సెన్సార్ లేని MiniMax API: అట్టడుగు ధరకు విజన్

దాదాపు ప్రతి హోస్ట్ చేయబడిన మల్టీమోడల్ API విజన్‌ను ఒక ప్రీమియంగా ధర నిర్ణయిస్తుంది. మీరు టెక్స్ట్‌కు టెక్స్ట్-మోడల్ రేటు చెల్లిస్తారు, మరియు ఒక చిత్రం ప్రాంప్ట్‌లోకి ప్రవేశించిన క్షణమే మీరు ఎక్కువ — కొన్నిసార్లు చాలా రెట్లు ఎక్కువ — చెల్లిస్తారు. దానికి తోడు, తిరస్కరణ ప్రవర్తన అత్యంత దూకుడుగా ఉండేది చిత్ర ఇన్‌పుట్‌లలోనే: టెక్స్ట్‌లో ఒక విషయాన్ని సంతోషంగా చర్చించే మోడల్ అదే విషయాన్ని ఒక ఫోటోలో వర్ణించడానికి నిరాకరిస్తుంది. ఫలితం ఒక్కో కాల్‌కు ఖరీదైనది మరియు ఒక్కో కాల్‌కు నమ్మదగనిది అయిన ఉత్పత్తి, మీరు పరిమాణంలో ప్రాసెస్ చేస్తున్నప్పుడు రెండు ప్రపంచాల్లోకీ చెత్తది. Shannonలోని MiniMax-M3 దానికి మా సమాధానం: మా అత్యంత చౌక టెక్స్ట్ మోడల్‌కు మీరు చెల్లించే అదే $0.50 / $2.00, మొదటి అడుగు నుండే మల్టీమోడల్‌గా శిక్షణ పొందిన ఒక పునాదికి వర్తింపజేయబడింది, దాని ముందు ఏ తిరస్కరణ పొరా లేకుండా.

01"అత్యంత చౌక సెన్సార్ లేని విజన్ మోడల్" ఇక్కడ నిజంగా అంటే ఏమిటి

Shannon జాబితా పన్నెండు మోడల్‌లు. వాటిలో ఐదు చిత్రాలను స్వీకరిస్తాయి. వాటి ధరలు, మిలియన్ టోకెన్‌లకు:

విజన్-సామర్థ్య మోడల్	ఇన్‌పుట్	అవుట్‌పుట్	నిర్మాణాత్మక అవుట్‌పుట్
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 మాత్రమే
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 అట్టడుగున ఉంది — $0.50 / $2.00 — MiMo-V2.5తో సమానం, దాని కింద ఏదీ లేదు, ఎందుకంటే $0.50 / $2.00 అనేదే మా ధరల జాబితా అట్టడుగు. విజన్ శ్రేణి పైభాగంతో పోలిస్తే ఇది Kimi-K3 కంటే ఇన్‌పుట్‌పై 7.7× చౌక మరియు అవుట్‌పుట్‌పై 9.6× చౌక.

దాన్ని ఒక పనిభారంలోకి పెట్టండి. మీరు 1,000 చిత్రాలను — స్క్రీన్‌షాట్‌లు, స్కాన్ చేసిన పేజీలు, ఉత్పత్తి ఫోటోలు — సుమారు 1,200 టోకెన్‌ల చిత్రం మరియు ప్రాంప్ట్ లోపలికి, 300 టోకెన్‌ల సమాధానం బయటకు సగటున ట్రయాజ్ చేస్తున్నారని అనుకోండి:

Shannon జాబితా ధరలు, సెప్టెంబర్ 2026. టోకెన్ లెక్కలు ఉదాహరణ మాత్రమే; మీ చిత్ర టోకనైజేషన్ రిజల్యూషన్‌పై మరియు ఒక్కో కాల్‌కు మీరు ఎన్ని చిత్రాలు జతచేస్తారనే దానిపై ఆధారపడుతుంది.

మీ మనసులో పెట్టుకోవడానికి ఉపయోగపడే మరో రెండు సూచన బిందువులు. మొత్తం 262,144-టోకెన్ సందర్భాన్ని ఒకసారి నింపడానికి సుమారు 13 సెంట్లు ఖర్చవుతుంది. గరిష్ఠ-పొడవు 16,384-టోకెన్ల ప్రతిస్పందనకు సుమారు 3.3 సెంట్లు ఖర్చవుతుంది. అవి ఒక్క అత్యంత-చెడు అభ్యర్థన యొక్క వాస్తవ హద్దులు, మరియు అవి చాలా చిన్నవి కావడంతో ఒక విజన్ పైప్‌లైన్‌పై ఆసక్తికరమైన పరిమితి డబ్బు కావడం మానేసి త్రూపుట్ కావడం మొదలవుతుంది.

02MiniMax వంశం: హెడ్‌లైన్‌లను కాక టోకెన్‌లను ఆప్టిమైజ్ చేసే ఒక ల్యాబ్

MiniMax AI అనేది షాంఘై ల్యాబ్, దీని మొత్తం ఓపెన్-వెయిట్స్ ట్రాక్ రికార్డు ఒకే ప్రశ్న గురించి: దీర్ఘ సందర్భం మరియు మల్టీమోడాలిటీ విలాసాలు కాకుండా ఉండేంత చౌకగా అటెన్షన్‌ను ఎలా చేయాలి? ఈ శ్రేణిలోని ప్రతి విడుదలా ఆ ప్రశ్నకు ఒక సమాధానం, మరియు సమాధానాలు ఒకదానిపై ఒకటి నిర్మించబడతాయి.

MiniMax-01 — లైట్నింగ్ అటెన్షన్, మరియు మొదటినుండే విజన్

MiniMax-01 శ్రేణి (arXiv 2501.08313గా ప్రచురించబడింది) లైట్నింగ్ అటెన్షన్ను ప్రవేశపెట్టింది, ఇది ఒక సరళ అటెన్షన్ వేరియంట్ యొక్క I/O-అవగాహన అమలు, 456B మొత్తం పారామీటర్లు మరియు ఒక్కో టోకెన్‌కు 45.9B క్రియాశీలంతో కూడిన ఒక హైబ్రిడ్ నిపుణుల-మిశ్రమ మోడల్ లోపల. ఈ శ్రేణి ఒక జతగా విడుదలైంది: MiniMax-Text-01 మరియు MiniMax-VL-01, విజన్ మోడల్. VL-01 ఇప్పుడు సుపరిచితమైన ViT-MLP-LLM స్టాక్‌ను వాడింది, కానీ ఒక అరువు తెచ్చుకున్న ఎన్‌కోడర్‌కు బదులుగా 694 మిలియన్ చిత్రం-క్యాప్షన్ జతలపై మొదటి నుండి శిక్షణ పొందిన 303-మిలియన్-పారామీటర్ల విజన్ ట్రాన్స్‌ఫార్మర్తో, తర్వాత 512 బిలియన్ టోకెన్‌లను ప్రాసెస్ చేసే బహుళ-దశల పైప్‌లైన్‌లో సమలేఖనం చేయబడి, జాయింట్‌గా ఫైన్-ట్యూన్ చేయబడింది.

మీరు చదువుతున్న ఈ వ్యాసానికి ఆ వివరం ముఖ్యమైనది. ఈ వంశంలో విజన్ అనేది ఒక పెట్టెను టిక్ చేయడానికి టెక్స్ట్ మోడల్‌పై అతికించిన ఆలస్యమైన అడాప్టర్ కాదు. MiniMax తన మొదటి ఓపెన్ విడుదల నుండే తన సొంత దృశ్య టవర్‌ను శిక్షణ ఇస్తూనే ఉంది, అందుకే పత్ర అవగాహన, UI మరియు స్క్రీన్‌షాట్ గ్రహింపు, మరియు చార్ట్ చదవడం ఈ కుటుంబం యొక్క సైతం-తర్వాత-ఆలోచనలు కాక స్థిరమైన బలాలుగా ఉన్నాయి.

MiniMax-M1 — పొడవైన తర్కం కోసం హైబ్రిడ్ అటెన్షన్

MiniMax-M1 (arXiv 2506.13585) దాని రచయితలచే మొదటి ఓపెన్-వెయిట్, పెద్ద-స్థాయి హైబ్రిడ్-అటెన్షన్ తర్క మోడల్‌గా వర్ణించబడింది. ఇది 456B / 45.9B MoE శరీరాన్ని కొనసాగించింది మరియు రెండు అటెన్షన్ రకాలను పెనవేసింది: ప్రతి ఏడు లైట్నింగ్ అటెన్షన్ బ్లాక్‌ల తర్వాత ఒక సాంప్రదాయిక సాఫ్ట్‌మాక్స్-అటెన్షన్ ట్రాన్స్‌ఫార్మర్ బ్లాక్. ప్రతిఫలం ఒక లీడర్‌బోర్డ్ స్థానంలో కాక గణనలో కొలవబడింది — 100K-టోకెన్ ఉత్పత్తి పొడవు వద్ద, M1 DeepSeek R1 కంటే సుమారు 25% FLOPలు మాత్రమే వాడిందని MiniMax నివేదించింది, అదే సమయంలో స్థానికంగా ఒక మిలియన్-టోకెన్ సందర్భానికి మద్దతు ఇస్తూ.

MiniMax-M2 — చిన్న-క్రియాశీలత మలుపు

MiniMax-M2 పరిమాణంలో వ్యతిరేక దిశలో వెళ్ళి దాని కోసమే దృష్టిని గెలుచుకుంది: 229.9B మొత్తం పారామీటర్లు కానీ ఒక్కో టోకెన్‌కు కేవలం ~9.8B క్రియాశీలం ఉన్న ఒక 62-పొరల డీకోడర్, ఒక్కో MoE పొరకు 256 సూక్ష్మ-గ్రాన్ నిపుణులను వాడుతూ, సిగ్మాయిడ్ రూటింగ్‌తో వారిలో ఎనిమిది మందిని ఎంచుకుంటూ, శిక్షణ స్థిరత్వం కోసం RoPE స్థానాలు మరియు QK-RMSNorm వాడుతూ. ఇది స్పష్టంగా ఒక ఏజెంటిక్-కోడింగ్ మోడల్ — బహుళ-ఫైల్ సవరణలు, రన్-ఫిక్స్ లూప్‌లు, పరీక్ష-ధృవీకరించిన మరమ్మతులు — మరియు ఇది పెనవేసిన ఆలోచన ఫార్మాట్‌ను ప్రవేశపెట్టింది, ఇక్కడ తర్కం ప్రతి మలుపు తర్వాత విస్మరించబడకుండా టూల్-కాల్ రౌండ్‌ల మధ్య మోసుకెళ్ళబడుతుంది. M2 అనేది కేవలం క్రియాశీలతలను చిన్నగా ఉంచడం ద్వారానే ఫ్రాంటియర్-సమీప ఏజెంటిక్ ప్రవర్తనను ఒక్కో-టోకెన్ ఖర్చులో ఒక భిన్నంగా అందించడంలో MiniMax ఖ్యాతిని స్థాపించిన మోడల్.

MiniMax-M3 — ఈ ఎండ్‌పాయింట్ కింద ఉన్న పునాది

MiniMax-M3 జూన్ 1, 2026న విడుదలైంది, వెంటనే Hugging Faceపై వెయిట్‌లతో మరియు arXiv 2606.13392 వద్ద ఒక సాంకేతిక నివేదికతో. ఇది 428B-పారామీటర్ల నిపుణుల-మిశ్రమ మోడల్, ఒక్కో టోకెన్‌కు సుమారు 23B క్రియాశీలం, ఒక డాక్యుమెంట్ చేయబడిన ఒక-మిలియన్-టోకెన్ సందర్భం, మరియు స్థానిక చిత్రం మరియు వీడియో ఇన్‌పుట్‌తో — MiniMax దీన్ని "మొదటి అడుగు నుండే" మిశ్రమ-పద్ధతిలో శిక్షణ పొందినదిగా వర్ణిస్తుంది, టెక్స్ట్-ప్రీట్రైన్ చేయబడి తర్వాత మల్టీమోడల్‌గా అమర్చబడినది కాక. MiniMax తన సొంత ప్రచురించిన సంఖ్యలపై ఇది SWE-bench Verifiedపై 80.5% మరియు SWE-bench Proపై 59.0% స్కోర్ చేస్తుంది. అవి ఒక కోడింగ్ బెంచ్‌మార్క్‌పై విక్రేత-నివేదించిన గణాంకాలు, మీరు వాటిని సరిగ్గా అలాగే తూచాలి; మేము వాటిని ఉదహరిస్తున్నది అవి ల్యాబ్ ప్రచురించిన వాదనలు కాబట్టి, మేము వాటిని స్వతంత్రంగా పునరుత్పత్తి చేసినందుకు కాదు.

03MiniMax Sparse Attention: ఒక విజన్ మోడల్ ఇంత చౌక ఎందుకు కాగలదు

M3లోని ఆసక్తికరమైన ఇంజనీరింగ్ MiniMax Sparse Attention (MSA), మరియు ఈ పరిమాణంలోని ఒక మల్టీమోడల్ మోడల్ మా అట్టడుగు ధరకు ఇమిడిపోవడానికి ఇదే ప్రత్యక్ష కారణం. చిత్రాలు టోకెన్-ఖరీదైనవి. మీరు ఒక్క సూచన కూడా రాయకముందే కొన్ని అధిక-రిజల్యూషన్ పేజీలు ఒక ప్రాంప్ట్‌లోకి పదివేల టోకెన్‌లను పెట్టగలవు. ప్రామాణిక అటెన్షన్ కింద, ఆ ఖర్చు వర్గీయంగా పెరుగుతుంది, మరియు ఇరవై పేజీలు చదివే మోడల్ పది చదివేదానికంటే రెండింతలు ఖరీదైనది కాదు — అది రెండింతల కంటే చాలా ఎక్కువ చెడ్డది.

MSA ఆ వక్రరేఖ ఆకారాన్ని మారుస్తుంది. ఇది ఒక గ్రూప్డ్ క్వెరీ అటెన్షన్ వెన్నెముకపై నిర్మించిన బ్లాక్-స్పార్స్ మెకానిజం, రెండు శాఖలుగా విభజించబడింది:

• ఒక తేలికపాటి ఇండెక్స్ శాఖ కీ-వేల్యూ బ్లాక్‌లను స్కోర్ చేస్తుంది — ప్రతి బ్లాక్ లోపలి టోకెన్‌ల అంతటా స్కోర్‌లను మ్యాక్స్-పూలింగ్ చేస్తూ — మరియు ఒక్కో క్వెరీ స్థానానికి మరియు ఒక్కో GQA గ్రూప్‌నకు అగ్ర-kను ఎంచుకుంటుంది, శిక్షణ స్థిరత్వం కోసం ఎల్లప్పుడూ క్వెరీనే కలిగిన స్థానిక బ్లాక్‌ను చేర్చుతూ.
• ఒక ప్రధాన శాఖ ఇండెక్స్ ఎంచుకున్న బ్లాక్‌లపైనే మాత్రమే సాధారణ సాఫ్ట్‌మాక్స్ అటెన్షన్‌ను నడుపుతుంది.

MSA పత్రంలోని కాన్ఫిగరేషన్ k = 128 టోకెన్‌ల 16 బ్లాక్‌లు, ఇది ప్రతి క్వెరీకి 2,048 హాజరైన టోకెన్‌ల నిర్ణీత బడ్జెట్‌ను ఇస్తుంది. నిర్ణీతం, అంటే అది క్రమం పొడవుతో పెరగదు. అదే మొత్తం ఉపాయం: సందర్భం పెరుగుతున్న కొద్దీ, ఒక దట్టమైన బేస్‌లైన్ యొక్క అటెన్షన్ ఖర్చు పెరుగుతూనే ఉంటుంది, MSA ప్రధాన-శాఖ ఖర్చు అలాగే ఉంటుంది, కాబట్టి అటెన్షన్ వర్గీయంగా కాక సరళంగా స్కేల్ అవుతుంది.

MiniMax Sparse Attention నివేదిక (arXiv 2606.13392) నుండి గణాంకాలు: 1M సందర్భం వద్ద సమానంగా కాన్ఫిగర్ చేయబడిన GQAతో పోలిస్తే ఒక్కో-టోకెన్ అటెన్షన్ FLOPలలో 28.4× తగ్గింపు, మరియు పత్రం యొక్క 109B-పారామీటర్ల అధ్యయనంలో H800 హార్డ్‌వేర్‌పై కొలవబడిన 14.2× ప్రీఫిల్ / 7.6× డీకోడ్ వాల్-క్లాక్ వేగాలు. M2తో పోలిస్తే 1M సందర్భం వద్ద M3కి 9× ప్రీఫిల్ మరియు 15× డీకోడ్ వేగాలను MiniMax విడిగా నివేదిస్తుంది. అన్నీ ల్యాబ్-నివేదించినవి.

ఈ పత్రం విజన్ వ్యాసానికి ముఖ్యమైన తనిఖీని కూడా చేస్తుంది: స్థానికంగా మల్టీమోడల్ అయిన ఒక 109B MoEపై, AI2D, ChartQA మరియు MMMU సహా చిత్ర బెంచ్‌మార్క్‌ల అంతటా, మరియు EgoSchema, LongVideoBench మరియు VideoMME సహా వీడియో బెంచ్‌మార్క్‌ల అంతటా MSA ఒక పూర్తి-అటెన్షన్ బేస్‌లైన్‌తో పోల్చదగిన సామర్థ్యాన్ని కొనసాగించింది — స్పార్స్ వేరియంట్‌లు దీర్ఘ-సందర్భ వీడియో పనులపై కొన్నిసార్లు మెరుగుపడతాయి కూడా. ఇక్కడ విరళత వేగం కోసం మీరు చెల్లించే నాణ్యత పన్ను కాదు; పొడవైన ఇన్‌పుట్‌లపై అది దాదాపు ఉచితంగా కనిపిస్తుంది.

మీరు ఒక వినియోగదారుగా ఎందుకు పట్టించుకోవాలి: సేవా ఖర్చే జాబితా ధరను నిర్ణయిస్తుంది. అటెన్షన్ ఖర్చు పెరగడం ఆగిపోయిన ఒక పునాది మీరు లక్ష చిత్రాల వైపు చూపించుకోగల పునాది. "అత్యంత చౌక సెన్సార్ లేని విజన్ మోడల్" వెనుక మెకానిజం అదే — ఇది ఒక ప్రచార రేటు కాదు, ఇది ఒక ఆర్కిటెక్చర్.

043BIT-REAP అంటే ఏమిటి, మరియు అది మీకు ఎక్కడ ఖర్చు పెడుతుంది

428-బిలియన్-పారామీటర్ల మోడల్ పూర్తి కచ్చితత్వంలో ఎక్కడా అనుకూలంగా ఇమడదు. మా MiniMax-M3 బిల్డ్ 3BIT-REAP ప్రత్యయాన్ని కలిగి ఉంది, ఇది ఒక నిర్దిష్ట క్రమంలో వర్తింపజేయబడిన రెండు వేర్వేరు ఆపరేషన్‌లను వర్ణిస్తుంది.

REAP: వాటిని కుదించడానికి ముందు నిపుణులను తొలగించండి

REAP — Router-weighted Expert Activation Pruning — Cerebras మరియు University of Calgary నుండి వచ్చిన ఒక ఒక్క-షాట్ MoE కుదింపు పద్ధతి, arXiv 2510.13999గా ప్రచురించబడింది మరియు ICLR 2026లో ఆమోదించబడింది. దీని వాదన ఏమిటంటే ఉత్పాదక పనులకు, నిపుణులను విలీనం చేయడం కంటే కత్తిరించడం మెరుగు: విలీనం చేయడం రౌటర్ యొక్క సూక్ష్మ-గ్రాన్ నియంత్రణను నాశనం చేస్తుంది మరియు మీరు ఎప్పటికీ కోలుకోలేని ఒక లోపాన్ని ప్రవేశపెడుతుంది. కాబట్టి REAP బదులుగా రౌటర్ గేట్ విలువలు (రౌటర్ దాన్ని ఎంత తరచుగా మరియు ఎంత బలంగా ఎంచుకుంటుంది) మరియు నిపుణుల క్రియాశీలత నిబంధనలు (దాని అవుట్‌పుట్ నిజంగా ఎంత దోహదపడుతుంది) కలిపిన ఒక ప్రాముఖ్యత ప్రమాణంతో ప్రతి నిపుణుడిని స్కోర్ చేస్తుంది, తర్వాత అత్యంత తక్కువ ప్రాముఖ్యత గల నిపుణులను నేరుగా తొలగిస్తుంది.

రచయితలు ఒక ట్రిలియన్ పారామీటర్ల వరకు పెద్ద మోడల్‌ల నుండి 50% వరకు నిపుణులను తొలగించడాన్ని బేస్‌లైన్ నాణ్యతను ఎక్కువగా కాపాడుకుంటూ నివేదిస్తారు — Qwen3-480B-Coder-FP8పై 50% కత్తిరింపు వద్ద, 97.6% బేస్‌లైన్ నాన్-ఏజెంటిక్ కోడింగ్ సామర్థ్యం మరియు 96.7% ఏజెంటిక్ SWE-Benchపై కాపాడబడ్డాయి. అవి పత్రం మోడల్‌లపై పత్రం సంఖ్యలు, MiniMax-M3పై మావి కావు; మీరు ఈ పద్ధతిని తూచగలిగేలా మేము వాటిని ఉదహరిస్తున్నాము, ఇక్కడ ఒక సమానమైన కొలతను సూచించడానికి కాదు.

3-బిట్ వెయిట్‌లు, రెండోది

మిగిలిన వెయిట్‌లు తర్వాత 3 బిట్‌ల వద్ద నిల్వ చేయబడతాయి. క్రమం ఉద్దేశపూర్వకమైనది మరియు అదే ఈ కలయిక యొక్క ముఖ్యాంశం: ముందు కత్తిరించండి, తర్వాత క్వాంటైజ్ చేయండి. మీరు తొలగించబోతున్న నిపుణులను నమ్మకంగా ఎన్‌కోడ్ చేయడంలో మీ విలువైన మూడు బిట్‌లను ఒక్కో వెయిట్‌కు ఖర్చు పెట్టడంలో అర్థం లేదు. అరుదైన తోకను కత్తిరించండి, తర్వాత మిగిలిన బడ్జెట్‌ను నిజంగా కాల్పులు జరిపే నిపుణులకు పూర్తిగా వెళ్ళనివ్వండి.

నిజాయితీ గల హెచ్చరిక

3BIT-REAP మేము అందించే అత్యంత దూకుడైన శ్రేణి. మేము దీన్ని అతిపెద్ద పునాదులపై వాడతాము — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — ఎందుకంటే ఆ మోడల్‌లు సహేతుకమైన ధరకు అందుబాటులో ఉండటానికీ అసలు అందుబాటులోనే లేకపోవడానికీ మధ్య తేడా అదే. ఒక పునాది దాన్ని అవసరం లేనంత చిన్నగా ఉన్నచోట, మేము దాన్ని వాడము: జాబితాలోని W8A16 మోడల్‌లు 16-బిట్ యాక్టివేషన్‌లతో 8-బిట్ వెయిట్‌లను నడుపుతాయి, మరియు W4A16-AUTOROUND-REAP మధ్యలో ఉంటుంది, అమాయక దగ్గరి-సంఖ్యకు-రౌండ్ క్వాంటైజేషన్ వదులుకునే కచ్చితత్వాన్ని తిరిగి పొందడానికి AutoRound యొక్క నేర్చుకున్న రౌండింగ్‌ను వాడుతూ. మీ సహనానికి సరిపోయే శ్రేణిని ఎంచుకోండి. మీరు పదివేల ఇన్‌వాయిస్‌ల నుండి ఫీల్డ్‌లను వెలికితీస్తుంటే, 3-బిట్ సరైన మార్పిడి. మీరు ఒకే చిత్రం యొక్క ఒక అధిక-పణం ఫోరెన్సిక్ రీడ్ చేస్తుంటే, Kimi-K3పై డబ్బు ఖర్చు చేయండి.

05ఇన్‌పుట్ ఒక చిత్రం అయినప్పుడు "తిరస్కరణ పొర లేదు" అంటే ఏమిటి

సెన్సార్ లేనిది అనేది వదులుగా వాడబడే పదం, కాబట్టి ఇక్కడ ఖచ్చితమైన వాదన ఉంది: ఈ ఎండ్‌పాయింట్‌పై తిరస్కరణ పొర లేదు మరియు అవుట్‌పుట్ ఫిల్టరింగ్ లేదు. మోడల్ చూడకముందే ఏ వర్గీకరణి మీ చిత్రాన్ని పరిశీలించదు. బయటకు వెళ్ళే టోకెన్‌లను ఏ విధాన మోడల్ పరిశీలించదు. మోడల్ ఉత్పత్తి చేసేదే మీకు లభించేది.

టెక్స్ట్‌లో, దాని ప్రభావం సుపరిచితమే. విజన్‌లో, ఇది రకంగా భిన్నమైనది, ఎందుకంటే వాణిజ్య మల్టీమోడల్ APIలు అత్యంత జాగ్రత్తగా మరియు అత్యంత ఏకపక్షంగా ఉండేది చిత్ర ఇన్‌పుట్‌లపై తిరస్కరణ ప్రవర్తనలోనే. లక్షణమైన వైఫల్యాలు ఇలా కనిపిస్తాయి:

• సాధారణ గుర్తింపు తిరస్కరణలు — ఒక పాలసీ వర్ణనను గుర్తింపు నుండి వేరు చేయలేనందున, స్పష్టంగా కనిపించే మరియు పూర్తిగా నిరపాయకరమైన లక్షణాలతో సహా, ఫోటోలో వ్యక్తులను వర్ణించడాన్ని పూర్తిగా నిరాకరించడం.
• విషయం-ఆధారిత తప్పించుకోవడాలు — వర్ణన ఒక యాంత్రిక పని అయినప్పటికీ, పత్రం దేని గురించో అనే కారణంతో దాన్ని లిప్యంతరీకరించడానికి లేదా సంక్షిప్తీకరించడానికి నిరాకరించడం.
• వైద్య మరియు ఫోరెన్సిక్ నిర్లక్ష్యం — ఒక వృత్తి నిపుణుడికి వర్ణన అవసరమైన క్లినికల్ చిత్రాలను, గాయ డాక్యుమెంటేషన్‌ను, లేదా ప్రమాద ఫోటోలను వర్ణించడానికి నిరాకరించడం.
• భద్రతా-సాధన తప్పుడు పాజిటివ్‌లు — ఒక టెర్మినల్, ఒక ప్యాకెట్ క్యాప్చర్, లేదా ఒక డీబగ్గర్ ఉన్నందున ఒక స్క్రీన్‌షాట్‌ను చదవడానికి నిరాకరించడం.
• నిశ్శబ్ద క్షీణత — అత్యంత చెడ్డది: తిరస్కరణ కాదు కానీ ఒక తడబడే నాన్-సమాధానం, ఇది మీ స్కీమా ధ్రువీకరణలో ఉత్తీర్ణమవుతుంది మరియు ఏ లోపాన్నీ ఎప్పుడూ లేవనెత్తకుండానే మీ డేటాసెట్‌ను విషపూరితం చేస్తుంది.

ఈ ఐదింటితో ఉన్న కార్యాచరణ సమస్య అవి అన్యాయమైనవి అని కాదు. అవి కొలవలేనివి అనేది. ఒక తప్పు సమాధానం ఒక డేటా బిందువు; మీరు దాన్ని స్కోర్ చేయవచ్చు, మూల్యాంకనంలో పట్టుకోవచ్చు, మరియు దాని కోసం సరిదిద్దవచ్చు. ఒక తిరస్కరణ ఒక రంధ్రం. బ్యాచ్ స్థాయిలో, మీ ఇన్‌పుట్‌ల అంతటా యాదృచ్ఛికం కాకుండా పంపిణీ చేయబడిన 3% తిరస్కరణ రేటు — నిర్మాణం వల్ల, సరిగ్గా కష్టమైన మరియు అసాధారణమైన కేసులపైనే కేంద్రీకృతమై — ఏ తర్వాతి శుభ్రపరచడమూ కోలుకోలేని మీ ఫలితాలలో ఒక వ్యవస్థాగత పక్షపాతం. తిరస్కరణ పొరను తొలగించడం నిశ్శబ్ద, పరస్పర సంబంధిత తప్పిపోయిన డేటా యొక్క ఒక మూలాన్ని తొలగిస్తుంది.

Shannon Shannon Lab LLC, న్యూ మెక్సికో, USA చేత, మా బాధ్యతాయుత వినియోగ విధానం కింద నిర్వహించబడుతుంది. సెన్సార్ లేనిది అంటే మోడల్ మీ ఇన్‌పుట్‌ల గురించి వ్యాఖ్యానం చేయదని అర్థం; ఖాతాకు నిబంధనలే లేవని కాదు.

06పూర్తి స్పెసిఫికేషన్

ఫీల్డ్	MiniMax-M3 · 3BIT-REAP
మోడల్ id	MiniMax-M3-3BIT-REAP
పునాది	MiniMax-M3 (MiniMax AI)
సందర్భ విండో	262,144 టోకెన్‌లు
గరిష్ఠ అవుట్‌పుట్	16,384 టోకెన్‌లు
చిత్ర ఇన్‌పుట్	అవును
వీడియో ఇన్‌పుట్	బహిర్గతం చేయబడలేదు
స్ట్రీమింగ్	అవును
టూల్ కాలింగ్	అవును
తర్కం	అవును (reasoning_effort)
నిర్మాణాత్మక అవుట్‌పుట్	json_schema + response_format
తిరస్కరణ పొర	ఏదీ లేదు
ఎండ్‌పాయింట్‌లు	/v1/chat/completions · /v1/messages · /v1/responses
అందించబడేది	Shannon సొంత GPU క్లస్టర్‌పై

ఆ పట్టికలోని రెండు వరుసలు నొక్కి చెప్పదగినవి. వీడియో ఇన్‌పుట్ బహిర్గతం చేయబడలేదు. ఎగువ M3 పునాది వీడియోపై శిక్షణ పొందింది మరియు MiniMax వీడియో ఇన్‌పుట్‌ను డాక్యుమెంట్ చేస్తుంది; మా ఎండ్‌పాయింట్ చిత్రాలను స్వీకరిస్తుంది. చిత్రాలకు వ్యతిరేకంగా నిర్మించండి. రెండోది, 262,144-టోకెన్ విండో మాది, ఎగువ ఒక-మిలియన్ సంఖ్య కాదు — దీర్ఘ-పత్ర మరియు బహుళ-చిత్ర పనిభారాలను 262,144కు వ్యతిరేకంగా ప్రణాళిక చేయండి మరియు మీరు ఎప్పుడూ ఆశ్చర్యపోరు.

07సెన్సార్ లేని MiniMax APIని పిలవడం

మూడు మాండలికాలు, వాటన్నింటి వెనుకా ఒకే మోడల్, మూడింటిపైనా స్ట్రీమింగ్. మీ ఇప్పటికే ఉన్న క్లయింట్ ఏది మాట్లాడుతుందో దాన్నే వాడండి; వాటి మధ్య ఎలాంటి సామర్థ్య తేడా లేదు. మీ బేస్ URLను Shannonపై పెట్టి మోడల్ idని మార్చండి.

OpenAI మాండలికం ద్వారా చిత్ర అవగాహన

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
  }'

రిమోట్ https:// URLలు మరియు base64 డేటా URLలు రెండూ image_url భాగంలో పనిచేస్తాయి. క్రాస్-పేజీ పోలిక అవసరమైనప్పుడు ఒక్క సందేశంలో అనేక చిత్ర భాగాలను జతచేయండి — మీకు ఖర్చు పెట్టడానికి 262,144 టోకెన్‌లు ఉన్నాయి మరియు, మిలియన్‌కు $0.50 వద్ద, వాటిని ఖర్చు పెట్టడం చౌక.

JSON స్కీమాతో నిర్దేశిత వెలికితీత

ఈ మోడల్ ఒక పైప్‌లైన్‌లో తన స్థానాన్ని సంపాదించే చోటు విజన్ + కఠినమైన స్కీమా + అట్టడుగు ధర కలయిక. మా జాబితాలో అన్ని మూడూ ఉన్న ప్రతి మోడల్ లేదు: Laguna-S-2.1 మరియు inkling json_schemaకు మద్దతు ఇవ్వవు. MiniMax-M3 ఇస్తుంది, అంటే మీరు ఒక పార్సింగ్ పొర లేకుండానే ఒక చిత్రం నుండి ఒక ధ్రువీకరించబడిన వస్తువును పొందవచ్చు:

{
  "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
      }
    }
  }
}

తర్క ప్రయత్నం

మోడల్ reasoning_effortను బహిర్గతం చేస్తుంది. భారీ చిత్ర వర్గీకరణపై, దాన్ని తక్కువగా ఉంచండి — మీరు ఒక అవగాహనాత్మక ప్రశ్న అడుగుతున్నారు, మరియు తర్క టోకెన్‌లు మీరు చెల్లించే అవుట్‌పుట్ టోకెన్‌లే. చిత్రం ఒక పొడవైన వాదనలో సాక్ష్యంగా ఉండే కాల్‌ల కోసం దాన్ని పెంచండి: ఒక స్పెసిఫికేషన్‌కు వ్యతిరేకంగా ఒక రేఖాచిత్రాన్ని చదవడం, ఒక చార్ట్‌ను ఒక పట్టికతో సమన్వయం చేయడం, రెండు స్క్రీన్‌షాట్‌లు ఒకే లోపాన్ని చూపిస్తున్నాయో లేదో నిర్ణయించడం.

మూడు మాండలికాలకూ పూర్తి పారామీటర్ సూచన, లోప అర్థశాస్త్రం, మరియు స్ట్రీమింగ్ ఫార్మాట్‌లు Shannon API డాక్యుమెంటేషన్లో ఉన్నాయి.

08MiniMax-M3 సరైన ఎంపిక ఎక్కడ — మరియు కాదు ఎక్కడ

దీని కోసం చేరుకోండి

• పరిమాణంలో చిత్ర పని. డేటాసెట్ లేబులింగ్, మోడరేషన్ పరిశోధన, కేటలాగ్ సుసంపన్నత, స్క్రీన్‌షాట్ ట్రయాజ్, స్కాన్ చేసిన పత్రాలపై బ్యాచ్ OCR-మరియు-నిర్మాణం. అట్టడుగు ధరే మొత్తం వాదన.
• చిత్రాలను నిర్దేశిత రికార్డుల్లోకి. విజన్ ప్లస్ కఠినమైన json_schema ప్లస్ జాబితాలో అత్యంత చౌక టోకెన్‌లు ఇక్కడ కేవలం రెండు మోడల్‌లు మాత్రమే అందించే కలయిక.
• పొడవైన మల్టీమోడల్ సందర్భం. ఒక్క అభ్యర్థనలో అనేక పేజీలు, లేదా అనేక ఫ్రేమ్‌లు — దాని కింద ఉన్న ఆర్కిటెక్చర్ సరిగ్గా ఈ ఇన్‌పుట్ ఆకారం కోసమే నిర్మించబడింది.
• తిరస్కరణలు నమూనాను పాడుచేసే పరిశోధన. కష్టమైన వాటితో సహా ప్రతి అంశానికీ మోడల్ సమాధానం ఇవ్వడంపై చెల్లుబాటు ఆధారపడే ఏ అధ్యయనమైనా.
• ఒక స్క్రీన్‌ను చదివే ఏజెంటిక్ లూప్‌లు. M-శ్రేణి వంశం స్పష్టంగా ఏజెంటిక్, మరియు టూల్ కాలింగ్ అందుబాటులో ఉంది.

వేరేదాని కోసం చేరుకోండి

• మీకు అత్యధిక విజన్ శిఖరం అవసరం మరియు బడ్జెట్ ఉంది. Kimi-K3 · 3BIT-REAP ఒక కారణం కోసం ఇన్‌పుట్ ధరకు 7.7×; ఒక్క అధిక-పణం రీడ్‌పై, అది చెల్లించడానికి సరైన డబ్బు.
• మీకు గరిష్ఠ-విశ్వసనీయత వెయిట్‌లు అవసరం. 3-బిట్ మా అత్యంత దూకుడైన శ్రేణి. W8A16 మోడల్‌లు ధరను కచ్చితత్వానికి బదులుగా వర్తకం చేస్తాయి, మరియు మీరు ఆప్టిమైజ్ చేస్తున్నది ఒక్కో వెయిట్‌కు విశ్వసనీయత అయితే MiMo-V2.5 · W8A16 అదే $0.50 / $2.00 వద్ద విజన్-సామర్థ్యం గలది.
• మీకు వీడియో అవసరం. మేము ఈ ఎండ్‌పాయింట్‌పై వీడియో ఇన్‌పుట్‌ను బహిర్గతం చేయము.
• పని ఫ్రాంటియర్ వద్ద పూర్తి టెక్స్ట్. దానికోసం DeepSeek-V4-Pro-0813 ఉంది; మీరు ఎప్పుడూ వాడని ఒక విజన్ టవర్‌కు చెల్లిస్తారు.

MiniMax కుటుంబం కోసం ఆర్కిటెక్చర్, బెంచ్‌మార్క్ మరియు వేగ గణాంకాలు MiniMax AI చే ల్యాబ్-నివేదించబడ్డాయి; REAP గణాంకాలు REAP రచయితలచే వారి సొంత మోడల్‌లపై నివేదించబడ్డాయి మరియు ఈ బిల్డ్ యొక్క కొలత కాదు. Shannon ధరలు, సందర్భ విండో, మరియు సామర్థ్య ఫ్లాగ్‌లు మావి మరియు మా ప్రత్యక్ష మోడల్ జాబితా నుండి చదవబడతాయి.

09తరచుగా అడిగే ప్రశ్నలు

---

మూలాలు: MiniMax-M3 మోడల్ కార్డు · 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 బెంచ్‌మార్క్ మరియు వేగ గణాంకాలు ల్యాబ్-నివేదించబడ్డాయి మరియు స్వతంత్ర ధ్రువీకరణ పెండింగ్‌లో ఉన్నాయి. Shannon ధరలు మరియు సామర్థ్య ఫ్లాగ్‌లు సెప్టెంబర్ 5, 2026 నాటికి ప్రస్తుతమైనవి.