API e pacensuruar MiniMax: pamje me çmimin dysheme

Thuajse çdo API e strehuar multimodale e çmon pamjen si veçori premium. Paguani tarifën e një modeli teksti për tekstin, dhe pastaj paguani më shumë — ndonjëherë disa herë më shumë — në çastin që një imazh hyn në prompt. Përveç kësaj, hyrjet me imazh janë vendi ku sjellja refuzuese është më agresive: modeli që e diskuton pa problem një temë në tekst, refuzon ta përshkruajë të njëjtën gjë në një fotografi. Rezultati është një produkt i shtrenjtë për thirrje dhe i pabesueshëm për thirrje, që është më e keqja e të dyja botëve kur po përpunoni volum. MiniMax-M3 në Shannon është përgjigjja jonë ndaj kësaj: po ato 0.50 $ / 2.00 $ që paguani për modelin tonë më të lirë me tekst, të zbatuara mbi një themel që u stërvit multimodal që nga hapi i parë, pa asnjë shtresë refuzimi para tij.

01Çfarë do të thotë vërtet "modeli më i lirë i pacensuruar me pamje" këtu

Katalogu i Shannon-it ka dymbëdhjetë modele. Pesë prej tyre pranojnë imazhe. Çmimet e tyre, për milion tokena:

Modeli me pamje	Hyrje	Dalje	Dalje e strukturuar
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	vetëm response_format
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 qëndron te dyshemeja — 0.50 $ / 2.00 $ — baraz me MiMo-V2.5 dhe pa asgjë nën të, sepse 0.50 $ / 2.00 $ është dyshemeja e listës sonë të çmimeve. Kundrejt majës së rangut me pamje, është 7.7× më i lirë në hyrje dhe 9.6× më i lirë në dalje se Kimi-K3.

Vendoseni këtë në një ngarkesë pune. Supozoni se po triazhoni 1.000 imazhe — pamje ekrani, faqe të skanuara, foto produktesh — me mesatarisht rreth 1.200 tokena imazhi plus prompt në hyrje dhe 300 tokena përgjigjeje në dalje:

Çmimet e listës së Shannon-it, shtator 2026. Numrat e tokenave janë ilustrues; tokenizimi i imazheve tuaja varet nga rezolucioni dhe nga sa imazhe bashkëngjitni për thirrje.

Edhe dy pika reference që ia vlen t'i mbani në kokë. Mbushja e krejt kontekstit prej 262.144 tokenash një herë kushton rreth 13 cent. Një përgjigje me gjatësi maksimale prej 16.384 tokenash kushton rreth 3.3 cent. Këto janë kufijtë e vërtetë të një kërkese të vetme në rastin më të keq, dhe janë aq të vegjël sa kufizimi interesant mbi një tubacion me pamje pushon së qeni paraja dhe bëhet kapaciteti.

02Linja MiniMax: një laborator që optimizon tokenat, jo titujt

MiniMax AI është një laborator në Shanghai, i cili në gjithë historikun e vet me pesha të hapura ka ndjekur një pyetje: si e bën vëmendjen mjaftueshëm të lirë sa konteksti i gjatë dhe multimodaliteti të pushojnë së qeni luks? Çdo publikim në këtë linjë është një përgjigje ndaj asaj pyetjeje, dhe përgjigjet ndërtohen mbi njëra-tjetrën.

MiniMax-01 — Lightning Attention dhe pamja që në fillim

Seria MiniMax-01 (botuar si arXiv 2501.08313) prezantoi Lightning Attention, një zbatim i vetëdijshëm për I/O të një varianti vëmendjeje lineare, brenda një modeli hibrid Mixture-of-Experts me 456B parametra në total dhe 45.9B aktivë për token. Seria doli si çift: MiniMax-Text-01 dhe MiniMax-VL-01, modeli me pamje. VL-01 përdori stivën tashmë të njohur ViT-MLP-LLM, por me një Vision Transformer me 303 milionë parametra të stërvitur nga e para mbi 694 milionë çifte imazh-përshkrim e jo me një kodues të huazuar, pastaj të përafruar dhe të rregulluar bashkërisht përgjatë një tubacioni shumëfazësh që përpunoi 512 miliardë tokena.

Ai hollësi ka rëndësi për artikullin që po lexoni. Pamja në këtë linjë nuk është një përshtatës i vonuar i mbërthyer mbi një model teksti sa për të plotësuar një kuti. MiniMax e ka stërvitur kullën e vet pamore që nga publikimi i parë i hapur, prandaj kuptimi i dokumenteve, kuptimi i ndërfaqeve dhe i pamjeve të ekranit, si dhe leximi i grafikëve kanë qenë vazhdimisht pikat e forta të familjes e jo mendime të mëvonshme.

MiniMax-M1 — vëmendje hibride për arsyetim të gjatë

MiniMax-M1 (arXiv 2506.13585) u përshkrua nga autorët e vet si modeli i parë arsyetues me pesha të hapura, në shkallë të gjerë, me vëmendje hibride. Ai mbajti trupin MoE 456B / 45.9B dhe i ndërthuri dy llojet e vëmendjes: një bllok transformeri me vëmendje konvencionale softmax pas çdo shtatë blloqesh Lightning Attention. Përfitimi u mat në llogaritje e jo në pozicion në renditje — MiniMax raportoi se me një gjatësi gjenerimi prej 100K tokenash, M1 konsumoi rreth 25% të FLOP-eve të DeepSeek R1, ndërsa mbështeste vendas një kontekst prej një milion tokenash.

MiniMax-M2 — kthesa drejt aktivizimeve të vogla

MiniMax-M2 shkoi në drejtimin e kundërt për nga përmasa dhe fitoi vëmendje për këtë: një dekoder me 62 shtresa me 229.9B parametra në total por vetëm ~9.8B aktivë për token, duke përdorur 256 ekspertë të imët për shtresë MoE me drejtim sigmoid drejt tetë prej tyre, pozicione RoPE dhe QK-RMSNorm për qëndrueshmëri stërvitjeje. Ishte shprehimisht një model programimi agjentik — redaktime shumë-skedarëshe, laqe ekzekuto-riparo, riparime të validuara me teste — dhe prezantoi formatin e arsyetimit të ndërthurur, ku arsyetimi mbartet mes raundeve të thirrjeve të mjeteve në vend që të hidhet tutje pas çdo raundi. M2 është modeli që i krijoi MiniMax-it emrin për sjellje agjentike afër vijës së parë me një pjesëz të kostos për token, thjesht duke i mbajtur aktivizimet të vogla.

MiniMax-M3 — themeli nën këtë endpoint

MiniMax-M3 u publikua më 1 qershor 2026, me peshat në Hugging Face pak më vonë dhe një raport teknik në arXiv 2606.13392. Është një model Mixture-of-Experts me 428B parametra me rreth 23B aktivë për token, me kontekst të dokumentuar prej një milion tokenash dhe hyrje vendase me imazh dhe video — MiniMax e përshkruan si të stërvitur me modalitete të përziera "që nga hapi i parë fare", e jo si të para-stërvitur me tekst e pastaj të përshtatur multimodalisht. Sipas shifrave të publikuara nga vetë MiniMax, ai shënon 80.5% në SWE-bench Verified dhe 59.0% në SWE-bench Pro. Këto janë shifra të raportuara nga prodhuesi mbi një benchmark programimi, dhe pikërisht kështu duhen peshuar; i citojmë sepse janë pohimet e publikuara të laboratorit, jo sepse i kemi riprodhuar në mënyrë të pavarur.

03MiniMax Sparse Attention: pse një model me pamje mund të jetë kaq i lirë

Inxhinieria interesante te M3 është MiniMax Sparse Attention (MSA), dhe është arsyeja e drejtpërdrejtë pse një model multimodal i kësaj përmase mund të qëndrojë te çmimi ynë dysheme. Imazhet janë të shtrenjta në tokena. Një grusht faqesh me rezolucion të lartë mund të fusin dhjetëra mijëra tokena në një prompt përpara se të keni shkruar një udhëzim të vetëm. Nën vëmendjen standarde, ajo kosto përbëhet në mënyrë kuadratike, dhe modeli që lexon njëzet faqe nuk është dyfish më i shtrenjtë se ai që lexon dhjetë — është shumë më keq se dyfish.

MSA e ndryshon formën e asaj kurbe. Është një mekanizëm bllok-i-rrallë i ndërtuar mbi një shtyllë Grouped Query Attention, i ndarë në dy degë:

• Një Degë Indeksi e lehtë që vlerëson blloqet çelës-vlerë — duke marrë vlerën maksimale të pikëve përgjatë tokenave brenda çdo blloku — dhe përzgjedh top-k për çdo pozicion pyetjeje dhe për çdo grup GQA, duke përfshirë gjithmonë bllokun lokal që përmban vetë pyetjen, për qëndrueshmëri stërvitjeje.
• Një Degë Kryesore që ekzekuton vëmendje të zakonshme softmax vetëm mbi blloqet që zgjodhi indeksi.

Konfigurimi në punimin e MSA-së është k = 16 blloqe me nga 128 tokena, që i jep çdo pyetjeje një buxhet fiks prej 2.048 tokenash të vëzhguar. Fiks, do të thotë se nuk rritet me gjatësinë e sekuencës. Ky është krejt truku: ndërsa konteksti rritet, kostoja e vëmendjes e një baze të dendur vazhdon të ngjitet ndërsa kostoja e degës kryesore të MSA-së mbetet e sheshtë, kështu që vëmendja shkallëzohet në mënyrë lineare e jo kuadratike.

Shifrat nga raporti i MiniMax Sparse Attention (arXiv 2606.13392): një zvogëlim prej 28.4× i FLOP-eve të vëmendjes për token kundrejt një GQA-je të konfiguruar njëlloj me kontekst 1M, dhe përshpejtime prej 14.2× në prefill / 7.6× në dekodim të matura mbi harduer H800 në studimin me 109B parametra të punimit. MiniMax raporton veçmas përshpejtime prej 9× në prefill dhe 15× në dekodim për M3 kundrejt M2 me kontekst 1M. Të gjitha janë të raportuara nga laboratori.

Punimi bën edhe kontrollin që ka rëndësi për një artikull mbi pamjen: mbi një MoE 109B vendas multimodale, MSA mbajti performancë të krahasueshme me një bazë me vëmendje të plotë përgjatë benchmark-eve me imazhe, përfshirë AI2D, ChartQA dhe MMMU, dhe përgjatë benchmark-eve me video, përfshirë EgoSchema, LongVideoBench dhe VideoMME — ku variantet e rralla ndonjëherë përmirësoheshin te detyrat me video me kontekst më të gjatë. Rrallësia këtu nuk është një taksë cilësie që e paguani për shpejtësi; mbi hyrje të gjata duket se është pothuajse falas.

Pse duhet t'ju interesojë si klient: kostoja e shërbimit është ajo që përcakton çmimin e listës. Një themel kostoja e vëmendjes së të cilit pushon së rrituri është një themel që mund të përballoni ta drejtoni mbi njëqind mijë imazhe. Ky është mekanizmi pas "modelit më të lirë të pacensuruar me pamje" — nuk është tarifë promocionale, është arkitekturë.

04Çfarë do të thotë 3BIT-REAP dhe ku ju kushton

Një model me 428 miliardë parametra nuk hyn askund me lehtësi me saktësi të plotë. Ndërtimi ynë i MiniMax-M3 mbart prapashtesën 3BIT-REAP, e cila përshkruan dy veprime të veçanta të zbatuara në një radhë të caktuar.

REAP: fshini ekspertët përpara se t'i ngjeshni

REAP — Router-weighted Expert Activation Pruning — është një metodë ngjeshjeje MoE me një hedhje nga Cerebras dhe Universiteti i Calgary-t, e botuar si arXiv 2510.13999 dhe e pranuar në ICLR 2026. Argumenti i saj është se për detyra gjeneruese, krasitja e ekspertëve ia kalon bashkimit të tyre: bashkimi shkatërron kontrollin e imët të drejtuesit dhe fut një gabim që nuk e rikuperon dot kurrë. Prandaj REAP e vlerëson çdo ekspert me një kriter rëndësie që ndërthur vlerat e portës së drejtuesit (sa shpesh dhe sa fort e zgjedh drejtuesi) dhe normat e aktivizimit të ekspertit (sa kontribuon vërtet dalja e tij), pastaj i fshin krejtësisht ekspertët më pak të rëndësishëm.

Autorët raportojnë heqjen e deri në 50% të ekspertëve nga modele deri në një trilion parametra duke ruajtur kryesisht cilësinë bazë — te Qwen3-480B-Coder-FP8 me krasitje 50%, u ruajt 97.6% e aftësisë bazë joagjentike të programimit dhe 96.7% në SWE-Bench agjentik. Këto janë shifrat e punimit mbi modelet e punimit, jo tonat mbi MiniMax-M3; i citojmë që ta gjykoni metodën, jo për të nënkuptuar një matje ekuivalente këtu.

Pesha 3-bitëshe, e dyta

Peshat që mbijetojnë ruhen pastaj me 3 bita. Radha është e qëllimshme dhe është vetë kuptimi i kombinimit: krasit së pari, kuantizo së dyti. Nuk ka kuptim t'i shpenzoni tre bitat tuaj të çmuar për peshë duke koduar besnikërisht ekspertë që do t'i fshini menjëherë. Krasitni bishtin e rrallë, pastaj lëreni buxhetin e mbetur t'u shkojë tërësisht ekspertëve që ndizen vërtet.

Vërejtja e ndershme

3BIT-REAP është niveli më agresiv që nxjerrim. E përdorim mbi themelet më të mëdha — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — sepse është diferenca mes atyre modeleve që janë të disponueshme me një çmim të arsyeshëm dhe atyre që nuk janë fare të disponueshme. Aty ku një themel është mjaftueshëm i vogël sa të mos ketë nevojë, nuk e përdorim: modelet W8A16 në katalog përdorin pesha 8-bitëshe me aktivizime 16-bitëshe, dhe W4A16-AUTOROUND-REAP qëndron në mes, duke përdorur rrumbullakimin e mësuar të AutoRound-it për të rikuperuar saktësinë që e humb kuantizimi naiv te më i afërti. Zgjidhni nivelin që përputhet me tolerancën tuaj. Nëse po nxirrni fusha nga dhjetë mijë fatura, 3-bitëshi është shkëmbimi i saktë. Nëse po bëni një lexim të vetëm forenzik me rrezik të lartë mbi një imazh, shpenzojini paratë te Kimi-K3.

05Çfarë do të thotë "pa shtresë refuzimi" kur hyrja është një imazh

"I pacensuruar" është fjalë që përdoret lirshëm, prandaj ja pohimi i saktë: nuk ka shtresë refuzimi dhe nuk ka filtrim të daljes te ky endpoint. Asnjë klasifikues nuk e shqyrton imazhin tuaj përpara se ta shohë modeli. Asnjë model politike nuk i shqyrton tokenat në dalje. Ajo që prodhon modeli është ajo që merrni.

Në tekst, efekti i kësaj është i njohur. Në pamje, ai është ndryshe për nga lloji, sepse sjellja refuzuese ndaj hyrjeve me imazh është vendi ku API-të tregtare multimodale janë më konservatoret dhe më arbitraret. Dështimet tipike duken kështu:

• Refuzime të përgjithshme identiteti — mospranimi për të përshkruar fare njerëz në një fotografi, përfshirë tipare qartazi të dukshme dhe krejtësisht të padëmshme, sepse një politikë nuk e dallon dot përshkrimin nga identifikimi.
• Braktisje sipas temës — refuzimi për ta transkriptuar ose përmbledhur një dokument për shkak se për çfarë bën fjalë dokumenti, edhe pse transkriptimi është detyrë mekanike.
• Ndrojtje mjekësore dhe forenzike — mospranimi për të përshkruar imazheri klinike, dokumentim lëndimesh ose fotografi aksidentesh që një profesionist ka nevojë t'i ketë të përshkruara.
• Alarme të rreme për mjete sigurie — refuzimi për të lexuar një pamje ekrani sepse përmban një terminal, një kapje pakosh ose një korrigjues.
• Degradim i heshtur — më e keqja: jo një refuzim, por një jo-përgjigje me dorashka, që kalon validimin tuaj të skemës dhe e helmon grupin tuaj të të dhënave pa ngritur kurrë një gabim.

Problemi operativ me të pesta nuk është se janë të padrejta. Është se janë të pamatshme. Një përgjigje e gabuar është një pikë të dhënash; mund ta vlerësoni, ta kapni në vlerësim dhe ta korrigjoni. Një refuzim është një vrimë. Në shkallë grumbulli, një normë refuzimi prej 3% e shpërndarë jorastësisht mbi hyrjet tuaja — e përqendruar, për nga vetë ndërtimi, pikërisht mbi rastet e vështira dhe të pazakonta — është një anësi sistematike në rezultatet tuaja që asnjë pastrim i mëvonshëm nuk e rikuperon. Heqja e shtresës së refuzimi heq një burim të dhënash që mungojnë në heshtje e në mënyrë të korreluar.

Shannon operohet nga Shannon Lab LLC, Nju Meksiko, SHBA, sipas Politikës sonë të Përdorimit të Përgjegjshëm. "I pacensuruar" do të thotë se modeli nuk bën editorial mbi hyrjet tuaja; nuk do të thotë se llogaria nuk ka kushte.

06Specifikimi i plotë

Fusha	MiniMax-M3 · 3BIT-REAP
Id-ja e modelit	MiniMax-M3-3BIT-REAP
Themeli	MiniMax-M3 (MiniMax AI)
Dritarja e kontekstit	262.144 tokena
Dalje maksimale	16.384 tokena
Hyrje me imazh	Po
Hyrje me video	E paekspozuar
Transmetim	Po
Thirrje mjetesh	Po
Arsyetim	Po (reasoning_effort)
Dalje e strukturuar	json_schema + response_format
Shtresë refuzimi	Asnjë
Endpoint-et	/v1/chat/completions · /v1/messages · /v1/responses
Shërbehet në	Grupin e vet të GPU-ve të Shannon-it

Dy rreshta në atë tabelë e meritojnë theksin. Hyrja me video nuk është e ekspozuar. Themeli M3 në burim u stërvit mbi video dhe MiniMax dokumenton hyrje me video; endpoint-i ynë pranon imazhe. Ndërtoni mbi imazhet. Së dyti, dritarja prej 262.144 tokenash është e jona, jo shifra prej një milioni te burimi — planifikoni ngarkesat me dokumente të gjata dhe me shumë imazhe kundrejt 262.144 dhe nuk do të befasoheni kurrë.

07Si ta thërrisni API-në e pacensuruar MiniMax

Tri dialekte, i njëjti model pas të gjithave, transmetim në të tria. Përdorni atë që flet tashmë klienti juaj ekzistues; nuk ka asnjë ndryshim aftësie mes tyre. Drejtojeni URL-në tuaj bazë te Shannon dhe ndryshoni id-në e modelit.

Kuptim imazhesh përmes dialektit 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
  }'

Si URL-të e largëta https:// ashtu edhe URL-të e të dhënave base64 funksionojnë te pjesa image_url. Bashkëngjitni disa pjesë imazhi në një mesazh të vetëm kur ju duhet krahasim mes faqesh — keni 262.144 tokena për të shpenzuar dhe, me 0.50 $ për milion, shpenzimi i tyre është i lirë.

Nxjerrje e tipizuar me një skemë JSON

Aty ku ky model e fiton vendin e vet në një tubacion është kombinimi pamje + skemë e rreptë + çmim dysheme. Jo çdo model në katalogun tonë i ka të tria: Laguna-S-2.1 dhe inkling nuk mbështesin json_schema. MiniMax-M3 e mbështet, që do të thotë se mund të nxirrni një objekt të validuar nga një imazh pa një shtresë analize:

{
  "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
      }
    }
  }
}

Përpjekja e arsyetimit

Modeli ekspozon reasoning_effort. Te klasifikimi masiv i imazheve, mbajeni të ulët — po bëni një pyetje perceptuese, dhe tokenat e arsyetimit janë tokena dalje për të cilët paguani. Ngrijeni për thirrjet ku imazhi është provë në një argument më të gjatë: leximi i një diagrami kundrejt një specifikimi, pajtimi i një grafiku me një tabelë, vendimi nëse dy pamje ekrani tregojnë të njëjtin defekt.

Referenca e plotë e parametrave, semantika e gabimeve dhe formatet e transmetimit për të tri dialektet gjenden te dokumentacioni i API-t të Shannon-it.

08Ku MiniMax-M3 është zgjedhja e duhur — dhe ku nuk është

Kërkojeni atë kur

• Punë me imazhe në volum. Etiketim grupesh të dhënash, kërkim moderimi, pasurim katalogu, triazh pamjesh ekrani, OCR-dhe-strukturim masiv mbi dokumente të skanuara. Çmimi dysheme është krejt argumenti.
• Imazhe në regjistrime të tipizuara. Pamja plus json_schema e rreptë plus tokenat më të lirë në katalog është një kombinim që e ofrojnë vetëm dy modele këtu.
• Kontekst i gjatë multimodal. Shumë faqe, ose shumë korniza, në një kërkesë të vetme — arkitektura poshtë është ndërtuar pikërisht për këtë formë hyrjeje.
• Kërkim ku refuzimet e prishin kampionin. Çdo studim vlefshmëria e të cilit varet nga përgjigjja e modelit për çdo element, përfshirë ata të papërshtatshmit.
• Laqe agjentike që lexojnë një ekran. Linja e serisë M është shprehimisht agjentike dhe thirrja e mjeteve është e disponueshme.

Kërkoni diçka tjetër kur

• Ju duhet tavani më i lartë i pamjes dhe buxheti ekziston. Kimi-K3 · 3BIT-REAP është 7.7× çmimi i hyrjes për një arsye; mbi një lexim të vetëm me rrezik të lartë, ato janë paratë e duhura për t'u shpenzuar.
• Ju duhen pesha me besnikëri maksimale. 3-bitëshi është niveli ynë më agresiv. Modelet W8A16 e shkëmbejnë çmimin me saktësinë, dhe MiMo-V2.5 · W8A16 është me pamje me po ato 0.50 $ / 2.00 $ nëse besnikëria për peshë është ajo që po optimizoni.
• Ju duhet video. Nuk e ekspozojmë hyrjen me video te ky endpoint.
• Detyra është tekst i pastër në vijën e parë. DeepSeek-V4-Pro-0813 ekziston pikërisht për këtë; përndryshe do të paguanit për një kullë pamore që nuk e përdorni kurrë.

Shifrat e arkitekturës, të benchmark-eve dhe të përshpejtimeve për familjen MiniMax janë të raportuara nga laboratori MiniMax AI; shifrat e REAP-it janë raportuar nga autorët e REAP-it mbi modelet e tyre dhe nuk janë matje e këtij ndërtimi. Çmimet, dritarja e kontekstit dhe flamujt e aftësive të Shannon-it janë tanët dhe lexohen nga katalogu ynë i drejtpërdrejtë i modeleve.

09Pyetje të bëra shpesh

---

Burimet: karta e modelit 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. Shifrat e benchmark-eve dhe të përshpejtimeve të MiniMax-it janë të raportuara nga laboratori dhe të përkohshme derisa të verifikohen në mënyrë të pavarur. Çmimet dhe flamujt e aftësive të Shannon-it janë të vlefshme më 5 shtator 2026.