MiniMax API без цензуры: зрение по нижней цене

Почти каждый размещённый мультимодальный API оценивает зрение как премиум. Вы платите ставку текстовой модели за текст, а затем платите больше — иногда в несколько раз больше — в тот момент, когда в запрос попадает изображение. Вдобавок именно на изображениях отказы ведут себя агрессивнее всего: модель, которая охотно обсудит тему текстом, откажется описать то же самое на фотографии. В итоге получается продукт, дорогой в расчёте на вызов и ненадёжный в расчёте на вызов, — худшее из двух миров, когда вы обрабатываете объём. MiniMax-M3 в Shannon — наш ответ на это: те же $0.50 / $2.00, что вы платите за нашу самую дешёвую текстовую модель, применённые к основе, которая обучалась мультимодально с первого шага, и без слоя отказов перед ней.

01Что здесь на самом деле значит «самая дешёвая модель со зрением без цензуры»

Каталог Shannon — это двенадцать моделей. Пять из них принимают изображения. Их цены за миллион токенов:

Модель со зрением	Вход	Выход	Структурированный вывод
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	только response_format
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 стоит на нижней планке — $0.50 / $2.00 — наравне с MiMo-V2.5, и ниже нет ничего, потому что $0.50 / $2.00 и есть нижняя граница нашего прайс-листа. По сравнению с верхом диапазона зрения она в 7.7 раза дешевле на входе и в 9.6 раза дешевле на выходе, чем Kimi-K3.

Переложим это на нагрузку. Допустим, вы разбираете 1 000 изображений — скриншоты, отсканированные страницы, фотографии товаров — в среднем примерно по 1 200 токенов изображения плюс запрос на входе и 300 токенов ответа на выходе:

Прайс-лист Shannon, сентябрь 2026 года. Количество токенов приведено для иллюстрации; ваша токенизация изображений зависит от разрешения и от того, сколько картинок вы прикрепляете к вызову.

Ещё две опорные точки, которые полезно держать в голове. Однократное заполнение всего контекста в 262 144 токена стоит около 13 центов. Ответ максимальной длины в 16 384 токена стоит около 3.3 цента. Это реальные границы одного худшего случая запроса, и они достаточно малы, чтобы интересным ограничением зрительного конвейера перестали быть деньги и стала пропускная способность.

02Родословная MiniMax: лаборатория, оптимизирующая токены, а не заголовки

MiniMax AI — шанхайская лаборатория, вся история открытых весов которой сводится к одному вопросу: как сделать внимание достаточно дешёвым, чтобы длинный контекст и мультимодальность перестали быть роскошью? Каждый релиз в этой линии — ответ на этот вопрос, и ответы наращиваются друг на друге.

MiniMax-01 — Lightning Attention и зрение с самого начала

Серия MiniMax-01 (опубликована как arXiv 2501.08313) представила Lightning Attention — учитывающую ввод-вывод реализацию варианта линейного внимания — внутри гибридной модели Mixture-of-Experts на 456 млрд суммарных параметров с 45.9 млрд активных на токен. Серия вышла парой: MiniMax-Text-01 и MiniMax-VL-01, зрительная модель. VL-01 использовала уже привычный стек ViT-MLP-LLM, но с Vision Transformer на 303 миллиона параметров, обученным с нуля на 694 миллионах пар «изображение — подпись», а не с заимствованным энкодером, после чего он выравнивался и совместно дообучался в многоэтапном конвейере, обработавшем 512 миллиардов токенов.

Эта деталь важна для статьи, которую вы читаете. Зрение в этой линии — не поздний адаптер, прикрученный к текстовой модели ради галочки. MiniMax обучает собственную зрительную башню с первого открытого релиза, и именно поэтому понимание документов, разбор интерфейсов и скриншотов и чтение графиков были устойчивыми сильными сторонами семейства, а не запоздалой мыслью.

MiniMax-M1 — гибридное внимание для долгого рассуждения

MiniMax-M1 (arXiv 2506.13585) описана авторами как первая крупномасштабная рассуждающая модель с открытыми весами и гибридным вниманием. Она сохранила тело MoE на 456 млрд / 45.9 млрд и чередовала два типа внимания: обычный трансформерный блок с softmax-вниманием после каждых семи блоков Lightning Attention. Выигрыш измерялся вычислениями, а не позицией в рейтинге — MiniMax сообщила, что при длине генерации в 100K токенов M1 расходовала примерно 25% FLOPs от DeepSeek R1, нативно поддерживая при этом контекст в один миллион токенов.

MiniMax-M2 — поворот к малой активации

MiniMax-M2 пошла в обратную сторону по размеру и привлекла этим внимание: 62-слойный декодер с 229.9 млрд суммарных параметров, но всего ~9.8 млрд активных на токен, с 256 мелкозернистыми экспертами на MoE-слой и сигмоидной маршрутизацией к восьми из них, позициями RoPE и QK-RMSNorm для устойчивости обучения. Она была явно моделью для агентного кодирования — правки по нескольким файлам, циклы «запусти и почини», исправления с проверкой тестами — и ввела формат чередующегося размышления, при котором рассуждение переносится между раундами вызова инструментов, а не отбрасывается после каждого хода. Именно M2 закрепила за MiniMax репутацию поставщика околофронтирного агентного поведения за долю стоимости токена — исключительно за счёт крошечных активаций.

MiniMax-M3 — основа под этим эндпоинтом

MiniMax-M3 вышла 1 июня 2026 года, веса появились на Hugging Face вскоре после, а технический отчёт — как arXiv 2606.13392. Это модель Mixture-of-Experts на 428 млрд параметров с примерно 23 млрд активных на токен, задокументированным контекстом в один миллион токенов и нативным вводом изображений и видео — MiniMax описывает её как обученную в смешанной модальности «с самого первого шага», а не предобученную на тексте и затем адаптированную мультимодально. По собственным опубликованным цифрам MiniMax она набирает 80.5% на SWE-bench Verified и 59.0% на SWE-bench Pro. Это заявленные вендором результаты на бенчмарке по кодированию, и взвешивать их следует именно так; мы приводим их потому, что это опубликованные утверждения лаборатории, а не потому, что мы независимо их воспроизвели.

03MiniMax Sparse Attention: почему модель со зрением может быть такой дешёвой

Самое интересное инженерное решение в M3 — MiniMax Sparse Attention (MSA), и оно прямая причина того, что мультимодальная модель такого размера может стоять на нашей нижней цене. Изображения дороги по токенам. Горстка страниц высокого разрешения способна вложить в запрос десятки тысяч токенов ещё до того, как вы написали хоть одну инструкцию. При стандартном внимании эта стоимость нарастает квадратично, и модель, читающая двадцать страниц, дороже читающей десять не вдвое — она дороже гораздо сильнее, чем вдвое.

MSA меняет форму этой кривой. Это блочно-разреженный механизм, построенный на базе Grouped Query Attention, разделённый на две ветви:

• Лёгкая индексная ветвь, которая оценивает блоки «ключ — значение», беря максимум по оценкам токенов внутри каждого блока, и выбирает top-k на позицию запроса и на группу GQA, всегда включая локальный блок с самим запросом ради устойчивости обучения.
• Основная ветвь, которая выполняет обычное softmax-внимание только по блокам, выбранным индексом.

Конфигурация в статье про MSA — k = 16 блоков по 128 токенов, что даёт каждому запросу фиксированный бюджет в 2 048 обрабатываемых вниманием токенов. Фиксированный — значит не растущий с длиной последовательности. В этом весь фокус: по мере роста контекста стоимость внимания у плотной базовой линии продолжает лезть вверх, а стоимость основной ветви MSA остаётся плоской, поэтому внимание масштабируется линейно, а не квадратично.

Цифры из отчёта MiniMax Sparse Attention (arXiv 2606.13392): сокращение FLOPs внимания на токен в 28.4 раза против эквивалентно настроенного GQA при контексте 1M и ускорения по стенным часам в 14.2 раза на префилле и в 7.6 раза на декоде, измеренные на оборудовании H800 в исследовании на 109 млрд параметров из статьи. Отдельно MiniMax сообщает об ускорении в 9 раз на префилле и в 15 раз на декоде у M3 против M2 при контексте 1M. Все цифры заявлены лабораторией.

В статье сделана и та проверка, которая важна для материала про зрение: на нативно мультимодальной MoE на 109 млрд параметров MSA удержала результаты, сопоставимые с базовой линией на полном внимании, по бенчмаркам изображений, включая AI2D, ChartQA и MMMU, и по видеобенчмаркам, включая EgoSchema, LongVideoBench и VideoMME, — причём разреженные варианты иногда улучшали результат на видеозадачах с более длинным контекстом. Разреженность здесь — не налог на качество, который вы платите за скорость; на длинных входах она выглядит практически бесплатной.

Почему это должно волновать вас как клиента: цену в прайсе задаёт стоимость обслуживания. Основа, у которой стоимость внимания перестаёт расти, — это основа, которую вы можете позволить себе навести на сотню тысяч изображений. Вот механизм за словами «самая дешёвая модель со зрением без цензуры» — это не промотариф, это архитектура.

04Что означает 3BIT-REAP и чем это оборачивается

Модель на 428 миллиардов параметров в полной точности никуда удобно не помещается. Наша сборка MiniMax-M3 несёт суффикс 3BIT-REAP, который описывает две отдельные операции, применённые в определённом порядке.

REAP: удалить экспертов до того, как их сжимать

REAP — Router-weighted Expert Activation Pruning — это одношаговый метод сжатия MoE от Cerebras и Университета Калгари, опубликованный как arXiv 2510.13999 и принятый на ICLR 2026. Его аргумент в том, что для генеративных задач отсечение экспертов лучше их слияния: слияние разрушает тонкое управление маршрутизатора и вносит ошибку, которую уже не восстановить. Поэтому REAP вместо этого оценивает каждого эксперта критерием значимости, объединяющим значения гейта маршрутизатора (как часто и насколько сильно маршрутизатор его выбирает) и нормы активаций эксперта (насколько его вывод реально вносит вклад), а затем прямо удаляет наименее значимых.

Авторы сообщают об удалении до 50% экспертов у моделей размером вплоть до одного триллиона параметров при в основном сохранённом базовом качестве — на Qwen3-480B-Coder-FP8 при отсечении 50% сохранились 97.6% базовой неагентной способности к кодированию и 96.7% на агентном SWE-Bench. Это цифры статьи на моделях статьи, а не наши на MiniMax-M3; мы приводим их, чтобы вы могли судить о методе, а не чтобы намекнуть на эквивалентное измерение здесь.

3-битные веса, вторым шагом

Уцелевшие веса затем хранятся в 3 битах. Порядок выбран намеренно, и в нём весь смысл сочетания: сначала отсечь, потом квантовать. Нет смысла тратить драгоценные три бита на вес, честно кодируя экспертов, которых вы собираетесь удалить. Отсеките разреженный хвост, а затем пусть оставшийся бюджет целиком достанется экспертам, которые действительно срабатывают.

Честная оговорка

3BIT-REAP — самый агрессивный уровень, который мы выпускаем. Мы применяем его к самым крупным основам — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — потому что это разница между «эти модели доступны по вменяемой цене» и «их нет вообще». Там, где основа достаточно мала и в этом не нуждается, мы его не применяем: модели W8A16 в каталоге работают с 8-битными весами и 16-битными активациями, а W4A16-AUTOROUND-REAP находится посередине, используя обучаемое округление AutoRound, чтобы вернуть точность, которую наивное округление к ближайшему отдаёт даром. Выбирайте уровень под свою терпимость. Если вы извлекаете поля из десяти тысяч счетов, 3 бита — правильный размен. Если вы делаете одно ответственное судебное прочтение одного изображения, потратьте деньги на Kimi-K3.

05Что означает «нет слоя отказов», когда на входе изображение

«Без цензуры» — слово, которым пользуются вольно, поэтому вот точное утверждение: на этом эндпоинте нет слоя отказов и нет фильтрации вывода. Никакой классификатор не осматривает ваше изображение до того, как его увидит модель. Никакая политическая модель не осматривает токены на выходе. Что модель произвела, то вы и получаете.

В тексте эффект от этого понятен. В зрении он отличается качественно, потому что именно на изображениях коммерческие мультимодальные API ведут себя наиболее консервативно и наиболее произвольно. Характерные сбои выглядят так:

• Сплошные отказы по идентичности — отказ описывать людей на фотографии вообще, включая явно видимые и совершенно безобидные признаки, потому что политика не умеет отличить описание от идентификации.
• Побеги по предметной области — отказ расшифровать или изложить документ из-за того, о чём этот документ, хотя расшифровка является механической задачей.
• Медицинская и судебная брезгливость — отказ описывать клинические снимки, документацию травм или фотографии с места происшествия, которые специалисту нужно получить описанными.
• Ложные срабатывания на инструментах безопасности — отказ прочитать скриншот, потому что на нём терминал, дамп трафика или отладчик.
• Тихая деградация — худшее из всего: не отказ, а уклончивый неответ, который проходит вашу валидацию схемы и отравляет ваш датасет, ни разу не вызвав ошибку.

Операционная проблема всех пяти не в том, что они несправедливы. Она в том, что они неизмеримы. Неверный ответ — это точка данных; его можно оценить, поймать при валидации и скорректировать. Отказ — это дыра. На пакетном масштабе 3% отказов, распределённых неслучайно по вашим входам и сконцентрированных по построению ровно на трудных и необычных случаях, — это систематическое смещение в результатах, которое никакая последующая чистка не восстановит. Снятие слоя отказов убирает источник тихих коррелированных пропусков в данных.

Shannon управляется компанией Shannon Lab LLC, Нью-Мексико, США, в рамках нашей Политики ответственного использования. «Без цензуры» означает, что модель не рассуждает о морали ваших входов; это не означает, что у аккаунта нет условий.

06Полная спецификация

Поле	MiniMax-M3 · 3BIT-REAP
Идентификатор модели	MiniMax-M3-3BIT-REAP
Основа	MiniMax-M3 (MiniMax AI)
Контекстное окно	262 144 токена
Максимум вывода	16 384 токена
Ввод изображений	Да
Ввод видео	Не открыт
Стриминг	Да
Вызов инструментов	Да
Рассуждение	Да (reasoning_effort)
Структурированный вывод	json_schema + response_format
Слой отказов	Отсутствует
Эндпоинты	/v1/chat/completions · /v1/messages · /v1/responses
Обслуживается на	собственном GPU-кластере Shannon

Две строки в этой таблице заслуживают акцента. Ввод видео не открыт. Исходная основа M3 обучалась на видео, и MiniMax документирует ввод видео; наш эндпоинт принимает изображения. Стройте под изображения. Второе: окно в 262 144 токена — наше, а не исходная цифра в один миллион; планируйте нагрузки с длинными документами и множеством изображений исходя из 262 144, и вас никогда не удивят.

07Как вызывать MiniMax API без цензуры

Три диалекта, одна и та же модель за всеми ними, стриминг во всех трёх. Используйте тот, на котором уже говорит ваш клиент; разницы в возможностях между ними нет. Направьте базовый URL на Shannon и поменяйте идентификатор модели.

Понимание изображений через диалект 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
  }'

Удалённые ссылки https:// и data-URL в base64 одинаково работают в части image_url. Прикрепляйте несколько частей с изображениями в одно сообщение, когда нужно сравнение между страницами: у вас 262 144 токена, и при $0.50 за миллион тратить их дёшево.

Типизированное извлечение по JSON-схеме

Место этой модели в конвейере обеспечивает сочетание зрение + строгая схема + нижняя цена. Не у каждой модели нашего каталога есть все три: Laguna-S-2.1 и inkling не поддерживают json_schema. MiniMax-M3 поддерживает, а значит, вы можете получить из изображения проверенный объект без слоя разбора:

{
  "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
      }
    }
  }
}

Усилие рассуждения

Модель открывает reasoning_effort. На массовой классификации изображений держите его низким — вы задаёте перцептивный вопрос, а токены рассуждения это выходные токены, за которые вы платите. Поднимайте его для вызовов, где изображение служит доказательством в более длинном рассуждении: чтение схемы против спецификации, сверка графика с таблицей, решение о том, показывают ли два скриншота один и тот же дефект.

Полный справочник по параметрам, семантика ошибок и форматы стриминга для всех трёх диалектов находятся в документации API Shannon.

08Где MiniMax-M3 верный выбор, а где нет

Берите её, когда

• Объёмная работа с изображениями. Разметка датасетов, исследование модерации, обогащение каталогов, разбор скриншотов, пакетное распознавание и структурирование сканов документов. Нижняя цена — весь аргумент целиком.
• Изображения в типизированные записи. Зрение плюс строгая json_schema плюс самые дешёвые токены каталога — сочетание, которое здесь предлагают только две модели.
• Длинный мультимодальный контекст. Много страниц или много кадров в одном запросе — архитектура под этим построена ровно для такой формы ввода.
• Исследование, где отказы портят выборку. Любое исследование, чья достоверность зависит от того, что модель ответила по каждому пункту, включая неудобные.
• Агентные циклы, читающие экран. Линия M-серии явно агентная, а вызов инструментов доступен.

Берите что-то другое, когда

• Вам нужен наивысший потолок зрения и бюджет есть. Kimi-K3 · 3BIT-REAP стоит в 7.7 раза дороже на входе не просто так; на одном ответственном прочтении это правильные деньги.
• Вам нужны веса максимальной точности. 3 бита — наш самый агрессивный уровень. Модели W8A16 меняют цену на точность, и MiMo-V2.5 · W8A16 умеет зрение по тем же $0.50 / $2.00, если вы оптимизируете точность на вес.
• Вам нужно видео. Мы не открываем ввод видео на этом эндпоинте.
• Задача — чистый текст на фронтире. Для этого есть DeepSeek-V4-Pro-0813; иначе вы платите за зрительную башню, которой не пользуетесь.

Цифры по архитектуре, бенчмаркам и ускорениям для семейства MiniMax заявлены лабораторией MiniMax AI; цифры REAP заявлены авторами REAP на их собственных моделях и не являются измерением этой сборки. Цены Shannon, контекстное окно и флаги возможностей — наши и считаны из нашего живого каталога моделей.

09Часто задаваемые вопросы

---

Источники: карточка модели 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. Цифры бенчмарков и ускорений MiniMax заявлены лабораторией и предварительны до независимой проверки. Цены Shannon и флаги возможностей актуальны на 5 сентября 2026 года.