தணிக்கையற்ற MiniMax API: தரைமட்ட விலையில் பார்வை

வழங்கப்படும் கிட்டத்தட்ட ஒவ்வொரு பலவகை ஊடக API உம் பார்வையை ஒரு கூடுதல் சலுகையாகவே விலையிடுகிறது. உரைக்கு நீங்கள் ஒரு உரை-மாதிரி விகிதத்தைச் செலுத்துகிறீர்கள், பின்னர் தூண்டுதலுக்குள் ஒரு படம் நுழையும் கணத்திலேயே அதிகம் — சில நேரங்களில் பல மடங்கு அதிகம் — செலுத்துகிறீர்கள். அதற்கு மேல், மறுப்பு நடத்தை மிக ஆக்ரோஷமாக இருப்பது பட உள்ளீடுகளிலேயே: ஒரு தலைப்பை உரையில் மகிழ்ச்சியாக விவாதிக்கும் அதே மாதிரி, ஒரு புகைப்படத்தில் அதே விஷயத்தை விவரிக்க மறுக்கும். விளைவு, ஒரு அழைப்புக்கு விலையுயர்ந்த, ஒரு அழைப்புக்கு நம்பகமற்ற ஒரு தயாரிப்பு — அளவில் செயலாக்கும்போது இரண்டு உலகங்களிலும் மோசமானது அதுவே. Shannon இல் உள்ள MiniMax-M3 அதற்கான எங்கள் பதில்: எங்கள் மலிவான உரை மாதிரிக்கு நீங்கள் செலுத்தும் அதே $0.50 / $2.00, முதல் படியிலிருந்தே பலவகை ஊடகமாகப் பயிற்றுவிக்கப்பட்ட ஒரு அடித்தளத்துக்குப் பயன்படுத்தப்படுகிறது, அதன் முன்னால் எந்த மறுப்புப் படையும் அமராமல்.

01இங்கே “மலிவான தணிக்கையற்ற பார்வை மாதிரி” என்றால் உண்மையில் என்ன

Shannon பட்டியல் பன்னிரண்டு மாதிரிகள். அவற்றில் ஐந்து படங்களை ஏற்கின்றன. ஒரு மில்லியன் டோக்கனுக்கு அவற்றின் விலைகள்:

பார்வைத் திறன் கொண்ட மாதிரி	உள்ளீடு	வெளியீடு	கட்டமைக்கப்பட்ட வெளியீடு
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 only
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 தரையிலேயே அமர்கிறது — $0.50 / $2.00 — MiMo-V2.5 உடன் சமமாக, அதற்குக் கீழே எதுவும் இல்லை, ஏனெனில் $0.50 / $2.00 தான் எங்கள் விலைப் பட்டியலின் தரை. பார்வை வரம்பின் உச்சிக்கு எதிராக, Kimi-K3 ஐ விட இது உள்ளீட்டில் 7.7× மலிவானது, வெளியீட்டில் 9.6× மலிவானது.

அதை ஒரு வேலைச்சுமையில் வையுங்கள். நீங்கள் 1,000 படங்களை வகைப்படுத்துகிறீர்கள் என்று வைத்துக்கொள்ளுங்கள் — திரைப்பிடிப்புகள், ஸ்கேன் செய்யப்பட்ட பக்கங்கள், தயாரிப்புப் புகைப்படங்கள் — ஒவ்வொன்றும் சராசரியாக 1,200 டோக்கன் படமும் தூண்டுதலும் உள்ளே, 300 டோக்கன் பதில் வெளியே:

Shannon பட்டியல் விலைகள், செப்டம்பர் 2026. டோக்கன் எண்ணிக்கைகள் விளக்கத்துக்கானவை; உங்கள் பட டோக்கனாக்கம் தெளிவுத்திறனையும், ஒரு அழைப்புக்கு எத்தனை படங்களை இணைக்கிறீர்கள் என்பதையும் சார்ந்தது.

மனதில் வைத்துக்கொள்ளப் பயனுள்ள மேலும் இரண்டு குறிப்புப் புள்ளிகள். முழு 262,144 டோக்கன் சூழலையும் ஒரு முறை நிரப்புவதற்குச் சுமார் 13 சென்ட் ஆகிறது. அதிகபட்ச நீளமான 16,384 டோக்கன் பதில் சுமார் 3.3 சென்ட். ஒரு ஒற்றைக் கோரிக்கையின் மோசமான நிலையின் உண்மையான எல்லைகள் அவையே, மேலும் அவை போதுமான அளவு சிறியவை — ஒரு பார்வைக் குழாயில் சுவாரஸ்யமான கட்டுப்பாடு பணமாக இருப்பது நின்று, ஆற்றலாக மாறத் தொடங்கும் அளவுக்கு.

02MiniMax வம்சாவளி: தலைப்புச் செய்திகளை அல்ல, டோக்கன்களை உகந்ததாக்கும் ஒரு ஆய்வகம்

MiniMax AI என்பது ஷாங்காயில் உள்ள ஒரு ஆய்வகம், அதன் முழு திறந்த-எடை சாதனைப் பதிவும் ஒரே ஒரு கேள்வியைப் பற்றியது: நீண்ட சூழலும் பலவகை ஊடகத் தன்மையும் ஆடம்பரமாக இருப்பது நிற்கும் அளவுக்கு கவனத்தை எப்படி மலிவாக்குவது? இந்த வரிசையில் உள்ள ஒவ்வொரு வெளியீடும் அந்தக் கேள்விக்கான ஒரு பதில், மேலும் அந்தப் பதில்கள் ஒன்றின் மீது ஒன்றாகக் கட்டப்படுகின்றன.

MiniMax-01 — Lightning Attention, மேலும் தொடக்கத்திலிருந்தே பார்வை

MiniMax-01 தொடர் (arXiv 2501.08313 ஆக வெளியிடப்பட்டது), ஒரு டோக்கனுக்கு 45.9B செயல்பாட்டில் வைக்கும் மொத்தம் 456B அளபுரு கலப்பு Mixture-of-Experts மாதிரிக்குள், நேரியல் கவனத்தின் ஒரு வகையை உள்ளீடு/வெளியீடு உணர்வுடன் செயல்படுத்திய Lightning Attention ஐ அறிமுகப்படுத்தியது. அந்தத் தொடர் ஒரு ஜோடியாக வெளியானது: MiniMax-Text-01 மற்றும் பார்வை மாதிரியான MiniMax-VL-01. VL-01 இப்போது பரிச்சயமான ViT-MLP-LLM அடுக்கைப் பயன்படுத்தியது, ஆனால் கடன் வாங்கிய ஒரு குறியாக்கியுடன் அல்ல — 694 மில்லியன் படம்-தலைப்பு ஜோடிகளில் புதிதாகப் பயிற்றுவிக்கப்பட்ட 303 மில்லியன் அளபுரு Vision Transformer உடன், பின்னர் 512 பில்லியன் டோக்கன்களைச் செயலாக்கிய ஒரு பல-கட்டக் குழாய் முழுவதும் சீரமைக்கப்பட்டு இணைந்து நுண்செம்மைப்படுத்தப்பட்டது.

நீங்கள் படிக்கும் இந்தக் கட்டுரைக்கு அந்த விவரம் முக்கியம். இந்த வம்சாவளியில் பார்வை என்பது ஒரு பெட்டியைத் தேர்ந்தெடுப்பதற்காக ஒரு உரை மாதிரியின் மீது பிற்பாடு ஒட்டப்பட்ட ஒரு இணைப்பு அல்ல. MiniMax தனது முதல் திறந்த வெளியீட்டிலிருந்தே தனது சொந்தக் காட்சிக் கோபுரத்தைப் பயிற்றுவித்து வருகிறது, அதனால்தான் ஆவணப் புரிதல், UI உம் திரைப்பிடிப்புப் புரிதலும், வரைபடம் படித்தலும் இந்தக் குடும்பத்தின் நிலையான வலிமைகளாகவே இருந்து வருகின்றன, பின்னோக்கிச் சேர்க்கப்பட்டவையாக அல்ல.

MiniMax-M1 — நீளத்தில் சிந்திப்பதற்கான கலப்புக் கவனம்

MiniMax-M1 (arXiv 2506.13585) ஐ அதன் ஆசிரியர்கள் முதல் திறந்த-எடை, பெரிய அளவிலான கலப்பு-கவன சிந்தனை மாதிரி என்று விவரித்தனர். அது 456B / 45.9B MoE உடலைத் தக்கவைத்து, இரு கவன வகைகளையும் இடையிடையே பின்னியது: ஒவ்வொரு ஏழு Lightning Attention தொகுதிகளுக்குப் பிறகும் ஒரு வழக்கமான softmax-கவன டிரான்ஸ்ஃபார்மர் தொகுதி. பலன் தரவரிசை இடமாக அல்ல, கணக்கீட்டாலேயே அளக்கப்பட்டது — 100K டோக்கன் உருவாக்க நீளத்தில், DeepSeek R1 இன் FLOPs இல் தோராயமாக 25% ஐயே M1 உட்கொண்டதாக MiniMax அறிவித்தது, அதே நேரம் ஒரு மில்லியன் டோக்கன் சூழலை இயல்பாகவே ஆதரித்தது.

MiniMax-M2 — சிறிய செயல்பாட்டுத் திருப்பம்

MiniMax-M2 அளவில் எதிர்த் திசையில் சென்று அதற்காகவே கவனத்தை வென்றது: ஒரு 62 அடுக்கு டிகோடர், மொத்தம் 229.9B அளபுருக்கள், ஆனால் ஒரு டோக்கனுக்குச் செயல்பாட்டில் ~9.8B மட்டுமே, ஒவ்வொரு MoE அடுக்கிலும் 256 நுண்ணிய நிபுணர்கள், அவற்றில் எட்டு பேருக்கு sigmoid திசைதிருப்பல், RoPE நிலைகள், பயிற்சி நிலைத்தன்மைக்கு QK-RMSNorm. இது வெளிப்படையாகவே ஒரு முகவர்-நிரலாக்க மாதிரியாக இருந்தது — பல-கோப்பு திருத்தங்கள், இயக்கு-சரிசெய் சுழற்சிகள், சோதனையால் சரிபார்க்கப்பட்ட பழுதுநீக்கங்கள் — மேலும் அது இடையிடையே பின்னப்பட்ட சிந்தனை வடிவத்தை அறிமுகப்படுத்தியது, அங்கே சிந்தனை ஒவ்வொரு முறைக்குப் பிறகும் தூக்கியெறியப்படாமல், கருவி அழைப்புச் சுற்றுகளுக்கு இடையே சுமந்து செல்லப்படுகிறது. செயல்பாடுகளைச் சிறியதாக வைத்திருப்பதன் மூலம் மட்டுமே, ஒரு டோக்கனுக்கான செலவின் ஒரு பகுதியிலேயே எல்லைக்கு அருகிலான முகவர் நடத்தையை வழங்குவதில் MiniMax இன் புகழை நிலைநாட்டிய மாதிரி M2 ஆகும்.

MiniMax-M3 — இந்த இறுதிப்புள்ளிக்குக் கீழே உள்ள அடித்தளம்

MiniMax-M3 ஜூன் 1, 2026 அன்று வெளியிடப்பட்டது, சிறிது நேரத்தில் Hugging Face இல் எடைகளுடனும், arXiv 2606.13392 இல் ஒரு தொழில்நுட்ப அறிக்கையுடனும். இது ஒரு டோக்கனுக்குத் தோராயமாக 23B செயல்பாட்டில் வைக்கும் 428B அளபுரு Mixture-of-Experts மாதிரி, ஆவணப்படுத்தப்பட்ட ஒரு மில்லியன் டோக்கன் சூழல், மேலும் இயல்பான படமும் காணொளியும் உள்ளீடு — உரையில் முன்பயிற்சி பெற்று பின்னர் பலவகை ஊடகமாகத் தழுவியது அல்ல, “முதல் படியிலிருந்தே” கலப்பு-வகை பயிற்சி பெற்றது என்று MiniMax விவரிக்கிறது. MiniMax இன் சொந்த வெளியிடப்பட்ட எண்களில் இது SWE-bench Verified இல் 80.5% ம் SWE-bench Pro இல் 59.0% ம் பெறுகிறது. அவை ஒரு நிரலாக்க அளவீட்டில் விற்பனையாளர் அறிவித்த எண்கள், அவற்றை நீங்கள் எப்படி எடைபோட வேண்டுமோ சரியாக அப்படியே; அவற்றை நாங்கள் சுயாதீனமாக மீளுருவாக்கம் செய்ததால் அல்ல, அவை அந்த ஆய்வகத்தின் வெளியிடப்பட்ட கூற்றுகள் என்பதாலேயே மேற்கோள் காட்டுகிறோம்.

03MiniMax Sparse Attention: ஒரு பார்வை மாதிரி ஏன் இவ்வளவு மலிவாக இருக்க முடிகிறது

M3 இல் உள்ள சுவாரஸ்யமான பொறியியல் MiniMax Sparse Attention (MSA), இந்த அளவுள்ள ஒரு பலவகை ஊடக மாதிரி எங்கள் தரைமட்ட விலையில் அமர முடிவதற்கான நேரடிக் காரணமும் அதுவே. படங்கள் டோக்கன் ரீதியாக விலையுயர்ந்தவை. ஒரு கைப்பிடி உயர்-தெளிவுத்திறன் பக்கங்கள், நீங்கள் ஒரு அறிவுறுத்தலைக் கூட எழுதுவதற்கு முன்பே பத்தாயிரக்கணக்கான டோக்கன்களைத் தூண்டுதலுக்குள் போட்டுவிடும். நிலையான கவனத்தின் கீழ், அந்தச் செலவு இருபடியாகக் கூடுகிறது, இருபது பக்கங்களைப் படிக்கும் மாதிரி பத்தைப் படிப்பதை விட இரண்டு மடங்கு விலையுயர்ந்தது அல்ல — இரண்டு மடங்கை விட மிக மோசமானது.

MSA அந்த வளைவின் வடிவத்தையே மாற்றுகிறது. இது ஒரு Grouped Query Attention முதுகெலும்பின் மீது கட்டப்பட்ட தொகுதி-சிதறிய வழிமுறை, இரண்டு கிளைகளாகப் பிரிக்கப்பட்டுள்ளது:

• ஒரு இலகுவான Index Branch, விசை-மதிப்புத் தொகுதிகளுக்கு மதிப்பெண் அளிக்கிறது — ஒவ்வொரு தொகுதிக்குள்ளும் உள்ள டோக்கன்கள் முழுவதும் அதிகபட்சத் தொகுப்பு மதிப்பெண்கள் — மேலும் ஒவ்வொரு வினவல் நிலைக்கும் ஒவ்வொரு GQA குழுவுக்கும் மேல்-k ஐத் தேர்ந்தெடுக்கிறது, பயிற்சி நிலைத்தன்மைக்காக வினவலைக் கொண்டிருக்கும் உள்ளூர்த் தொகுதியை எப்போதும் சேர்த்துக்கொண்டு.
• ஒரு Main Branch, குறியீடு தேர்ந்தெடுத்த தொகுதிகளின் மீது மட்டுமே சாதாரண softmax கவனத்தை இயக்குகிறது.

MSA ஆய்வுக்கட்டுரையில் உள்ள அமைப்பு k = 128 டோக்கன்களின் 16 தொகுதிகள், இது ஒவ்வொரு வினவலுக்கும் 2,048 கவனிக்கப்பட்ட டோக்கன்களின் நிலையான வரவுசெலவைத் தருகிறது. நிலையானது, அதாவது வரிசை நீளத்துடன் அது வளராது. அதுவே முழு தந்திரம்: சூழல் வளரும்போது, ஒரு அடர்த்தியான அடிப்படையின் கவனச் செலவு தொடர்ந்து ஏறிக்கொண்டே இருக்கும், MSA இன் முதன்மைக் கிளைச் செலவோ தட்டையாகவே இருக்கும், எனவே கவனம் இருபடியாக அல்ல, நேரியலாகவே அளவீடு பெறுகிறது.

MiniMax Sparse Attention அறிக்கையிலிருந்து (arXiv 2606.13392) வரும் எண்கள்: 1M சூழலில் சமமாக அமைக்கப்பட்ட GQA உடன் ஒப்பிடும்போது ஒரு டோக்கனுக்கான கவன FLOPs இல் 28.4× குறைப்பு, மேலும் அந்த ஆய்வுக்கட்டுரையின் 109B அளபுரு ஆய்வில் H800 வன்பொருளில் அளக்கப்பட்ட 14.2× முன்நிரப்பு / 7.6× டிகோட் நிகழ்நேர விரைவுகள். 1M சூழலில் M2 உடன் ஒப்பிடும்போது M3 க்கு 9× முன்நிரப்பு ம் 15× டிகோட் விரைவுகளும் என்று MiniMax தனியாக அறிவிக்கிறது. அனைத்தும் ஆய்வகம் அறிவித்தவை.

ஒரு பார்வைக் கட்டுரைக்கு முக்கியமான சோதனையையும் அந்த ஆய்வுக்கட்டுரை செய்கிறது: இயல்பாகவே பலவகை ஊடகமான ஒரு 109B MoE இல், AI2D, ChartQA, MMMU உள்ளிட்ட பட அளவீடுகள் முழுவதும், மேலும் EgoSchema, LongVideoBench, VideoMME உள்ளிட்ட காணொளி அளவீடுகள் முழுவதும், MSA முழு-கவன அடிப்படையுடன் ஒப்பிடத்தக்க செயல்திறனைத் தக்கவைத்தது — சிதறிய வகைகள் சில நேரங்களில் நீண்ட சூழல் காணொளிப் பணிகளில் மேம்படவும் செய்தன. இங்கே சிதறல் என்பது வேகத்துக்காக நீங்கள் செலுத்தும் ஒரு தரவரி அல்ல; நீண்ட உள்ளீடுகளில் அது தோராயமாக இலவசமாகவே தோன்றுகிறது.

ஒரு வாடிக்கையாளராக நீங்கள் ஏன் கவலைப்பட வேண்டும்: வழங்கும் செலவே பட்டியல் விலையை நிர்ணயிக்கிறது. கவனச் செலவு வளர்வது நின்றுவிட்ட ஒரு அடித்தளம், ஒரு லட்சம் படங்களை நோக்கித் திருப்ப நீங்கள் தாங்கக்கூடிய ஒரு அடித்தளம். “மலிவான தணிக்கையற்ற பார்வை மாதிரி” என்பதன் பின்னால் உள்ள வழிமுறை அதுவே — அது ஒரு விளம்பர விகிதம் அல்ல, ஒரு கட்டமைப்பு.

043BIT-REAP என்றால் என்ன, அது உங்களுக்கு எங்கே செலவாகிறது

ஒரு 428 பில்லியன் அளபுரு மாதிரி முழுத் துல்லியத்தில் வசதியான எந்த இடத்திலும் பொருந்தாது. எங்கள் MiniMax-M3 கட்டமைப்பு 3BIT-REAP பின்னொட்டைச் சுமக்கிறது, அது ஒரு குறிப்பிட்ட வரிசையில் பயன்படுத்தப்படும் இரண்டு தனித்தனி செயல்பாடுகளை விவரிக்கிறது.

REAP: சுருக்குவதற்கு முன் நிபுணர்களை நீக்குங்கள்

REAP — Router-weighted Expert Activation Pruning — Cerebras உம் கால்கரி பல்கலைக்கழகமும் உருவாக்கிய ஒரு ஒற்றைத் தாக்குதல் MoE சுருக்க முறை, arXiv 2510.13999 ஆக வெளியிடப்பட்டு ICLR 2026 இல் ஏற்கப்பட்டது. அதன் வாதம் என்னவென்றால், உருவாக்கப் பணிகளுக்கு நிபுணர்களைக் கத்தரிப்பது அவர்களை இணைப்பதை விட மேலானது: இணைப்பு ரவுட்டரின் நுண்ணிய கட்டுப்பாட்டை அழிக்கிறது, மேலும் ஒருபோதும் மீட்க முடியாத ஒரு பிழையை அறிமுகப்படுத்துகிறது. எனவே REAP அதற்குப் பதிலாக, ரவுட்டர் கேட் மதிப்புகளையும் (ரவுட்டர் அதை எவ்வளவு அடிக்கடி, எவ்வளவு வலுவாகத் தேர்ந்தெடுக்கிறது) நிபுணர் செயல்பாட்டு நெறிகளையும் (அதன் வெளியீடு உண்மையில் எவ்வளவு பங்களிக்கிறது) இணைக்கும் ஒரு முக்கியத்துவ அளவுகோலால் ஒவ்வொரு நிபுணருக்கும் மதிப்பெண் அளித்து, மிகக் குறைந்த முக்கியத்துவம் உள்ள நிபுணர்களை நேரடியாக நீக்குகிறது.

ஒரு டிரில்லியன் அளபுருக்கள் வரையிலான மாதிரிகளிலிருந்து 50% வரை நிபுணர்களை நீக்கியும் அடிப்படைத் தரம் பெருமளவு பாதுகாக்கப்பட்டதாக ஆசிரியர்கள் அறிவிக்கின்றனர் — Qwen3-480B-Coder-FP8 இல் 50% கத்தரிப்பில், அடிப்படை முகவர் அல்லாத நிரலாக்கத் திறனில் 97.6% ம், முகவர் SWE-Bench இல் 96.7% ம் தக்கவைக்கப்பட்டன. அவை அந்த ஆய்வுக்கட்டுரையின் மாதிரிகளில் அதன் சொந்த எண்கள், MiniMax-M3 இல் எங்களுடையவை அல்ல; இங்கே ஒரு சமமான அளவீடு இருப்பதாகக் குறிப்பிடுவதற்காக அல்ல, அந்த முறையை நீங்கள் மதிப்பிடுவதற்காகவே அவற்றை மேற்கோள் காட்டுகிறோம்.

இரண்டாவதாக, 3-பிட் எடைகள்

தப்பிப்பிழைத்த எடைகள் பின்னர் 3 பிட்டுகளில் சேமிக்கப்படுகின்றன. வரிசை வேண்டுமென்றே அமைக்கப்பட்டது, அதுவே இந்தச் சேர்க்கையின் நோக்கமும்: முதலில் கத்தரிப்பு, இரண்டாவதாகக் குவாண்டைசேஷன். நீங்கள் நீக்கப்போகும் நிபுணர்களை நம்பகமாகக் குறியாக்குவதற்காக, ஒரு எடைக்கான உங்கள் விலைமதிப்பற்ற மூன்று பிட்டுகளைச் செலவழிப்பதில் அர்த்தமில்லை. சிதறிய வாலைக் கத்தரியுங்கள், பின்னர் எஞ்சிய வரவுசெலவு முழுவதும் உண்மையில் இயங்கும் நிபுணர்களுக்கே செல்லட்டும்.

நேர்மையான எச்சரிக்கை

நாங்கள் வழங்கும் மிக ஆக்ரோஷமான அடுக்கு 3BIT-REAP. மிகப் பெரிய அடித்தளங்களில் — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — நாங்கள் அதைப் பயன்படுத்துகிறோம், ஏனெனில் அந்த மாதிரிகள் ஒரு நியாயமான விலையில் கிடைப்பதற்கும் முற்றிலும் கிடைக்காமல் போவதற்கும் இடையிலான வேறுபாடு அதுவே. ஒரு அடித்தளம் அதைத் தேவைப்படாத அளவுக்குச் சிறியதாக இருக்கும் இடத்தில் நாங்கள் அதைப் பயன்படுத்துவதில்லை: பட்டியலில் உள்ள W8A16 மாதிரிகள் 16-பிட் செயல்படுத்தல்களுடன் 8-பிட் எடைகளை இயக்குகின்றன, மேலும் W4A16-AUTOROUND-REAP இடையில் அமர்கிறது, அப்பாவியாக அருகில் வட்டமிடும் குவாண்டைசேஷன் இழக்கும் துல்லியத்தை மீட்க AutoRound இன் கற்றுக்கொள்ளப்பட்ட வட்டமிடலைப் பயன்படுத்துகிறது. உங்கள் சகிப்புத்தன்மைக்குப் பொருந்தும் அடுக்கைத் தேர்ந்தெடுங்கள். பத்தாயிரம் விலைப்பட்டியல்களிலிருந்து புலங்களைப் பிரித்தெடுக்கிறீர்கள் என்றால், 3-பிட் சரியான பரிமாற்றம். ஒரே படத்தின் ஒரு அதிக பங்குள்ள தடய வாசிப்பைச் செய்கிறீர்கள் என்றால், Kimi-K3 மீது பணத்தைச் செலவழியுங்கள்.

05உள்ளீடு ஒரு படமாக இருக்கும்போது “மறுப்புப் படை இல்லை” என்றால் என்ன

தணிக்கையற்றது என்பது தளர்வாகப் பயன்படுத்தப்படும் ஒரு சொல், எனவே துல்லியமான கூற்று இதுவே: இந்த இறுதிப்புள்ளியில் மறுப்புப் படை இல்லை, வெளியீட்டு வடிகட்டல் இல்லை. மாதிரி பார்ப்பதற்கு முன் உங்கள் படத்தை எந்த வகைப்படுத்தியும் ஆய்வு செய்வதில்லை. வெளியே வரும் வழியில் டோக்கன்களை எந்தக் கொள்கை மாதிரியும் ஆய்வு செய்வதில்லை. மாதிரி உருவாக்குவதே நீங்கள் பெறுவது.

உரையில் அதன் விளைவு பரிச்சயமானது. பார்வையில் அது வகையிலேயே வேறுபட்டது, ஏனெனில் பட உள்ளீடுகளில் உள்ள மறுப்பு நடத்தையே வணிக பலவகை ஊடக API கள் மிக அதிக பழமைவாதமாகவும் மிக அதிக தன்னிச்சையாகவும் இருக்கும் இடம். சிறப்பியல்பான தோல்விகள் இப்படித் தோன்றுகின்றன:

• மொத்த அடையாள மறுப்புகள் — ஒரு புகைப்படத்தில் உள்ள மனிதர்களை விவரிக்கவே மறுப்பது, தெளிவாகத் தெரியும், முற்றிலும் பாதிப்பில்லாத பண்புகள் உட்பட, ஏனெனில் விவரிப்புக்கும் அடையாளம் காணலுக்கும் இடையே ஒரு கொள்கையால் வேறுபடுத்த முடியாது.
• பொருள் சார்ந்த விலகல்கள் — ஆவணம் எதைப் பற்றியது என்பதற்காக அதை எழுத்துப்பெயர்க்கவோ சுருக்கவோ மறுப்பது, எழுத்துப்பெயர்ப்பு ஒரு இயந்திரப் பணியாக இருந்தாலும்.
• மருத்துவ, தடயவியல் தயக்கம் — ஒரு தொழில்முறையாளருக்கு விவரிக்கப்பட வேண்டிய மருத்துவப் படங்கள், காயப் பதிவுகள், விபத்துப் புகைப்படங்களை விவரிக்க மறுப்பது.
• பாதுகாப்புக் கருவிப் பொய் நேர்மறைகள் — ஒரு திரைப்பிடிப்பில் ஒரு முனையம், ஒரு பாக்கெட் பிடிப்பு, அல்லது ஒரு பிழைத்திருத்தி இருப்பதற்காக அதைப் படிக்க மறுப்பது.
• அமைதியான தேய்மானம் — மிக மோசமானது: ஒரு மறுப்பு அல்ல, ஒரு தயங்கிய பதிலின்மை, அது உங்கள் schema சரிபார்ப்பைக் கடந்து, ஒருபோதும் ஒரு பிழையை எழுப்பாமலேயே உங்கள் தரவுத்தொகுப்பை நஞ்சாக்குகிறது.

இந்த ஐந்திலும் உள்ள செயல்பாட்டுச் சிக்கல், அவை நியாயமற்றவை என்பதல்ல. அவை அளக்க முடியாதவை என்பதே. ஒரு தவறான பதில் ஒரு தரவுப் புள்ளி; அதற்கு மதிப்பெண் அளிக்கலாம், மதிப்பீட்டில் பிடிக்கலாம், அதற்கேற்பத் திருத்தலாம். ஒரு மறுப்பு ஒரு துளை. தொகுதி அளவில், உங்கள் உள்ளீடுகள் முழுவதும் சீரற்ற முறையில் பரவிய 3% மறுப்பு விகிதம் — கட்டமைப்பாலேயே, சரியாகக் கடினமான, அசாதாரணமான வழக்குகளில் குவிந்தது — உங்கள் முடிவுகளில் ஒரு முறையான சாய்வு, அதை எவ்வளவு பிந்தைய சுத்திகரிப்பாலும் மீட்க முடியாது. மறுப்புப் படையை நீக்குவது, அமைதியான, தொடர்புள்ள விடுபட்ட தரவின் ஒரு மூலத்தை நீக்குகிறது.

Shannon ஐ இயக்குவது Shannon Lab LLC, நியூ மெக்சிகோ, அமெரிக்கா, எங்கள் பொறுப்பான பயன்பாட்டுக் கொள்கையின் கீழ். தணிக்கையற்றது என்றால், உங்கள் உள்ளீடுகள் குறித்து மாதிரி கருத்து சொல்வதில்லை என்பதே; கணக்குக்கு எந்த விதிமுறைகளும் இல்லை என்பதல்ல.

06முழு விவரக்குறிப்பு

புலம்	MiniMax-M3 · 3BIT-REAP
மாதிரி அடையாளம்	MiniMax-M3-3BIT-REAP
அடித்தளம்	MiniMax-M3 (MiniMax AI)
சூழல் சாளரம்	262,144 டோக்கன்கள்
அதிகபட்ச வெளியீடு	16,384 டோக்கன்கள்
பட உள்ளீடு	ஆம்
காணொளி உள்ளீடு	வெளிப்படுத்தப்படவில்லை
ஸ்ட்ரீமிங்	ஆம்
கருவி அழைப்பு	ஆம்
சிந்தனை	ஆம் (reasoning_effort)
கட்டமைக்கப்பட்ட வெளியீடு	json_schema + response_format
மறுப்புப் படை	இல்லை
இறுதிப்புள்ளிகள்	/v1/chat/completions · /v1/messages · /v1/responses
வழங்கப்படுவது	Shannon இன் சொந்த GPU கிளஸ்டர்

அந்த அட்டவணையில் இரண்டு வரிகள் வலியுறுத்தலுக்குத் தகுதியானவை. காணொளி உள்ளீடு வெளிப்படுத்தப்படவில்லை. மேல்நிலை M3 அடித்தளம் காணொளியில் பயிற்றுவிக்கப்பட்டது, MiniMax காணொளி உள்ளீட்டை ஆவணப்படுத்துகிறது; எங்கள் இறுதிப்புள்ளி படங்களை ஏற்கிறது. படங்களுக்கு எதிராகவே கட்டுங்கள். இரண்டாவதாக, 262,144 டோக்கன் சாளரம் எங்களுடையது, மேல்நிலையின் ஒரு மில்லியன் எண் அல்ல — நீண்ட ஆவண, பல-பட வேலைச்சுமைகளை 262,144 க்கு எதிராகத் திட்டமிடுங்கள், நீங்கள் ஒருபோதும் ஆச்சரியப்பட மாட்டீர்கள்.

07தணிக்கையற்ற MiniMax API ஐ அழைப்பது

மூன்று வகைகள், அனைத்துக்கும் பின்னால் அதே மாதிரி, மூன்றிலும் ஸ்ட்ரீமிங். உங்கள் ஏற்கெனவே உள்ள கிளையண்ட் எதைப் பேசுகிறதோ அதைப் பயன்படுத்துங்கள்; அவற்றுக்கு இடையே எந்தத் திறன் வேறுபாடும் இல்லை. உங்கள் அடிப்படை URL ஐ Shannon இல் திருப்பி, மாதிரி அடையாளத்தை மாற்றுங்கள்.

OpenAI வகை வழியாகப் பட புரிதல்

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
  }'

தொலைநிலை https:// URL களும் base64 தரவு URL களும் இரண்டுமே image_url பகுதியில் வேலை செய்கின்றன. குறுக்கு-பக்க ஒப்பீடு தேவைப்படும்போது ஒரே செய்தியில் பல பட பகுதிகளை இணையுங்கள் — உங்களிடம் செலவழிக்க 262,144 டோக்கன்கள் உள்ளன, மேலும் ஒரு மில்லியனுக்கு $0.50 என்ற நிலையில் அவற்றைச் செலவழிப்பது மலிவானது.

ஒரு JSON schema உடன் வகைப்படுத்தப்பட்ட பிரித்தெடுத்தல்

ஒரு குழாயில் இந்த மாதிரி தன் இடத்தைச் சம்பாதிப்பது பார்வை + கடுமையான schema + தரைமட்ட விலை என்ற சேர்க்கையிலேயே. எங்கள் பட்டியலில் உள்ள ஒவ்வொரு மாதிரிக்கும் மூன்றும் இல்லை: Laguna-S-2.1 உம் inkling உம் json_schema ஐ ஆதரிக்கவில்லை. MiniMax-M3 ஆதரிக்கிறது, அதாவது ஒரு பாகுபடுத்தல் அடுக்கு இல்லாமலேயே ஒரு படத்திலிருந்து சரிபார்க்கப்பட்ட ஒரு பொருளை நீங்கள் பெறலாம்:

{
  "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
      }
    }
  }
}

சிந்தனை முயற்சி

இந்த மாதிரி reasoning_effort ஐ வெளிப்படுத்துகிறது. மொத்தப் பட வகைப்படுத்தலில் அதைக் குறைவாக வையுங்கள் — நீங்கள் ஒரு புலனுணர்வுக் கேள்வியைக் கேட்கிறீர்கள், மேலும் சிந்தனை டோக்கன்கள் நீங்கள் பணம் செலுத்தும் வெளியீட்டு டோக்கன்களே. ஒரு நீண்ட வாதத்தில் படம் சான்றாக இருக்கும் அழைப்புகளுக்கு அதை உயர்த்துங்கள்: ஒரு விவரக்குறிப்புக்கு எதிராக ஒரு வரைபடத்தைப் படித்தல், ஒரு அட்டவணையுடன் ஒரு விளக்கப்படத்தை ஒப்பிடுதல், இரண்டு திரைப்பிடிப்புகள் ஒரே குறையைக் காட்டுகின்றனவா என்று முடிவு செய்தல்.

மூன்று வகைகளுக்குமான முழு அளபுரு விவரம், பிழைச் சொற்பொருள், ஸ்ட்ரீமிங் வடிவங்கள் ஆகியவை Shannon API ஆவணங்களில் உள்ளன.

08MiniMax-M3 எங்கே சரியான தேர்வு — எங்கே அல்ல

இவற்றுக்கு அதை எடுங்கள்

• அளவான பட வேலை. தரவுத்தொகுப்பு அடையாளமிடல், மட்டுறுத்தல் ஆய்வு, பட்டியல் செழுமைப்படுத்தல், திரைப்பிடிப்பு வகைப்படுத்தல், ஸ்கேன் செய்யப்பட்ட ஆவணங்களில் தொகுதி OCR-மற்றும்-கட்டமைப்பு. தரைமட்ட விலையே முழு வாதம்.
• படங்களை வகைப்படுத்தப்பட்ட பதிவுகளாக. பார்வை, அத்துடன் கடுமையான json_schema, அத்துடன் பட்டியலிலேயே மலிவான டோக்கன்கள் — இங்கே இரண்டு மாதிரிகள் மட்டுமே தரும் ஒரு சேர்க்கை.
• நீண்ட பலவகை ஊடக சூழல். ஒரே கோரிக்கையில் பல பக்கங்கள், அல்லது பல சட்டகங்கள் — கீழே உள்ள கட்டமைப்பு சரியாக இந்த வடிவ உள்ளீட்டுக்காகவே கட்டப்பட்டது.
• மறுப்புகள் மாதிரியைச் சிதைக்கும் ஆய்வு. சங்கடமானவை உட்பட ஒவ்வொரு உருப்படிக்கும் மாதிரி பதிலளிப்பதைச் சார்ந்து செல்லுபடியாகும் எந்த ஆய்வும்.
• ஒரு திரையைப் படிக்கும் முகவர் சுழற்சிகள். M-தொடர் வம்சாவளி வெளிப்படையாகவே முகவர் சார்ந்தது, மேலும் கருவி அழைப்பு கிடைக்கிறது.

வேறு எதையாவது எடுங்கள், எப்போது

• உங்களுக்கு மிக உயர்ந்த பார்வை உச்சவரம்பு தேவை, பட்ஜெட்டும் இருக்கிறது. Kimi-K3 · 3BIT-REAP உள்ளீட்டு விலையில் 7.7× ஆக இருப்பதற்கு ஒரு காரணம் உண்டு; ஒரு அதிக பங்குள்ள ஒற்றை வாசிப்பில், செலவழிக்க வேண்டிய சரியான பணம் அதுவே.
• உங்களுக்கு அதிகபட்ச நம்பகத்தன்மை கொண்ட எடைகள் தேவை. 3-பிட் எங்கள் மிக ஆக்ரோஷமான அடுக்கு. W8A16 மாதிரிகள் துல்லியத்துக்காக விலையைப் பரிமாறிக்கொள்கின்றன, மேலும் ஒரு எடைக்கான நம்பகத்தன்மையையே நீங்கள் உகந்ததாக்குகிறீர்கள் என்றால், அதே $0.50 / $2.00 இல் MiMo-V2.5 · W8A16 பார்வைத் திறன் கொண்டது.
• உங்களுக்குக் காணொளி தேவை. இந்த இறுதிப்புள்ளியில் காணொளி உள்ளீட்டை நாங்கள் வெளிப்படுத்தவில்லை.
• பணி எல்லையில் உள்ள தூய உரை. அதற்காக DeepSeek-V4-Pro-0813 இருக்கிறது; இல்லையெனில் நீங்கள் ஒருபோதும் பயன்படுத்தாத ஒரு பார்வைக் கோபுரத்துக்குப் பணம் செலுத்துவீர்கள்.

MiniMax குடும்பத்துக்கான கட்டமைப்பு, அளவீடு, விரைவு எண்கள் MiniMax AI ஆல் ஆய்வகத்தில் அறிவிக்கப்பட்டவை; REAP எண்கள் REAP ஆசிரியர்களால் அவர்களின் சொந்த மாதிரிகளில் அறிவிக்கப்பட்டவை, இந்தக் கட்டமைப்பின் அளவீடு அல்ல. Shannon விலைகள், சூழல் சாளரம், திறன் கொடிகள் எங்களுடையவை, எங்கள் நேரடி மாதிரிப் பட்டியலிலிருந்து படிக்கப்படுகின்றன.

09அடிக்கடி கேட்கப்படும் கேள்விகள்

---

மூலங்கள்: MiniMax-M3 மாதிரி அட்டை · 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 அளவீட்டு, விரைவு எண்கள் ஆய்வகம் அறிவித்தவை, சுயாதீன சரிபார்ப்புக்கு உட்பட்ட தற்காலிகமானவை. Shannon விலைகளும் திறன் கொடிகளும் செப்டம்பர் 5, 2026 நிலவரப்படி தற்போதையவை.