Usensurert MiniMax-API: syn til gulvprisen

Nesten alle vertsbaserte multimodale API-er priser syn som noe eksklusivt. Du betaler tekstmodellens takst for tekst, og så betaler du mer — noen ganger flere ganger mer — i det øyeblikket et bilde kommer inn i prompten. På toppen av det er bilder som inndata der avvisningsatferden er mest aggressiv: modellen som gjerne diskuterer et tema i tekst, nekter å beskrive det samme på et fotografi. Resultatet er et produkt som er dyrt per kall og upålitelig per kall, noe som er det verste fra begge verdener når du behandler volum. MiniMax-M3 på Shannon er svaret vårt på det: de samme $0.50 / $2.00 du betaler for vår billigste tekstmodell, brukt på en grunnmodell som ble trent multimodalt fra første steg, uten et avvisningslag foran seg.

01Hva «billigste usensurerte synsmodell» faktisk betyr her

Shannon-katalogen består av tolv modeller. Fem av dem tar imot bilder. Prisene deres, per million tokens:

Modell med synsevne	Inn	Ut	Strukturert utdata
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	kun response_format
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 ligger på gulvet — $0.50 / $2.00 — likt med MiMo-V2.5 og med ingenting under seg, fordi $0.50 / $2.00 er gulvet i prislisten vår. Mot toppen av synsspennet er den 7.7× billigere på inndata og 9.6× billigere på utdata enn Kimi-K3.

Sett det inn i en arbeidsmengde. Anta at du triagerer 1,000 bilder — skjermbilder, skannede sider, produktbilder — med rundt 1,200 tokens bilde pluss prompt inn og 300 tokens svar ut:

Shannons listepriser, september 2026. Tokenantallene er illustrative; hvordan bildene dine tokeniseres avhenger av oppløsning og hvor mange bilder du legger ved per kall.

To referansepunkter til er nyttige å ha i hodet. Å fylle hele kontekstvinduet på 262,144 tokens én gang koster rundt 13 cent. Et svar på maksimale 16,384 tokens koster rundt 3.3 cent. Det er de faktiske grensene for én enkelt forespørsel i verste fall, og de er små nok til at den interessante begrensningen på en synspipeline slutter å være penger og begynner å bli gjennomstrømning.

02MiniMax-avstamningen: en lab som optimerer tokens, ikke overskrifter

MiniMax AI er en lab i Shanghai der hele merittlisten med åpne vekter handler om ett spørsmål: hvordan gjør du oppmerksomhet billig nok til at lang kontekst og multimodalitet slutter å være luksus? Hvert slipp i rekken er et svar på det spørsmålet, og svarene bygger på hverandre.

MiniMax-01 — Lightning Attention, og syn fra første stund

MiniMax-01-serien (publisert som arXiv 2501.08313) introduserte Lightning Attention, en I/O-bevisst implementasjon av en lineær oppmerksomhetsvariant, inne i en hybrid Mixture-of-Experts-modell på 456B totale parametere med 45.9B aktive per token. Serien kom som et par: MiniMax-Text-01 og MiniMax-VL-01, synsmodellen. VL-01 brukte den nå velkjente ViT-MLP-LLM-stabelen, men med en Vision Transformer på 303 millioner parametere trent fra bunnen av på 694 millioner bilde-bildetekst-par i stedet for en lånt koder, deretter innrettet og finjustert i fellesskap gjennom en flertrinns pipeline som behandlet 512 milliarder tokens.

Den detaljen betyr noe for artikkelen du leser. Syn i denne avstamningen er ikke en sen adapter boltet på en tekstmodell for å krysse av i en boks. MiniMax har trent sitt eget visuelle tårn siden første åpne slipp, og det er derfor dokumentforståelse, forståelse av brukergrensesnitt og skjermbilder, og lesing av diagrammer har vært konsekvente styrker i familien snarere enn ettertanker.

MiniMax-M1 — hybrid oppmerksomhet for lang resonnering

MiniMax-M1 (arXiv 2506.13585) ble av forfatterne beskrevet som den første storskala resonneringsmodellen med hybrid oppmerksomhet og åpne vekter. Den beholdt MoE-kroppen på 456B / 45.9B og vekslet mellom de to oppmerksomhetstypene: en konvensjonell softmax-oppmerksomhetsblokk etter hver sjuende Lightning Attention-blokk. Gevinsten ble målt i regnekraft snarere enn plassering på en rangering — MiniMax rapporterte at ved en genereringslengde på 100K tokens brukte M1 rundt 25% av FLOPS-ene til DeepSeek R1, samtidig som den innebygd støttet en kontekst på én million tokens.

MiniMax-M2 — dreiningen mot små aktiveringer

MiniMax-M2 gikk motsatt vei på størrelse og vant oppmerksomhet for det: en dekoder med 62 lag og 229.9B totale parametere, men bare ~9.8B aktive per token, med 256 finkornede eksperter per MoE-lag og sigmoid-ruting til åtte av dem, RoPE-posisjoner og QK-RMSNorm for treningsstabilitet. Den var uttalt en modell for agentisk koding — endringer på tvers av filer, kjør-og-rett-sløyfer, testvaliderte reparasjoner — og den introduserte formatet med sammenvevd tenking, der resonneringen bæres videre mellom runder med verktøykall i stedet for å kastes etter hver runde. M2 er modellen som etablerte MiniMax' rykte for å levere nesten-frontlinje agentisk atferd til en brøkdel av kostnaden per token, rett og slett ved å holde aktiveringene bitte små.

MiniMax-M3 — grunnmodellen under dette endepunktet

MiniMax-M3 ble sluppet 1. juni 2026, med vekter på Hugging Face like etter og en teknisk rapport på arXiv 2606.13392. Det er en Mixture-of-Experts-modell på 428B parametere med rundt 23B aktive per token, en dokumentert kontekst på én million tokens, og innebygd bilde- og videoinndata — MiniMax beskriver den som trent med blandede modaliteter «helt fra første steg», snarere enn fortrent på tekst og deretter tilpasset multimodalt. På MiniMax' egne publiserte tall skårer den 80.5% på SWE-bench Verified og 59.0% på SWE-bench Pro. Det er leverandørrapporterte tall på en kodetest, og det er nøyaktig slik du bør vekte dem; vi siterer dem fordi de er labbens publiserte påstander, ikke fordi vi har reprodusert dem uavhengig.

03MiniMax Sparse Attention: hvorfor en synsmodell kan være så billig

Den interessante ingeniørkunsten i M3 er MiniMax Sparse Attention (MSA), og det er den direkte grunnen til at en multimodal modell av denne størrelsen kan ligge på gulvprisen vår. Bilder er tokendyre. En håndfull høyoppløselige sider kan legge titusenvis av tokens inn i en prompt før du har skrevet en eneste instruksjon. Med standard oppmerksomhet vokser den kostnaden kvadratisk, og modellen som leser tjue sider er ikke dobbelt så dyr som den som leser ti — den er mye verre enn dobbelt.

MSA endrer formen på den kurven. Det er en blokk-tynn mekanisme bygget på et Grouped Query Attention-fundament, delt i to grener:

• En lettvekts indeksgren som scorer nøkkel-verdi-blokker — maks-pooling av skårer over tokenene i hver blokk — og velger topp-k per spørringsposisjon og per GQA-gruppe, alltid inkludert den lokale blokken som inneholder spørringen selv, av hensyn til treningsstabilitet.
• En hovedgren som kjører vanlig softmax-oppmerksomhet kun over blokkene indeksen valgte.

Konfigurasjonen i MSA-artikkelen er k = 16 blokker à 128 tokens, noe som gir hver spørring et fast budsjett på 2,048 tokens den ser på. Fast, altså at det ikke vokser med sekvenslengden. Det er hele trikset: etter hvert som konteksten vokser, fortsetter oppmerksomhetskostnaden i en tett grunnlinje å klatre, mens MSAs hovedgrenkostnad holder seg flat, så oppmerksomheten skalerer lineært i stedet for kvadratisk.

Tall fra rapporten om MiniMax Sparse Attention (arXiv 2606.13392): en reduksjon på 28.4× i oppmerksomhets-FLOPS per token mot tilsvarende konfigurert GQA ved 1M kontekst, og 14.2× raskere prefill / 7.6× raskere dekoding målt i klokketid på H800-maskinvare i artikkelens studie av en modell på 109B parametere. MiniMax rapporterer separat 9× raskere prefill og 15× raskere dekoding for M3 mot M2 ved 1M kontekst. Alt er labbrapportert.

Artikkelen gjør også kontrollen som betyr noe for en synsartikkel: på en innebygd multimodal MoE på 109B holdt MSA ytelse på linje med en grunnlinje med full oppmerksomhet på tvers av bildetester som AI2D, ChartQA og MMMU, og på tvers av videotester som EgoSchema, LongVideoBench og VideoMME — der de tynne variantene til og med forbedret resultatene på videooppgavene med lengst kontekst. Tynnhet er her ingen kvalitetsskatt du betaler for fart; på lange inndata ser den ut til å være tilnærmet gratis.

Hvorfor du bør bry deg som kunde: serveringskostnaden er det som setter listeprisen. En grunnmodell hvis oppmerksomhetskostnad slutter å vokse, er en grunnmodell du har råd til å peke mot hundre tusen bilder. Det er mekanismen bak «billigste usensurerte synsmodell» — det er ikke en kampanjepris, det er en arkitektur.

04Hva 3BIT-REAP betyr, og hvor det koster deg

En modell på 428 milliarder parametere får ikke plass noe beleilig sted i full presisjon. Vår MiniMax-M3-bygging bærer suffikset 3BIT-REAP, som beskriver to separate operasjoner utført i en bestemt rekkefølge.

REAP: slett eksperter før du komprimerer dem

REAP — Router-weighted Expert Activation Pruning — er en ettskudds MoE-komprimeringsmetode fra Cerebras og University of Calgary, publisert som arXiv 2510.13999 og antatt til ICLR 2026. Argumentet er at for generative oppgaver slår det å beskjære eksperter det å slå dem sammen: sammenslåing ødelegger ruterens finkornede styring og innfører en feil du aldri kan hente inn igjen. REAP scorer i stedet hver ekspert med et fremtredenhetskriterium som kombinerer ruterens portverdier (hvor ofte og hvor sterkt ruteren velger den) og ekspertens aktiveringsnormer (hvor mye utdataene dens faktisk bidrar), og sletter så de minst fremtredende ekspertene helt.

Forfatterne rapporterer at de fjerner opptil 50% av ekspertene i modeller så store som én billion parametere med i stor grad bevart utgangskvalitet — på Qwen3-480B-Coder-FP8 med 50% beskjæring ble 97.6% av utgangsnivået på ikke-agentisk koding og 96.7% på agentisk SWE-Bench beholdt. Det er artikkelens tall på artikkelens modeller, ikke våre på MiniMax-M3; vi siterer dem så du kan vurdere metoden, ikke for å antyde en tilsvarende måling her.

3-bits vekter, deretter

Vektene som overlever, lagres så med 3 bits. Rekkefølgen er tilsiktet og er selve poenget med kombinasjonen: beskjær først, kvantiser etterpå. Det er ingen vits i å bruke de dyrebare tre bitene per vekt på å kode eksperter du er i ferd med å slette, tro og trofast. Beskjær den tynne halen, og la så hele det gjenværende budsjettet gå til eksperter som faktisk fyrer.

Det ærlige forbeholdet

3BIT-REAP er det mest aggressive nivået vi leverer. Vi bruker det på de største grunnmodellene — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — fordi det er forskjellen på at de modellene er tilgjengelige til en fornuftig pris og ikke tilgjengelige i det hele tatt. Der en grunnmodell er liten nok til å slippe unna, bruker vi det ikke: W8A16-modellene i katalogen kjører 8-bits vekter med 16-bits aktiveringer, og W4A16-AUTOROUND-REAP ligger imellom og bruker AutoRounds lærte avrunding til å hente tilbake nøyaktighet som naiv avrunding til nærmeste gir bort. Velg nivået som passer toleransen din. Trekker du ut felter fra ti tusen fakturaer, er 3-bit den riktige avveiningen. Gjør du én enkelt rettsmedisinsk lesning av ett bilde med mye på spill, bruk pengene på Kimi-K3.

05Hva «ingen avvisningslag» betyr når inndataene er et bilde

Usensurert er et ord som brukes løst, så her er den presise påstanden: det finnes ikke noe avvisningslag og ingen filtrering av utdata på dette endepunktet. Ingen klassifiserer inspiserer bildet ditt før modellen ser det. Ingen policymodell inspiserer tokenene på vei ut. Det modellen produserer, er det du mottar.

I tekst er virkningen av det velkjent. I syn er den forskjellig i art, fordi avvisningsatferd på bilder som inndata er der kommersielle multimodale API-er er mest konservative og mest vilkårlige. De typiske feilene ser slik ut:

• Blankoavvisninger om identitet — å nekte å beskrive mennesker på et fotografi i det hele tatt, inkludert egenskaper som er klart synlige og helt uskyldige, fordi en policy ikke kan skille beskrivelse fra identifisering.
• Temaflukt — å nekte å transkribere eller oppsummere et dokument på grunn av hva dokumentet handler om, selv om transkripsjon er en mekanisk oppgave.
• Medisinsk og rettsmedisinsk berøringsangst — å nekte å beskrive kliniske bilder, skadedokumentasjon eller ulykkesfotografier som en fagperson trenger beskrevet.
• Falske positive på sikkerhetsverktøy — å nekte å lese et skjermbilde fordi det inneholder en terminal, en pakkefangst eller en feilsøker.
• Stille forringelse — den verste: ikke en avvisning, men et forbeholdent ikke-svar som passerer skjemavalideringen din og forgifter datasettet ditt uten noen gang å utløse en feil.

Driftsproblemet med alle fem er ikke at de er urettferdige. Det er at de er umålbare. Et galt svar er et datapunkt; du kan skåre det, fange det i evaluering og korrigere for det. En avvisning er et hull. I stor skala er en avvisningsrate på 3% fordelt ikke-tilfeldig over inndataene dine — konsentrert, av konstruksjon, nettopp på de vanskelige og uvanlige tilfellene — en systematisk skjevhet i resultatene dine som ingen mengde etterarbeid kan rette opp. Å fjerne avvisningslaget fjerner en kilde til stille, korrelerte manglende data.

Shannon drives av Shannon Lab LLC, New Mexico, USA, under vår policy for ansvarlig bruk. Usensurert betyr at modellen ikke kommenterer inndataene dine; det betyr ikke at kontoen er uten vilkår.

06Den fullstendige spesifikasjonen

Felt	MiniMax-M3 · 3BIT-REAP
Modell-ID	MiniMax-M3-3BIT-REAP
Grunnmodell	MiniMax-M3 (MiniMax AI)
Kontekstvindu	262,144 tokens
Maks utdata	16,384 tokens
Bilder som inndata	Ja
Video som inndata	Ikke eksponert
Strømming	Ja
Verktøykall	Ja
Resonnering	Ja (reasoning_effort)
Strukturert utdata	json_schema + response_format
Avvisningslag	Ingen
Endepunkter	/v1/chat/completions · /v1/messages · /v1/responses
Servert på	Shannons egen GPU-klynge

To linjer i den tabellen fortjener understrekning. Video som inndata er ikke eksponert. M3-grunnmodellen oppstrøms ble trent på video, og MiniMax dokumenterer video som inndata; vårt endepunkt tar imot bilder. Bygg mot bilder. For det andre er vinduet på 262,144 tokens vårt, ikke tallet på én million oppstrøms — planlegg arbeid med lange dokumenter og mange bilder mot 262,144, så blir du aldri overrasket.

07Slik kaller du det usensurerte MiniMax-API-et

Tre dialekter, den samme modellen bak alle sammen, strømming på alle tre. Bruk den klienten din allerede snakker; det er ingen forskjell i egenskaper mellom dem. Pek base-URL-en din mot Shannon og bytt modell-ID.

Bildeforståelse via OpenAI-dialekten

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
  }'

Både eksterne https://-URL-er og base64-data-URL-er fungerer i image_url-delen. Legg ved flere bildedeler i én melding når du trenger sammenligning på tvers av sider — du har 262,144 tokens å bruke, og til $0.50 per million er det billig å bruke dem.

Typet uttrekk med et JSON-skjema

Der denne modellen gjør seg fortjent til plassen sin i en pipeline, er kombinasjonen syn + strengt skjema + gulvpris. Ikke alle modellene i katalogen vår har alle tre: Laguna-S-2.1 og inkling støtter ikke json_schema. Det gjør MiniMax-M3, noe som betyr at du kan få et validert objekt ut av et bilde uten et parselag:

{
  "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
      }
    }
  }
}

Resonneringsinnsats

Modellen eksponerer reasoning_effort. På bildeklassifisering i bulk: hold den lav — du stiller et perseptuelt spørsmål, og resonneringstokens er ut-tokens du betaler for. Skru den opp for kallene der bildet er bevis i et lengre resonnement: å lese et diagram opp mot en spesifikasjon, å avstemme en graf mot en tabell, å avgjøre om to skjermbilder viser den samme feilen.

Den komplette parameterreferansen, feilsemantikken og strømmeformatene for alle tre dialektene finner du i Shannons API-dokumentasjon.

08Når MiniMax-M3 er riktig valg — og når den ikke er det

Grip til den når

• Bildearbeid i volum. Datasettmerking, modereringsforskning, kataloganrikning, triagering av skjermbilder, OCR-og-strukturering i bulk over skannede dokumenter. Gulvprisen er hele argumentet.
• Bilder til typede poster. Syn pluss strengt json_schema pluss de billigste tokenene i katalogen er en kombinasjon bare to modeller her tilbyr.
• Lang multimodal kontekst. Mange sider, eller mange bilderammer, i én forespørsel — arkitekturen under er bygget for nøyaktig denne formen på inndata.
• Forskning der avvisninger forurenser utvalget. Enhver studie hvis gyldighet avhenger av at modellen svarer på hvert element, også de ubehagelige.
• Agentsløyfer som leser en skjerm. M-serieavstamningen er uttalt agentisk, og verktøykall er tilgjengelig.

Grip til noe annet når

• Du trenger det høyeste synstaket og budsjettet finnes. Kimi-K3 · 3BIT-REAP koster 7.7× så mye på inndata av en grunn; på én enkelt lesning med mye på spill er det riktige penger å bruke.
• Du trenger vekter med maksimal troskap. 3-bit er vårt mest aggressive nivå. W8A16-modellene bytter pris mot presisjon, og MiMo-V2.5 · W8A16 har synsevne til de samme $0.50 / $2.00 hvis troskap per vekt er det du optimerer for.
• Du trenger video. Vi eksponerer ikke video som inndata på dette endepunktet.
• Oppgaven er ren tekst i front. DeepSeek-V4-Pro-0813 finnes for det; her ville du betalt for et synstårn du aldri bruker.

Tall for arkitektur, benchmark og hastighetsforbedring for MiniMax-familien er labbrapportert av MiniMax AI; REAP-tallene er rapportert av REAP-forfatterne på deres egne modeller og er ikke en måling av denne byggingen. Shannons priser, kontekstvindu og egenskapsflagg er våre og leses fra vår levende modellkatalog.

09Ofte stilte spørsmål

---

Kilder: Modellkortet for 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. MiniMax' benchmark- og hastighetstall er labbrapportert og foreløpige i påvente av uavhengig verifisering. Shannons priser og egenskapsflagg er gjeldende per 5. september 2026.