Uncensored na MiniMax API: vision sa sahig na presyo

Halos bawat hosted na multimodal na API ay tinatrato ang vision bilang premyo. Nagbabayad ka ng halaga ng text model para sa teksto, at pagkatapos ay mas malaki — kung minsan ay ilang ulit na mas malaki — sa sandaling pumasok ang larawan sa prompt. Bukod pa riyan, ang input na larawan ang pinaka-agresibo sa asal ng pagtanggi: ang modelong masayang tatalakayin ang isang paksa sa teksto ay tatanggi namang ilarawan ang parehong bagay sa isang litrato. Ang resulta ay isang produktong mahal kada tawag at hindi maaasahan kada tawag, na siyang pinakamasama sa dalawang mundo kapag nagpoproseso ka ng dami. Ang MiniMax-M3 sa Shannon ang aming sagot doon: ang parehong $0.50 / $2.00 na binabayaran mo para sa pinakamurang text model namin, ipinapataw sa isang pundasyong sinanay nang multimodal mula pa sa unang hakbang, na walang refusal layer sa harap nito.

01Ano talaga ang ibig sabihin dito ng "pinakamurang uncensored na vision model"

Ang katalogo ng Shannon ay labindalawang model. Lima sa kanila ang tumatanggap ng larawan. Ang presyo nila, kada milyong token:

Model na may kakayahan sa vision	Input	Output	Structured output
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 lamang
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

Nasa sahig ang MiniMax-M3 — $0.50 / $2.00 — patas sa MiMo-V2.5 at walang mas mababa pa rito, dahil ang $0.50 / $2.00 ang sahig ng aming listahan ng presyo. Laban sa tuktok ng hanay ng vision, ito ay 7.7× na mas mura sa input at 9.6× na mas mura sa output kaysa sa Kimi-K3.

Ilagay natin iyan sa isang workload. Ipagpalagay na tinatriage mo ang 1,000 larawan — screenshot, na-scan na pahina, litrato ng produkto — na may katamtamang 1,200 token ng larawan kasama ang prompt papasok at 300 token ng sagot palabas:

Mga presyo sa listahan ng Shannon, Setyembre 2026. Ilustratibo ang bilang ng token; nakadepende ang tokenisasyon ng iyong larawan sa resolusyon at sa dami ng larawang ikinakabit mo kada tawag.

Dalawa pang panukat na mabuting itago sa isip. Ang pagpuno sa buong 262,144-token na context nang isang beses ay nagkakahalaga ng mga 13 sentimo. Ang isang tugong may pinakamahabang 16,384 na token ay nagkakahalaga ng mga 3.3 sentimo. Iyon ang tunay na hangganan ng isang pinakamalalang kahilingan, at sapat silang maliit upang ang kawili-wiling hadlang sa isang pipeline ng vision ay hindi na pera kundi throughput.

02Ang lahi ng MiniMax: isang lab na ino-optimisa ang token, hindi ang balita

Ang MiniMax AI ay isang lab sa Shanghai na ang buong rekord sa bukas na weights ay tungkol sa isang tanong: paano mo gagawing sapat na mura ang attention upang tumigil nang maging luho ang mahabang context at ang multimodalidad? Bawat labas sa linyang ito ay isang sagot sa tanong na iyon, at nagtatayo ang mga sagot sa isa't isa.

MiniMax-01 — Lightning Attention, at vision mula sa simula

Ipinakilala ng seryeng MiniMax-01 (inilathala bilang arXiv 2501.08313) ang Lightning Attention, isang implementasyong may kamalayan sa I/O ng isang uri ng linear attention, sa loob ng isang hybrid na Mixture-of-Experts na model na may 456B kabuuang parameter at 45.9B na aktibo kada token. Dumating ang serye nang pares: MiniMax-Text-01 at MiniMax-VL-01, ang model para sa vision. Gumamit ang VL-01 ng pamilyar nang ViT-MLP-LLM na salansan, ngunit may 303-milyong-parameter na Vision Transformer na sinanay mula sa simula sa 694 milyong pares ng larawan at kapsyon sa halip na isang hiram na encoder, pagkatapos ay ini-align at magkasamang pinino sa isang pipeline na maraming yugto na nagproseso ng 512 bilyong token.

Mahalaga ang detalyeng iyon para sa artikulong binabasa mo. Ang vision sa lahing ito ay hindi isang huling adapter na ibinusal sa isang text model para lang may maisulat sa tsek na kahon. Sinasanay ng MiniMax ang sarili nitong tore ng paningin mula pa sa unang bukas na labas nito, kaya naman ang pag-unawa sa dokumento, ang pagkaunawa sa UI at screenshot, at ang pagbabasa ng tsart ay matatag nang kalakasan ng pamilya sa halip na huling naisip.

MiniMax-M1 — hybrid na attention para sa mahabang pangangatwiran

Ang MiniMax-M1 (arXiv 2506.13585) ay inilarawan ng mga may-akda nito bilang ang unang bukas-na-weights at malakihang modelo ng pangangatwiran na may hybrid na attention. Pinanatili nito ang katawang MoE na 456B / 45.9B at hinabi ang dalawang uri ng attention: isang karaniwang bloke ng softmax-attention na transformer pagkatapos ng bawat pitong bloke ng Lightning Attention. Ang bunga ay sinukat sa compute sa halip na sa puwesto sa leaderboard — iniulat ng MiniMax na sa haba ng paglikhang 100K token, ang M1 ay kumonsumo ng humigit-kumulang 25% ng FLOPs ng DeepSeek R1, habang natively na sinusuportahan ang isang milyong-token na context.

MiniMax-M2 — ang pihit tungo sa maliit na aktibasyon

Ang MiniMax-M2 ay pumunta sa kabilang direksiyon sa laki at nagwagi ng pansin dahil doon: isang 62-layer na decoder na may 229.9B kabuuang parameter ngunit ~9.8B lamang ang aktibo kada token, gamit ang 256 na pinong expert kada MoE layer na may sigmoid na pagruruta patungo sa walo sa kanila, mga posisyong RoPE at QK-RMSNorm para sa katatagan ng pagsasanay. Isa itong hayagang model para sa agentikong pag-code — mga pag-edit na maraming file, mga ikot ng patakbo-at-ayos, mga pagkumpuning napapatunayan ng test — at ipinakilala nito ang pormat na hinabing pag-iisip, kung saan dinadala ang pangangatwiran sa pagitan ng mga ikot ng pagtawag ng tool sa halip na itapon pagkatapos ng bawat turn. Ang M2 ang modelong nagtatag ng reputasyon ng MiniMax sa paghahatid ng asal na agentikong malapit sa prontera sa maliit na bahagi lamang ng halaga kada token, sa pamamagitan lamang ng pagpapanatiling maliit ng mga aktibasyon.

MiniMax-M3 — ang pundasyon sa ilalim ng endpoint na ito

Inilabas ang MiniMax-M3 noong Hunyo 1, 2026, na may weights sa Hugging Face makalipas ang ilang sandali at isang teknikal na ulat sa arXiv 2606.13392. Isa itong 428B-parameter na Mixture-of-Experts na model na may humigit-kumulang 23B na aktibo kada token, isang nadokumentong isang-milyong-token na context, at katutubong input ng larawan at video — inilalarawan ito ng MiniMax bilang sinanay sa halong modalidad "mula pa sa kauna-unahang hakbang," sa halip na pretrained sa teksto at saka iniangkop sa multimodalidad. Sa sariling nailathalang bilang ng MiniMax, umiiskor ito ng 80.5% sa SWE-bench Verified at 59.0% sa SWE-bench Pro. Mga bilang iyon na iniulat ng vendor sa isang benchmark ng pag-code, at ganoon nga dapat mo silang timbangin; binabanggit namin sila dahil sila ang nailathalang pahayag ng lab, hindi dahil malaya naming naulit ang mga ito.

03MiniMax Sparse Attention: bakit kayang maging ganito kamura ng isang vision model

Ang kawili-wiling inhinyeriya sa M3 ay ang MiniMax Sparse Attention (MSA), at ito ang tuwirang dahilan kung bakit kayang tumayo sa aming sahig na presyo ang isang multimodal na model na ganito kalaki. Magastos sa token ang mga larawan. Ang iilang pahinang mataas ang resolusyon ay makapaglalagay ng sampu-sampung libong token sa isang prompt bago ka pa makapagsulat ng iisang tagubilin. Sa ilalim ng karaniwang attention, dumadami ang halagang iyon nang kuwadratiko, at ang modelong bumabasa ng dalawampung pahina ay hindi dalawang beses na mas mahal kaysa sa bumabasa ng sampu — mas malala pa sa dalawang beses.

Binabago ng MSA ang hugis ng kurbang iyon. Isa itong block-sparse na mekanismong nakatayo sa gulugod ng Grouped Query Attention, hinati sa dalawang sanga:

• Isang magaang Index Branch na umiiskor sa mga bloke ng key-value — max-pooling ng mga iskor sa mga token sa loob ng bawat bloke — at pumipili sa nangungunang k kada posisyon ng query at kada pangkat ng GQA, laging kasama ang lokal na bloke na naglalaman ng query mismo para sa katatagan ng pagsasanay.
• Isang Main Branch na nagpapatakbo ng karaniwang softmax attention sa mga bloke lamang na pinili ng index.

Ang konpigurasyon sa papel ng MSA ay k = 16 na bloke ng 128 token, na nagbibigay sa bawat query ng nakapirming badyet na 2,048 na inaasikasong token. Nakapirmi, ibig sabihin ay hindi ito lumalaki kasabay ng haba ng sequence. Iyon ang buong lansi: habang lumalaki ang context, patuloy na umaakyat ang halaga ng attention ng isang siksik na baseline samantalang nananatiling patag ang halaga ng main branch ng MSA, kaya ang attention ay lumalaki nang linear sa halip na kuwadratiko.

Mga bilang mula sa ulat ng MiniMax Sparse Attention (arXiv 2606.13392): isang 28.4× na pagbaba sa attention FLOPs kada token laban sa katumbas na konpigurasyong GQA sa 1M na context, at 14.2× na prefill / 7.6× na decode na bilis sa orasan na sinukat sa H800 na hardware sa 109B-parameter na pag-aaral ng papel. Hiwalay na iniuulat ng MiniMax ang 9× na prefill at 15× na decode na bilis para sa M3 laban sa M2 sa 1M na context. Lahat ay iniulat ng lab.

Ginagawa rin ng papel ang tsek na mahalaga para sa isang artikulo tungkol sa vision: sa isang katutubong multimodal na 109B na MoE, pinanatili ng MSA ang pagganap na maihahambing sa isang baseline na buong attention sa mga benchmark ng larawan kabilang ang AI2D, ChartQA at MMMU, at sa mga benchmark ng video kabilang ang EgoSchema, LongVideoBench at VideoMME — na paminsan pa ngang bumubuti ang mga sparse na uri sa mga gawaing video na mas mahaba ang context. Ang sparsity dito ay hindi buwis sa kalidad na binabayaran mo para sa bilis; sa mahahabang input, tila halos libre ito.

Bakit dapat kang magmalasakit bilang kliyente: ang halaga ng paghahain ang nagtatakda ng presyo sa listahan. Ang isang pundasyong tumitigil sa paglaki ang halaga ng attention ay isang pundasyong kaya mong ituro sa isandaang libong larawan. Iyon ang mekanismo sa likod ng "pinakamurang uncensored na vision model" — hindi ito pang-promosyong halaga, isa itong arkitektura.

04Ano ang ibig sabihin ng 3BIT-REAP, at saan ka nito sinisingil

Ang isang 428-bilyong-parameter na model ay hindi kasya kahit saang maginhawang lugar sa buong presisyon. Ang aming build ng MiniMax-M3 ay may dalang suffix na 3BIT-REAP, na naglalarawan ng dalawang magkahiwalay na operasyong ipinapataw sa tiyak na pagkakasunod.

REAP: burahin ang mga expert bago mo sila siksikin

Ang REAP — Router-weighted Expert Activation Pruning — ay isang isahang paraan ng pagsisiksik ng MoE mula sa Cerebras at sa University of Calgary, inilathala bilang arXiv 2510.13999 at tinanggap sa ICLR 2026. Ang argumento nito ay para sa mga gawaing generative, mas mainam ang pagpupungos ng mga expert kaysa sa paghahalo sa kanila: sinisira ng paghahalo ang pinong kontrol ng router at naglalapat ng pagkakamaling hindi mo na kailanman mababawi. Kaya sa halip, iniiskor ng REAP ang bawat expert gamit ang isang saliency criterion na pinagsasama ang mga halaga ng router gate (gaano kadalas at kalakas ito piliin ng router) at ang activation norms ng expert (gaano talaga kalaki ang ambag ng output nito), pagkatapos ay tuluyang binubura ang pinakamahihinang expert.

Iniuulat ng mga may-akda ang pagtanggal ng hanggang 50% ng mga expert mula sa mga modelong kasinlaki ng isang trilyong parameter habang malaki ang naipapanatiling baseline na kalidad — sa Qwen3-480B-Coder-FP8 sa 50% na pagpupungos, 97.6% ng baseline na kakayahan sa hindi-agentikong pag-code at 96.7% sa agentikong SWE-Bench ang napanatili. Mga bilang iyon ng papel sa mga model ng papel, hindi amin sa MiniMax-M3; binabanggit namin sila para mahusgahan mo ang pamamaraan, hindi para ipahiwatig ang katumbas na sukat dito.

3-bit na weights, pangalawa

Ang mga nakaligtas na weights ay iniimbak naman sa 3 bit. Sinadya ang pagkakasunod at ito ang punto ng kombinasyon: pungusin muna, kuwantisahin pangalawa. Walang saysay na gugulin ang iyong mahalagang tatlong bit kada weight sa tapat na pag-encode ng mga expert na buburahin mo rin naman. Pungusin ang manipis na buntot, saka hayaang mapunta ang natitirang badyet nang buo sa mga expert na talagang pumuputok.

Ang tapat na babala

Ang 3BIT-REAP ang pinaka-agresibong antas na aming ipinapadala. Ginagamit namin ito sa pinakamalalaking pundasyon — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — dahil ito ang pagkakaiba ng pagiging magagamit ng mga modelong iyon sa katinuang presyo at ng hindi pagiging magagamit ng mga ito kahit kailan. Kung saan sapat na maliit ang pundasyon para hindi ito kailanganin, hindi namin ito ginagamit: ang mga modelong W8A16 sa katalogo ay nagpapatakbo ng 8-bit na weights na may 16-bit na activation, at ang W4A16-AUTOROUND-REAP ay nasa gitna, gamit ang natutong pagbibilog ng AutoRound upang mabawi ang katumpakang isinusuko ng payak na round-to-nearest na kuwantisasyon. Piliin ang antas na tumutugma sa iyong toleransiya. Kung kumukuha ka ng mga field mula sa sampung libong invoice, tamang palitan ang 3-bit. Kung gagawa ka ng isang mataas-ang-taya na forensikong pagbasa ng iisang larawan, gastusan mo ang Kimi-K3.

05Ano ang ibig sabihin ng "walang refusal layer" kapag larawan ang input

Ang uncensored ay salitang maluwag na ginagamit, kaya narito ang eksaktong pahayag: walang refusal layer at walang pagsala sa output sa endpoint na ito. Walang classifier na sumisiyasat sa iyong larawan bago ito makita ng model. Walang policy model na sumisiyasat sa mga token palabas. Ang nililikha ng model ang tinatanggap mo.

Sa teksto, pamilyar na ang epekto niyan. Sa vision, iba ito sa uri, dahil sa input na larawan pinakakonserbatibo at pinakaarbitraryo ang asal ng pagtanggi ng mga komersyal na multimodal na API. Ganito ang hitsura ng mga tipikal na pagkabigo:

• Pangkalahatang pagtanggi sa pagkakakilanlan — tumatangging ilarawan ang mga taong nasa isang litrato, kasama na ang mga katangiang malinaw na nakikita at ganap na walang pinsala, dahil hindi natutukoy ng isang patakaran ang pagkakaiba ng paglalarawan at pagkilala.
• Pag-atras dahil sa paksa — tumatangging isalin sa teksto o buurin ang isang dokumento dahil sa nilalaman nito, kahit na mekanikal na gawain lamang ang transkripsiyon.
• Pandidiri sa medikal at forensiko — tumatangging ilarawan ang klinikal na imahe, dokumentasyon ng pinsala, o mga litrato ng aksidente na kailangang mailarawan ng isang propesyonal.
• Maling positibo sa kagamitang pangseguridad — tumatangging basahin ang isang screenshot dahil naglalaman ito ng terminal, isang packet capture, o isang debugger.
• Tahimik na pagbaba — ang pinakamasama: hindi pagtanggi kundi isang pabalat-bungang di-sagot, na pumapasa sa iyong pagpapatunay ng schema at nilalason ang iyong dataset nang hindi kailanman naglalabas ng error.

Ang praktikal na problema sa lahat ng lima ay hindi ang pagiging di-makatarungan. Ito ay ang pagiging di-masusukat ng mga ito. Ang maling sagot ay isang punto ng datos; kaya mo itong iskoran, mahuli sa ebalwasyon, at itama. Ang pagtanggi ay isang butas. Sa laking pang-batch, ang 3% na antas ng pagtanggi na hindi random ang pagkakalat sa iyong mga input — nakatuon, ayon sa pagkakabuo, nang eksakto sa mahihirap at hindi pangkaraniwang kaso — ay isang sistematikong pagkiling sa iyong resulta na hindi na mababawi ng anumang paglilinis sa dulo. Ang pag-aalis ng refusal layer ay nag-aalis ng isang pinagmumulan ng tahimik at magkaugnay na nawawalang datos.

Pinapatakbo ang Shannon ng Shannon Lab LLC, New Mexico, USA, sa ilalim ng aming Responsible Use Policy. Ang uncensored ay nangangahulugang hindi nagbibigay ng opinyon ang model tungkol sa iyong input; hindi ito nangangahulugang walang termino ang account.

06Ang buong ispesipikasyon

Field	MiniMax-M3 · 3BIT-REAP
Model id	MiniMax-M3-3BIT-REAP
Pundasyon	MiniMax-M3 (MiniMax AI)
Context window	262,144 na token
Pinakamataas na output	16,384 na token
Input na larawan	Oo
Input na video	Hindi inilalantad
Streaming	Oo
Tool calling	Oo
Pangangatwiran	Oo (reasoning_effort)
Structured output	json_schema + response_format
Refusal layer	Wala
Mga endpoint	/v1/chat/completions · /v1/messages · /v1/responses
Inihahain sa	Sariling GPU cluster ng Shannon

Dalawang linya sa talahanayang iyon ang nararapat bigyang-diin. Hindi inilalantad ang input na video. Ang pundasyong M3 sa itaas ay sinanay sa video at idinodokumento ng MiniMax ang input na video; ang aming endpoint ay tumatanggap ng larawan. Bumuo laban sa larawan. Pangalawa, ang 262,144-token na window ay sa amin, hindi ang isang-milyong bilang sa itaas — planuhin ang mahabang-dokumento at maraming-larawang workload laban sa 262,144 at hindi ka kailanman mabibigla.

07Pagtawag sa uncensored na MiniMax API

Tatlong dayalekto, iisang model sa likod ng lahat, streaming sa tatlo. Gamitin kung alin ang sinasalita na ng iyong umiiral na client; walang pagkakaiba sa kakayahan sa pagitan nila. Ituro ang iyong base URL sa Shannon at palitan ang model id.

Pag-unawa sa larawan sa dayalektong 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
  }'

Parehong gumagana ang malalayong https:// na URL at ang base64 na data URL sa bahaging image_url. Magkabit ng ilang bahaging larawan sa isang mensahe kapag kailangan mo ng paghahambing sa magkaibang pahina — may 262,144 na token kang magagastos at, sa $0.50 kada milyon, mura ang paggastos ng mga ito.

Tipadong ekstraksiyon gamit ang JSON schema

Kung saan pinagsisikapan ng modelong ito ang puwesto nito sa isang pipeline ay sa kombinasyon ng vision + mahigpit na schema + sahig na presyo. Hindi lahat ng model sa aming katalogo ay may tatlo: hindi sinusuportahan ng Laguna-S-2.1 at inkling ang json_schema. Sinusuportahan ito ng MiniMax-M3, na ibig sabihin ay makakakuha ka ng napatunayang bagay mula sa isang larawan nang walang layer ng pagpaparse:

{
  "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
      }
    }
  }
}

Pagsisikap sa pangangatwiran

Inilalantad ng model ang reasoning_effort. Sa maramihang klasipikasyon ng larawan, panatilihin itong mababa — nagtatanong ka ng bagay na pang-unawa, at ang mga token ng pangangatwiran ay mga output token na binabayaran mo. Itaas ito para sa mga tawag kung saan ang larawan ay ebidensiya sa isang mas mahabang argumento: pagbabasa ng dayagram laban sa isang ispesipikasyon, pagtutugma ng tsart sa isang talahanayan, pagpapasyang kung ang dalawang screenshot ay nagpapakita ng parehong depekto.

Ang kumpletong sanggunian sa parameter, semantika ng error, at mga pormat ng streaming para sa tatlong dayalekto ay nasa dokumentasyon ng Shannon API.

08Kailan tamang piliin ang MiniMax-M3 — at kailan hindi

Abutin ito kapag

• Maramihang gawain sa larawan. Paglalagay ng label sa dataset, pananaliksik sa moderasyon, pagpapayaman ng katalogo, pagtatriage ng screenshot, maramihang OCR-at-istruktura sa mga na-scan na dokumento. Ang sahig na presyo ang buong argumento.
• Larawan tungong tipadong rekord. Ang vision kasama ang mahigpit na json_schema kasama ang pinakamurang token sa katalogo ay isang kombinasyong dalawang model lamang dito ang nag-aalok.
• Mahabang multimodal na context. Maraming pahina, o maraming frame, sa iisang kahilingan — ang arkitektura sa ilalim ay ginawa nang eksakto para sa hugis na ito ng input.
• Pananaliksik kung saan sinisira ng pagtanggi ang sampol. Anumang pag-aaral na ang bisa ay nakasalalay sa pagsagot ng model sa bawat aytem, kasama na ang mga nakakailang.
• Mga agentikong ikot na bumabasa ng screen. Hayagang agentiko ang lahi ng serye ng M, at makukuha ang tool calling.

Abutin ang iba kapag

• Kailangan mo ang pinakamataas na kisame sa vision at may badyet. Ang Kimi-K3 · 3BIT-REAP ay 7.7× ang presyo sa input at may dahilan iyon; sa isang mataas-ang-taya na pagbasa, tamang gastos iyon.
• Kailangan mo ng weights na pinakamataas ang katapatan. Ang 3-bit ang pinaka-agresibo naming antas. Ipinagpapalit ng mga modelong W8A16 ang presyo para sa presisyon, at ang MiMo-V2.5 · W8A16 ay may kakayahan sa vision sa parehong $0.50 / $2.00 kung katapatan kada weight ang ino-optimisa mo.
• Kailangan mo ng video. Hindi namin inilalantad ang input na video sa endpoint na ito.
• Purong teksto sa prontera ang gawain. Umiiral ang DeepSeek-V4-Pro-0813 para diyan; magbabayad ka ng tore ng paningin na hindi mo naman gagamitin.

Ang mga bilang sa arkitektura, benchmark at bilis para sa pamilyang MiniMax ay iniulat ng lab na MiniMax AI; ang mga bilang ng REAP ay iniulat ng mga may-akda ng REAP sa sarili nilang model at hindi sukat ng build na ito. Ang mga presyo, context window at bandila ng kakayahan ng Shannon ay amin at binabasa mula sa aming buhay na katalogo ng model.

09Mga madalas itanong

---

Mga sanggunian: model card ng 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. Ang mga bilang ng benchmark at bilis ng MiniMax ay iniulat ng lab at pansamantala habang hinihintay ang malayang pagpapatunay. Ang mga presyo at bandila ng kakayahan ng Shannon ay wasto simula Setyembre 5, 2026.