API MiniMax không kiểm duyệt: thị giác ở mức giá sàn

Gần như mọi API đa phương thức được lưu trữ đều tính thị giác như một khoản cao cấp. Bạn trả giá mô hình văn bản cho văn bản, rồi trả thêm — đôi khi gấp mấy lần — ngay khi một tấm ảnh lọt vào prompt. Trên hết, đầu vào ảnh là nơi hành vi từ chối hung hăng nhất: mô hình sẵn sàng bàn một chủ đề bằng chữ lại từ chối mô tả đúng thứ đó trong một bức ảnh. Kết quả là một sản phẩm vừa đắt trên mỗi lệnh gọi vừa không đáng tin trên mỗi lệnh gọi, tức là tệ cả đôi đường khi bạn xử lý khối lượng lớn. MiniMax-M3 trên Shannon là câu trả lời của chúng tôi cho chuyện đó: vẫn $0.50 / $2.00 như mô hình văn bản rẻ nhất của chúng tôi, áp lên một nền tảng được huấn luyện đa phương thức ngay từ bước đầu tiên, không có lớp từ chối nào đứng chắn phía trước.

01“Mô hình thị giác không kiểm duyệt rẻ nhất” thực sự nghĩa là gì ở đây

Danh mục Shannon có mười hai mô hình. Năm trong số đó nhận ảnh. Giá của chúng, tính trên mỗi triệu token:

Mô hình có thị giác	Đầu vào	Đầu ra	Đầu ra có cấu trúc
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	chỉ response_format
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	json_schema + response_format

MiniMax-M3 nằm ở mức sàn — $0.50 / $2.00 — ngang bằng MiMo-V2.5 và không có gì thấp hơn, bởi $0.50 / $2.00 chính là mức sàn của bảng giá chúng tôi. So với đỉnh của dải mô hình thị giác, nó rẻ hơn 7.7× ở đầu vào và 9.6× ở đầu ra so với Kimi-K3.

Hãy đặt điều đó vào một khối lượng công việc thực. Giả sử bạn phân loại 1.000 tấm ảnh — ảnh chụp màn hình, trang tài liệu quét, ảnh sản phẩm — trung bình khoảng 1.200 token ảnh cộng prompt đi vào và 300 token câu trả lời đi ra:

Giá niêm yết của Shannon, tháng 9 năm 2026. Số token chỉ mang tính minh họa; việc token hóa ảnh của bạn phụ thuộc vào độ phân giải và số ảnh bạn đính kèm mỗi lệnh gọi.

Thêm hai mốc tham chiếu đáng nhớ. Lấp đầy toàn bộ ngữ cảnh 262.144 token một lần tốn khoảng 13 xu. Một phản hồi dài tối đa 16.384 token tốn khoảng 3.3 xu. Đó là biên thật của một yêu cầu tệ nhất có thể, và chúng nhỏ đến mức ràng buộc đáng quan tâm của một pipeline thị giác không còn là tiền mà chuyển thành thông lượng.

02Phả hệ MiniMax: một phòng lab tối ưu token, không tối ưu tiêu đề

MiniMax AI là phòng lab ở Thượng Hải mà toàn bộ thành tích trọng số mở xoay quanh đúng một câu hỏi: làm sao khiến attention đủ rẻ để ngữ cảnh dài và đa phương thức thôi là thứ xa xỉ? Mỗi bản phát hành trong dòng này là một câu trả lời cho câu hỏi đó, và các câu trả lời chồng lên nhau.

MiniMax-01 — Lightning Attention, và thị giác ngay từ đầu

Loạt MiniMax-01 (công bố dưới mã arXiv 2501.08313) giới thiệu Lightning Attention, một cách hiện thực hóa có ý thức về I/O của một biến thể attention tuyến tính, bên trong một mô hình Mixture-of-Experts lai với 456 tỷ tham số tổng và 45,9 tỷ tham số kích hoạt mỗi token. Loạt này ra mắt theo cặp: MiniMax-Text-01 và MiniMax-VL-01, mô hình thị giác. VL-01 dùng chồng ViT-MLP-LLM giờ đã quen thuộc, nhưng với một Vision Transformer 303 triệu tham số huấn luyện từ đầu trên 694 triệu cặp ảnh-chú thích thay vì mượn một bộ mã hóa có sẵn, sau đó được căn chỉnh và tinh chỉnh chung qua một pipeline nhiều giai đoạn xử lý 512 tỷ token.

Chi tiết đó quan trọng với bài bạn đang đọc. Thị giác trong dòng này không phải một bộ chuyển đổi gắn muộn lên một mô hình văn bản để tích ô. MiniMax đã tự huấn luyện tháp thị giác của mình từ bản phát hành mở đầu tiên, và đó là lý do hiểu tài liệu, đọc giao diện và ảnh chụp màn hình, đọc biểu đồ luôn là điểm mạnh nhất quán của dòng này chứ không phải phần thêm vào sau.

MiniMax-M1 — attention lai để suy luận dài

MiniMax-M1 (arXiv 2506.13585) được các tác giả mô tả là mô hình suy luận attention lai quy mô lớn, trọng số mở đầu tiên. Nó giữ thân MoE 456 tỷ / 45,9 tỷ và đan xen hai loại attention: một khối transformer softmax-attention thông thường sau mỗi bảy khối Lightning Attention. Phần lời được đo bằng lượng tính toán chứ không bằng thứ hạng bảng xếp hạng — MiniMax báo cáo rằng ở độ dài sinh 100K token, M1 tiêu tốn khoảng 25% số FLOPs của DeepSeek R1, trong khi vẫn hỗ trợ nguyên bản ngữ cảnh một triệu token.

MiniMax-M2 — bước ngoặt kích hoạt nhỏ

MiniMax-M2 đi ngược lại về kích thước và được chú ý vì điều đó: một bộ giải mã 62 lớp với 229,9 tỷ tham số tổng nhưng chỉ khoảng 9,8 tỷ kích hoạt mỗi token, dùng 256 expert mịn mỗi lớp MoE với định tuyến sigmoid tới tám trong số đó, vị trí RoPE và QK-RMSNorm để ổn định huấn luyện. Nó là một mô hình lập trình thiên agent một cách tường minh — sửa nhiều tệp, vòng lặp chạy-sửa, vá lỗi được kiểm chứng bằng test — và nó giới thiệu định dạng suy nghĩ đan xen, trong đó phần suy luận được mang qua giữa các vòng gọi tool thay vì bị bỏ đi sau mỗi lượt. M2 là mô hình đã tạo dựng danh tiếng của MiniMax về việc mang lại hành vi agent gần biên giới công nghệ với một phần nhỏ chi phí trên mỗi token, thuần túy nhờ giữ số tham số kích hoạt cực nhỏ.

MiniMax-M3 — nền tảng dưới endpoint này

MiniMax-M3 phát hành ngày 1 tháng 6, 2026, trọng số lên Hugging Face ngay sau đó và một báo cáo kỹ thuật ở arXiv 2606.13392. Đây là một mô hình Mixture-of-Experts 428 tỷ tham số với khoảng 23 tỷ kích hoạt mỗi token, ngữ cảnh một triệu token theo tài liệu, và đầu vào ảnh và video nguyên bản — MiniMax mô tả nó được huấn luyện trộn phương thức “ngay từ bước đầu tiên”, chứ không phải tiền huấn luyện văn bản rồi mới thích ứng đa phương thức. Theo số liệu MiniMax tự công bố, nó đạt 80.5% trên SWE-bench Verified và 59.0% trên SWE-bench Pro. Đó là những con số do nhà cung cấp báo cáo trên một benchmark lập trình, và bạn nên cân nhắc chúng đúng như vậy; chúng tôi trích dẫn vì đó là tuyên bố công bố của phòng lab, chứ không phải vì chúng tôi đã tái lập độc lập.

03MiniMax Sparse Attention: vì sao một mô hình thị giác có thể rẻ đến thế

Phần kỹ thuật thú vị trong M3 là MiniMax Sparse Attention (MSA), và nó là lý do trực tiếp khiến một mô hình đa phương thức cỡ này nằm được ở mức giá sàn của chúng tôi. Ảnh rất tốn token. Một nhúm trang độ phân giải cao có thể nhét hàng chục nghìn token vào prompt trước khi bạn viết được một dòng chỉ dẫn. Dưới attention tiêu chuẩn, chi phí đó tăng theo bậc hai, và mô hình đọc hai mươi trang không đắt gấp đôi mô hình đọc mười trang — nó tệ hơn gấp đôi rất nhiều.

MSA thay đổi hình dạng của đường cong đó. Đây là một cơ chế thưa theo khối dựng trên xương sống Grouped Query Attention, tách thành hai nhánh:

• Một Nhánh Chỉ mục nhẹ, chấm điểm các khối key-value — lấy max-pooling điểm số trên các token trong từng khối — và chọn top-k cho mỗi vị trí truy vấn và mỗi nhóm GQA, luôn bao gồm khối cục bộ chứa chính truy vấn đó để ổn định huấn luyện.
• Một Nhánh Chính chạy softmax attention thông thường chỉ trên những khối mà nhánh chỉ mục đã chọn.

Cấu hình trong bài báo MSA là k = 16 khối, mỗi khối 128 token, cho mỗi truy vấn một ngân sách cố định 2.048 token được chú ý tới. Cố định, tức là nó không tăng theo độ dài chuỗi. Đó là toàn bộ mẹo: khi ngữ cảnh lớn dần, chi phí attention của một mô hình dày đặc cứ leo lên trong khi chi phí nhánh chính của MSA giữ nguyên, nên attention tăng tuyến tính thay vì bậc hai.

Các con số lấy từ báo cáo MiniMax Sparse Attention (arXiv 2606.13392): giảm 28.4× số FLOPs attention trên mỗi token so với GQA cấu hình tương đương ở ngữ cảnh 1M, và tăng tốc thời gian thực 14.2× khi prefill / 7.6× khi decode, đo trên phần cứng H800 trong nghiên cứu 109 tỷ tham số của bài báo. MiniMax báo cáo riêng mức tăng tốc 9× khi prefill và 15× khi decode của M3 so với M2 ở ngữ cảnh 1M. Tất cả đều do phòng lab báo cáo.

Bài báo cũng làm phép kiểm tra quan trọng nhất đối với một bài viết về thị giác: trên một MoE 109 tỷ tham số đa phương thức nguyên bản, MSA giữ hiệu năng ngang với nền attention đầy đủ trên các benchmark ảnh gồm AI2D, ChartQA và MMMU, và trên các benchmark video gồm EgoSchema, LongVideoBench và VideoMME — với các biến thể thưa đôi khi còn tốt hơn ở những tác vụ video ngữ cảnh dài. Ở đây, tính thưa không phải khoản thuế chất lượng bạn trả để đổi lấy tốc độ; trên đầu vào dài, nó gần như miễn phí.

Vì sao bạn nên quan tâm với tư cách khách hàng: chi phí phục vụ là thứ định ra giá niêm yết. Một nền tảng có chi phí attention ngừng tăng là một nền tảng bạn đủ sức chĩa vào một trăm nghìn tấm ảnh. Đó là cơ chế phía sau cụm từ “mô hình thị giác không kiểm duyệt rẻ nhất” — nó không phải một mức giá khuyến mãi, nó là kiến trúc.

043BIT-REAP nghĩa là gì, và nó lấy đi của bạn thứ gì

Một mô hình 428 tỷ tham số không vừa vào chỗ nào tiện lợi ở độ chính xác đầy đủ. Bản MiniMax-M3 của chúng tôi mang hậu tố 3BIT-REAP, mô tả hai thao tác riêng biệt áp dụng theo một thứ tự cụ thể.

REAP: xóa expert trước khi nén chúng

REAP — Router-weighted Expert Activation Pruning — là một phương pháp nén MoE một lần từ Cerebras và Đại học Calgary, công bố dưới mã arXiv 2510.13999 và được nhận tại ICLR 2026. Luận điểm của nó là với các tác vụ sinh, cắt tỉa expert tốt hơn gộp chúng: gộp phá vỡ khả năng điều khiển tinh vi của router và đưa vào một sai số mà bạn không bao giờ lấy lại được. Vì thế REAP chấm điểm từng expert bằng một tiêu chí nổi bật kết hợp giá trị cổng router (router chọn nó thường xuyên và mạnh đến đâu) và chuẩn kích hoạt của expert (đầu ra của nó thực sự đóng góp bao nhiêu), rồi xóa thẳng những expert ít quan trọng nhất.

Các tác giả báo cáo việc loại bỏ tới 50% số expert khỏi những mô hình lớn cỡ một nghìn tỷ tham số mà phần lớn vẫn giữ được chất lượng gốc — trên Qwen3-480B-Coder-FP8 ở mức cắt tỉa 50%, giữ lại 97.6% năng lực lập trình phi agent so với nền và 96.7% trên SWE-Bench dạng agent. Đó là những con số của bài báo trên mô hình của bài báo, không phải của chúng tôi trên MiniMax-M3; chúng tôi trích dẫn để bạn đánh giá phương pháp, không phải để ngụ ý có một phép đo tương đương ở đây.

Trọng số 3-bit, bước hai

Những trọng số còn sống sót sau đó được lưu ở 3 bit. Thứ tự này là có chủ ý và chính là điểm mấu chốt của tổ hợp: cắt tỉa trước, lượng tử hóa sau. Chẳng có lý do gì tiêu ba bit quý giá trên mỗi trọng số để mã hóa trung thực những expert mà bạn sắp xóa. Hãy cắt cái đuôi thưa, rồi để toàn bộ ngân sách còn lại dồn cho các expert thực sự kích hoạt.

Lưu ý trung thực

3BIT-REAP là bậc quyết liệt nhất chúng tôi phát hành. Chúng tôi dùng nó cho các nền tảng lớn nhất — MiniMax-M3, Kimi-K3, DeepSeek-V4-Pro, GLM-5.2, Nemotron3Ultra — vì nó là khác biệt giữa việc có những mô hình đó ở mức giá hợp lý và việc hoàn toàn không có chúng. Ở đâu nền tảng đủ nhỏ để không cần tới nó, chúng tôi không dùng: các mô hình W8A16 trong danh mục chạy trọng số 8-bit với kích hoạt 16-bit, còn W4A16-AUTOROUND-REAP nằm ở giữa, dùng cách làm tròn học được của AutoRound để lấy lại phần độ chính xác mà lượng tử hóa làm tròn ngây thơ đánh mất. Hãy chọn bậc khớp với mức chịu đựng của bạn. Nếu bạn trích xuất trường dữ liệu từ mười nghìn hóa đơn, 3-bit là đánh đổi đúng. Nếu bạn đọc pháp y một tấm ảnh duy nhất với rủi ro cao, hãy bỏ tiền cho Kimi-K3.

05“Không lớp từ chối” nghĩa là gì khi đầu vào là một tấm ảnh

“Không kiểm duyệt” là một từ hay bị dùng lỏng lẻo, nên đây là tuyên bố chính xác: trên endpoint này không có lớp từ chối và không có lọc đầu ra. Không bộ phân loại nào soi ảnh của bạn trước khi mô hình nhìn thấy nó. Không mô hình chính sách nào soi các token trên đường ra. Mô hình sinh ra gì thì bạn nhận đúng cái đó.

Trong văn bản, tác dụng của điều đó đã quen thuộc. Trong thị giác, nó khác về bản chất, vì hành vi từ chối trên đầu vào ảnh là nơi các API đa phương thức thương mại bảo thủ nhất và tùy tiện nhất. Các kiểu hỏng đặc trưng trông như sau:

• Từ chối danh tính vơ đũa cả nắm — không chịu mô tả người trong ảnh, kể cả những đặc điểm hiển nhiên nhìn thấy được và hoàn toàn vô hại, vì một chính sách không phân biệt nổi mô tả với định danh.
• Bỏ cuộc theo chủ đề — từ chối phiên âm hay tóm tắt một tài liệu vì nội dung tài liệu nói về cái gì, dù phiên âm chỉ là một tác vụ máy móc.
• Ngại ngùng y khoa và pháp y — không chịu mô tả hình ảnh lâm sàng, tư liệu thương tích, hay ảnh hiện trường tai nạn mà một chuyên gia cần được mô tả.
• Dương tính giả với công cụ bảo mật — từ chối đọc một ảnh chụp màn hình vì trong đó có terminal, một bản bắt gói tin, hay một trình gỡ lỗi.
• Suy giảm âm thầm — kiểu tệ nhất: không phải một lời từ chối mà là một câu trả lời né tránh, vẫn lọt qua kiểm tra schema của bạn và đầu độc tập dữ liệu mà không hề báo lỗi.

Vấn đề vận hành với cả năm kiểu trên không phải là chúng bất công. Mà là chúng không đo được. Một câu trả lời sai là một điểm dữ liệu; bạn chấm được nó, bắt được nó khi đánh giá, và hiệu chỉnh được. Một lời từ chối là một lỗ hổng. Ở quy mô lô, tỷ lệ từ chối 3% phân bố không ngẫu nhiên trên đầu vào của bạn — theo cấu tạo, dồn đúng vào những ca khó và bất thường — là một thiên lệch hệ thống trong kết quả mà không lượng dọn dẹp hậu kỳ nào cứu nổi. Bỏ lớp từ chối là bỏ đi một nguồn dữ liệu thiếu âm thầm và có tương quan.

Shannon được vận hành bởi Shannon Lab LLC, New Mexico, Hoa Kỳ, theo Chính sách Sử dụng Có trách nhiệm của chúng tôi. Không kiểm duyệt nghĩa là mô hình không bình phẩm về đầu vào của bạn; nó không có nghĩa là tài khoản không có điều khoản nào.

06Đặc tả đầy đủ

Trường	MiniMax-M3 · 3BIT-REAP
Model id	MiniMax-M3-3BIT-REAP
Nền tảng	MiniMax-M3 (MiniMax AI)
Cửa sổ ngữ cảnh	262.144 token
Đầu ra tối đa	16.384 token
Đầu vào ảnh	Có
Đầu vào video	Không mở
Streaming	Có
Gọi tool	Có
Suy luận	Có (reasoning_effort)
Đầu ra có cấu trúc	json_schema + response_format
Lớp từ chối	Không có
Endpoint	/v1/chat/completions · /v1/messages · /v1/responses
Phục vụ trên	Cụm GPU của riêng Shannon

Hai dòng trong bảng đó đáng được nhấn mạnh. Đầu vào video không được mở. Nền tảng M3 gốc có được huấn luyện trên video và MiniMax có ghi nhận đầu vào video; endpoint của chúng tôi nhận ảnh. Hãy xây dựng dựa trên ảnh. Thứ hai, cửa sổ 262.144 token là của chúng tôi, không phải con số một triệu của bản gốc — hãy lập kế hoạch cho tài liệu dài và khối lượng nhiều ảnh theo mốc 262.144 và bạn sẽ không bao giờ bị bất ngờ.

07Gọi API MiniMax không kiểm duyệt

Ba phương ngữ, cùng một mô hình phía sau cả ba, streaming trên cả ba. Dùng bất kỳ phương ngữ nào mà client sẵn có của bạn đã nói được; giữa chúng không có khác biệt về năng lực. Trỏ base URL sang Shannon và đổi model id.

Hiểu hình ảnh qua phương ngữ 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
  }'

Cả URL https:// từ xa lẫn data URL base64 đều dùng được trong phần image_url. Hãy đính kèm nhiều phần ảnh trong một tin nhắn khi bạn cần so sánh giữa các trang — bạn có 262.144 token để tiêu và, ở mức $0.50 mỗi triệu, tiêu chúng rất rẻ.

Trích xuất có kiểu bằng JSON schema

Chỗ mô hình này xứng đáng có mặt trong một pipeline là tổ hợp thị giác + schema nghiêm ngặt + giá sàn. Không phải mô hình nào trong danh mục cũng có đủ cả ba: Laguna-S-2.1 và inkling không hỗ trợ json_schema. MiniMax-M3 thì có, nghĩa là bạn lấy được một đối tượng đã kiểm chứng ra từ một tấm ảnh mà không cần lớp phân tích cú pháp:

{
  "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
      }
    }
  }
}

Nỗ lực suy luận

Mô hình mở ra reasoning_effort. Với phân loại ảnh hàng loạt, hãy để thấp — bạn đang hỏi một câu hỏi tri giác, và token suy luận là token đầu ra mà bạn phải trả tiền. Hãy nâng lên cho những lệnh gọi mà tấm ảnh là bằng chứng trong một lập luận dài hơn: đọc một sơ đồ đối chiếu với đặc tả, khớp một biểu đồ với một bảng, quyết định xem hai ảnh chụp màn hình có cho thấy cùng một lỗi hay không.

Tham chiếu tham số đầy đủ, ngữ nghĩa lỗi và định dạng streaming cho cả ba phương ngữ nằm trong tài liệu API của Shannon.

08Khi nào MiniMax-M3 là lựa chọn đúng — và khi nào thì không

Hãy chọn nó khi

• Công việc ảnh khối lượng lớn. Gán nhãn tập dữ liệu, nghiên cứu kiểm duyệt nội dung, làm giàu danh mục sản phẩm, phân loại ảnh chụp màn hình, OCR-và-cấu-trúc hàng loạt trên tài liệu quét. Mức giá sàn là toàn bộ lý lẽ.
• Từ ảnh thành bản ghi có kiểu. Thị giác cộng json_schema nghiêm ngặt cộng token rẻ nhất trong danh mục là tổ hợp mà chỉ hai mô hình ở đây có được.
• Ngữ cảnh đa phương thức dài. Nhiều trang, hoặc nhiều khung hình, trong một yêu cầu duy nhất — kiến trúc bên dưới được dựng đúng cho dạng đầu vào này.
• Nghiên cứu mà các lời từ chối làm hỏng mẫu. Bất kỳ nghiên cứu nào có tính hợp lệ phụ thuộc vào việc mô hình trả lời mọi mục, kể cả những mục khó chịu.
• Vòng lặp agent phải đọc màn hình. Dòng M-series thiên agent một cách tường minh, và gọi tool thì sẵn có.

Hãy chọn thứ khác khi

• Bạn cần trần thị giác cao nhất và có ngân sách. Kimi-K3 · 3BIT-REAP đắt gấp 7.7× ở đầu vào là có lý do; với một lần đọc rủi ro cao duy nhất, đó là khoản tiền nên tiêu.
• Bạn cần trọng số trung thực tối đa. 3-bit là bậc quyết liệt nhất của chúng tôi. Các mô hình W8A16 đánh đổi giá lấy độ chính xác, và MiMo-V2.5 · W8A16 có thị giác ở cùng mức $0.50 / $2.00 nếu thứ bạn tối ưu là độ trung thực trên mỗi trọng số.
• Bạn cần video. Chúng tôi không mở đầu vào video trên endpoint này.
• Tác vụ là văn bản thuần ở mức biên giới công nghệ. DeepSeek-V4-Pro-0813 tồn tại cho việc đó; ở đây bạn sẽ trả tiền cho một tháp thị giác mà không bao giờ dùng tới.

Các con số về kiến trúc, benchmark và mức tăng tốc của dòng MiniMax do chính phòng lab MiniMax AI báo cáo; các con số REAP do nhóm tác giả REAP báo cáo trên mô hình của họ và không phải phép đo trên bản dựng này. Giá, cửa sổ ngữ cảnh và các cờ năng lực của Shannon là của chúng tôi và được đọc từ danh mục mô hình đang chạy.

09Câu hỏi thường gặp

---

Nguồn: Thẻ mô hình 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. Các con số benchmark và tăng tốc của MiniMax do phòng lab báo cáo và còn tạm thời, chờ kiểm chứng độc lập. Giá và cờ năng lực của Shannon cập nhật đến ngày 5 tháng 9, 2026.