افزودن مدل پرچم‌دار جدید: MiniMax M3

Date: 1405-03-17 / (2026-06-07)

خلاصه

ما افزودن مدل پرچم‌دار جدید MiniMax با نام minimax-m3 را اعلام می‌کنیم. M3 قابلیت‌های کدنویسی و عاملی در سطح پیشرو، پنجره زمینه ۱ میلیون توکنی مبتنی بر معماری توجه پراکنده MiniMax (MSA) و درک چندوجهی بومی برای ورودی تصویر و ویدیو را ارائه می‌دهد. این مدل روی v1/chat/completions در دسترس است و از طریق v1/messages پشتیبانی کامل و روی v1/responses پشتیبانی جزئی دارد.

---

جزئیات

MiniMax

MiniMax M3

minimax-m3 مدل پرچم‌دار جدید MiniMax است که قابلیت کدنویسی پیشرو، پنجره زمینه فوق‌طولانی ۱ میلیون توکنی و چندوجهی بودن بومی را در یک مدل واحد ترکیب می‌کند. M3 که بر پایه معماری اختصاصی توجه پراکنده MiniMax (MSA) ساخته شده است، از تجزیه خودکار وظایف، فراخوانی ابزار و استدلال چندمرحله‌ای پشتیبانی می‌کند و پایه‌ای قابل اعتماد برای دستیاران کدنویسی هوش مصنوعی و گردش‌های کاری خودکار فراهم می‌آورد.

ویژگی	جزئیات
پنجره زمینه	تا ۱,۰۰۰,۰۰۰ توکن (حداقل تضمین‌شده ۵۱۲K)
قیمت ورودی (≤۵۱۲K)	$0.60 / ۱م توکن
قیمت ورودی کش‌شده (≤۵۱۲K)	$0.12 / ۱م توکن (۸۰٪ کاهش هزینه)
قیمت خروجی (≤۵۱۲K)	$2.40 / ۱م توکن
قیمت ورودی (بالای ۵۱۲K)	$1.20 / ۱م توکن
ورودی کش‌شده (بالای ۵۱۲K)	$0.24 / ۱م توکن
قیمت خروجی (بالای ۵۱۲K)	$4.80 / ۱م توکن
وجوه ورودی	متن، تصویر، ویدیو
وجوه خروجی	متن
اندپوینت‌های پشتیبانی‌شده	v1/chat/completions، v1/messages (کامل)، v1/responses (جزئی)

ویژگی‌های کلیدی:

• قابلیت‌های کدنویسی و عاملی پیشرو: عملکرد قوی در بنچمارک‌های مهندسی نرم‌افزار و اجرای ترمینال (SWE-Bench Pro ۵۹.۰٪، Terminal-Bench 2.1 ۶۶.۰٪، MCP Atlas ۷۴.۲٪)
• پنجره زمینه ۱ میلیون توکنی: مبتنی بر توجه پراکنده MiniMax (MSA) برای وظایف عاملی طولانی‌مدت، کدنویسی طولانی و درک ویدیوهای بلند، با حداقل تضمین‌شده ۵۱۲K توکن
• چندوجهی بومی: آموزش‌دیده با داده‌های چندوجهی از گام صفر، با پشتیبانی از ورودی تصویر و ویدیو برای هم‌ترازی عمیق فضاهای معنایی متنی و بصری
• تفکر قابل تغییر: روشن کردن استدلال برای وظایف عاملی پیچیده و طولانی‌مدت، یا خاموش کردن آن برای سناریوهای سریع‌تر و حساس به تأخیر — هر دو حالت قیمت یکسانی دارند
• وظایف خودکار طولانی‌مدت: قابلیت اجرای خودکار چندساعته با فراخوانی ابزار و خود-اعتبارسنجی
• قیمت‌گذاری مبتنی بر زمینه: نرخ استاندارد برای محدوده رایج ورودی ≤۵۱۲K، با نرخ بالاتر زمینه طولانی فقط بالای ۵۱۲K توکن

نکات برجسته عملکرد:

• SWE-Bench Pro: ۵۹.۰٪
• Terminal-Bench 2.1: ۶۶.۰٪
• SWE-fficiency: ۳۴.۸٪
• KernelBench Hard: ۲۸.۸٪
• MCP Atlas: ۷۴.۲٪
• BrowseComp: ۸۳.۵

---

خلاصه قیمت‌گذاری

مدل	ورودی ($/۱م توکن)	ورودی کش‌شده ($/۱م توکن)	خروجی ($/۱م توکن)	بالای ۵۱۲K (ورودی / کش‌شده / خروجی)
minimax-m3	$0.60	$0.12	$2.40	$1.20 / $0.24 / $4.80

---

نمونه‌های درخواست/پاسخ API

نمونه درخواست

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "minimax-m3",
    "messages": [
      {
        "role": "user",
        "content": "این تابع پایتون را برای عملکرد بهتر بازآرایی کن و استدلال خود را توضیح بده."
      }
    ],
    "max_tokens": 4096
  }'

نمونه پاسخ

{
  "id": "chatcmpl-minimax-m3-abc123",
  "created": 1780270281,
  "model": "minimax-m3",
  "object": "chat.completion",
  "system_fingerprint": null,
  "choices": [
    {
      "finish_reason": "stop",
      "index": 0,
      "message": {
        "content": "تابع بازآرایی‌شده همراه با توضیحات...",
        "role": "assistant",
        "thinking_blocks": [],
        "annotations": []
      }
    }
  ],
  "usage": {
    "completion_tokens": 320,
    "prompt_tokens": 28,
    "total_tokens": 348,
    "completion_tokens_details": null,
    "prompt_tokens_details": {
      "audio_tokens": null,
      "cached_tokens": null,
      "text_tokens": 28,
      "image_tokens": null
    }
  },
  "estimated_cost": {
    "unit": "0.0007848000",
    "irt": 89.94,
    "exchange_rate": 114600
  }
}

---

نمونه‌های استفاده از SDK

Bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "minimax-m3",
    "messages": [
      {
        "role": "user",
        "content": "یک هارنس عامل بساز که بتواند یک مقاله پژوهشی را تجزیه کرده و آزمایش‌های اصلی آن را بازتولید کند."
      }
    ],
    "max_tokens": 8192
  }'

Python

from openai import OpenAI

client = OpenAI(api_key="your-avalai-api-key", base_url="https://api.avalai.ir/v1")

response = client.chat.completions.create(
    model="minimax-m3",
    messages=[
        {
            "role": "user",
            "content": "یک هارنس عامل بساز که بتواند یک مقاله پژوهشی را تجزیه کرده و آزمایش‌های اصلی آن را بازتولید کند.",
        }
    ],
    max_tokens=8192,
)

print(response.choices[0].message.content)

JavaScript

import { OpenAI } from "openai";

const client = new OpenAI({
  apiKey: process.env.AVALAI_API_KEY,
  baseURL: "https://api.avalai.ir/v1",
});

const response = await client.chat.completions.create({
  model: "minimax-m3",
  messages: [
    {
      role: "user",
      content: "یک هارنس عامل بساز که بتواند یک مقاله پژوهشی را تجزیه کرده و آزمایش‌های اصلی آن را بازتولید کند.",
    },
  ],
  max_tokens: 8192,
});

console.log(response.choices[0].message.content);

Anthropic SDK (v1/messages)

M3 همچنین از طریق فرمت API پیام‌های Anthropic در دسترس است، با پشتیبانی کامل از بلوک‌های thinking بومی و استفاده از ابزار.

Bash

curl https://api.avalai.ir/v1/messages \
  -H "Content-Type: application/json" \
  -H "x-api-key: $AVALAI_API_KEY" \
  -H "anthropic-version: 2023-06-01" \
  -d '{
    "model": "minimax-m3",
    "max_tokens": 4096,
    "messages": [
      {
        "role": "user",
        "content": "یک صف وظایف توزیع‌شده مقاوم در برابر خطا طراحی کن."
      }
    ]
  }'

Python

import anthropic

client = anthropic.Anthropic(
    api_key="your-avalai-api-key",
    base_url="https://api.avalai.ir",  # توجه: بدون /v1
)

message = client.messages.create(
    model="minimax-m3",
    max_tokens=4096,
    messages=[
        {"role": "user", "content": "یک صف وظایف توزیع‌شده مقاوم در برابر خطا طراحی کن."}
    ],
)

print(message.content)

JavaScript

import Anthropic from "@anthropic-ai/sdk";

const client = new Anthropic({
  apiKey: process.env.AVALAI_API_KEY,
  baseURL: "https://api.avalai.ir",  // توجه: بدون /v1
});

const message = await client.messages.create({
  model: "minimax-m3",
  max_tokens: 4096,
  messages: [
    { role: "user", content: "یک صف وظایف توزیع‌شده مقاوم در برابر خطا طراحی کن." }
  ],
});

console.log(message.content);

---

پشتیبانی اندپوینت

• v1/chat/completions: پشتیبانی کامل از طریق API سازگار با OpenAI
• v1/messages: پشتیبانی کامل از طریق فرمت API پیام‌های Anthropic، شامل بلوک‌های thinking بومی و استفاده از ابزار
• v1/responses: پشتیبانی جزئی (ورودی/خروجی متنی و استفاده پایه از ابزار)

---

پیوندهای مستندات

• مستندات مدل‌های MiniMax
• جزئیات قیمت‌گذاری
• راهنمای مدل‌های استدلالی
• مرجع API پیام‌ها
• مرجع API پاسخ‌ها