाई Shannon Lab LLC, New Mexico, USA ले हाम्रो जिम्मेवार प्रयोग नीति अन्तर्गत सञ्चालन गर्छ। सेन्सर नगरिएको भनेको मोडेलले तपाईंका इनपुटबारे सम्पादकीय टिप्पणी गर्दैन भन्ने हो; खातामा कुनै सर्त छैन भन्ने होइन।

06पूर्ण विनिर्देश

फिल्ड	MiniMax-M3 · 3BIT-REAP
मोडेल id	MiniMax-M3-3BIT-REAP
आधार	MiniMax-M3 (MiniMax AI)
सन्दर्भ विन्डो	262,144 टोकन
अधिकतम आउटपुट	16,384 टोकन
तस्बिर इनपुट	छ
भिडियो इनपुट	उपलब्ध गराइएको छैन
स्ट्रिमिङ	छ
टुल कलिङ	छ
तर्क	छ (reasoning_effort)
संरचित आउटपुट	json_schema + response_format
अस्वीकृति तह	छैन
एन्डपोइन्ट	/v1/chat/completions · /v1/messages · /v1/responses
कहाँ सेवा दिइएको	Shannon को आफ्नै GPU क्लस्टर

त्यस तालिकाका दुई पङ्क्तिमा जोड दिनुपर्छ। भिडियो इनपुट उपलब्ध गराइएको छैन। माथिल्लो M3 आधारलाई भिडियोमा तालिम दिइएको थियो र MiniMax ले भिडियो इनपुट कागजात गर्छ; हाम्रो एन्डपोइन्टले तस्बिर स्वीकार गर्छ। तस्बिरका लागि बनाउनुहोस्। दोस्रो, 262,144-टोकन को विन्डो हाम्रो हो, माथिल्लो दस लाखको आँकडा होइन — लामो कागजात र धेरै तस्बिरका कार्यभार 262,144 विरुद्ध योजना गर्नुहोस्, अनि तपाईंलाई कहिल्यै अचम्म लाग्ने छैन।

07सेन्सर नगरिएको MiniMax API बोलाउने तरिका

तीन बोली, ती सबैपछाडि उही मोडेल, तीनैमा स्ट्रिमिङ। तपाईंको अवस्थित क्लाइन्टले जुन बोल्छ त्यही प्रयोग गर्नुहोस्; तिनीहरूबीच क्षमताको कुनै फरक छैन। आफ्नो बेस URL Shannon तर्फ फर्काउनुहोस् र मोडेल id बदल्नुहोस्।

OpenAI बोलीमार्फत तस्बिर बुझाइ

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
  }'

image_url भागमा टाढाका https:// URL र base64 डेटा URL दुवै काम गर्छन्। पृष्ठबीच तुलना चाहिँदा एउटै सन्देशमा धेरै तस्बिर भाग जोड्नुहोस् — तपाईंसँग खर्चन 262,144 टोकन छन् र प्रति दस लाख $0.50 मा तिनलाई खर्चनु सस्तो छ।

JSON स्किमासहित टाइप गरिएको निकासी

यो मोडेलले पाइपलाइनमा आफ्नो स्थान कमाउने ठाउँ भिजन + कडा स्किमा + भुइँतल मूल्य को संयोजन हो। हाम्रो क्याटलगका हरेक मोडेलमा तीनै वटा छैनन्: Laguna-S-2.1 र inkling ले json_schema समर्थन गर्दैनन्। MiniMax-M3 ले गर्छ, जसको अर्थ पार्सिङ तहविनै तस्बिरबाट प्रमाणित वस्तु निकाल्न सक्नुहुन्छ:

{
  "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
      }
    }
  }
}

तर्क प्रयास

मोडेलले reasoning_effort उपलब्ध गराउँछ। थोक तस्बिर वर्गीकरणमा यसलाई कम राख्नुहोस् — तपाईं बोधसम्बन्धी प्रश्न सोध्दै हुनुहुन्छ, र तर्क टोकन भनेका तपाईंले तिर्ने आउटपुट टोकन हुन्। तस्बिर लामो तर्कमा प्रमाण बन्ने कलहरूमा यसलाई बढाउनुहोस्: विनिर्देश विरुद्ध रेखाचित्र पढ्दा, चार्टलाई तालिकासँग मिलाउँदा, वा दुई स्क्रिनसटले उही दोष देखाएका हुन् कि होइनन् निर्णय गर्दा।

तीनै बोलीका लागि पूर्ण प्यारामिटर सन्दर्भ, त्रुटि अर्थविज्ञान र स्ट्रिमिङ ढाँचा Shannon API कागजात मा छन्।

08MiniMax-M3 कहाँ सही छनौट हो — र कहाँ होइन

यसतर्फ हात बढाउनुहोस् जब

• मात्रात्मक तस्बिर काम। डेटासेट लेबलिङ, मोडेरेसन अनुसन्धान, क्याटलग समृद्धीकरण, स्क्रिनसट छानबिन, स्क्यान गरिएका कागजातमाथि ब्याच OCR-र-संरचना। भुइँतल मूल्य नै पूरै तर्क हो।
• तस्बिरबाट टाइप गरिएका रेकर्ड। भिजन, कडा json_schema र क्याटलगका सबैभन्दा सस्ता टोकनको संयोजन यहाँ दुईवटा मोडेलले मात्र दिन्छन्।
• लामो मल्टिमोडल सन्दर्भ। एउटै अनुरोधमा धेरै पृष्ठ, वा धेरै फ्रेम — तलको वास्तुकला ठ्याक्कै यही आकारको इनपुटका लागि बनेको हो।
• अस्वीकारले नमुना बिगार्ने अनुसन्धान। जसको वैधता मोडेलले हरेक वस्तुको जवाफ दिनुमा निर्भर हुन्छ, असहज लाग्नेको समेत।
• स्क्रिन पढ्ने एजेन्टिक लुप। M-शृङ्खलाको वंश स्पष्ट रूपमा एजेन्टिक हो, र टुल कलिङ उपलब्ध छ।

अरू कुनैतर्फ हात बढाउनुहोस् जब

• तपाईंलाई सबैभन्दा उच्च भिजन सिलिङ चाहिन्छ र बजेट छ। Kimi-K3 · 3BIT-REAP कारणसहित इनपुट मूल्यको 7.7× हो; एउटै उच्च-जोखिमको पाठमा त्यो खर्चनु ठीकै हो।
• तपाईंलाई अधिकतम-निष्ठाका वेट चाहिन्छ। 3-बिट हाम्रो सबैभन्दा आक्रामक तह हो। W8A16 मोडेलले मूल्यको साटो परिशुद्धता दिन्छन्, र प्रति वेट निष्ठा नै तपाईंको लक्ष्य हो भने MiMo-V2.5 · W8A16 उही $0.50 / $2.00 मा भिजन-सक्षम छ।
• तपाईंलाई भिडियो चाहिन्छ। हामी यस एन्डपोइन्टमा भिडियो इनपुट उपलब्ध गराउँदैनौं।
• कार्य अग्रपंक्तिको शुद्ध पाठ हो। त्यसका लागि DeepSeek-V4-Pro-0813 छ; नत्र तपाईंले कहिल्यै प्रयोग नगर्ने भिजन टावरको मूल्य तिरिरहनुहुनेछ।

MiniMax परिवारका वास्तुकला, बेन्चमार्क र तीव्रता आँकडा MiniMax AI ले प्रयोगशालाबाट रिपोर्ट गरेका हुन्; REAP आँकडा REAP का लेखकहरूले आफ्नै मोडेलमा रिपोर्ट गरेका हुन् र यो बिल्डको नाप होइनन्। Shannon का मूल्य, सन्दर्भ विन्डो र क्षमता फ्ल्याग हाम्रा हुन् र हाम्रो प्रत्यक्ष मोडेल क्याटलगबाट पढिएका हुन्।

09बारम्बार सोधिने प्रश्न

---

स्रोत: MiniMax-M3 मोडेल 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 का बेन्चमार्क र तीव्रता आँकडा प्रयोगशालाले रिपोर्ट गरेका र स्वतन्त्र प्रमाणीकरण नहुँदासम्म अस्थायी हुन्। Shannon का मूल्य र क्षमता फ्ल्याग सेप्टेम्बर 5, 2026 सम्म यथावत् छन्।