API MiniMax sem censura: visão pelo preço de piso

Quase toda API multimodal hospedada cobra visão como item premium. Você paga a tarifa de modelo de texto pelo texto e depois paga mais — às vezes várias vezes mais — no instante em que uma imagem entra no prompt. Além disso, entradas de imagem são onde o comportamento de recusa é mais agressivo: o modelo que discute um tema sem problemas em texto se recusa a descrever a mesma coisa numa fotografia. O resultado é um produto caro por chamada e pouco confiável por chamada, o que é o pior dos dois mundos quando você processa volume. O MiniMax-M3 na Shannon é a nossa resposta a isso: os mesmos $0.50 / $2.00 que você paga pelo nosso modelo de texto mais barato, aplicados a uma fundação treinada como multimodal desde o primeiro passo, sem camada de recusa na frente dela.

01O que "modelo de visão sem censura mais barato" significa aqui

O catálogo da Shannon são doze modelos. Cinco deles aceitam imagens. Os preços deles, por milhão de tokens:

Modelo com visão	Entrada	Saída	Saída estruturada
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	apenas response_format
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

O MiniMax-M3 fica no piso — $0.50 / $2.00 — empatado com o MiMo-V2.5 e sem nada abaixo, porque $0.50 / $2.00 é o piso da nossa tabela de preços. Contra o topo da faixa de visão, ele é 7.7× mais barato na entrada e 9.6× mais barato na saída que o Kimi-K3.

Coloque isso numa carga de trabalho. Suponha que você esteja triando 1,000 imagens — capturas de tela, páginas digitalizadas, fotos de produtos — com média de cerca de 1,200 tokens de imagem mais prompt na entrada e 300 tokens de resposta na saída:

Preços de tabela da Shannon, setembro de 2026. As contagens de tokens são ilustrativas; a tokenização das suas imagens depende da resolução e de quantas imagens você anexa por chamada.

Mais dois pontos de referência úteis para guardar na cabeça. Encher a janela inteira de 262,144 tokens uma vez custa cerca de 13 centavos. Uma resposta de comprimento máximo, de 16,384 tokens, custa cerca de 3.3 centavos. Esses são os limites reais de uma única requisição de pior caso, e eles são pequenos o bastante para que a restrição interessante de um pipeline de visão deixe de ser dinheiro e passe a ser vazão.

02A linhagem MiniMax: um laboratório que otimiza tokens, não manchetes

A MiniMax AI é um laboratório de Xangai cujo histórico inteiro em pesos abertos gira em torno de uma pergunta: como tornar a atenção barata o bastante para que contexto longo e multimodalidade deixem de ser luxos? Todo lançamento da linha é uma resposta a essa pergunta, e as respostas se acumulam.

MiniMax-01 — Lightning Attention, e visão desde o início

A série MiniMax-01 (publicada como arXiv 2501.08313) introduziu a Lightning Attention, uma implementação ciente de E/S de uma variante de atenção linear, dentro de um modelo Mixture-of-Experts híbrido de 456B de parâmetros totais com 45.9B ativos por token. A série saiu em par: MiniMax-Text-01 e MiniMax-VL-01, o modelo de visão. O VL-01 usou a pilha ViT-MLP-LLM hoje familiar, mas com um Vision Transformer de 303 milhões de parâmetros treinado do zero sobre 694 milhões de pares imagem-legenda, em vez de um codificador emprestado, e depois alinhado e ajustado conjuntamente num pipeline de várias etapas que processou 512 bilhões de tokens.

Esse detalhe importa para o artigo que você está lendo. Visão nesta linhagem não é um adaptador tardio parafusado num modelo de texto para marcar uma caixa. A MiniMax treina a própria torre visual desde o seu primeiro lançamento aberto, e é por isso que compreensão de documentos, leitura de interfaces e capturas de tela e interpretação de gráficos são forças consistentes da família, e não pensamentos tardios.

MiniMax-M1 — atenção híbrida para raciocinar longamente

O MiniMax-M1 (arXiv 2506.13585) foi descrito pelos seus autores como o primeiro modelo de raciocínio de atenção híbrida em larga escala com pesos abertos. Ele manteve o corpo MoE de 456B / 45.9B e intercalou os dois tipos de atenção: um bloco transformer de atenção softmax convencional a cada sete blocos de Lightning Attention. O ganho foi medido em computação, e não em posição de ranking — a MiniMax relatou que, num comprimento de geração de 100K tokens, o M1 consumiu cerca de 25% dos FLOPs do DeepSeek R1, suportando nativamente um contexto de um milhão de tokens.

MiniMax-M2 — a virada para ativação pequena

O MiniMax-M2 foi na direção oposta em tamanho e ganhou atenção por isso: um decodificador de 62 camadas com 229.9B de parâmetros totais, mas apenas ~9.8B ativos por token, usando 256 especialistas de granularidade fina por camada MoE com roteamento sigmoide para oito deles, posições RoPE e QK-RMSNorm para estabilidade de treinamento. Ele era explicitamente um modelo de programação agêntica — edições em vários arquivos, ciclos de executar e corrigir, reparos validados por testes — e introduziu o formato de pensamento intercalado, em que o raciocínio é carregado entre rodadas de chamada de ferramenta em vez de ser descartado a cada turno. O M2 é o modelo que firmou a reputação da MiniMax de entregar comportamento agêntico próximo da fronteira por uma fração do custo por token, puramente mantendo as ativações minúsculas.

MiniMax-M3 — a fundação sob este endpoint

O MiniMax-M3 foi lançado em 1º de junho de 2026, com os pesos no Hugging Face pouco depois e um relatório técnico em arXiv 2606.13392. É um modelo Mixture-of-Experts de 428B de parâmetros com cerca de 23B ativos por token, contexto documentado de um milhão de tokens e entrada nativa de imagem e vídeo — a MiniMax o descreve como treinado em modalidade mista "desde o primeiríssimo passo", em vez de pré-treinado em texto e depois adaptado para multimodalidade. Pelos números publicados pela própria MiniMax, ele marca 80.5% no SWE-bench Verified e 59.0% no SWE-bench Pro. São números relatados pelo fornecedor num benchmark de código, que é exatamente como você deve pesá-los; nós os citamos porque são as afirmações publicadas do laboratório, e não porque as reproduzimos de forma independente.

03MiniMax Sparse Attention: por que um modelo de visão pode ser tão barato

A engenharia interessante do M3 é a MiniMax Sparse Attention (MSA), e ela é a razão direta de um modelo multimodal desse tamanho poder ficar no nosso preço de piso. Imagens são caras em tokens. Um punhado de páginas em alta resolução pode colocar dezenas de milhares de tokens num prompt antes de você escrever uma única instrução. Com atenção padrão, esse custo se acumula de forma quadrática, e o modelo que lê vinte páginas não é duas vezes mais caro que o que lê dez — é muito pior que duas vezes.

A MSA muda o formato dessa curva. É um mecanismo esparso por blocos construído sobre uma espinha dorsal de Grouped Query Attention, dividido em dois ramos:

• Um Index Branch leve que pontua blocos de chave-valor — agregando as pontuações por max-pooling entre os tokens de cada bloco — e seleciona os top-k por posição de consulta e por grupo de GQA, sempre incluindo o bloco local que contém a própria consulta, para estabilidade de treinamento.
• Um Main Branch que roda atenção softmax comum apenas sobre os blocos que o índice selecionou.

A configuração do artigo da MSA é k = 16 blocos de 128 tokens, o que dá a cada consulta um orçamento fixo de 2,048 tokens atendidos. Fixo, no sentido de que não cresce com o comprimento da sequência. Esse é o truque inteiro: à medida que o contexto cresce, o custo de atenção de uma linha de base densa continua subindo, enquanto o custo do ramo principal da MSA fica plano, de modo que a atenção escala linearmente em vez de quadraticamente.

Números do relatório da MiniMax Sparse Attention (arXiv 2606.13392): redução de 28.4× nos FLOPs de atenção por token em relação a uma GQA configurada de forma equivalente com contexto de 1M, e acelerações de relógio de 14.2× em prefill e 7.6× em decodificação medidas em hardware H800 no estudo de 109B de parâmetros do artigo. Separadamente, a MiniMax relata acelerações de 9× em prefill e 15× em decodificação do M3 em relação ao M2 com contexto de 1M. Todos são relatados pelo laboratório.

O artigo também faz a verificação que importa para um texto sobre visão: num MoE de 109B nativamente multimodal, a MSA manteve desempenho comparável ao de uma linha de base de atenção completa em benchmarks de imagem, incluindo AI2D, ChartQA e MMMU, e em benchmarks de vídeo, incluindo EgoSchema, LongVideoBench e VideoMME — com as variantes esparsas às vezes melhorando nas tarefas de vídeo de contexto mais longo. Esparsidade aqui não é um imposto de qualidade que você paga por velocidade; em entradas longas, ela parece ser praticamente gratuita.

Por que isso deve importar para você como cliente: o custo de servir é o que define o preço de tabela. Uma fundação cujo custo de atenção para de crescer é uma fundação que você pode se dar ao luxo de apontar para cem mil imagens. Esse é o mecanismo por trás de "modelo de visão sem censura mais barato" — não é uma tarifa promocional, é uma arquitetura.

04O que significa 3BIT-REAP, e onde isso lhe custa

Um modelo de 428 bilhões de parâmetros não cabe em lugar nenhum confortável em precisão plena. A nossa build do MiniMax-M3 carrega o sufixo 3BIT-REAP, que descreve duas operações separadas aplicadas numa ordem específica.

REAP: apagar especialistas antes de comprimi-los

REAP — Router-weighted Expert Activation Pruning — é um método de compressão de MoE em uma única etapa, da Cerebras e da University of Calgary, publicado como arXiv 2510.13999 e aceito na ICLR 2026. O argumento dele é que, para tarefas generativas, podar especialistas vence fundi-los: fundir destrói o controle de granularidade fina do roteador e introduz um erro do qual não se recupera. Então o REAP pontua cada especialista com um critério de saliência que combina valores de gate do roteador (com que frequência e com que força o roteador o escolhe) e normas de ativação do especialista (quanto a saída dele de fato contribui), e então apaga de vez os menos salientes.

Os autores relatam remover até 50% dos especialistas de modelos de até um trilhão de parâmetros preservando em boa medida a qualidade de base — no Qwen3-480B-Coder-FP8 com 50% de poda, foram retidos 97.6% da capacidade de programação não agêntica de base e 96.7% no SWE-Bench agêntico. Esses são os números do artigo sobre os modelos do artigo, não os nossos sobre o MiniMax-M3; nós os citamos para que você julgue o método, não para insinuar uma medição equivalente aqui.

Pesos de 3 bits, em segundo lugar

Os pesos sobreviventes são então armazenados em 3 bits. A ordem é deliberada e é o ponto da combinação: podar primeiro, quantizar depois. Não faz sentido gastar os seus preciosos três bits por peso codificando fielmente especialistas que você está prestes a apagar. Pode a cauda esparsa e deixe todo o orçamento restante ir para especialistas que de fato disparam.

A ressalva honesta

O 3BIT-REAP é o nível mais agressivo que entregamos. Nós o usamos nas maiores fundações — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — porque ele é a diferença entre esses modelos estarem disponíveis a um preço sensato e não estarem disponíveis de jeito nenhum. Onde a fundação é pequena o bastante para não precisar dele, não o usamos: os modelos W8A16 do catálogo rodam pesos de 8 bits com ativações de 16 bits, e o W4A16-AUTOROUND-REAP fica no meio, usando o arredondamento aprendido do AutoRound para recuperar a precisão que a quantização ingênua de arredondamento para o mais próximo entrega de graça. Escolha o nível que combina com a sua tolerância. Se você está extraindo campos de dez mil faturas, 3 bits é a troca correta. Se você está fazendo uma única leitura forense de alto risco de uma imagem, gaste o dinheiro no Kimi-K3.

05O que "sem camada de recusa" significa quando a entrada é uma imagem

"Sem censura" é uma palavra usada com frouxidão, então aqui vai a afirmação precisa: não há camada de recusa nem filtragem de saída neste endpoint. Nenhum classificador inspeciona a sua imagem antes de o modelo vê-la. Nenhum modelo de política inspeciona os tokens no caminho de volta. O que o modelo produz é o que você recebe.

Em texto, o efeito disso é familiar. Em visão, ele é diferente em natureza, porque o comportamento de recusa em entradas de imagem é onde as APIs multimodais comerciais são mais conservadoras e mais arbitrárias. As falhas características são assim:

• Recusas gerais de identidade — recusar-se a descrever pessoas numa fotografia, incluindo atributos claramente visíveis e totalmente inofensivos, porque uma política não consegue distinguir descrição de identificação.
• Abandonos por assunto — recusar-se a transcrever ou resumir um documento por causa do tema dele, mesmo que transcrever seja uma tarefa mecânica.
• Melindre médico e forense — recusar-se a descrever imagens clínicas, documentação de lesões ou fotografias de acidentes que um profissional precisa que sejam descritas.
• Falsos positivos de ferramental de segurança — recusar-se a ler uma captura de tela porque ela contém um terminal, uma captura de pacotes ou um depurador.
• Degradação silenciosa — a pior de todas: não uma recusa, mas uma não resposta cheia de ressalvas, que passa na validação do seu schema e envenena o seu conjunto de dados sem nunca levantar um erro.

O problema operacional com as cinco não é que sejam injustas. É que são não mensuráveis. Uma resposta errada é um dado; você pode pontuá-la, pegá-la na avaliação e corrigir por ela. Uma recusa é um buraco. Em escala de lote, uma taxa de recusa de 3% distribuída de forma não aleatória pelas suas entradas — concentrada, por construção, exatamente nos casos difíceis e incomuns — é um viés sistemático nos seus resultados que nenhuma limpeza posterior recupera. Remover a camada de recusa remove uma fonte de dados faltantes silenciosos e correlacionados.

A Shannon é operada pela Shannon Lab LLC, Novo México, EUA, sob a nossa Política de Uso Responsável. Sem censura significa que o modelo não editorializa sobre as suas entradas; não significa que a conta não tem termos.

06A especificação completa

Campo	MiniMax-M3 · 3BIT-REAP
Id do modelo	MiniMax-M3-3BIT-REAP
Fundação	MiniMax-M3 (MiniMax AI)
Janela de contexto	262,144 tokens
Saída máxima	16,384 tokens
Entrada de imagem	Sim
Entrada de vídeo	Não exposta
Streaming	Sim
Chamada de ferramentas	Sim
Raciocínio	Sim (reasoning_effort)
Saída estruturada	json_schema + response_format
Camada de recusa	Nenhuma
Endpoints	/v1/chat/completions · /v1/messages · /v1/responses
Servido em	O próprio cluster de GPUs da Shannon

Duas linhas dessa tabela merecem ênfase. A entrada de vídeo não é exposta. A fundação M3 original foi treinada com vídeo e a MiniMax documenta entrada de vídeo; o nosso endpoint aceita imagens. Construa contra imagens. Segundo, a janela de 262,144 tokens é a nossa, não o número original de um milhão — planeje cargas de documento longo e de muitas imagens contra 262,144 e você nunca será surpreendido.

07Chamando a API MiniMax sem censura

Três dialetos, o mesmo modelo atrás de todos eles, streaming nos três. Use aquele que o seu cliente atual já fala; não há diferença de capacidade entre eles. Aponte a sua URL base para a Shannon e mude o id do modelo.

Compreensão de imagem pelo dialeto 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
  }'

URLs remotas https:// e data URLs em base64 funcionam igualmente na parte image_url. Anexe várias partes de imagem numa mesma mensagem quando precisar de comparação entre páginas — você tem 262,144 tokens para gastar e, a $0.50 por milhão, gastá-los é barato.

Extração tipada com um JSON schema

Onde este modelo ganha o seu lugar num pipeline é na combinação de visão + schema estrito + preço de piso. Nem todo modelo do nosso catálogo tem os três: Laguna-S-2.1 e inkling não suportam json_schema. O MiniMax-M3 suporta, o que significa que você pode obter um objeto validado a partir de uma imagem sem uma camada de 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
      }
    }
  }
}

Esforço de raciocínio

O modelo expõe o reasoning_effort. Em classificação de imagens em massa, mantenha-o baixo — você está fazendo uma pergunta perceptual, e tokens de raciocínio são tokens de saída pelos quais você paga. Aumente-o nas chamadas em que a imagem é evidência dentro de um argumento mais longo: ler um diagrama contra uma especificação, conciliar um gráfico com uma tabela, decidir se duas capturas de tela mostram o mesmo defeito.

A referência completa de parâmetros, a semântica de erros e os formatos de streaming dos três dialetos estão na documentação da API da Shannon.

08Onde o MiniMax-M3 é a escolha certa — e onde não é

Recorra a ele quando

• Trabalho de imagem em volume. Rotulagem de conjuntos de dados, pesquisa sobre moderação, enriquecimento de catálogo, triagem de capturas de tela, OCR e estruturação em lote sobre documentos digitalizados. O preço de piso é o argumento inteiro.
• Imagens virando registros tipados. Visão mais json_schema estrito mais os tokens mais baratos do catálogo é uma combinação que só dois modelos daqui oferecem.
• Contexto multimodal longo. Muitas páginas, ou muitos quadros, numa única requisição — a arquitetura por baixo foi construída exatamente para esse formato de entrada.
• Pesquisa em que recusas corrompem a amostra. Qualquer estudo cuja validade dependa de o modelo responder a todos os itens, inclusive os desconfortáveis.
• Ciclos agênticos que leem uma tela. A linhagem da série M é explicitamente agêntica, e chamada de ferramentas está disponível.

Recorra a outra coisa quando

• Você precisa do teto de visão mais alto e o orçamento existe. O Kimi-K3 · 3BIT-REAP custa 7.7× o preço de entrada por um motivo; numa única leitura de alto risco, esse é o dinheiro certo a gastar.
• Você precisa de pesos de fidelidade máxima. 3 bits é o nosso nível mais agressivo. Os modelos W8A16 trocam preço por precisão, e o MiMo-V2.5 · W8A16 tem visão pelos mesmos $0.50 / $2.00 se fidelidade por peso é o que você está otimizando.
• Você precisa de vídeo. Não expomos entrada de vídeo neste endpoint.
• A tarefa é texto puro na fronteira. O DeepSeek-V4-Pro-0813 existe para isso; aqui você estaria pagando por uma torre de visão que nunca usa.

Os números de arquitetura, benchmark e aceleração da família MiniMax são relatados pelo laboratório MiniMax AI; os números do REAP são relatados pelos autores do REAP sobre os próprios modelos deles e não são uma medição desta build. Os preços, a janela de contexto e os indicadores de capacidade da Shannon são nossos e são lidos do nosso catálogo de modelos ao vivo.

09Perguntas frequentes

---

Fontes: Cartão de modelo do 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. Os números de benchmark e de aceleração da MiniMax são relatados pelo laboratório e são provisórios enquanto se aguarda verificação independente. Os preços e os indicadores de capacidade da Shannon são os vigentes em 5 de setembro de 2026.