API ya MiniMax bila udhibiti: uoni kwa bei ya sakafu

Karibu kila API ya njia nyingi inayohudumiwa inaweka bei ya uoni kama ya ziada. Unalipa kiwango cha modeli ya maandishi kwa maandishi, kisha unalipa zaidi — wakati mwingine mara kadhaa zaidi — mara tu picha inapoingia kwenye kidokezo. Zaidi ya hayo, maingizo ya picha ndipo tabia ya kukataa ilipo mkali kuliko pote: modeli itakayojadili mada kwa furaha kwa maandishi itakataa kuelezea kitu kilekile kilichopo kwenye picha. Matokeo ni bidhaa ghali kwa kila mwito na isiyoaminika kwa kila mwito, ambayo ndiyo mbaya kuliko yote unapochakata kiasi kikubwa. MiniMax-M3 kwenye Shannon ndilo jibu letu kwa hilo: $0.50 / $2.00 zilezile unazolipa kwa modeli yetu nafuu kuliko zote ya maandishi, zikitumika kwa msingi uliofunzwa kwa njia nyingi tangu hatua ya kwanza, bila safu ya kukataa iliyokaa mbele yake.

01"Modeli nafuu kuliko zote ya uoni isiyodhibitiwa" inamaanisha nini hasa hapa

Katalogi ya Shannon ni modeli kumi na mbili. Tano kati yake zinapokea picha. Bei zao, kwa tokeni milioni:

Modeli yenye uwezo wa uoni	Ingizo	Matokeo	Matokeo yenye muundo
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	response_format pekee
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 inakaa kwenye sakafu — $0.50 / $2.00 — sawa na MiMo-V2.5 na hakuna kilicho chini yake, kwa sababu $0.50 / $2.00 ndiyo sakafu ya orodha yetu ya bei. Dhidi ya kilele cha kipimo cha uoni ni nafuu mara 7.7 kwenye ingizo na mara 9.6 kwenye matokeo kuliko Kimi-K3.

Weka hilo katika mzigo wa kazi. Tuseme unapanga picha 1,000 — picha za skrini, kurasa zilizoskaniwa, picha za bidhaa — zenye wastani wa takriban tokeni 1,200 za picha pamoja na kidokezo zikiingia na tokeni 300 za jibu zikitoka:

Bei za orodha za Shannon, Septemba 2026. Hesabu za tokeni ni za mfano; ugawaji wa tokeni za picha zako unategemea mwonekano na ni picha ngapi unaziambatanisha kwa kila mwito.

Vipimo viwili zaidi vya kumbukumbu vinavyofaa kuvishika kichwani. Kujaza dirisha zima la tokeni 262,144 mara moja kunagharimu takriban senti 13. Jibu la urefu wa juu kabisa la tokeni 16,384 linagharimu takriban senti 3.3. Hizo ndizo mipaka halisi ya ombi moja la hali mbaya kuliko zote, na ni ndogo kiasi kwamba kizuizi cha kuvutia kwenye bomba la uoni kinaacha kuwa pesa na kinaanza kuwa upitishaji.

02Ukoo wa MiniMax: maabara inayoboresha tokeni, si vichwa vya habari

MiniMax AI ni maabara ya Shanghai ambayo rekodi yake yote ya uzani wazi inahusu swali moja: unafanyaje attention iwe nafuu kiasi kwamba muktadha mrefu na njia nyingi zinaacha kuwa anasa? Kila toleo kwenye mstari huu ni jibu la swali hilo, na majibu yanajengana.

MiniMax-01 — Lightning Attention, na uoni tangu mwanzo

Mfululizo wa MiniMax-01 (uliochapishwa kama arXiv 2501.08313) uliingiza Lightning Attention, utekelezaji unaozingatia I/O wa aina ya attention ya mstari, ndani ya modeli changamano ya Mixture-of-Experts yenye jumla ya vigezo bilioni 456 na bilioni 45.9 vinavyowaka kwa kila tokeni. Mfululizo ulitoka kama jozi: MiniMax-Text-01 na MiniMax-VL-01, modeli ya uoni. VL-01 ilitumia rundo linalofahamika sasa la ViT-MLP-LLM, lakini ikiwa na Vision Transformer yenye vigezo milioni 303 iliyofunzwa kutoka mwanzo kwenye jozi milioni 694 za picha na maelezo badala ya kisimbaji kilichoazimwa, kisha ikapatanishwa na kurekebishwa kwa pamoja katika bomba la awamu nyingi lililochakata tokeni bilioni 512.

Kipengele hicho kinahusu makala unayoisoma. Uoni kwenye ukoo huu si kiungo cha marehemu kilichoambatishwa kwenye modeli ya maandishi ili kutimiza sanduku. MiniMax imekuwa ikifunza mnara wake wa kuona tangu toleo lake la kwanza wazi, ndiyo sababu uelewa wa hati, uelewa wa kiolesura na picha za skrini, na kusoma chati vimekuwa nguvu za kudumu za familia badala ya mawazo ya baadaye.

MiniMax-M1 — attention changamano kwa hoja za urefu

MiniMax-M1 (arXiv 2506.13585) ilielezwa na waandishi wake kama modeli ya kwanza ya uzani wazi, ya kiwango kikubwa, ya hoja yenye attention changamano. Iliweka mwili wa MoE wa 456B / 45.9B na ikasuka aina mbili za attention: kitalu cha kawaida cha transformer cha softmax-attention baada ya kila vitalu saba vya Lightning Attention. Faida ilipimwa kwa kompyuta badala ya nafasi kwenye ubao wa alama — MiniMax iliripoti kwamba kwa urefu wa uzalishaji wa tokeni 100K, M1 ilitumia takriban 25% ya FLOPs za DeepSeek R1, huku ikiunga mkono kwa asili muktadha wa tokeni milioni moja.

MiniMax-M2 — mzunguko wa uwashaji mdogo

MiniMax-M2 ilikwenda upande mwingine kwenye ukubwa na ikapata umakini kwa hilo: kisimbuzi cha tabaka 62 chenye jumla ya vigezo bilioni 229.9 lakini bilioni 9.8 tu vinavyowaka kwa kila tokeni, kikitumia wataalamu 256 wa daraja jembamba kwa kila tabaka ya MoE yenye uelekezaji wa sigmoid kwa wanane kati yao, nafasi za RoPE na QK-RMSNorm kwa utulivu wa mafunzo. Ilikuwa waziwazi modeli ya kuandika msimbo kwa kiwakala — mahariri ya faili nyingi, mizunguko ya kuendesha-na-kurekebisha, marekebisho yaliyothibitishwa kwa majaribio — na ikaingiza umbo la kufikiri kwa kusuka, ambapo hoja inabebwa kati ya raundi za miito ya zana badala ya kutupwa baada ya kila zamu. M2 ndiyo modeli iliyoanzisha sifa ya MiniMax ya kutoa tabia ya kiwakala inayokaribia mstari wa mbele kwa sehemu ndogo ya gharama ya kila tokeni, kwa kuweka tu uwashaji mdogo sana.

MiniMax-M3 — msingi ulio chini ya ncha hii

MiniMax-M3 ilitolewa tarehe 1 Juni 2026, ikiwa na uzani kwenye Hugging Face muda mfupi baadaye na ripoti ya kiufundi kwenye arXiv 2606.13392. Ni modeli ya Mixture-of-Experts yenye vigezo bilioni 428 na takriban bilioni 23 vinavyowaka kwa kila tokeni, muktadha ulioandikwa wa tokeni milioni moja, na ingizo la asili la picha na video — MiniMax inaieleza kama iliyofunzwa kwa njia mchanganyiko "tangu hatua ya kwanza kabisa," badala ya kufunzwa awali kwa maandishi kisha kurekebishwa kwa njia nyingi. Kwenye namba zilizochapishwa na MiniMax yenyewe inapata 80.5% kwenye SWE-bench Verified na 59.0% kwenye SWE-bench Pro. Hizo ni namba zilizoripotiwa na mtoaji kwenye kipimo cha kuandika msimbo, ambayo ndiyo namna hasa unavyopaswa kuzipima; tunazitaja kwa sababu ni madai yaliyochapishwa ya maabara, si kwa sababu tumezizalisha upya kwa kujitegemea.

03MiniMax Sparse Attention: kwa nini modeli ya uoni inaweza kuwa nafuu hivi

Uhandisi wa kuvutia ndani ya M3 ni MiniMax Sparse Attention (MSA), na ndiyo sababu ya moja kwa moja modeli ya njia nyingi ya ukubwa huu inaweza kukaa kwenye bei yetu ya sakafu. Picha ni ghali kwa tokeni. Kurasa chache za mwonekano wa juu zinaweza kuweka makumi ya maelfu ya tokeni kwenye kidokezo kabla hujaandika maelekezo hata moja. Chini ya attention ya kawaida, gharama hiyo inakua kwa mraba, na modeli inayosoma kurasa ishirini si ghali mara mbili ya ile inayosoma kumi — ni mbaya zaidi ya mara mbili.

MSA inabadilisha umbo la mkunjo huo. Ni mfumo wa uchache wa vitalu uliojengwa juu ya msingi wa Grouped Query Attention, uliogawanywa katika matawi mawili:

• Tawi la Faharasa jepesi linalotoa alama kwa vitalu vya funguo na thamani — likikusanya alama za juu kabisa katika tokeni ndani ya kila kitalu — na kuchagua top-k kwa kila nafasi ya swali na kwa kila kundi la GQA, likijumuisha daima kitalu cha ndani kilicho na swali lenyewe kwa utulivu wa mafunzo.
• Tawi Kuu linaloendesha attention ya kawaida ya softmax kwenye vitalu vilivyochaguliwa na faharasa pekee.

Mpangilio ndani ya karatasi ya MSA ni k = vitalu 16 vya tokeni 128, ambao unampa kila swali bajeti iliyowekwa ya tokeni 2,048 zinazoshughulikiwa. Iliyowekwa, ikimaanisha haikui na urefu wa mfuatano. Hiyo ndiyo hila nzima: muktadha unapokua, gharama ya attention ya msingi mnene inaendelea kupanda wakati gharama ya tawi kuu la MSA inabaki tambarare, hivyo attention inapanuka kwa mstari badala ya kwa mraba.

Namba kutoka ripoti ya MiniMax Sparse Attention (arXiv 2606.13392): punguzo la mara 28.4 la FLOPs za attention kwa kila tokeni dhidi ya GQA iliyopangwa sawa kwa muktadha wa 1M, na kasi za saa halisi za mara 14.2 za kujaza awali / mara 7.6 za kusimbua zilizopimwa kwenye maunzi ya H800 ndani ya utafiti wa karatasi wa vigezo bilioni 109. MiniMax kwa upande wake inaripoti kasi za mara 9 za kujaza awali na mara 15 za kusimbua kwa M3 dhidi ya M2 kwa muktadha wa 1M. Zote zimeripotiwa na maabara.

Karatasi pia inafanya ukaguzi unaohusu makala ya uoni: kwenye MoE ya njia nyingi kwa asili ya 109B, MSA ilishikilia utendaji unaolingana na msingi wa attention kamili katika vipimo vya picha ikijumuisha AI2D, ChartQA na MMMU, na katika vipimo vya video ikijumuisha EgoSchema, LongVideoBench na VideoMME — huku aina za uchache wakati mwingine zikiwa zinaboresha kwenye kazi za video za muktadha mrefu. Uchache hapa si kodi ya ubora unayoilipa kwa kasi; kwenye maingizo marefu inaonekana kuwa ya bure takriban.

Kwa nini unapaswa kujali kama mteja: gharama ya kuhudumia ndiyo inayopanga bei ya orodha. Msingi ambao gharama yake ya attention inaacha kukua ni msingi unaoweza kumudu kuuelekeza kwenye picha laki moja. Huo ndio mfumo ulio nyuma ya "modeli nafuu kuliko zote ya uoni isiyodhibitiwa" — si kiwango cha matangazo, ni muundo.

043BIT-REAP inamaanisha nini, na inakugharimu wapi

Modeli yenye vigezo bilioni 428 haitoshei mahali popote panapofaa kwa usahihi kamili. Ujenzi wetu wa MiniMax-M3 unabeba kiambishi cha 3BIT-REAP, ambacho kinaeleza operesheni mbili tofauti zilizotumika kwa mpangilio mahususi.

REAP: futa wataalamu kabla ya kuwabana

REAP — Router-weighted Expert Activation Pruning — ni mbinu ya mbano wa MoE ya pigo moja kutoka Cerebras na Chuo Kikuu cha Calgary, iliyochapishwa kama arXiv 2510.13999 na kukubaliwa ICLR 2026. Hoja yake ni kwamba kwa kazi za kuzalisha, kupogoa wataalamu kunashinda kuwaunganisha: kuunganisha kunaharibu udhibiti wa daraja jembamba wa kielekezi na kunaingiza kosa usiloweza kulirejesha kamwe. Hivyo badala yake REAP inampa kila mtaalamu alama kwa kigezo cha umuhimu kinachochanganya thamani za lango la kielekezi (mara ngapi na kwa nguvu kiasi gani kielekezi kinamchagua) na kanuni za uwashaji wa mtaalamu (kiasi gani matokeo yake yanachangia kweli), kisha inafuta wataalamu wenye umuhimu mdogo kabisa moja kwa moja.

Waandishi wanaripoti kuondoa hadi 50% ya wataalamu kutoka modeli kubwa hadi vigezo trilioni moja huku kwa kiasi kikubwa wakihifadhi ubora wa msingi — kwenye Qwen3-480B-Coder-FP8 kwa upogoaji wa 50%, 97.6% ya uwezo wa msingi wa kuandika msimbo usio wa kiwakala na 96.7% kwenye SWE-Bench ya kiwakala vilibaki. Hizo ni namba za karatasi kwenye modeli za karatasi, si zetu kwenye MiniMax-M3; tunazitaja ili uweze kuhukumu mbinu, si kudokeza kipimo kinacholingana hapa.

Uzani wa biti 3, pili

Uzani uliobaki kisha unahifadhiwa kwa biti 3. Mpangilio ni wa makusudi na ndio kiini cha mchanganyiko: pogoa kwanza, bana pili. Hakuna maana ya kutumia biti zako tatu za thamani kwa kila uzani ukiwasimba kwa uaminifu wataalamu unaokaribia kuwafuta. Pogoa mkia mwembamba, kisha acha bajeti iliyobaki iende kabisa kwa wataalamu wanaowaka kweli.

Tahadhari ya kweli

3BIT-REAP ndilo daraja kali kuliko yote tunalolitoa. Tunalitumia kwenye misingi mikubwa kuliko yote — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — kwa sababu ndiyo tofauti kati ya modeli hizo kupatikana kwa bei ya kiakili na kutopatikana kabisa. Pale msingi ulipo mdogo kiasi cha kutolihitaji, hatulitumii: modeli za W8A16 ndani ya katalogi zinaendesha uzani wa biti 8 na uwashaji wa biti 16, na W4A16-AUTOROUND-REAP inakaa katikati, ikitumia mviringisho uliojifunza wa AutoRound kurejesha usahihi ambao ubanaji rahisi wa kuviringisha karibu zaidi unautoa bure. Chagua daraja linalolingana na uvumilivu wako. Kama unatoa uwanja kutoka ankara elfu kumi, biti 3 ndilo badiliko sahihi. Kama unafanya usomaji mmoja wa kiuchunguzi wenye hatari kubwa wa picha moja, tumia pesa kwenye Kimi-K3.

05"Hakuna safu ya kukataa" kunamaanisha nini ingizo likiwa picha

Bila udhibiti ni neno linalotumika kwa uzembe, hivyo hili hapa dai halisi: hakuna safu ya kukataa na hakuna kuchuja matokeo kwenye ncha hii. Hakuna kiainishi kinachokagua picha yako kabla modeli haijaiona. Hakuna modeli ya sera inayokagua tokeni zikitoka. Kile modeli inachozalisha ndicho unachopokea.

Kwenye maandishi, athari ya hilo inafahamika. Kwenye uoni, ni tofauti kwa aina, kwa sababu tabia ya kukataa kwenye maingizo ya picha ndipo API za kibiashara za njia nyingi zilipo waangalifu kuliko pote na za kiholela kuliko pote. Kushindwa kwa tabia yake kunaonekana hivi:

• Kukataa kwa jumla kwa utambulisho — kukataa kuelezea watu ndani ya picha kabisa, ikijumuisha sifa zinazoonekana waziwazi na zisizo na madhara hata kidogo, kwa sababu sera haiwezi kutofautisha maelezo na utambuzi.
• Kukimbia mada — kukataa kunakili au kufupisha hati kwa sababu ya hati inahusu nini, ingawa kunakili ni kazi ya kimitambo.
• Uoga wa kimatibabu na kiuchunguzi — kukataa kuelezea picha za kliniki, nyaraka za majeraha, au picha za ajali ambazo mtaalamu anahitaji zielezwe.
• Alama za uongo za zana za usalama — kukataa kusoma picha ya skrini kwa sababu ina kituo cha amri, unasaji wa pakiti, au kitatuzi.
• Kudhoofika kimyakimya — mbaya kuliko yote: si kukataa bali jibu lisilo jibu lililojiepusha, ambalo linapita uthibitishaji wako wa muundo na linatia sumu seti yako ya data bila kuinua hitilafu kamwe.

Tatizo la kiutendaji kwa hizo tano si kwamba si za haki. Ni kwamba haziwezi kupimwa. Jibu baya ni kipimo; unaweza kulipa alama, kulinasa kwenye tathmini, na kulisahihisha. Kukataa ni shimo. Kwenye kiwango cha kundi, kiwango cha kukataa cha 3% kilichogawanywa bila mpangilio wa nasibu katika maingizo yako — kikikaza, kwa muundo, hasa kwenye kesi ngumu na zisizo za kawaida — ni upendeleo wa kimfumo kwenye matokeo yako ambao kiasi chochote cha usafishaji wa baadaye hakiurejeshi. Kuondoa safu ya kukataa kunaondoa chanzo cha data iliyokosekana kimyakimya na kwa uhusiano.

Shannon inaendeshwa na Shannon Lab LLC, New Mexico, Marekani, chini ya Sera yetu ya Matumizi ya Kuwajibika. Bila udhibiti kunamaanisha modeli haitoi maoni juu ya maingizo yako; hakumaanishi akaunti haina masharti.

06Maelezo kamili ya kiufundi

Uwanja	MiniMax-M3 · 3BIT-REAP
Kitambulisho cha modeli	MiniMax-M3-3BIT-REAP
Msingi	MiniMax-M3 (MiniMax AI)
Dirisha la muktadha	tokeni 262,144
Matokeo ya juu kabisa	tokeni 16,384
Ingizo la picha	Ndiyo
Ingizo la video	Haijawekwa wazi
Utiririshaji	Ndiyo
Kuita zana	Ndiyo
Hoja	Ndiyo (reasoning_effort)
Matokeo yenye muundo	json_schema + response_format
Safu ya kukataa	Hakuna
Ncha	/v1/chat/completions · /v1/messages · /v1/responses
Inahudumiwa kwenye	kundi la GPU la Shannon lenyewe

Mistari miwili ndani ya jedwali hilo inastahili msisitizo. Ingizo la video halijawekwa wazi. Msingi wa juu wa M3 ulifunzwa kwenye video na MiniMax inaandika ingizo la video; ncha yetu inapokea picha. Jenga dhidi ya picha. Pili, dirisha la tokeni 262,144 ni letu, si namba ya juu ya milioni moja — panga mizigo ya kazi ya hati ndefu na picha nyingi dhidi ya 262,144 na hutashangaa kamwe.

07Kuita API ya MiniMax isiyodhibitiwa

Lahaja tatu, modeli ileile nyuma ya zote, zikitiririsha kwenye zote tatu. Tumia ile ambayo mteja wako uliopo tayari anaizungumza; hakuna tofauti ya uwezo kati yake. Elekeza URL yako ya msingi kwa Shannon na ubadilishe kitambulisho cha modeli.

Uelewa wa picha kupitia lahaja ya 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
  }'

URL za mbali za https:// na URL za data za base64 zote zinafanya kazi ndani ya sehemu ya image_url. Ambatanisha sehemu kadhaa za picha ndani ya ujumbe mmoja unapohitaji ulinganisho wa kurasa mtambuka — una tokeni 262,144 za kutumia na, kwa $0.50 kwa milioni, kuzitumia ni nafuu.

Uchukuaji wenye aina kwa kutumia JSON schema

Mahali modeli hii inapostahili nafasi yake ndani ya bomba ni mchanganyiko wa uoni + muundo mkali + bei ya sakafu. Si kila modeli ndani ya katalogi yetu ina vyote vitatu: Laguna-S-2.1 na inkling haziungi mkono json_schema. MiniMax-M3 inaunga mkono, ikimaanisha unaweza kupata kitu kilichothibitishwa kutoka kwenye picha bila safu ya kuchanganua:

{
  "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
      }
    }
  }
}

Juhudi ya hoja

Modeli inaweka wazi reasoning_effort. Kwenye uainishaji wa picha wa wingi, iweke chini — unauliza swali la kutambua, na tokeni za hoja ni tokeni za matokeo unazozilipia. Iinue kwa miito ambapo picha ni ushahidi ndani ya hoja ndefu zaidi: kusoma mchoro dhidi ya maelezo ya kiufundi, kupatanisha chati na jedwali, kuamua kama picha mbili za skrini zinaonyesha kasoro ileile.

Marejeo kamili ya vigezo, maana za hitilafu, na maumbo ya utiririshaji kwa lahaja zote tatu yapo kwenye nyaraka za API za Shannon.

08Mahali MiniMax-M3 ni chaguo sahihi — na mahali si

Ifikie pale

• Kazi ya picha za wingi. Kutia lebo seti za data, utafiti wa usimamizi wa maudhui, kuboresha katalogi, kupanga picha za skrini, OCR-na-muundo wa kundi juu ya hati zilizoskaniwa. Bei ya sakafu ndiyo hoja nzima.
• Picha kuwa rekodi zenye aina. Uoni pamoja na json_schema kali pamoja na tokeni nafuu kuliko zote ndani ya katalogi ni mchanganyiko ambao modeli mbili tu hapa zinautoa.
• Muktadha mrefu wa njia nyingi. Kurasa nyingi, au fremu nyingi, ndani ya ombi moja — muundo ulio chini umejengwa kwa umbo hili hasa la ingizo.
• Utafiti ambapo kukataa kunaharibu sampuli. Utafiti wowote ambao uhalali wake unategemea modeli kujibu kila kipengele, ikijumuisha vile visivyostarehesha.
• Mizunguko ya kiwakala inayosoma skrini. Ukoo wa mfululizo wa M ni wa kiwakala waziwazi, na kuita zana kunapatikana.

Fikia kitu kingine pale

• Unahitaji dari ya juu kabisa ya uoni na bajeti ipo. Kimi-K3 · 3BIT-REAP ni mara 7.7 ya bei ya ingizo kwa sababu; kwenye usomaji mmoja wenye hatari kubwa, hiyo ndiyo pesa sahihi kutumia.
• Unahitaji uzani wenye uaminifu wa juu kabisa. Biti 3 ndilo daraja letu kali kuliko yote. Modeli za W8A16 zinabadilisha bei kwa usahihi, na MiMo-V2.5 · W8A16 ina uwezo wa uoni kwa $0.50 / $2.00 zilezile kama uaminifu kwa kila uzani ndicho unachokiboresha.
• Unahitaji video. Hatuweki wazi ingizo la video kwenye ncha hii.
• Kazi ni ya maandishi matupu kwenye mstari wa mbele. DeepSeek-V4-Pro-0813 ipo kwa hilo; ungekuwa unalipia mnara wa uoni usioutumia kamwe.

Namba za muundo, vipimo, na kasi kwa familia ya MiniMax zimeripotiwa na maabara ya MiniMax AI; namba za REAP zimeripotiwa na waandishi wa REAP kwenye modeli zao wenyewe na si kipimo cha ujenzi huu. Bei za Shannon, dirisha la muktadha, na bendera za uwezo ni zetu na zinasomwa kutoka katalogi yetu hai ya modeli.

09Maswali yanayoulizwa mara kwa mara

---

Vyanzo: kadi ya modeli ya 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. Namba za vipimo na kasi za MiniMax zimeripotiwa na maabara na ni za muda hadi uthibitisho huru. Bei za Shannon na bendera za uwezo ni za sasa kufikia tarehe 5 Septemba 2026.