API MiniMax fără cenzură: viziune la prețul minim

Aproape orice API multimodal găzduit taxează viziunea ca pe un supliment de lux. Plătești tariful unui model de text pentru text și apoi plătești mai mult — uneori de câteva ori mai mult — în clipa în care o imagine intră în prompt. Pe deasupra, intrările de tip imagine sunt exact locul unde comportamentul de refuz este cel mai agresiv: modelul care discută bucuros un subiect în text refuză să descrie același lucru într-o fotografie. Rezultatul este un produs scump per apel și nesigur per apel, adică ce e mai rău din ambele lumi atunci când procesezi volum. MiniMax-M3 pe Shannon este răspunsul nostru la asta: aceiași 0,50 $ / 2,00 $ pe care îi plătești pentru cel mai ieftin model de text al nostru, aplicați unei fundații antrenate multimodal din primul pas, fără niciun strat de refuz în fața ei.

01Ce înseamnă de fapt „cel mai ieftin model cu viziune fără cenzură” aici

Catalogul Shannon are douăsprezece modele. Cinci dintre ele acceptă imagini. Prețurile lor, per milion de tokenuri:

Model cu viziune	Intrare	Ieșire	Ieșire structurată
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	doar response_format
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 stă la prag — 0,50 $ / 2,00 $ — la egalitate cu MiMo-V2.5 și fără nimic sub el, pentru că 0,50 $ / 2,00 $ este pragul listei noastre de prețuri. Față de vârful gamei cu viziune, este de 7,7 ori mai ieftin la intrare și de 9,6 ori mai ieftin la ieșire decât Kimi-K3.

Pune asta într-o sarcină reală. Să zicem că trebuie să triezi 1.000 de imagini — capturi de ecran, pagini scanate, poze de produs — cu o medie de circa 1.200 de tokenuri de imagine plus prompt la intrare și 300 de tokenuri de răspuns la ieșire:

Prețuri de listă Shannon, septembrie 2026. Numărul de tokenuri este ilustrativ; tokenizarea imaginilor tale depinde de rezoluție și de câte imagini atașezi per apel.

Încă două repere utile de ținut minte. Umplerea o singură dată a întregului context de 262.144 de tokenuri costă cam 13 cenți. Un răspuns de lungime maximă, de 16.384 de tokenuri, costă cam 3,3 cenți. Acestea sunt limitele reale ale unei singure cereri în cel mai rău caz și sunt destul de mici cât constrângerea interesantă pentru un flux de viziune să nu mai fie banii, ci debitul.

02Descendența MiniMax: un laborator care optimizează tokenuri, nu titluri de presă

MiniMax AI este un laborator din Shanghai al cărui întreg istoric de modele cu greutăți deschise se învârte în jurul unei singure întrebări: cum faci atenția destul de ieftină cât contextul lung și multimodalitatea să nu mai fie lux? Fiecare lansare din serie este un răspuns la această întrebare, iar răspunsurile se clădesc unul peste altul.

MiniMax-01 — Lightning Attention și viziune încă de la început

Seria MiniMax-01 (publicată ca arXiv 2501.08313) a introdus Lightning Attention, o implementare conștientă de I/O a unei variante de atenție liniară, într-un model Mixture-of-Experts hibrid, de 456 B de parametri totali, cu 45,9 B activi per token. Seria a fost livrată în pereche: MiniMax-Text-01 și MiniMax-VL-01, modelul de viziune. VL-01 a folosit stiva ViT-MLP-LLM, azi familiară, dar cu un Vision Transformer de 303 milioane de parametri antrenat de la zero pe 694 de milioane de perechi imagine-descriere, nu cu un encoder împrumutat, aliniat apoi și reglat fin în comun, printr-o conductă cu mai multe etape care a procesat 512 miliarde de tokenuri.

Detaliul acesta contează pentru articolul pe care îl citești. Viziunea, în această descendență, nu este un adaptor lipit târziu pe un model de text ca să bifeze o căsuță. MiniMax își antrenează propriul turn vizual încă de la prima lansare deschisă, iar de aceea înțelegerea documentelor, citirea interfețelor și a capturilor de ecran și lectura graficelor sunt puncte forte constante ale familiei, nu adaosuri de ultim moment.

MiniMax-M1 — atenție hibridă pentru raționament de lungă durată

MiniMax-M1 (arXiv 2506.13585) a fost descris de autorii lui ca primul model de raționament cu atenție hibridă, la scară mare și cu greutăți deschise. A păstrat corpul MoE de 456 B / 45,9 B și a intercalat cele două tipuri de atenție: un bloc de transformator cu atenție softmax convențională după fiecare șapte blocuri Lightning Attention. Câștigul s-a măsurat în calcul, nu în poziția în clasament — MiniMax a raportat că, la o lungime de generare de 100K de tokenuri, M1 a consumat aproximativ 25% din FLOP-urile lui DeepSeek R1, suportând totodată nativ un context de un milion de tokenuri.

MiniMax-M2 — pivotul spre activări mici

MiniMax-M2 a mers în direcția opusă la dimensiune și a câștigat atenție tocmai pentru asta: un decodor cu 62 de straturi, cu 229,9 B de parametri totali, dar doar ~9,8 B activi per token, folosind 256 de experți cu granularitate fină per strat MoE, cu rutare sigmoidă către opt dintre ei, poziții RoPE și QK-RMSNorm pentru stabilitatea antrenării. A fost explicit un model de programare agentică — editări pe mai multe fișiere, bucle rulează-repară, reparații validate prin teste — și a introdus formatul de gândire intercalată, în care raționamentul este dus mai departe între rundele de apeluri de unelte, în loc să fie aruncat după fiecare tură. M2 este modelul care a consacrat reputația MiniMax de a livra comportament agentic apropiat de frontieră la o fracțiune din costul per token, pur și simplu ținând activările mici.

MiniMax-M3 — fundația de sub acest endpoint

MiniMax-M3 a fost lansat pe 1 iunie 2026, cu greutăți pe Hugging Face la scurt timp după și un raport tehnic la arXiv 2606.13392. Este un model Mixture-of-Experts de 428 B de parametri, cu circa 23 B activi per token, un context documentat de un milion de tokenuri și intrare nativă de imagine și video — MiniMax îl descrie ca antrenat pe modalități mixte „chiar din primul pas”, nu preantrenat pe text și adaptat multimodal ulterior. Pe cifrele publicate chiar de MiniMax, obține 80,5% la SWE-bench Verified și 59,0% la SWE-bench Pro. Sunt cifre raportate de producător pe un benchmark de programare, exact așa cum ar trebui să le cântărești; le cităm pentru că sunt afirmațiile publicate ale laboratorului, nu pentru că le-am reprodus noi independent.

03MiniMax Sparse Attention: de ce un model cu viziune poate fi atât de ieftin

Ingineria interesantă din M3 este MiniMax Sparse Attention (MSA), iar ea este motivul direct pentru care un model multimodal de talia asta poate sta la prețul nostru minim. Imaginile sunt scumpe în tokenuri. O mână de pagini la rezoluție mare pot pune zeci de mii de tokenuri într-un prompt înainte să fi scris tu vreo instrucțiune. Sub atenție standard, costul acesta crește pătratic, iar modelul care citește douăzeci de pagini nu este de două ori mai scump decât cel care citește zece — este mult mai rău de atât.

MSA schimbă forma curbei. Este un mecanism rar pe blocuri, construit peste o coloană Grouped Query Attention, împărțit în două ramuri:

• O ramură de index ușoară, care punctează blocurile cheie-valoare — cu scoruri obținute prin max-pooling peste tokenurile din fiecare bloc — și selectează primele k per poziție de interogare și per grup GQA, incluzând mereu blocul local care conține interogarea însăși, pentru stabilitatea antrenării.
• O ramură principală care rulează atenție softmax obișnuită doar peste blocurile selectate de index.

Configurația din lucrarea MSA este k = 16 blocuri a câte 128 de tokenuri, ceea ce dă fiecărei interogări un buget fix de 2.048 de tokenuri atinse. Fix, adică nu crește odată cu lungimea secvenței. Ăsta e tot trucul: pe măsură ce contextul crește, costul de atenție al unei linii de bază dense continuă să urce, în timp ce costul ramurii principale a MSA rămâne plat, așa că atenția scalează liniar, nu pătratic.

Cifre din raportul MiniMax Sparse Attention (arXiv 2606.13392): o reducere de 28,4× a FLOP-urilor de atenție per token față de un GQA configurat echivalent, la context de 1M, și accelerări de 14,2× la prefill / 7,6× la decodare, măsurate pe hardware H800 în studiul lucrării pe un model de 109 B de parametri. Separat, MiniMax raportează accelerări de 9× la prefill și 15× la decodare pentru M3 față de M2, la context de 1M. Toate sunt raportate de laborator.

Lucrarea face și verificarea care contează pentru un articol despre viziune: pe un MoE de 109 B nativ multimodal, MSA a păstrat performanțe comparabile cu o linie de bază cu atenție completă pe benchmarkuri de imagine precum AI2D, ChartQA și MMMU și pe benchmarkuri video precum EgoSchema, LongVideoBench și VideoMME — variantele rare uneori chiar îmbunătățind rezultatele la sarcinile video cu context mai lung. Sparsitatea nu este aici o taxă pe calitate plătită pentru viteză; pe intrări lungi, pare să fie practic gratuită.

De ce ar trebui să te intereseze ca și client: costul de servire este cel care fixează prețul de listă. O fundație al cărei cost de atenție încetează să crească este o fundație pe care ți-o permiți s-o îndrepți spre o sută de mii de imagini. Ăsta e mecanismul din spatele sintagmei „cel mai ieftin model cu viziune fără cenzură” — nu este un tarif promoțional, este o arhitectură.

04Ce înseamnă 3BIT-REAP și unde te costă

Un model de 428 de miliarde de parametri nu încape nicăieri comod la precizie completă. Build-ul nostru de MiniMax-M3 poartă sufixul 3BIT-REAP, care descrie două operații separate, aplicate într-o ordine anume.

REAP: șterge experții înainte să îi comprimi

REAP — Router-weighted Expert Activation Pruning — este o metodă de compresie MoE într-un singur pas, venită de la Cerebras și de la University of Calgary, publicată ca arXiv 2510.13999 și acceptată la ICLR 2026. Argumentul ei este că, pentru sarcini generative, tăierea experților bate contopirea lor: contopirea distruge controlul fin al routerului și introduce o eroare pe care nu o mai poți recupera niciodată. Așa că REAP punctează în schimb fiecare expert cu un criteriu de relevanță care combină valorile porții routerului (cât de des și cât de puternic îl alege routerul) cu normele de activare ale expertului (cât contribuie efectiv ieșirea lui), apoi îi șterge direct pe cei mai puțin relevanți.

Autorii raportează eliminarea a până la 50% dintre experți din modele de până la un trilion de parametri, păstrând în mare parte calitatea de referință — pe Qwen3-480B-Coder-FP8, la 50% tăiere, s-au păstrat 97,6% din capacitatea de programare non-agentică de referință și 96,7% la SWE-Bench agentic. Acelea sunt cifrele lucrării pe modelele lucrării, nu ale noastre pe MiniMax-M3; le cităm ca să poți judeca metoda, nu ca să sugerăm o măsurătoare echivalentă aici.

Greutăți pe 3 biți, în al doilea rând

Greutățile care supraviețuiesc sunt apoi stocate pe 3 biți. Ordinea este deliberată și în ea stă rostul combinației: întâi tai, apoi cuantizezi. Nu are niciun sens să îți cheltui prețioșii trei biți per greutate codificând fidel experți pe care urmează să îi ștergi. Taie coada rară, apoi lasă tot bugetul rămas să meargă la experții care chiar se activează.

Avertismentul onest

3BIT-REAP este cea mai agresivă treaptă pe care o livrăm. O folosim pe cele mai mari fundații — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — pentru că este diferența dintre a avea aceste modele la un preț sănătos și a nu le avea deloc. Acolo unde o fundație este destul de mică încât să nu aibă nevoie, nu o folosim: modelele W8A16 din catalog rulează greutăți pe 8 biți cu activări pe 16 biți, iar W4A16-AUTOROUND-REAP stă la mijloc, folosind rotunjirea învățată AutoRound ca să recupereze acuratețea pe care cuantizarea naivă, prin rotunjire la cel mai apropiat, o cedează. Alege treapta potrivită toleranței tale. Dacă extragi câmpuri din zece mii de facturi, 3 biți este schimbul corect. Dacă faci o singură citire criminalistică, cu miză mare, a unei singure imagini, dă banii pe Kimi-K3.

05Ce înseamnă „fără strat de refuz” când intrarea este o imagine

„Fără cenzură” este un cuvânt folosit lejer, așa că iată afirmația precisă: nu există strat de refuz și nicio filtrare a ieșirii pe acest endpoint. Niciun clasificator nu îți inspectează imaginea înainte ca modelul să o vadă. Niciun model de politică nu inspectează tokenurile la ieșire. Ce produce modelul este ce primești.

În text, efectul este familiar. În viziune, este diferit ca natură, pentru că refuzul pe intrări de tip imagine este exact locul unde API-urile multimodale comerciale sunt cele mai conservatoare și cele mai arbitrare. Eșecurile caracteristice arată așa:

• Refuzuri generale legate de identitate — refuzul de a descrie oameni dintr-o fotografie, inclusiv atribute vizibile cu ochiul liber și complet benigne, pentru că o politică nu poate distinge descrierea de identificare.
• Abandonuri pe subiect — refuzul de a transcrie sau de a rezuma un document din cauza a ceea ce conține documentul, deși transcrierea este o sarcină mecanică.
• Pudoare medicală și criminalistică — refuzul de a descrie imagistică clinică, documentare de leziuni sau fotografii de la accidente, pe care un profesionist are nevoie să i le descrii.
• Fals pozitive pe uneltele de securitate — refuzul de a citi o captură de ecran pentru că apar în ea un terminal, o captură de pachete sau un depanator.
• Degradare tăcută — cea mai rea: nu un refuz, ci un non-răspuns cu jumătate de gură, care trece de validarea schemei tale și îți otrăvește setul de date fără să ridice vreodată o eroare.

Problema operațională cu toate cinci nu este că ar fi nedrepte. Este că sunt nemăsurabile. Un răspuns greșit este un punct de date; îl poți puncta, îl poți prinde la evaluare și poți corecta pentru el. Un refuz este o gaură. La scară de lot, o rată de refuz de 3%, distribuită nealeatoriu pe intrările tale — concentrată, prin construcție, exact pe cazurile grele și neobișnuite — este o distorsiune sistematică în rezultatele tale, pe care nicio curățare ulterioară nu o mai recuperează. Eliminarea stratului de refuz elimină o sursă de date lipsă, tăcute și corelate.

Shannon este operat de Shannon Lab LLC, New Mexico, SUA, sub Politica noastră de utilizare responsabilă. Fără cenzură înseamnă că modelul nu comentează moralizator intrările tale; nu înseamnă că respectivul cont nu are termeni.

06Specificația completă

Câmp	MiniMax-M3 · 3BIT-REAP
Identificator de model	MiniMax-M3-3BIT-REAP
Fundație	MiniMax-M3 (MiniMax AI)
Fereastră de context	262.144 de tokenuri
Ieșire maximă	16.384 de tokenuri
Intrare de tip imagine	Da
Intrare video	Neexpusă
Streaming	Da
Apeluri de unelte	Da
Raționament	Da (reasoning_effort)
Ieșire structurată	json_schema + response_format
Strat de refuz	Niciunul
Endpointuri	/v1/chat/completions · /v1/messages · /v1/responses
Servit pe	propriul cluster GPU al Shannon

Două rânduri din tabelul acela merită subliniate. Intrarea video nu este expusă. Fundația M3 din amonte a fost antrenată pe video, iar MiniMax documentează intrarea video; endpointul nostru acceptă imagini. Construiește pe imagini. Al doilea, fereastra de 262.144 de tokenuri este a noastră, nu cifra de un milion din amonte — planifică sarcinile cu documente lungi și cu multe imagini raportându-te la 262.144 și nu vei avea niciodată surprize.

07Cum apelezi API-ul MiniMax fără cenzură

Trei dialecte, același model în spatele tuturor, streaming pe toate trei. Folosește-l pe cel pe care clientul tău îl vorbește deja; nu există diferență de capabilitate între ele. Îndreaptă adresa de bază spre Shannon și schimbă identificatorul de model.

Înțelegerea imaginilor prin dialectul 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
  }'

Atât URL-urile la distanță https://, cât și URL-urile de date base64 funcționează în partea image_url. Atașează mai multe părți de tip imagine într-un singur mesaj când ai nevoie de comparație între pagini — ai 262.144 de tokenuri de cheltuit și, la 0,50 $ per milion, cheltuirea lor este ieftină.

Extragere tipizată cu o schemă JSON

Locul unde acest model își câștigă locul într-un flux este combinația de viziune + schemă strictă + preț minim. Nu toate modelele din catalogul nostru le au pe toate trei: Laguna-S-2.1 și inkling nu suportă json_schema. MiniMax-M3 îl suportă, ceea ce înseamnă că poți scoate un obiect validat dintr-o imagine fără un strat de parsare:

{
  "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
      }
    }
  }
}

Efortul de raționament

Modelul expune reasoning_effort. La clasificarea de imagini în masă, ține-l jos — pui o întrebare perceptuală, iar tokenurile de raționament sunt tokenuri de ieșire pe care le plătești. Ridică-l pentru apelurile în care imaginea este o probă într-o argumentație mai lungă: citirea unei diagrame în raport cu o specificație, potrivirea unui grafic cu un tabel, decizia dacă două capturi de ecran arată același defect.

Referința completă de parametri, semantica erorilor și formatele de streaming pentru toate cele trei dialecte se află în documentația API Shannon.

08Unde este MiniMax-M3 alegerea potrivită — și unde nu este

Alege-l când

• Ai muncă de volum cu imagini. Etichetare de seturi de date, cercetare de moderare, îmbogățire de catalog, trierea capturilor de ecran, OCR și structurare în lot peste documente scanate. Prețul minim este tot argumentul.
• Transformi imagini în înregistrări tipizate. Viziune plus json_schema strict plus cele mai ieftine tokenuri din catalog este o combinație pe care aici o oferă doar două modele.
• Ai context multimodal lung. Multe pagini sau multe cadre într-o singură cerere — arhitectura de dedesubt este construită exact pentru această formă de intrare.
• Faci cercetare în care refuzurile corup eșantionul. Orice studiu a cărui validitate depinde de faptul că modelul răspunde la fiecare element, inclusiv la cele incomode.
• Ai bucle agentice care citesc un ecran. Descendența seriei M este explicit agentică, iar apelurile de unelte sunt disponibile.

Alege altceva când

• Ai nevoie de cel mai înalt plafon la viziune și bugetul există. Kimi-K3 · 3BIT-REAP costă de 7,7 ori mai mult la intrare dintr-un motiv; la o singură citire cu miză mare, aceia sunt banii corect cheltuiți.
• Ai nevoie de greutăți cu fidelitate maximă. 3 biți este treapta noastră cea mai agresivă. Modelele W8A16 schimbă preț pe precizie, iar MiMo-V2.5 · W8A16 are viziune la aceiași 0,50 $ / 2,00 $, dacă fidelitatea per greutate este ce optimizezi.
• Ai nevoie de video. Nu expunem intrare video pe acest endpoint.
• Sarcina este text pur, la nivel de frontieră. DeepSeek-V4-Pro-0813 există exact pentru asta; altfel ai plăti pentru un turn de viziune pe care nu îl folosești niciodată.

Cifrele de arhitectură, de benchmark și de accelerare pentru familia MiniMax sunt raportate de laboratorul MiniMax AI; cifrele REAP sunt raportate de autorii REAP pe propriile lor modele și nu reprezintă o măsurătoare a acestui build. Prețurile Shannon, fereastra de context și indicatorii de capabilitate ne aparțin și sunt citite din catalogul nostru de modele activ.

09Întrebări frecvente

---

Surse: Fișa de model 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. Cifrele MiniMax de benchmark și de accelerare sunt raportate de laborator și sunt provizorii, până la o verificare independentă. Prețurile Shannon și indicatorii de capabilitate sunt valabili la 5 septembrie 2026.