MiniMax M2.7: Gonka নেটওয়ার্কের মডেল

MiniMax M2.7 হল সাংহাই-ভিত্তিক MiniMax কোম্পানির একটি বড় ভাষার মডেল (LLM)। MiniMax 2021 সালে Yan Junjie (পূর্বে SenseTime এ কর্মরত) এর নেতৃত্বে গবেষকদের একটি দল দ্বারা প্রতিষ্ঠিত হয়েছিল এবং দ্রুত চীনের শীর্ষস্থানীয় AI ল্যাবরেটরিগুলির মধ্যে একটি হয়ে ওঠে। কোম্পানিটি Alibaba, Tencent এবং HongShan থেকে অর্থায়ন পেয়েছে - এটি একই কৌশলগত বিনিয়োগকারীদের চক্র যা Moonshot AI সহ অন্যান্য “চাপানি AI টাইগারদের” পিছনে রয়েছে, যারা Kimi K2.6 এর ডেভেলপার।

বিশুদ্ধ ভাষার মডেলের বাইরে, MiniMax তার ভোক্তা পণ্যগুলির জন্য পরিচিত: চ্যাট সহকারী Talkie এবং Hailuo, পাশাপাশি শিল্পের সবচেয়ে উল্লেখযোগ্য ভিডিও জেনারেটরগুলির মধ্যে একটি। কিন্তু গঙ্কা নেটওয়ার্কের জন্য, সিরিজ M এর টেক্সট মডেলগুলির লাইনআপ গুরুত্বপূর্ণ - যা আগের abab মডেলগুলির উত্তরাধিকারী।

সিরিজ M এর প্রধান স্থাপত্য বৈশিষ্ট্য হল একটি কার্যকর মনোযোগ পদ্ধতির উপর জোর দেওয়া। যদি প্রাথমিক বড় মডেলগুলি ক্লাসিক কোয়াড্রেটিক অ্যাটেনশন ব্যবহার করত (কম্পিউটেশনের খরচ প্রসঙ্গের দৈর্ঘ্যের বর্গক্ষেত্রের সাথে সমানুপাতিকভাবে বৃদ্ধি পায়), তাহলে MiniMax প্রথমগুলির মধ্যে একটি ছিল যারা একটি হাইব্রিড লিনিয়ার অ্যাটেনশনকে সর্বজনীনভাবে উপলব্ধ করেছিল। এটি কম্পিউটেশনাল খরচের বিস্ফোরক বৃদ্ধি ছাড়াই খুব দীর্ঘ ক্রমগুলি প্রক্রিয়া করতে দেয় - যা লাইনআপের একটি ঐতিহাসিক ট্রেডমার্ক। Qwen3-235B এবং Kimi K2.6 এর মতো, মডেলটি MoE (Mixture of Experts) আর্কিটেকচারের উপর নির্মিত: “কাগজে” শত শত বিলিয়ন প্যারামিটার, কিন্তু প্রতিটি ক্যোয়ারীতে শুধুমাত্র একটি ছোট অংশ সক্রিয় করা হয়, যা অনুমানের খরচকে আমূল হ্রাস করে।

গঙ্কা নেটওয়ার্কে, মডেলটি MiniMaxAI/MiniMax-M2.7 হিসাবে চিহ্নিত করা হয়েছে - API অনুরোধের model ক্ষেত্রে এই স্ট্রিংটি পাস করতে হবে। M2.7 সংস্করণটি নিবন্ধ প্রকাশের সময়ে সিরিজ M এর সর্বশেষ পুনরাবৃত্তি।

মডেলের নিজস্ব "out-of-the-box" বৈশিষ্ট্য এবং একটি নির্দিষ্ট নেটওয়ার্কে এটি যেভাবে ডেপ্লয় করা হয়েছে, তার মধ্যে পার্থক্য বোঝা গুরুত্বপূর্ণ। যখন কোনো মডেল Gonka ডিসেন্ট্রালাইজড নেটওয়ার্কে চলে, তখন এর কাজের প্যারামিটারগুলো শুধুমাত্র মডেল আর্কিটেকচার দ্বারা নয়, বরং GPU হোস্টের সাইডে vLLM-ইনফারেন্স কনফিগারেশন দ্বারা নির্ধারিত হয়। আমাদের Gateway যে প্রকৃত মানগুলো প্রদান করে তা নিচে দেওয়া হলো:

• কনটেক্সট উইন্ডো: ২০০,০০০ টোকেন (প্রায় ১৫০,০০০ শব্দ)। এটি Gonka নেটওয়ার্কে সাবনেট কনফিগারেশন। MiniMax আর্কিটেকচার নিজে অনেক বড় কনটেক্সট সাপোর্ট করলেও, ব্যবহারিক সীমাবদ্ধতা প্রতি মুহূর্তে হোস্টের ইনফারেন্স সেটিংস দ্বারা নির্ধারিত হয়।
• সর্বোচ্চ আউটপুট: প্রতি রেসপন্সে ৮,১৯২ টোকেন। এই সংখ্যাটি অভিজ্ঞতামূলকভাবে মাপা হয়েছে — একটি দীর্ঘ জেনারেশন রিকোয়েস্টের মাধ্যমে যা সর্বোচ্চ সীমাতে পৌঁছেছে (finish_reason: length)। বর্তমানে এই সীমা নেটওয়ার্কের সব মডেলের জন্য একই — ৮,১৯২ টোকেন পর্যন্ত। এটি মডেলের নিজস্ব সীমাবদ্ধতা নয়, বরং vLLM-সাবনেটের কনফিগারেশন।
• হোস্ট VRAM প্রয়োজনীয়তা: প্রতি নোডে প্রায় ৩২০ GB VRAM। এটি FP8 কোয়ান্টাইজেশনে একটি বড় MoE মডেলের জন্য সাধারণ প্রয়োজনীয়তা — Kimi K2.6-এর জন্যও একই ৩২০ GB প্রয়োজন। বাস্তবে এর অর্থ হলো একটি নোডে যুক্ত একাধিক H100/H200 ক্লাস GPU।

Gonka নেটওয়ার্কে inference-এর মূল্য মডেল নির্বাচনের ওপর নির্ভর করে না এবং এটি নেটওয়ার্ক প্যারামিটার দ্বারা নির্ধারিত হয়: JoinGonka Gateway-এর মাধ্যমে MiniMax M2.7 একই রেটে উপলব্ধ যা Kimi K2.6-এর জন্য প্রযোজ্য। এই একীভূত মূল্য নির্ধারণের কারণ হলো নেটওয়ার্কটি কোনো নির্দিষ্ট ভেন্ডরের প্রাইসের ওপর নয়, বরং একক কম্পিউটেশনাল কাজের মূল্যের ওপর ভিত্তি করে তৈরি।

Gonka নেটওয়ার্ক ব্যবহারকারীর কাছে দুটি ফ্ল্যাগশিপ মডেল বেছে নেওয়ার সুযোগ রয়েছে এবং উভয়ই একটি একক OpenAI-সামঞ্জস্যপূর্ণ ইন্টারফেস JoinGonka Gateway-এর মাধ্যমে উপলব্ধ। নিচের তুলনাটি বুঝতে সাহায্য করবে যে কোনটি "সেরা" তা নয়, বরং কোনটি কোন ধরনের কাজের জন্য অপ্টিমাইজ করা হয়েছে।

২০২৬ সালের বেঞ্চমার্ক সম্পর্কে একটি গুরুত্বপূর্ণ সতর্কতা: পাবলিক টেস্টে সেরা open-weights মডেলগুলোর মধ্যে ব্যবধান এখন মাত্র কয়েক শতাংশে নেমে এসেছে এবং এই পার্থক্য প্রায়শই বেঞ্চমার্কের পরিসংখ্যানগত ত্রুটির মধ্যেই থাকে। ব্যবহারিক কাজের জন্য MMLU র‍্যাঙ্কিংয়ে অবস্থানের চেয়ে কাজের ধরন বেশি গুরুত্বপূর্ণ: কনটেক্সটের দৈর্ঘ্য, লজিক্যাল চেইনের জটিলতা, প্রয়োজনীয় ভাষা, এবং tool calling-এর উপস্থিতি।

ব্যবহারিক নির্দেশিকা: খুব দীর্ঘ ডকুমেন্ট এবং প্রচুর পরিমাণে টেক্সট স্ট্রিমিং প্রসেসিংয়ের কাজের জন্য MiniMax M2.7 পরীক্ষা করা অর্থবহ — এর সিরিজের কার্যকর attention ঐতিহাসিকভাবে এই ধরনের সিনারিওর জন্য তৈরি। জটিল লজিক এবং দীর্ঘ কনটেক্সটসহ reasoning-এর কাজের জন্য Kimi K2.6-এর উত্তরের সাথে তুলনা করা উচিত। প্রোডাকশনে সেরা কৌশল হলো কোডে উভয় মডেল রাখা এবং অ্যাপ্লিকেশনের আর্কিটেকচার পরিবর্তন না করে শুধুমাত্র model প্যারামিটার পরিবর্তন করে তাদের মধ্যে সুইচ করা।

MiniMax M2.7 যোগ করা মানে কোনো "সার্ভারে ফাইল আপলোড" নয়, বরং এটি একটি নেটওয়ার্ক আপগ্রেডের ফলাফল যা অন-চেইন (on-chain) ভোটিংয়ের মাধ্যমে সম্পন্ন হয়েছে। মডেলটির সাপোর্ট প্রোটোকল রিলিজ v0.2.13-এ অন্তর্ভুক্ত করা হয়েছে, যা proposal #54 দ্বারা অনুমোদিত: এটি ২১ মে, ২০২৬ তারিখে গৃহীত হয় (প্রায় ৬৩% ভোট "হ্যাঁ" পক্ষে) এবং একটি নির্দিষ্ট ব্লক হাইটে সক্রিয় করা হয়। এটি একই গভর্নেন্স মেকানিজম যার মাধ্যমে নেটওয়ার্ক যেকোনো গুরুত্বপূর্ণ পরিবর্তন গ্রহণ করে—ট্যারিফ থেকে শুরু করে নতুন মডেল পর্যন্ত।

একটি ডিসেন্ট্রালাইজড নেটওয়ার্কের জন্য মাল্টি-মডেলিং একটি মৌলিক পদক্ষেপ। একটি মডেলের ওপর নির্ভরশীল নেটওয়ার্ক মূলত ভঙ্গুর: মডেলের নতুন সংস্করণ আসিলে মাইগ্রেশন সংকট দেখা দেয় এবং একটিমাত্র মডেলের ত্রুটি পুরো পরিষেবাটিকে অচল করে দেয়। যে নেটওয়ার্ক একই সাথে একাধিক মডেল পরিচালনা করতে সক্ষম, তা ধীরে ধীরে বিবর্তিত হয়: নতুন মডেলগুলো অতিরিক্ত "ট্র্যাক" হিসেবে যুক্ত হয়, পুরনো মডেলগুলো কাজ চালিয়ে যায় এবং GPU-হোস্টগুলো বাছাই করার সুযোগ পায় যে তারা কী সার্ভিস দেবে। টেকনিক্যালি প্রতিটি মডেল নেটওয়ার্কের নিজস্ব শার্টে (shard) থাকে—এই একই মেকানিজম (DevShards) অতীতে Kimi K2.6 চালু করার জন্য ব্যবহৃত হয়েছিল।

প্রাথমিক পর্যায়ের একটি বিশেষ বিষয়: "মডেল নেটওয়ার্কের তালিকায় এসেছে" এবং "মডেলটি সমস্ত ক্লায়েন্টের জন্য উন্মুক্ত"—এর মধ্যে একটি সময়গত পার্থক্য (lag) থাকতে পারে। শুরুতে broker-মোডে MiniMax M2.7-এর ইনফারেন্স শুধুমাত্র প্রিভিলেজড কি (keys)-এর জন্য উপলব্ধ ছিল এবং সাধারণ অনুরোধের জন্য এরর দিচ্ছিল—এটি নতুন সিস্টেমের স্বাভাবিক ট্রায়াল ফেজ। মে ২০২৬-এর শেষের দিকে পাবলিক অ্যাক্সেস খুলে দেওয়া হয় এবং মডেলটি সমস্ত Gateway ক্লায়েন্টের জন্য উপলব্ধ হয়। নেটওয়ার্ক কীভাবে কাজ করে এবং মডেলগুলো কেন এভাবে চালু করা হয়—তা নিয়ে Gonka নেটওয়ার্ক আর্কিটেকচার নিবন্ধটি পড়ুন।

OpenRouter-এর মাধ্যমে সেই একই MiniMax M2.7-এর খরচ ১ মিলিয়নের জন্য $0.279/$1.20, যেখানে JoinGonka-এর ক্ষেত্রে এটি মাত্র $0.003/$0.009।

সবচেয়ে সরাসরি উপায় হলো JoinGonka API Gateway এর মাধ্যমে। যেহেতু Gateway একটি OpenAI-সামঞ্জস্যপূর্ণ API প্রদান করে, তাই GPT, Claude বা Kimi-এর সাথে কাজ করা কোডটি model ফিল্ডের মান পরিবর্তন করলেই MiniMax-এর সাথে কাজ শুরু করবে।

curl-এর মাধ্যমে একটি সংক্ষিপ্ত উদাহরণ:

curl https://gate.joingonka.ai/v1/chat/completions \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "MiniMaxAI/MiniMax-M2.7",
    "messages": [
      {"role": "user", "content": "লিনিয়ার attention কি তা সংক্ষেপে ব্যাখ্যা করো"}
    ]
  }'

Python-এ openai লাইব্রেরি ব্যবহার করে একই অনুরোধ:

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://gate.joingonka.ai/v1",
)

response = client.chat.completions.create(
    model="MiniMaxAI/MiniMax-M2.7",
    messages=[{"role": "user", "content": "হ্যালো, MiniMax"}],
)
print(response.choices[0].message.content)

স্ট্রিমিং (Server-Sent Events) — ইন্টারঅ্যাক্টিভ ইন্টারফেসের জন্য, যেখানে তৈরি হওয়ার সাথে সাথে উত্তর প্রদর্শিত হয়:

stream = client.chat.completions.create(
    model="MiniMaxAI/MiniMax-M2.7",
    messages=[{"role": "user", "content": "দীর্ঘ কনটেক্সট সম্পর্কে একটি ছোট প্রবন্ধ লেখ"}],
    stream=True,
)
for chunk in stream:
    delta = chunk.choices[0].delta.content
    if delta:
        print(delta, end="", flush=True)
JoinGonka Gateway-এ রেজিস্ট্রেশন করার সময় আপনি নেটওয়ার্কের যেকোনো মডেল পরীক্ষার জন্য ১০ মিলিয়ন টোকেন বিনামূল্যে পাবেন — এটি আপনার নিজস্ব টাস্কের মাধ্যমে উভয় মডেল তুলনা করার জন্য যথেষ্ট।
ডেভেলপমেন্ট টুলের সাথে সামঞ্জস্যতা: OpenAI API-এর সাথে কাজ করা সবকিছুই Gateway-এর মাধ্যমে MiniMax-এর সাথে কাজ করে। শুধু model প্যারামিটারটি পরিবর্তন করলেই যথেষ্ট:
Cursor: Custom Model সেটিংস-এ MiniMaxAI/MiniMax-M2.7 উল্লেখ করুন
Claude Code, Cline, Continue.dev: কনফিগ-এ মডেলের নাম
LangChain, n8n: ক্লায়েন্ট ইনিশিয়ালাইজেশনের সময় model প্যারামিটার
মডেলের বর্তমান তালিকা সর্বদা GET /v1/models এন্ডপয়েন্টে উপলব্ধ থাকে — সেখান থেকে এটি ডায়নামিকভাবে আনা সুবিধাজনক, যাতে আপনার অ্যাপ্লিকেশনের UI স্বয়ংক্রিয়ভাবে নতুন সেট প্রদর্শন করতে পারে। যদি উত্তরে 429 too many concurrent requests আসে — তবে এটি নেটওয়ার্কের প্রাথমিক বৃদ্ধির পর্যায়ে নতুন মডেলের জন্য একটি স্বাভাবিক বিষয়: কয়েক সেকেন্ড পর অনুরোধটি পুনরায় চেষ্টা করুন।

একই নেটওয়ার্কে দুটি মডেল থাকার সুবিধা হলো, প্রোভাইডার বা ইন্টিগ্রেশন কোড পরিবর্তন না করেই বিভিন্ন কাজের জন্য ভিন্ন ভিন্ন টুল বেছে নেওয়া যায়। নিচে এমন কিছু দৃশ্যপট দেওয়া হলো যেখানে MiniMax M2.7 দিয়ে পরীক্ষা শুরু করা যুক্তিযুক্ত।

দীর্ঘ ডকুমেন্টের বিশ্লেষণ। যদি কাজ হয় চুক্তির সারাংশ করা, টেকনিক্যাল ডকুমেন্টেশন বিশ্লেষণ করা, বা বিশাল আইনি বা আর্থিক টেক্সট প্রসেস করা, তবে M সিরিজের কার্যকর attention একইভাবে দীর্ঘ কনটেক্সট ধরে রাখতে সক্ষম। সম্পূর্ণ ডকুমেন্টটি একটি অনুরোধে পাঠান এবং মডেলটিকে পুরো অংশের উপর কাজ করতে বলুন, টুকরো টুকরো করে নয়।

RAG এবং নলেজ বেস। রিট্রিভাল-অগমেন্টেড (RAG) দৃশ্যপটে, যেখানে ভেক্টর ডেটাবেস থেকে ডজন ডজন অংশ কনটেক্সটে যুক্ত করা হয়, সেখানে মডেলটির বিভিন্ন ধরণের টেক্সট ধরে রাখার ক্ষমতা সরাসরি উত্তরের গুণমানকে প্রভাবিত করে। দীর্ঘ কনটেক্সট মডেলের জন্য এটি একটি প্রাকৃতিক জায়গা।

ট্রান্সক্রিপ্ট এবং লগ প্রসেসিং। কলের ট্রান্সক্রিপ্ট, দীর্ঘ সাপোর্ট ডায়ালগ, বা স্ট্রিম লগ — এমন কাজ যেখানে ইনপুট ভলিউম বড় কিন্তু উত্তর সাধারণত সংক্ষিপ্ত। এক্ষেত্রে ৮,১৯২ টোকেনের আউটপুট সীমা কোনো সমস্যা নয়: ইনপুটে অনেক কিছু যায়, আউটপুটে শুধু সারসংক্ষেপ বা প্রয়োজনীয় তথ্য আসে।

কখন অন্য মডেল নির্বাচন করা উচিত। বর্তমানে নেটওয়ার্কের সব মডেলই প্রতিটি উত্তরে সর্বোচ্চ ৮,১৯২ টোকেন প্রদান করে, তাই যদি অ্যাপ্লিকেশনের জন্য একটি অনুরোধে অনেক দীর্ঘ উত্তরের প্রয়োজন হয় (বা বড় কোনো জেনারেটেড ডকুমেন্ট বা বিশাল কোড), তবে আর্কিটেকচারে এই সীমাবদ্ধতা বিবেচনা করুন এবং জেনারেশনকে বিভিন্ন ভাগে ভাগ করুন। জটিল মাল্টি-স্টেপ রিজনিংয়ের কাজের জন্য Kimi K2.6 এর সাথে উত্তরের তুলনা করা উচিত। সার্বজনীন পরামর্শ: আপনার আসল অনুরোধগুলোর একটি সেট উভয় মডেলের মাধ্যমে প্রসেস করুন এবং ফলাফল তুলনা করুন — রেজিস্ট্রেশনের সময় প্রাপ্ত ১০ মিলিয়ন টোকেন একটি পূর্ণাঙ্গ তুলনামূলক পরীক্ষার জন্য যথেষ্ট।

কারিগরিভাবে, মডেলের মধ্যে সুইচ করা মানে কেবল model ফিল্ডের একটি লাইন পরিবর্তন করা। তাই Gonka নেটওয়ার্কের একটি ভালো আর্কিটেকচার স্থায়ীভাবে কোনো একটি মডেল বেছে নেয় না, বরং কাজের ধরনের উপর ভিত্তি করে Kimi K2.6 এবং MiniMax M2.7-এর মধ্যে অনুরোধ রাউট করে — সস্তা inference এই ধরনের রাউটিংকে অর্থনৈতিকভাবে লাভজনক করে তোলে।