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

একটি ডিসেন্ট্রালাইজড নেটওয়ার্কের জন্য মাল্টি-মডেল পদ্ধতি একটি মৌলিক পদক্ষেপ। একটি মাত্র মডেলের ওপর নির্ভরশীল নেটওয়ার্ক মূলত ভঙ্গুর: মডেলের নতুন ভার্সন আসা মানেই মাইগ্রেশন সংকট, আর একক মডেলের যেকোনো ত্রুটি পুরো সার্ভিসকে অচল করে দেয়। যে নেটওয়ার্ক একই সাথে একাধিক মডেল চালাতে সক্ষম, সেটি সহজে বিবর্তিত হয়: নতুন মডেলগুলো অতিরিক্ত "ট্র্যাক" হিসেবে যুক্ত হয়, পুরনো মডেলগুলো কাজ চালিয়ে যায় এবং GPU-হোস্টরা সিদ্ধান্ত নিতে পারে তারা কোনটি সার্ভিস দিবে। প্রযুক্তিগতভাবে, প্রতিটি মডেল নেটওয়ার্কের নিজস্ব শার্ডে থাকে — একই মেকানিজম (DevShards) আগে Kimi K2.6 লঞ্চ করার জন্য ব্যবহৃত হয়েছিল।

প্রাথমিক পর্যায়ের একটি বিশেষ বিষয়: "মডেলটি নেটওয়ার্ক লিস্টে এসেছে" এবং "মডেলটি সবার জন্য উন্মুক্ত" - এই দুটির মাঝে একটি ল্যাগ থাকতে পারে। শুরুতে broker-মোডে MiniMax M2.7 এর inferenced শুধুমাত্র প্রিভিলেজড কী-গুলোর জন্য উপলব্ধ ছিল এবং সাধারণ রিকোয়েস্টের জন্য এরর দিত — যা একটি সাধারণ টেস্টিং পর্যায়। ২০২৬ সালের মে মাসের শেষের দিকে পাবলিক অ্যাক্সেস খুলে দেওয়া হয় এবং মডেলটি সমস্ত Gateway ক্লায়েন্টদের জন্য উপলব্ধ হয়। নেটওয়ার্ক কীভাবে কাজ করে এবং কেন মডেলগুলো এভাবে লঞ্চ করা হয়, তা নিয়ে আরও পড়ুন Gonka নেটওয়ার্ক আর্কিটেকচার বিষয়ক আর্টিকেলে।

OpenRouter-এর মাধ্যমে একই MiniMax M2.7 এর দাম প্রতি 1M টোকেনে $0.279/$1.20, যেখানে JoinGonka-তে তা $0.0047/$0.014।

সবচেয়ে সরাসরি উপায় হলো JoinGonka API Gateway এর মাধ্যমে। যেহেতু Gateway একটি OpenAI-সামঞ্জস্যপূর্ণ API প্রদান করে, GPT, Claude বা Kimi এর সাথে কাজ করা একই কোড model ফিল্ডের মান পরিবর্তন করার পরেই MiniMax এর সাথে কাজ করা 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 অ্যাটেনশন কী তা সংক্ষেপে ব্যাখ্যা করো"}
    ]
  }'

openai লাইব্রেরির মাধ্যমে Python এ 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) — ইন্টারেক্টিভ ইন্টারফেসের জন্য, যেখানে জেনারেট হওয়ার সাথে সাথে উত্তর দেখানো হয়:

stream = client.chat.completions.create(
    model="MiniMaxAI/MiniMax-M2.7",
    messages=[{"role": "user", "content": "দীর্ঘ কনটেক্সট নিয়ে একটি ছোট প্রবন্ধ লেখো"}],
    stream=True,
)
for chunk in stream:
    delta = chunk.choices[0].delta.content
    if delta:
        print(delta, end="", flush=True)
JoinGonka Gateway তে রেজিস্ট্রেশন করার সময় আপনি নেটওয়ার্কের যেকোনো মডেল পরীক্ষার জন্য 1.5M ফ্রি টোকেন পাবেন — এটি আপনার নিজস্ব কাজের জন্য নেটওয়ার্কের তিনটি মডেলই তুলনা করার জন্য যথেষ্ট।
ডেভেলপমেন্ট টুলের সাথে সামঞ্জস্যতা: OpenAI API এর সাথে কাজ করা সবকিছুই Gateway এর মাধ্যমে MiniMax এর সাথে কাজ করে। শুধুমাত্র model প্যারামিটারটি পরিবর্তন করলেই হবে:
Cursor: Custom Model সেটিংসে MiniMaxAI/MiniMax-M2.7 উল্লেখ করুন
Claude Code, Cline, Continue.dev: কনফিগে মডেলের নাম দিন
LangChain, n8n: ক্লায়েন্ট ইনিশিয়ালাইজ করার সময় model প্যারামিটার
মডেলের বর্তমান তালিকা সর্বদা GET /v1/models এন্ডপয়েন্টে পাওয়া যায় — সেখান থেকে ডায়নামিকভাবে তা টেনে আনা সুবিধাজনক যাতে আপনার অ্যাপ্লিকেশনের UI স্বয়ংক্রিয়ভাবে সর্বশেষ সেটটি প্রদর্শন করতে পারে। যদি উত্তরে 429 too many concurrent requests আসে — তবে এটি নেটওয়ার্কের শুরুর দিকে নতুন মডেলের জন্য একটি স্বাভাবিক পর্যায়: কয়েক সেকেন্ড পরে অনুরোধটি পুনরায় পাঠান।

একটি নেটওয়ার্কে তিনটি মডেল থাকাটা মূল্যবান কারণ প্রোভাইডার বা ইন্টিগ্রেশন কোড পরিবর্তন না করেই বিভিন্ন কাজের জন্য বিভিন্ন টুল নির্বাচন করা যায়। এখানে কিছু দৃশ্যকল্প দেওয়া হলো যেখানে MiniMax M2.7 দিয়ে পরীক্ষা শুরু করা অর্থবহ।

দীর্ঘ নথির বিশ্লেষণ। যদি কাজটি হয় চুক্তির সারাংশ তৈরি, কারিগরি ডকুমেন্টেশন বিশ্লেষণ, বা বড় আইনি বা আর্থিক পাঠ্য প্রসেস করা, তবে M সিরিজের কার্যকর অ্যাটেনশন দীর্ঘ কনটেক্সট ধরে রাখার জন্য ঐতিহাসিকভাবে তৈরি করা হয়েছে, যা খরচে কোনো বড় প্রভাব ফেলে না। পুরো নথিটি একটি অনুরোধে পাঠান এবং মডেলটিকে টুকরো টুকরো না করে পুরো ভলিউম নিয়ে কাজ করতে বলুন।

RAG এবং নলেজ বেসের সাথে কাজ। retrieval-augmented দৃশ্যকল্পে, যেখানে ভেক্টর ডেটাবেস থেকে ডজন ডজন অংশ কনটেক্সটে মেশানো হয়, সেখানে মডেলের বিভিন্ন ধরনের টেক্সট ধরে রাখার ক্ষমতা সরাসরি উত্তরের গুণমানকে প্রভাবিত করে। এটি দীর্ঘ কনটেক্সট মডেলের জন্য একটি স্বাভাবিক জায়গা।

ট্রান্সক্রিপ্ট এবং লগ প্রসেসিং। কলের ট্রান্সক্রিপ্ট, দীর্ঘ সাপোর্ট ডায়ালগ, স্ট্রিমিং লগ — এই কাজগুলোতে ইনপুট ভলিউম অনেক বেশি, কিন্তু উত্তর সাধারণত ছোট হয়। এখানে ৮,১৯২ টোকেনের আউটপুট সীমা কোনো বাধা নয়: ইনপুট অনেক আসে, কিন্তু আউটপুট হয় সারাংশ বা তথ্য আহরণ।

অন্য মডেল কখন বেছে নেবেন। বর্তমানে নেটওয়ার্কের সব মডেল একটি উত্তরে ৮,১৯২ টোকেন পর্যন্ত দেয়, তাই যদি আপনার অ্যাপ্লিকেশনের একটি অনুরোধে খুব দীর্ঘ উত্তরের প্রয়োজন হয় (বিশাল জেনারেটেড নথি, কোডের বড় অংশ) — তবে আর্কিটেকচারে এই সীমাবদ্ধতা বিবেচনায় রাখুন এবং জেনারেশনকে কয়েক ভাগে ভাগ করুন। জটিল মাল্টি-স্টেপ যুক্তির কাজের জন্য Kimi K2.6 এর উত্তরের সাথে তুলনা করা উচিত। সার্বজনীন পরামর্শ: আপনার বাস্তব অনুরোধের একটি সেট উভয় মডেলের মাধ্যমে চালান এবং ফলাফল তুলনা করুন — রেজিস্ট্রেশনের সময় প্রাপ্ত 1.5M ফ্রি টোকেন প্রথম তুলনামূলক পরীক্ষার জন্য যথেষ্ট হবে।

কারিগরিভাবে মডেলের মধ্যে পরিবর্তন করা মানে model ফিল্ডে একটি লাইন পরিবর্তন করা। তাই Gonka নেটওয়ার্কে একটি ভালো অ্যাপ্লিকেশন আর্কিটেকচার «স্থায়ীভাবে একটি মডেল নির্বাচন» করে না, বরং কাজের ধরনের ওপর ভিত্তি করে Kimi K2.6 এবং MiniMax M2.7 এর মধ্যে অনুরোধ রাউট করতে দেয় — সাশ্রয়ী inference এমন রাউটিংকে আর্থিকভাবে লাভজনক করে তোলে।