Senzurasiz MiniMax API: eng quyi narxda tasvir

Joylashtirilgan multimodal API larning deyarli hammasi tasvirni premium sifatida narxlaydi. Matn uchun matn modeli stavkasini to'laysiz, so'ng so'rovga rasm kirishi bilanoq ko'proq — ba'zan bir necha barobar ko'proq — to'laysiz. Bundan tashqari, rad etish xatti-harakati eng agressiv bo'ladigan joy ham aynan rasm kirishlari: mavzuni matnda bemalol muhokama qiladigan model xuddi shu narsani fotosuratda tasvirlashdan bosh tortadi. Natijada mahsulot har bir chaqiriqda qimmat va har bir chaqiriqda ishonchsiz bo'ladi, hajm bilan ishlaganda esa bu — ikkala dunyoning eng yomoni. Shannon dagi MiniMax-M3 bunga bizning javobimiz: eng arzon matn modelimiz uchun to'laydigan o'sha $0.50 / $2.00, birinchi qadamdan multimodal o'qitilgan poydevorga tatbiq etiladi va uning oldida rad etish qatlami turmaydi.

01Bu yerda "eng arzon senzurasiz tasvir modeli" aslida nimani anglatadi

Shannon katalogi — o'n ikkita model. Ulardan beshtasi rasm qabul qiladi. Ularning million tokendagi narxi:

Tasvirga qodir model	Kirish	Chiqish	Tuzilmali chiqish
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	faqat response_format
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 eng quyida turadi — $0.50 / $2.00 — MiMo-V2.5 bilan teng va undan pastda hech narsa yo'q, chunki $0.50 / $2.00 narx ro'yxatimizning eng quyi chegarasi o'zi. Tasvir oralig'ining yuqori uchiga qarshi u Kimi-K3 dan kirishda 7.7× va chiqishda 9.6× arzonroq.

Buni ish yukiga qo'ying. Aytaylik, siz 1,000 ta rasmni — skrinshotlar, skanerlangan sahifalar, mahsulot suratlari — saralayapsiz va o'rtacha kirishga 1,200 token rasm plyus so'rov, chiqishga 300 token javob to'g'ri keladi:

Shannon ro'yxat narxlari, 2026-yil sentabr. Token miqdorlari illyustrativ; sizning rasm tokenlashuvingiz ruxsatga va bir chaqiriqqa nechta rasm biriktirishingizga bog'liq.

Boshda saqlash foydali bo'lgan yana ikkita mo'ljal nuqtasi. Butun 262,144 tokenli kontekstni bir marta to'ldirish taxminan 13 sent turadi. Maksimal uzunlikdagi 16,384 tokenli javob taxminan 3.3 sent turadi. Bular bitta eng yomon holatdagi so'rovning haqiqiy chegaralari va ular shu qadar kichikki, tasvir quvuridagi qiziq cheklov pul bo'lishdan to'xtab, o'tkazuvchanlikka aylanadi.

02MiniMax nasli: sarlavhalarni emas, tokenlarni optimallashtiradigan laboratoriya

MiniMax AI — Shanxaydagi laboratoriya bo'lib, uning butun ochiq og'irlikli tarixi bitta savol haqida: uzun kontekst va multimodallik hashamat bo'lishdan to'xtaydigan darajada e'tiborni qanday arzonlashtirasiz? Yo'nalishdagi har bir chiqarilish — shu savolga javob va javoblar bir-birining ustiga quriladi.

MiniMax-01 — Lightning Attention va boshidanoq tasvir

MiniMax-01 seriyasi (arXiv 2501.08313 sifatida chop etilgan) har bir tokenda 45.9B aktiv bo'lgan jami 456B parametrli gibrid Mixture-of-Experts modeli ichida chiziqli e'tibor variantining kirish-chiqishni hisobga oluvchi amalga oshirilishi — Lightning Attention ni taqdim etdi. Seriya juftlik bo'lib chiqdi: MiniMax-Text-01 va tasvir modeli MiniMax-VL-01. VL-01 endi tanish bo'lgan ViT-MLP-LLM to'plamidan foydalandi, lekin qarzga olingan enkoder emas, 694 million rasm-sarlavha juftligida noldan o'qitilgan 303 million parametrli Vision Transformer bilan, so'ngra 512 milliard tokenni qayta ishlaydigan ko'p bosqichli quvur bo'ylab moslashtirilgan va birgalikda fine-tune qilingan.

Bu tafsilot siz o'qiyotgan maqola uchun muhim. Bu nasldagi tasvir — belgi qo'yish uchun matn modeliga kech mahkamlangan adapter emas. MiniMax birinchi ochiq chiqarilishidan beri o'z vizual minorasini o'qitib kelmoqda va aynan shuning uchun hujjatni tushunish, UI va skrinshotni anglash hamda diagramma o'qish oilaning keyingi o'ylangan qo'shimchasi emas, izchil kuchli tomonlari bo'lib kelgan.

MiniMax-M1 — uzoq fikrlash uchun gibrid e'tibor

MiniMax-M1 (arXiv 2506.13585) mualliflari tomonidan birinchi ochiq og'irlikli, keng miqyosli gibrid e'tiborli fikrlash modeli deb ta'riflangan. U 456B / 45.9B MoE tanasini saqlab qoldi va ikkita e'tibor turini navbatlashtirdi: har yettita Lightning Attention blokidan keyin an'anaviy softmax e'tiborli transformer bloki. Foyda reyting jadvalidagi o'rin emas, hisoblash bilan o'lchandi — MiniMax xabar berishicha, 100K tokenli generatsiya uzunligida M1 DeepSeek R1 ning FLOP larining taxminan 25% ini iste'mol qildi va shu bilan birga bir million tokenli kontekstni nativ qo'llab-quvvatladi.

MiniMax-M2 — kichik aktivatsiyaga burilish

MiniMax-M2 o'lcham bo'yicha teskari yo'nalishga ketdi va shu bilan e'tibor qozondi: 62 qatlamli dekoder, jami 229.9B parametr, lekin har bir tokenda atigi ~9.8B aktiv, har bir MoE qatlamida 256 mayda donali ekspert va ulardan sakkiztasiga sigmoid yo'naltirish, o'qitish barqarorligi uchun RoPE pozitsiyalari va QK-RMSNorm. U ochiqchasiga agentlik kodlash modeli edi — ko'p faylli tahrirlar, ishga tushirib-tuzatish sikllari, testda tasdiqlangan tuzatishlar — va o'zaro to'qilgan fikrlash formatini taqdim etdi, unda mulohaza har bir navbatdan keyin tashlab yuborilmasdan, vosita chaqirish raundlari orasida olib o'tiladi. M2 — MiniMax ga aktivatsiyalarni sof ravishda kichik ushlab turish hisobiga har bir tokendagi narxning bir bo'lagida chegaraga yaqin agentlik xulqini yetkazish obro'sini bergan model.

MiniMax-M3 — bu endpoint ostidagi poydevor

MiniMax-M3 2026-yil 1-iyunda chiqarildi, og'irliklari ko'p o'tmay Hugging Face da, texnik hisoboti esa arXiv 2606.13392 da paydo bo'ldi. Bu — har bir tokenda taxminan 23B aktiv bo'lgan 428B parametrli Mixture-of-Experts modeli, hujjatlashtirilgan bir million tokenli kontekst va nativ rasm hamda video kirishi bilan — MiniMax uni matnda oldindan o'qitilib keyin multimodal moslashtirilgan emas, "eng birinchi qadamdan" aralash modallikda o'qitilgan deb ta'riflaydi. MiniMax ning o'zi chop etgan raqamlariga ko'ra u SWE-bench Verified da 80.5% va SWE-bench Pro da 59.0% ko'rsatadi. Bular kodlash benchmarkidagi ishlab chiqaruvchi tomonidan e'lon qilingan ko'rsatkichlar va ularni aynan shunday tarozida ko'rish kerak; biz ularni mustaqil takrorlaganimiz uchun emas, laboratoriyaning e'lon qilingan da'volari bo'lgani uchun keltiramiz.

03MiniMax Sparse Attention: nega tasvir modeli shunchalik arzon bo'la oladi

M3 dagi qiziq muhandislik — MiniMax Sparse Attention (MSA) va bu o'lchamdagi multimodal model bizning eng quyi narximizda tura olishining bevosita sababi shu. Rasmlar token jihatdan qimmat. Bir hovuch yuqori ruxsatli sahifa siz bitta ko'rsatma yozmasingizdan oldin so'rovga o'n minglab token qo'yishi mumkin. Standart e'tibor ostida bu narx kvadratik ravishda to'planadi va yigirma sahifani o'qigan model o'ntasini o'qiganidan ikki barobar qimmat emas — u ikki barobardan ancha yomonroq.

MSA o'sha egri chiziqning shaklini o'zgartiradi. Bu — Grouped Query Attention o'zagi ustiga qurilgan blok-siyrak mexanizm, ikkita tarmoqqa bo'lingan:

• Kalit-qiymat bloklarini baholaydigan — har bir blok ichidagi tokenlar bo'ylab ballarni max-pooling qiladigan — va har bir so'rov pozitsiyasi hamda har bir GQA guruhi uchun eng yaxshi k tasini tanlaydigan yengil Index Branch, o'qitish barqarorligi uchun so'rovning o'zi joylashgan lokal blokni doim qo'shgan holda.
• Faqat indeks tanlagan bloklar ustidan oddiy softmax e'tiborni ishga tushiradigan Main Branch.

MSA maqolasidagi konfiguratsiya — k = 128 tokenli 16 blok, bu har bir so'rovga 2,048 ta e'tibor beriladigan tokenning qat'iy byudjetini beradi. Qat'iy, ya'ni u ketma-ketlik uzunligi bilan o'smaydi. Butun hiyla shunda: kontekst o'sgani sari zich bazaviy modelning e'tibor narxi ko'tarilib boradi, MSA ning asosiy tarmog'i narxi esa tekis qoladi, shuning uchun e'tibor kvadratik emas, chiziqli miqyoslanadi.

Ko'rsatkichlar MiniMax Sparse Attention hisobotidan (arXiv 2606.13392): 1M kontekstda teng sozlangan GQA ga nisbatan har bir tokendagi e'tibor FLOP larining 28.4× kamayishi hamda maqoladagi 109B parametrli tadqiqotda H800 apparatida o'lchangan 14.2× prefill / 7.6× dekod real vaqt tezlanishi. MiniMax alohida ravishda 1M kontekstda M3 uchun M2 ga nisbatan 9× prefill va 15× dekod tezlanishini xabar qiladi. Hammasi laboratoriya tomonidan e'lon qilingan.

Maqola tasvir haqidagi maqola uchun muhim bo'lgan tekshiruvni ham o'tkazadi: nativ multimodal 109B MoE da MSA AI2D, ChartQA va MMMU ni o'z ichiga olgan rasm benchmarklari hamda EgoSchema, LongVideoBench va VideoMME ni o'z ichiga olgan video benchmarklari bo'ylab to'liq e'tiborli bazaviy modelga solishtirma natijani ushlab turdi — siyrak variantlar ba'zan uzunroq kontekstli video vazifalarda yaxshiroq ko'rsatgan holda. Bu yerdagi siyraklik tezlik uchun to'laydigan sifat solig'i emas; uzun kirishlarda u deyarli bepulga o'xshaydi.

Mijoz sifatida nega buni qadrlashingiz kerak: ro'yxat narxini xizmat ko'rsatish xarajati belgilaydi. E'tibor narxi o'sishdan to'xtaydigan poydevor — bu yuz ming rasmga yo'naltirishga qurbingiz yetadigan poydevor. "Eng arzon senzurasiz tasvir modeli" ortidagi mexanizm shu — bu reklama stavkasi emas, bu arxitektura.

043BIT-REAP nimani anglatadi va u sizga qayerda qimmatga tushadi

428 milliard parametrli model to'liq aniqlikda hech qayerga qulay sig'maydi. Bizning MiniMax-M3 yig'mamiz 3BIT-REAP qo'shimchasini olib yuradi, u esa aniq tartibda qo'llanilgan ikkita alohida amalni ta'riflaydi.

REAP: ekspertlarni siqishdan oldin o'chiring

REAP — Router-weighted Expert Activation Pruning — Cerebras va Kalgari universitetidan chiqqan bir zarbali MoE siqish usuli bo'lib, arXiv 2510.13999 sifatida chop etilgan va ICLR 2026 ga qabul qilingan. Uning dalili shuki, generativ vazifalar uchun ekspertlarni kesish ularni birlashtirishdan ustun keladi: birlashtirish routerning mayda donali nazoratini yo'q qiladi va hech qachon tiklab bo'lmaydigan xatolikni kiritadi. Shuning uchun REAP buning o'rniga har bir ekspertni router darvoza qiymatlari (router uni qanchalik tez-tez va qanchalik kuchli tanlashi) hamda ekspert aktivatsiya normalari (uning chiqishi haqiqatan qancha hissa qo'shishi) ni birlashtirgan ahamiyatlilik mezoni bilan baholaydi, so'ng eng kam ahamiyatli ekspertlarni butunlay o'chiradi.

Mualliflar bir trillion parametrgacha bo'lgan modellardan ekspertlarning 50% igacha olib tashlab, bazaviy sifatni asosan saqlab qolganini xabar qiladilar — 50% kesishdagi Qwen3-480B-Coder-FP8 da agentlik bo'lmagan kodlash qobiliyatining 97.6% i va agentlik SWE-Bench da 96.7% i saqlanib qolgan. Bular maqolaning o'z modellaridagi maqola raqamlari, bizning MiniMax-M3 dagi raqamlarimiz emas; biz ularni bu yerda teng o'lchov borligini nazarda tutish uchun emas, usulni baholay olishingiz uchun keltiramiz.

Ikkinchisi — 3-bitli og'irliklar

Omon qolgan og'irliklar keyin 3 bitda saqlanadi. Tartib ataylab tanlangan va birikmaning butun ma'nosi shunda: avval kesish, keyin kvantlash. Siz o'chirmoqchi bo'lgan ekspertlarni sodiq kodlashga har bir og'irlikka to'g'ri keladigan qimmatli uchta bitni sarflashda ma'no yo'q. Siyrak dumni kesib tashlang, so'ng qolgan byudjet butunlay haqiqatan ishga tushadigan ekspertlarga ketsin.

Halol izoh

3BIT-REAP — biz beradigan eng agressiv daraja. Biz uni eng katta poydevorlarda ishlatamiz — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — chunki bu o'sha modellarning oqilona narxda mavjud bo'lishi bilan umuman mavjud bo'lmasligi orasidagi farq. Poydevor unga muhtoj bo'lmaguday kichik bo'lsa, biz uni ishlatmaymiz: katalogdagi W8A16 modellari 8-bitli og'irliklarni 16-bitli aktivatsiyalar bilan ishlatadi, W4A16-AUTOROUND-REAP esa o'rtada turadi va sodda eng yaqinga yaxlitlovchi kvantlash yo'qotadigan aniqlikni tiklash uchun AutoRound ning o'rganiladigan yaxlitlashidan foydalanadi. Chidamlilik darajangizga mos keladigan darajani tanlang. Agar siz o'n ming hisob-fakturadan maydonlarni ajratib olayotgan bo'lsangiz, 3-bit — to'g'ri kelishuv. Agar bitta rasmni yuqori mas'uliyatli ekspertiza uchun bir marta o'qiyotgan bo'lsangiz, pulni Kimi-K3 ga sarflang.

05Kirish rasm bo'lganda "rad etish qatlami yo'q" nimani anglatadi

Senzurasiz — erkin ishlatiladigan so'z, shuning uchun aniq da'vo mana bu: bu endpointda rad etish qatlami yo'q va chiqishga filtr qo'llanmaydi. Model rasmni ko'rishidan oldin hech qanday klassifikator uni tekshirmaydi. Chiqish yo'lidagi tokenlarni hech qanday siyosat modeli tekshirmaydi. Model nima ishlab chiqarsa, siz shuni olasiz.

Matnda buning ta'siri tanish. Tasvirda esa u tur jihatdan boshqacha, chunki tijoriy multimodal API lar eng konservativ va eng o'zboshimcha bo'ladigan joy aynan rasm kirishlaridagi rad etish xatti-harakati. Xarakterli nosozliklar shunday ko'rinadi:

• Yoppasiga shaxsni rad etish — fotosuratdagi odamlarni umuman tasvirlashdan bosh tortish, jumladan ochiq ko'rinib turgan va butunlay zararsiz belgilarni ham, chunki siyosat tasvirlashni identifikatsiyadan ajrata olmaydi.
• Mavzudan qochish — transkripsiya mexanik vazifa bo'lsa ham, hujjat nima haqidaligi sababli uni ko'chirish yoki xulosalashdan bosh tortish.
• Tibbiy va ekspertiza jirkanchligi — mutaxassisga tasvirlab berilishi kerak bo'lgan klinik tasvirlar, jarohat hujjatlari yoki baxtsiz hodisa suratlarini tasvirlashdan bosh tortish.
• Xavfsizlik asboblarida yolg'on ijobiy natijalar — terminal, paket yozuvi yoki debugger borligi uchun skrinshotni o'qishdan bosh tortish.
• Jimgina yomonlashuv — eng yomoni: rad etish emas, balki chetlab o'tilgan javobsizlik, u sxema tekshiruvingizdan o'tadi va hech qanday xato chiqarmasdan ma'lumotlar to'plamingizni zaharlaydi.

Beshalasidagi operatsion muammo ularning adolatsizligi emas. Muammo shundaki, ular o'lchab bo'lmaydigan. Noto'g'ri javob — ma'lumot nuqtasi; uni baholash, baholovda ushlash va tuzatish mumkin. Rad etish esa — teshik. Ommaviy hajmda kirishlaringiz bo'ylab tasodifiy bo'lmagan tarzda taqsimlangan — tuzilishiga ko'ra aynan qiyin va g'ayrioddiy holatlarga jamlangan — 3% lik rad etish darajasi natijalaringizdagi tizimli og'ish bo'lib, uni keyingi bosqichdagi hech qanday tozalash tiklay olmaydi. Rad etish qatlamini olib tashlash jimgina, o'zaro bog'liq yo'qolgan ma'lumot manbasini olib tashlaydi.

Shannon ni Shannon Lab LLC, Nyu-Meksiko, AQSh boshqaradi va u Mas'uliyatli Foydalanish Siyosatimiz doirasida ishlaydi. Senzurasiz degani — model sizning kirishlaringiz haqida o'z mulohazasini bildirmaydi; bu akkauntda shartlar yo'q degani emas.

06To'liq spetsifikatsiya

Maydon	MiniMax-M3 · 3BIT-REAP
Model id	MiniMax-M3-3BIT-REAP
Poydevor	MiniMax-M3 (MiniMax AI)
Kontekst oynasi	262,144 token
Maksimal chiqish	16,384 token
Rasm kirishi	Ha
Video kirishi	Ochilmagan
Striming	Ha
Vosita chaqirish	Ha
Fikrlash	Ha (reasoning_effort)
Tuzilmali chiqish	json_schema + response_format
Rad etish qatlami	Yo'q
Endpointlar	/v1/chat/completions · /v1/messages · /v1/responses
Qayerda xizmat qiladi	Shannon ning o'z GPU klasteri

O'sha jadvaldagi ikkita qator alohida ta'kidga loyiq. Video kirishi ochilmagan. Yuqori oqimdagi M3 poydevori videoda o'qitilgan va MiniMax video kirishini hujjatlashtiradi; bizning endpointimiz rasm qabul qiladi. Rasmlarga qarab quring. Ikkinchidan, 262,144 tokenli oyna — bizniki, yuqori oqimdagi bir million ko'rsatkichi emas; uzun hujjatli va ko'p rasmli ish yuklarini 262,144 ga qarab rejalashtiring va hech qachon kutilmagan holatga tushmaysiz.

07Senzurasiz MiniMax API ni chaqirish

Uchta dialekt, hammasining ortida bir xil model, uchalasida ham striming. Mavjud klientingiz allaqachon qaysi tilda gaplashsa, o'shanisini ishlating; ular orasida qobiliyat farqi yo'q. Bazaviy URL ingizni Shannon ga yo'naltiring va model id sini o'zgartiring.

OpenAI dialekti orqali rasmni tushunish

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
  }'

Uzoqdagi https:// URL lar ham, base64 data URL lar ham image_url qismida ishlaydi. Sahifalararo taqqoslash kerak bo'lganda bitta xabarga bir nechta rasm qismini biriktiring — sarflashga 262,144 tokeningiz bor va millioniga $0.50 da ularni sarflash arzon.

JSON sxema bilan tiplashtirilgan ajratib olish

Bu model quvurdagi o'z o'rnini tasvir + qat'iy sxema + eng quyi narx birikmasi bilan oqlaydi. Katalogimizdagi har bir modelda uchalasi ham yo'q: Laguna-S-2.1 va inkling json_schema ni qo'llab-quvvatlamaydi. MiniMax-M3 qo'llab-quvvatlaydi, ya'ni rasmdan tekshirilgan obyektni ajratish qatlamisiz olishingiz mumkin:

{
  "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
      }
    }
  }
}

Fikrlash intensivligi

Model reasoning_effort ni ochadi. Ommaviy rasm tasniflashda uni past ushlang — siz idrok savolini berayapsiz, fikrlash tokenlari esa siz to'laydigan chiqish tokenlari. Rasm uzunroq dalilning bir qismi bo'lgan chaqiriqlar uchun uni ko'taring: diagrammani spetsifikatsiyaga qarab o'qish, diagrammani jadval bilan kelishtirish, ikkita skrinshot bir xil nuqsonni ko'rsatayotganini hal qilish.

Uchala dialekt uchun parametrlarning to'liq ma'lumotnomasi, xato semantikasi va striming formatlari Shannon API hujjatlarida.

08MiniMax-M3 qayerda to'g'ri tanlov — va qayerda emas

Bunga qo'l cho'zing, agar

• Katta hajmli rasm ishi. Ma'lumotlar to'plamiga yorliq qo'yish, moderatsiya tadqiqoti, katalogni boyitish, skrinshot saralash, skanerlangan hujjatlar ustidan ommaviy OCR va tuzilmalashtirish. Eng quyi narx — butun dalilning o'zi.
• Rasmlardan tiplashtirilgan yozuvlar. Tasvir plyus qat'iy json_schema plyus katalogdagi eng arzon tokenlar — bu birikmani bu yerda faqat ikkita model taklif qiladi.
• Uzun multimodal kontekst. Bitta so'rovda ko'p sahifa yoki ko'p kadr — ostidagi arxitektura aynan shu shakldagi kirish uchun qurilgan.
• Rad etishlar namunani buzadigan tadqiqot. Haqiqiyligi modelning har bir bandga, jumladan noqulaylariga ham javob berishiga bog'liq bo'lgan har qanday tadqiqot.
• Ekranni o'qiydigan agentlik sikllari. M-seriya nasli ochiqchasiga agentlik va vosita chaqirish mavjud.

Boshqa narsaga qo'l cho'zing, agar

• Sizga eng yuqori tasvir shifti kerak va byudjet bor. Kimi-K3 · 3BIT-REAP kirish narxida 7.7× qimmat bo'lishining sababi bor; bitta yuqori mas'uliyatli o'qishda bu — sarflashga arziydigan pul.
• Sizga maksimal sadoqatli og'irliklar kerak. 3-bit — bizning eng agressiv darajamiz. W8A16 modellari narxni aniqlikka almashtiradi va agar siz har bir og'irlikdagi sadoqatni optimallashtirayotgan bo'lsangiz, MiMo-V2.5 · W8A16 xuddi shu $0.50 / $2.00 da tasvirga qodir.
• Sizga video kerak. Bu endpointda biz video kirishini ochmaymiz.
• Vazifa chegaradagi sof matn. Buning uchun DeepSeek-V4-Pro-0813 bor; aks holda siz hech qachon ishlatmaydigan tasvir minorasi uchun to'lagan bo'lasiz.

MiniMax oilasi uchun arxitektura, benchmark va tezlanish ko'rsatkichlari MiniMax AI tomonidan laboratoriya sifatida xabar qilingan; REAP ko'rsatkichlari REAP mualliflari tomonidan o'z modellarida xabar qilingan va bu yig'maning o'lchovi emas. Shannon narxlari, kontekst oynasi va qobiliyat bayroqlari bizniki va jonli model katalogimizdan o'qiladi.

09Ko'p beriladigan savollar

---

Manbalar: MiniMax-M3 model kartasi · 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 va tezlanish ko'rsatkichlari laboratoriya tomonidan xabar qilingan va mustaqil tekshiruvgacha muvaqqat. Shannon narxlari va qobiliyat bayroqlari 2026-yil 5-sentabr holatiga ko'ra dolzarb.