Ocensurerat MiniMax-API: vision till golvpris

Nästan varje hostat multimodalt API prissätter vision som en premiumfunktion. Du betalar en textmodelltaxa för text, och sedan betalar du mer — ibland flera gånger mer — i samma stund som en bild går in i prompten. Ovanpå det är bildindata där vägransbeteendet är som mest aggressivt: modellen som gärna diskuterar ett ämne i text vägrar beskriva samma sak i ett fotografi. Resultatet är en produkt som är dyr per anrop och opålitlig per anrop, vilket är det värsta av två världar när du bearbetar volym. MiniMax-M3 på Shannon är vårt svar på det: samma $0.50 / $2.00 som du betalar för vår billigaste textmodell, tillämpat på en grundmodell som tränades multimodalt från första steget, utan något vägranslager framför sig.

01Vad ”billigaste ocensurerade visionmodellen” faktiskt betyder här

Shannons katalog består av tolv modeller. Fem av dem tar emot bilder. Deras priser, per miljon tokens:

Visionkapabel modell	Indata	Utdata	Strukturerad 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	endast response_format
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 ligger på golvet — $0.50 / $2.00 — i delad botten med MiMo-V2.5 och med ingenting under sig, eftersom $0.50 / $2.00 är golvet i vår prislista. Mot toppen av visionspannet är den 7,7× billigare på indata och 9,6× billigare på utdata än Kimi-K3.

Sätt in det i en arbetslast. Anta att du triagerar 1 000 bilder — skärmbilder, skannade sidor, produktfoton — med i snitt ungefär 1 200 tokens bild plus prompt in och 300 tokens svar ut:

Shannons listpriser, september 2026. Tokenantalen är illustrativa; din bildtokenisering beror på upplösning och hur många bilder du bifogar per anrop.

Ytterligare två referenspunkter är bra att ha i huvudet. Att fylla hela kontexten på 262 144 tokens en gång kostar ungefär 13 cent. Ett svar av maximal längd på 16 384 tokens kostar ungefär 3,3 cent. Det är de faktiska gränserna för en enskild värstafallsförfrågan, och de är små nog att den intressanta begränsningen i en vision-pipeline slutar vara pengar och börjar vara genomströmning.

02MiniMax härstamning: ett labb som optimerar tokens, inte rubriker

MiniMax AI är ett labb i Shanghai vars hela meritlista av öppna vikter handlar om en enda fråga: hur gör man attention billig nog att lång kontext och multimodalitet slutar vara lyx? Varje utgåva i linjen är ett svar på den frågan, och svaren bygger på varandra.

MiniMax-01 — Lightning Attention, och vision från start

MiniMax-01-serien (publicerad som arXiv 2501.08313) introducerade Lightning Attention, en I/O-medveten implementation av en linjär attention-variant, inuti en hybrid Mixture-of-Experts-modell på 456 miljarder totala parametrar med 45,9 miljarder aktiva per token. Serien släpptes som ett par: MiniMax-Text-01 och MiniMax-VL-01, visionmodellen. VL-01 använde den numera välbekanta ViT-MLP-LLM-stapeln, men med en Vision Transformer på 303 miljoner parametrar tränad från grunden på 694 miljoner bild-text-par i stället för en lånad enkoder, sedan justerad och gemensamt finjusterad genom en flerstegspipeline som bearbetade 512 miljarder tokens.

Den detaljen spelar roll för artikeln du läser. Vision i den här härstamningen är ingen sen adapter fastskruvad på en textmodell för att kryssa i en ruta. MiniMax har tränat sitt eget visuella torn sedan sin första öppna utgåva, vilket är därför dokumentförståelse, förståelse av gränssnitt och skärmbilder samt diagramläsning har varit konsekventa styrkor i familjen snarare än eftertankar.

MiniMax-M1 — hybrid attention för långt resonemang

MiniMax-M1 (arXiv 2506.13585) beskrevs av sina författare som den första storskaliga resonemangsmodellen med öppna vikter och hybrid attention. Den behöll MoE-kroppen på 456B / 45,9B och varvade de två attention-typerna: ett konventionellt softmax-attention-transformerblock efter var sjunde Lightning Attention-block. Utdelningen mättes i beräkning snarare än i topplistplacering — MiniMax rapporterade att M1 vid en genereringslängd på 100K tokens förbrukade ungefär 25 % av FLOPs jämfört med DeepSeek R1, samtidigt som den inbyggt stödde en kontext på en miljon tokens.

MiniMax-M2 — svängningen mot små aktiveringar

MiniMax-M2 gick åt andra hållet i storlek och vann uppmärksamhet för det: en avkodare med 62 lager och 229,9 miljarder totala parametrar men bara ~9,8 miljarder aktiva per token, med 256 finkorniga experter per MoE-lager och sigmoid-dirigering till åtta av dem, RoPE-positioner och QK-RMSNorm för träningsstabilitet. Den var uttryckligen en modell för agentisk kodning — redigeringar över flera filer, kör-och-fixa-loopar, testvaliderade reparationer — och den introducerade formatet interleaved thinking, där resonemanget bärs vidare mellan verktygsanropsrundor i stället för att kastas efter varje tur. M2 är modellen som etablerade MiniMax rykte för att leverera nästan frontlinjenära agentiskt beteende till en bråkdel av kostnaden per token, enbart genom att hålla aktiveringarna små.

MiniMax-M3 — grundmodellen under den här slutpunkten

MiniMax-M3 släpptes den 1 juni 2026, med vikter på Hugging Face strax därefter och en teknisk rapport på arXiv 2606.13392. Det är en Mixture-of-Experts-modell med 428 miljarder parametrar och ungefär 23 miljarder aktiva per token, en dokumenterad kontext på en miljon tokens och inbyggd bild- och videoindata — MiniMax beskriver den som tränad med blandade modaliteter ”från allra första steget”, snarare än förtränad på text och sedan multimodalt anpassad. På MiniMax egna publicerade siffror får den 80,5 % på SWE-bench Verified och 59,0 % på SWE-bench Pro. Det är leverantörsrapporterade siffror på en kodbenchmark, vilket är precis så du bör vikta dem; vi citerar dem eftersom de är labbets publicerade påståenden, inte för att vi har återskapat dem oberoende.

03MiniMax Sparse Attention: varför en visionmodell kan vara så här billig

Den intressanta ingenjörskonsten i M3 är MiniMax Sparse Attention (MSA), och den är det direkta skälet till att en multimodal modell av den här storleken kan ligga på vårt golvpris. Bilder är tokendyra. En handfull högupplösta sidor kan lägga tiotusentals tokens i en prompt innan du har skrivit en enda instruktion. Under standardattention växer den kostnaden kvadratiskt, och modellen som läser tjugo sidor är inte dubbelt så dyr som den som läser tio — den är mycket värre än dubbelt.

MSA ändrar formen på den kurvan. Det är en blockgles mekanism byggd på en Grouped Query Attention-stomme, uppdelad i två grenar:

• En lättviktig indexgren som poängsätter nyckel-värde-block — genom max-pooling av poängen över tokens inom varje block — och väljer topp-k per frågeposition och per GQA-grupp, alltid inklusive det lokala block som innehåller frågan själv, för träningsstabilitet.
• En huvudgren som kör vanlig softmax-attention enbart över de block indexet valde ut.

Konfigurationen i MSA-artikeln är k = 16 block om 128 tokens, vilket ger varje fråga en fast budget på 2 048 uppmärksammade tokens. Fast, i betydelsen att den inte växer med sekvenslängden. Det är hela tricket: när kontexten växer fortsätter en tät baslinjes attention-kostnad att stiga medan MSA:s huvudgrenskostnad ligger platt, så attention skalar linjärt i stället för kvadratiskt.

Siffror från rapporten om MiniMax Sparse Attention (arXiv 2606.13392): en minskning med 28,4× av attention-FLOPs per token jämfört med likvärdigt konfigurerad GQA vid 1M kontext, och 14,2× snabbare prefill / 7,6× snabbare avkodning i väggklocktid, mätt på H800-hårdvara i artikelns studie av en modell med 109 miljarder parametrar. MiniMax rapporterar separat 9× snabbare prefill och 15× snabbare avkodning för M3 jämfört med M2 vid 1M kontext. Samtliga är labbrapporterade.

Artikeln gör också den kontroll som spelar roll för en vision-artikel: på en inbyggt multimodal MoE med 109 miljarder parametrar höll MSA en prestanda jämförbar med en baslinje med full attention över bildbenchmarks som AI2D, ChartQA och MMMU, och över videobenchmarks som EgoSchema, LongVideoBench och VideoMME — där de glesa varianterna ibland till och med förbättrade resultaten på videouppgifterna med längre kontext. Gleshet är här ingen kvalitetsskatt du betalar för hastighet; på långa indata verkar den vara i stort sett gratis.

Varför du bör bry dig som kund: serveringskostnaden är det som sätter listpriset. En grundmodell vars attention-kostnad slutar växa är en grundmodell du har råd att rikta mot hundratusen bilder. Det är mekanismen bakom ”billigaste ocensurerade visionmodellen” — det är ingen kampanjtaxa, det är en arkitektur.

04Vad 3BIT-REAP betyder, och var det kostar dig

En modell med 428 miljarder parametrar får inte plats någonstans bekvämt i full precision. Vår MiniMax-M3-build bär suffixet 3BIT-REAP, som beskriver två separata operationer tillämpade i en bestämd ordning.

REAP: radera experter innan du komprimerar dem

REAP — Router-weighted Expert Activation Pruning — är en engångsmetod för MoE-komprimering från Cerebras och University of Calgary, publicerad som arXiv 2510.13999 och antagen till ICLR 2026. Dess argument är att beskärning av experter för generativa uppgifter slår sammanslagning av dem: sammanslagning förstör routerns finkorniga kontroll och inför ett fel du aldrig kan återhämta. Så REAP poängsätter i stället varje expert med ett framträdandekriterium som kombinerar routerns grindvärden (hur ofta och hur starkt routern väljer den) och expertens aktiveringsnormer (hur mycket dess utdata faktiskt bidrar), och raderar sedan de minst framträdande experterna helt.

Författarna rapporterar borttagning av upp till 50 % av experterna i modeller så stora som en biljon parametrar med i stort sett bevarad baskvalitet — på Qwen3-480B-Coder-FP8 vid 50 % beskärning behölls 97,6 % av baslinjens icke-agentiska kodförmåga och 96,7 % på agentiska SWE-Bench. Det är artikelns siffror på artikelns modeller, inte våra på MiniMax-M3; vi citerar dem så att du kan bedöma metoden, inte för att antyda en likvärdig mätning här.

3-bitars vikter, i andra hand

De vikter som överlever lagras sedan i 3 bitar. Ordningen är avsiktlig och den är hela poängen med kombinationen: beskär först, kvantisera sedan. Det är meningslöst att lägga dina dyrbara tre bitar per vikt på att troget koda experter du är på väg att radera. Beskär den glesa svansen, och låt sedan hela den återstående budgeten gå till experter som faktiskt aktiveras.

Det ärliga förbehållet

3BIT-REAP är den mest aggressiva nivån vi levererar. Vi använder den på de största grundmodellerna — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — eftersom den är skillnaden mellan att de modellerna finns tillgängliga till ett vettigt pris och att de inte finns tillgängliga alls. Där en grundmodell är liten nog att inte behöva den använder vi den inte: W8A16-modellerna i katalogen kör 8-bitars vikter med 16-bitars aktiveringar, och W4A16-AUTOROUND-REAP ligger däremellan och använder AutoRounds inlärda avrundning för att återvinna träffsäkerhet som naiv avrundning till närmaste ger bort. Välj den nivå som matchar din tolerans. Om du extraherar fält ur tiotusen fakturor är 3 bitar rätt avvägning. Om du gör en enda forensisk läsning med höga insatser av en enskild bild, lägg pengarna på Kimi-K3.

05Vad ”inget vägranslager” betyder när indatan är en bild

Ocensurerat är ett ord som används löst, så här är det exakta påståendet: det finns inget vägranslager och ingen filtrering av utdata på den här slutpunkten. Ingen klassificerare granskar din bild innan modellen ser den. Ingen policymodell granskar tokens på vägen ut. Det modellen producerar är det du får.

I text är effekten av det välbekant. I vision är den annorlunda till sin art, eftersom vägransbeteende på bildindata är där kommersiella multimodala API:er är som mest konservativa och som mest godtyckliga. De typiska felen ser ut så här:

• Generella identitetsvägran — att över huvud taget vägra beskriva personer i ett fotografi, inklusive attribut som är fullt synliga och helt harmlösa, eftersom en policy inte kan skilja beskrivning från identifiering.
• Ämnesbaserade avhopp — att vägra transkribera eller sammanfatta ett dokument på grund av vad dokumentet handlar om, trots att transkribering är en mekanisk uppgift.
• Medicinsk och forensisk pryderi — att vägra beskriva kliniska bilder, skadedokumentation eller olycksfotografier som en yrkesperson behöver få beskrivna.
• Falska positiva för säkerhetsverktyg — att vägra läsa en skärmbild för att den innehåller en terminal, en paketfångst eller en debugger.
• Tyst försämring — den värsta: inte en vägran utan ett garderat icke-svar, som klarar din schemavalidering och förgiftar din datamängd utan att någonsin ge ett fel.

Det operativa problemet med alla fem är inte att de är orättvisa. Det är att de är omätbara. Ett fel svar är en datapunkt; du kan poängsätta det, fånga det i utvärdering och korrigera för det. En vägran är ett hål. I batchskala är en vägransandel på 3 % fördelad icke-slumpmässigt över dina indata — koncentrerad, per konstruktion, till precis de svåra och ovanliga fallen — en systematisk skevhet i dina resultat som ingen mängd efterföljande städning kan reparera. Att ta bort vägranslagret tar bort en källa till tyst, korrelerad saknad data.

Shannon drivs av Shannon Lab LLC, New Mexico, USA, under vår policy för ansvarsfull användning. Ocensurerat betyder att modellen inte moraliserar över dina indata; det betyder inte att kontot saknar villkor.

06Den fullständiga specifikationen

Fält	MiniMax-M3 · 3BIT-REAP
Modell-id	MiniMax-M3-3BIT-REAP
Grundmodell	MiniMax-M3 (MiniMax AI)
Kontextfönster	262 144 tokens
Max utdata	16 384 tokens
Bildindata	Ja
Videoindata	Exponeras inte
Strömning	Ja
Verktygsanrop	Ja
Resonemang	Ja (reasoning_effort)
Strukturerad utdata	json_schema + response_format
Vägranslager	Inget
Slutpunkter	/v1/chat/completions · /v1/messages · /v1/responses
Serveras på	Shannons eget GPU-kluster

Två rader i den tabellen förtjänar att understrykas. Videoindata exponeras inte. Grundmodellen M3 uppströms tränades på video och MiniMax dokumenterar videoindata; vår slutpunkt tar emot bilder. Bygg mot bilder. För det andra är fönstret på 262 144 tokens vårt, inte siffran på en miljon uppströms — planera arbetslaster med långa dokument och många bilder mot 262 144, så blir du aldrig överraskad.

07Att anropa det ocensurerade MiniMax-API:et

Tre dialekter, samma modell bakom alla, strömning på alla tre. Använd den din befintliga klient redan talar; det finns ingen funktionsskillnad mellan dem. Peka din bas-URL mot Shannon och byt modell-id.

Bildförståelse 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 fjärr-URL:er med https:// och data-URL:er i base64 fungerar i image_url-delen. Bifoga flera bilddelar i ett meddelande när du behöver jämföra sidor mot varandra — du har 262 144 tokens att spendera och, för $0.50 per miljon, är det billigt att spendera dem.

Typad extraktion med ett JSON-schema

Där den här modellen förtjänar sin plats i en pipeline är kombinationen vision + strikt schema + golvpris. Inte varje modell i vår katalog har alla tre: Laguna-S-2.1 och inkling stöder inte json_schema. MiniMax-M3 gör det, vilket betyder att du kan få ut ett validerat objekt ur en bild utan ett tolkningslager:

{
  "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
      }
    }
  }
}

Resonemangsansträngning

Modellen exponerar reasoning_effort. Vid bildklassificering i bulk, håll den låg — du ställer en perceptuell fråga, och resonemangstokens är utdatatokens du betalar för. Höj den för de anrop där bilden är bevis i ett längre argument: att läsa ett diagram mot en specifikation, att stämma av ett diagram mot en tabell, att avgöra om två skärmbilder visar samma defekt.

Den fullständiga parameterreferensen, felsemantiken och strömningsformaten för alla tre dialekterna finns i Shannons API-dokumentation.

08När MiniMax-M3 är rätt val — och när den inte är det

Ta till den när

• Bildarbete i volym. Datamängdsmärkning, modereringsforskning, kataloganrikning, triage av skärmbilder, OCR-och-strukturering i batch över skannade dokument. Golvpriset är hela argumentet.
• Bilder till typade poster. Vision plus strikt json_schema plus de billigaste tokens i katalogen är en kombination bara två modeller här erbjuder.
• Lång multimodal kontext. Många sidor, eller många bildrutor, i en enda förfrågan — arkitekturen under är byggd för precis den formen av indata.
• Forskning där vägran korrumperar urvalet. Varje studie vars giltighet beror på att modellen svarar på varje post, även de obekväma.
• Agentiska loopar som läser en skärm. M-seriens härstamning är uttryckligen agentisk, och verktygsanrop är tillgängligt.

Ta till något annat när

• Du behöver det högsta visiontaket och budgeten finns. Kimi-K3 · 3BIT-REAP kostar 7,7× indatapriset av ett skäl; på en enskild läsning med höga insatser är det rätt pengar att lägga.
• Du behöver vikter med maximal trohet. 3 bitar är vår mest aggressiva nivå. W8A16-modellerna byter pris mot precision, och MiMo-V2.5 · W8A16 är visionkapabel till samma $0.50 / $2.00 om trohet per vikt är det du optimerar.
• Du behöver video. Vi exponerar inte videoindata på den här slutpunkten.
• Uppgiften är ren text i frontlinjen. DeepSeek-V4-Pro-0813 finns för det; du skulle betala för ett visiontorn du aldrig använder.

Arkitektur-, benchmark- och hastighetssiffror för MiniMax-familjen är labbrapporterade av MiniMax AI; REAP-siffrorna rapporteras av REAP-författarna på deras egna modeller och är ingen mätning av den här builden. Shannons priser, kontextfönster och funktionsflaggor är våra och läses från vår live-modellkatalog.

09Vanliga frågor

---

Källor: Modellkort för 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- och hastighetssiffror är labbrapporterade och preliminära i väntan på oberoende verifiering. Shannons priser och funktionsflaggor är aktuella per den 5 september 2026.