MiniMax-VL-01 on MiniMaxi avatud kaaludega mudel piltide mõistmiseks koos kirjalike juhistega. Kasutaja saab esitada pildi ja esitada selle kohta küsimuse, paluda dokumendist teksti eraldada, küsida diagrammi selgitust või ühendada visuaalse teabe pikema tekstilise juhisega. Mudel tagastab teksti ega genereeri pilte, heli ega videot.
MiniMax avaldas mudeli 15. jaanuaril 2025 MiniMax-01 seeria osana. Mudelit saab alla laadida Hugging Face'is ametliku MiniMaxAI organisatsiooni kaudu. See eristab seda tavapärasest ainult majutatud multimodaalsest mudelist: kaalud ja järeldusmaterjalid on ise majutamiseks saadaval, kuid praeguse esimese osapoole majutatud API-lõpp-punkti olemasolu MiniMax-VL-01 jaoks ei ole MiniMaxi praeguses avalikus mudelinavigatsioonis selgelt kinnitatud.
Mis on MiniMax-VL-01?
MiniMax-VL-01 on visiooni-keele mudel, mis tähendab, et see töötleb visuaalset ja keelelist sisendit sama ülesande raames. Selle peamine eesmärk on piltide mõistmine. Mudel saab kasutada pilti tekstilise vastuse koostamisel tõendusmaterjalina, selle asemel et käsitleda pilti eraldi failina, mida mõni teine teenus peab esmalt tõlgendama.
Mudel ühendab keelemudeli baasina MiniMax-Text-01, 303 miljoni parameetriga vision transformer'i ja kahekihilise mitmekihilise pertseptroni projektori. Vision transformer teisendab visuaalse sisu esitusteks, mida keelemudel saab kasutada. MiniMaxi kirjelduse järgi on laiema MiniMax-01 arhitektuuri kogumaht 456 miljardit parameetrit ning iga märgi kohta aktiveeritakse 45,9 miljardit parameetrit. Need on teenusepakkuja esitatud arhitektuurilised näitajad; neid ei tohiks segi ajada mudeli tegeliku kiiruse või kvaliteedi lihtsa mõõduga.
MiniMax-VL-01 on eraldiseisvalt tuvastatav mudel, mitte lihtsalt MiniMaxi tekstimudeli funktsiooni nimetus. See on MiniMax-01 perekonna visiooni-keele mudel, samal ajal kui MiniMax-Text-01 on seotud ainult teksti töötlev mudel.
Peamised võimalused ja toetatud sisendid
Kinnitatud sisendi- ja väljundiprofiil on järgmine:
- Sisendid: tekst ja pildid.
- Väljundid: tekstilised vastused.
- Piltide mõistmine: toetatud.
- Heli- ja videosisend: selle mudeli puhul ei ole toetatuna dokumenteeritud.
- Piltide, heli ja video genereerimine: mudeli loomulike väljunditena ei ole toetatud.
Toetatud kasutusjuhtude hulka kuuluvad visuaalne küsimustele vastamine, optiline märgituvastus (OCR), dokumentide mõistmine, diagrammide analüüs ning muud pildi ja teksti kombineerimist nõudvad arutlusülesanded. Näiteks saab mudelile esitada küsimusi skannitud dokumendi sisu kohta, tuvastada pildil olevat teavet või tõlgendada diagrammi kirjaliku juhise kontekstis.
Mudeli pilditöötlusvoog kasutab dünaamilist eraldusvõimet. MiniMaxi andmetel ulatuvad eelseadistatud pildieraldusvõimed 336×336-st kuni 2016×2016-ni, säilitades samal ajal 336×336 pisipildi. Dünaamiline eraldusvõime võib aidata suunata rohkem visuaalseid üksikasju piltidele, mis seda vajavad, kuid suurim saadaolev pildieraldusvõime ei taga iga väikese või ebaselge detaili täpset tuvastamist.
Ametlikus mudelikaardis märgitakse, et mudelit treeniti 694 miljoni pildi-kirjelduse paari ja 512 miljardi töödeldud märgiga. Need on MiniMaxi väited treeningandmete ja treeningumahu kohta, mitte sõltumatu kvaliteedihinnang.
Arhitektuur ja konteksti piirang
MiniMaxi sõnul on MiniMax-01 arhitektuuri maksimaalne kontekst 4 miljonit märki. Kontekstiaken on sisendi ja genereeritud teksti hulk, mida mudel saab ühe suhtluse jooksul arvesse võtta. Selle näitaja puhul on kõige õigem käsitleda seda perekonna tasandi arhitektuurilise maksimumina, mitte eraldi dokumenteeritud täpse MiniMax-VL-01 väljundipiiranguna.
Esitatud allikates ei ole dokumenteeritud autoriteetset mudelipõhist maksimaalset väljundimärkide arvu. Seetõttu ei tohiks 4 miljoni märgi suurust konteksti käsitleda garantiina, et iga majutatud või ise majutatud teostus selle mahu vastu võtab. Samuti ei täpsusta see, kui suure osa kontekstiaknast võib eraldada genereeritavale väljundile.
Pildirikka töö puhul sõltub tegelik koormus ka pildi eraldusvõimest, piltide arvust, ümbritsevast tekstist ja järeldussüsteemile kättesaadavast mälust. Juurutamist kavandavad kasutajad peaksid tegeliku protsessori-, kontekstitöötluse ja mälunõuded üle kontrollima mudelikaardi ja järelduskoodi põhjal, mitte tuginema ainult suurele kontekstinäidule.
Milles on mudel kõige tugevam?
MiniMax-VL-01 peamine tugevus on avatud kaalude ja laia pildi-teksti mõistmise kombinatsioon. Organisatsioonid, kes peavad mudelit kohapeal uurima või muutma, saavad hoidla alla laadida, selle asemel et saata iga pilt kolmanda osapoole majutatud teenusele. See võib olla kasulik teadustöös, kontrollitud keskkondades ja multimodaalse järeldamise katsetes.
Selle kavandatud kasutusprofiil teeb mudelist sobiva kandidaadi töökoormustele, mille puhul vastus peab ühendama visuaalsed tõendid ja keelelise arutluse. Näited on järgmised:
- Fotode, ekraanipiltide, diagrammide ja muude piltide kohta küsimustele vastamine.
- Dokumentides ja skannitud materjalides oleva teksti eraldamine või tõlgendamine.
- Diagrammide ja visuaalsete paigutuste kokkuvõtete või selgituste koostamine.
- Dokumendianalüüsi või visuaalse otsingu töövoogude prototüüpide loomine.
- Avatud kaaludega multimodaalsete arhitektuuride hindamine teaduskeskkonnas.
MiniMaxi hoidla sisaldab allalaaditavaid kaalusid, kohandatud järelduskoodi, funktsioonikutsete juhendit ja MiniMaxi mudelilitsentsi. Koodikomponent on hoidla materjalides eraldi märgitud MIT-litsentsiga. Enne ärilist juurutamist, levitamist või muutmist peaksid kasutajad tutvuma mudelilitsentsi endaga; koodi- ja mudelikaalude litsentsid ei ole sama asi.
Piirangud ja juurutamise kompromissid
Kõige olulisem piirang on töömaht. Hugging Face'i hoidlas on mudelifailide suuruseks märgitud ligikaudu 915 GB. See on tüüpilise väikese kohaliku mudeliga võrreldes palju suurem ning tähendab, et ise majutamiseks on vaja märkimisväärset salvestusruumi, mälu ja mitme GPU-ga taristut. Isegi kui mudel õnnestub laadida, sõltuvad järeldamise kiirus ja maksumus suurel määral saadaolevast riistvarast ja teeninduskonfiguratsioonist.
Seetõttu ei ole MiniMax-VL-01 ilmselge valik väikese latentsusega rakendustele, tagasihoidliku ühe masina juurutustele ega töökoormustele, mis vajavad odavat ja väga prognoositava hinnaga päringupõhist teenindust. Samuti ei sobi see valikuks, kui peamine vajadus on piltide genereerimine, kõne, heli mõistmine või video genereerimine, sest neid modaalsusi ei ole selle mudeli puhul toetatud sisendite ega väljunditena dokumenteeritud.
Ettevaatlik tuleb olla ka mudeli praeguse toote staatuse suhtes. See on avalikult saadaval allalaaditavate avatud kaaludena, kuid esitatud uuringu kohaselt ei ole seda MiniMaxi praeguses avalikus mudelinavigatsioonis praeguse mudelina loetletud. Täpse mudeli majutatud API kättesaadavus on seega kontrollimata. Meeskond ei tohiks eeldada, et ajalooline MiniMax-01 API hinnakiri kehtib automaatselt praegu kättesaadava MiniMax-VL-01 lõpp-punkti kohta.
Hinnakujundus ja API kättesaadavus
Esitatud allikates ei ole MiniMax-VL-01 praegune majutatud hind selgelt kinnitatud. Kui jaanuaris 2025 kehtinud MiniMax-01 API hinnakiri rakendus kogu seeriale, olid avaldatud hinnad 0,20 dollarit 1 miljoni sisendmärgi ja 1,10 dollarit 1 miljoni väljundmärgi kohta. Need on ajaloolised või seeria tasandi hinnaviited, mitte kinnitatud praegused hinnad spetsiaalse MiniMax-VL-01 API jaoks.
Ise majutamisel ei ole samas mõttes päringupõhist teenusepakkuja tasu nagu majutatud API puhul, kuid taristukulu võib olla suur. Olulised on salvestusruum, GPU-maht, elekter, orkestreerimine, hooldus ja inseneritööle kuluv aeg. Kui mudelifailide maht on ligikaudu 915 GB, ei ole kulude võrdlus lihtsalt „avatud kaalud versus tasuta API“. Juhusliku kasutuse korral võib majutatud alternatiiv olla odavam, samas kui kohalik juurutus võib olla eelistatav siis, kui kontroll, privaatsus või korduv suuremahuline töötlemine õigustab taristusse investeerimist.
Arutlus, kodeerimine ja tööriistade tugi
MiniMax-VL-01 on loodud multimodaalseks arutluseks: see saab kasutada visuaalset teavet ja teksti koos, et koostada vastus. Toimetusliku hinnangu järgi on selle arutlusvõime 7 punkti 10-st ja kodeerimisvõime 6 punkti 10-st. Need on ligikaudsed hinnangud, mis põhinevad mudeli avaldatud multimodaalsel positsioneerimisel ja juurutamisomadustel, mitte MiniMaxi avaldatud hinnangutel.
Kodeerimine ei ole mudeli keskne tugevus. See võib olla kasulik siis, kui koodiga seotud küsimused hõlmavad ekraanipilte, diagramme või dokumente, kuid tarkvaraarenduse ülesannete puhul, mis visuaalset sisendit ei nõua, võib tekstile keskenduv kodeerimismudel olla parem valik. Samuti ei tohiks visuaalset arutlusvõimet käsitleda täpse OCR-i või numbrilise täpsuse garantiina. Olulised eraldatud väärtused tuleks lähtepildi põhjal üle kontrollida.
Uuringuandmetes on tööriistade kasutamine märgitud toetatuks ning ametlikus hoidlas on funktsioonikutsete juhend. Esitatud allikad ei kinnita siiski täielikku majutatud tööriistaökosüsteemi, standarditud tööriistaskheemi ega garanteeritud funktsioonikutsete käitumist kõigis järeldusseadistustes. Arendajad peaksid enne tööriistadele tuginevate tootmisvoogude kavandamist hoidlas dokumenteeritud teostust testima.
Millal valida MiniMax-VL-01?
Valige MiniMax-VL-01 siis, kui esmatähtis on avatud kaaludega ja ise majutatav mudel piltide ning teksti mõistmiseks ning teil on selle käitamiseks vajalik taristu. See on eriti asjakohane teadusmeeskondadele, organisatsioonidele, kes hindavad multimodaalseid mudeleid kohapeal, ning projektidele, mis hõlmavad OCR-i, dokumendianalüüsi, diagramme või visuaalset küsimustele vastamist.
See võib sobida hästi juhul, kui kohalik kontroll on minimaalsest latentsusest olulisem ja meeskond suudab toime tulla väga suure juurutuse keerukusega. Allalaaditavad kaalud pakuvad majutatud teenusega võrreldes ka suuremat kontrolli selle üle, kus järeldamine toimub ja kuidas mudel süsteemiga integreeritakse.
Teine võimalus võib olla sobivam siis, kui rakendus vajab kiireid interaktiivseid vastuseid, tagasihoidlikke riistvaranõudeid, selgelt dokumenteeritud praegust API-t või väiksemaid ja prognoositavamaid tegevuskulusid. Tavapäraste kirjutamis- ja kodeerimisülesannete puhul, mis ei sisalda visuaalset teavet, on tõenäoliselt eelistatav ainult teksti töötlev mudel. Spetsiaalne OCR-i või dokumenditöötluse süsteem võib olla parem valik juhul, kui täpne teksti eraldamine ja usaldusväärne paigutuse käsitlemine on üldisest multimodaalsest arutlusest olulisemad. Piltide, heli või video loomiseks on vaja spetsiaalset generatiivse meedia mudelit.
Kokkuvõte
MiniMax-VL-01 on suurte avatud kaaludega visiooni-keele mudel, mille eesmärk on muuta pildid ja tekst tekstilisteks vastusteks. Selle olulisemad eelised on allalaaditavad kaalud, dünaamiline pildieraldusvõime, lai multimodaalsete ülesannete sihtprofiil ja perekonna tasandil teatatud kuni 4 miljoni märgi suurune kontekstimaht. Sama olulised on aga praktilised puudused: väga suured mudelifailid, nõudlikud ise majutamise vajadused, ebakindlus praeguse esimese osapoole API kättesaadavuse suhtes ning dokumenteeritud loomuliku pildi-, heli- või videogenereerimise puudumine.
Praktilises mõttes tuleks MiniMax-VL-01 näha pigem tõsise ise majutatava multimodaalse teadus- ja analüüsimudelina kui väikese tootmisvalmidusega lõpp-punktina. Selle väärtus on suurim meeskondade jaoks, kes vajavad spetsiaalselt avatud kaaludega visuaalset mõistmist ja suudavad toetada selle käitamiseks vajalikku taristut.