Can MiniMax M3 process a full software repository in a single context window?

Ja. MiniMax M3 understøtter op til et 1,000,000-token kontekstvindue, hvilket gør det muligt at analysere store repositories, dokumentationssæt og langvarige agent-sessioner inden for en enkelt samtale.

How does MiniMax M3 compare to Claude Opus 4.7 for coding tasks?

M3 nærmer sig Claude Opus 4.7 på flere kode- og agent-benchmarks og tilbyder samtidig et 1M-token kontekstvindue samt planlagt tilgængelighed med åbne vægte. Uafhængige sammenligninger fra tredjepart er stadig ved at dukke op.

What makes MiniMax M3 different from previous MiniMax models?

MiniMax M3 introducerer MiniMax Sparse Attention (MSA)-arkitekturen, indbygget multimodal træning, stærkere agentkapaciteter og markant større kontekstunderstøttelse end tidligere M2-seriemodeller.

Does the MiniMax M3 API support multimodal inputs?

Ja. MiniMax M3 er nativt multimodal og understøtter forståelse af billeder og video ud over tekstbaserede input.

What benchmark scores has MiniMax M3 achieved?

MiniMax rapporterer 59.0% på SWE-Bench Pro, 66.0% på Terminal-Bench 2.1, 74.2% på MCP Atlas og 83.5 på BrowseComp, hvilket placerer M3 blandt de førende modeller med fokus på kodning og agenter.

Is MiniMax M3 suitable for autonomous AI agents?

Ja. Modellen blev specifikt optimeret til agent-arbejdsgange med lang horisont, herunder planlægning, værktøjsbrug, opgaveopdeling, terminaludførelse og problemløsning i flere trin.

When should developers choose MiniMax M3 instead of Gemini 3.1 Pro?

MiniMax M3 er særligt attraktiv, når ekstremt lange kontekstvinduer, kodeintensive arbejdsgange eller implementeringsmuligheder med åbne vægte er højeste prioritet. Gemini 3.1 Pro kan fortsat være at foretrække for teams, der allerede er standardiseret på Googles økosystem.

Overkommelig MiniMax-M3 API | text-to-text

Tekniske specifikationer for MiniMax M3

Punkt	MiniMax M3
Modelfamilie	MiniMax M3 frontier foundation model
Udbyder	MiniMax
Arkitektur	MiniMax Sparse Attention (MSA)
Inputtyper	Tekst, billede, video
Outputtyper	Tekst
Kontekstvindue	Op til 1,000,000 tokens (minimum garanteret 512K)
Primære styrker	Kodning, agentiske arbejdsgange, multimodal ræsonnering, langkontekst-behandling
Ræsonneringstilstand	Tænketilstand til/fra
Værktøjsanvendelse	Agent-arbejdsgange, værktøjskald, udførelse af terminalopgaver
Udrulning	API, MiniMax Code, Token Plan, kommende open-weight-udgivelse
Multimodal understøttelse	Naturlig multimodal fortræning fra første trin
Udgivelsesdato	juni 2026

Hvad er MiniMax M3?

MiniMax M3 er en AI-model i frontier-skala, designet omkring tre kapabiliteter, der historisk har været begrænset til lukkede kildekodesystemer: avanceret kodeydeevne, million-token-kontekstbehandling og naturlig multimodal forståelse. I modsætning til modeller, der tilføjer vision som en senere udvidelse, blev M3 trænet som en multimodal model fra begyndelsen, hvilket muliggør en dybere tilpasning mellem visuel og tekstuel ræsonnering.

Modellen er bygget på MiniMax Sparse Attention (MSA), en arkitektur med sparsom opmærksomhed, der er designet til at gøre million-token-kontekster beregningsmæssigt praktiske, samtidig med at ydeevnen på kodning, ræsonnering og agentiske opgaver bevares.

Hovedfunktioner i MiniMax M3

1M-token kontekstvindue: Understøtter ekstremt store repositories, omfattende forskningskorpora, multidokumentanalyse og langvarige agentsessioner.
Agent-orienteret arkitektur: Designet til autonom opgaveopdeling, værktøjskald, iterativ planlægning og flertrins-udførelse.
Naturlig multimodalitet: Behandler tekst, billeder, diagrammer, skærmbilleder og video-input uden at være afhængig af en separat vision-komponent.
Avanceret kodeydeevne: Stærk ydeevne på softwareingeniør-benchmarks, herunder SWE-Bench Pro, Terminal-Bench og KernelBench.
Langhorisont-udførelse: Demonstrerede fler-timers autonome arbejdsgange, inklusive reproduktion af forskning og CUDA-optimeringsprojekter.
Konfigurerbar ræsonnering: Tænketilstand kan aktiveres for dybere ræsonneringsarbejdsbelastninger eller deaktiveres for lavere latenstid.

Benchmark-ydeevne for MiniMax M3

MiniMax rapporterer benchmarkresultater på frontier-niveau på tværs af kodning, agentisk udførelse og multimodale evalueringer. Rapporterede resultater omfatter:

Benchmark	Score
SWE-Bench Pro	59.0%
Terminal-Bench 2.1	66.0%
SWE-fficiency	34.8%
KernelBench Hard	28.8%
MCP Atlas	74.2%
BrowseComp	83.5
PostTrainBench	37.1

Virksomheden rapporterer også, at M3 overgår GPT-5.5 og Gemini 3.1 Pro på flere kodeorienterede benchmarks, samtidig med at den nærmer sig Claude Opus 4.7 i udvalgte evalueringer. Disse påstande stammer fra MiniMax' interne benchmark-offentliggørelser og bør tolkes sammen med uafhængige tredjepartstests, efterhånden som de bliver tilgængelige.

Langkontekst-arkitektur og MSA

MiniMax Sparse Attention (MSA) er den arkitektoniske innovation bag M3's million-token-kontekstkapacitet. I stedet for at anvende fuld kvadratisk opmærksomhed over hele sekvensen udfører MSA routing på blokniveau og sparsom opmærksomhed over udvalgte kontekstområder.

Ifølge MiniMax reducerer dette beregningskravene betydeligt ved store kontekster og leverer:

Mere end 9× hurtigere prefill-ydeevne ved 1M kontekstlængde
Mere end 15× hurtigere dekoderingsydeevne
Omtrent 1/20 af forrige generations per-token-beregning ved 1M kontekstskala

Disse forbedringer har til formål at gøre kodning i repository-skala og langhorisont-agentarbejdsgange praktiske.

MiniMax M3 vs Claude Opus 4.7 vs Gemini 3.1 Pro

Funktion	MiniMax M3	Claude Opus 4.7	Gemini 3.1 Pro
Kontekstvindue	Op til 1M	Mindre offentligt tilgængelige kontekstniveauer	Stor-kontekst multimodal
Naturlig multimodal træning	Ja	Ja	Ja
Agentisk kodefokus	Meget stærk	Meget stærk	Stærk
SWE-Bench Pro	59.0%	Højere ifølge MiniMax' rapportering	Lavere ifølge MiniMax' rapportering
Open-weight-tilgængelighed	Planlagt	Nej	Nej
Langhorisont agent-arbejdsgange	Centralt designfokus	Stærk	Stærk

Kendte begrænsninger

De fleste benchmark-offentliggørelser kommer i øjeblikket fra MiniMax snarere end uafhængige evalueringslaboratorier.
Open-weight model-filer og den fulde tekniske rapport blev annonceret, men var endnu ikke bredt frigivet ved lanceringen.
Pålidelighed i virkelige produktionsmiljøer valideres stadig af udviklerfællesskabet.
Million-token-kontekst-arbejdsbelastninger kan medføre højere driftsomkostninger og latenstid end standard inferens-arbejdsbelastninger.

Repræsentative anvendelsestilfælde

Softwareudvikling i repository-skala

Analysér store kodebaser, udfør refaktorisering på tværs af flere filer, generér patches, gennemgå pull requests og oprethold langsigtet udviklingskontekst.

Autonome forskningsagenter

Understøt litteraturgennemgang, dokumentsyntese, benchmarkanalyse og langvarige forskningsarbejdsgange, der kræver hundredtusinder af tokens.

Multimodal teknisk analyse

Fortolk skærmbilleder, arkitekturdiagrammer, grafer, tekniske dokumenter og videoinhold i samme ræsonneringsarbejdsgang.

Terminal- og DevOps-automatisering

Udfør komplekse ingeniørarbejdsgange, der omfatter test, udrulningsorkestrering, afhængighedsstyring og iterativ fejlsøgning.

Virksomhedsvidenssystemer

Søg i og ræsonnér over store samlinger af politikker, kontrakter, teknisk dokumentation og interne vidensarkiver.

Modelversion og tilgængelighed

MiniMax M3 blev officielt introduceret i juni 2026 som flagskibsefterfølgeren i MiniMax-modellinjen. Modellen er tilgængelig gennem MiniMax API-økosystemet og CometAPI.

Priser for MiniMax-M3

Udforsk konkurrencedygtige priser for MiniMax-M3, designet til at passe til forskellige budgetter og brugsbehov. Vores fleksible planer sikrer, at du kun betaler for det, du bruger, hvilket gør det nemt at skalere, efterhånden som dine krav vokser. Opdag hvordan MiniMax-M3 kan forbedre dine projekter, mens omkostningerne holdes håndterbare.

Comet-pris (USD / M Tokens)	Officiel Pris (USD / M Tokens)	Rabat
Indtast:$0.48/M Output:$1.92/M	Indtast:$0.6/M Output:$2.4/M	-20%

Eksempelkode og API til MiniMax-M3

Få adgang til omfattende eksempelkode og API-ressourcer for MiniMax-M3 for at strømline din integrationsproces. Vores detaljerede dokumentation giver trin-for-trin vejledning, der hjælper dig med at udnytte det fulde potentiale af MiniMax-M3 i dine projekter.

Python
JavaScript
Curl

from openai import OpenAI
import os

# Get your CometAPI key from https://www.cometapi.com/console/token, and paste it here
COMETAPI_KEY = os.environ.get("COMETAPI_KEY") or "<YOUR_COMETAPI_KEY>"
BASE_URL = "https://api.cometapi.com/v1"

client = OpenAI(base_url=BASE_URL, api_key=COMETAPI_KEY)

completion = client.chat.completions.create(
    model="minimax-m3",
    messages=[
        {
            "role": "system",
            "content": (
                "You are a senior backend reviewer focused on correctness, "
                "reliability, and maintainability."
            ),
        },
        {
            "role": "user",
            "content": (
                "Task: review the API migration plan and identify the "
                "highest-impact improvements.

"
                "Context: the team is moving a customer support workflow from "
                "blocking chat calls to an async job queue. Prioritize data "
                "safety, retry behavior, observability, and rollback.

"
                "Output format:
"
                "Return a table with columns: Area, Risk, Recommendation, "
                "Priority. Keep each recommendation actionable and under 40 words."
            ),
        },
    ],
    max_completion_tokens=800,
    extra_body={"reasoning_split": True},
)

if not completion.choices:
    print(completion.model_dump_json(indent=2))
    raise SystemExit

message = completion.choices[0].message

reasoning_details = getattr(message, "reasoning_details", None)
if reasoning_details:
    print("Thinking:")
    print(reasoning_details[0]["text"])
    print()

print("Response:")
print(message.content)

Python Code Example

from openai import OpenAI
import os

# Get your CometAPI key from https://www.cometapi.com/console/token, and paste it here
COMETAPI_KEY = os.environ.get("COMETAPI_KEY") or "<YOUR_COMETAPI_KEY>"
BASE_URL = "https://api.cometapi.com/v1"

client = OpenAI(base_url=BASE_URL, api_key=COMETAPI_KEY)

completion = client.chat.completions.create(
    model="minimax-m3",
    messages=[
        {
            "role": "system",
            "content": (
                "You are a senior backend reviewer focused on correctness, "
                "reliability, and maintainability."
            ),
        },
        {
            "role": "user",
            "content": (
                "Task: review the API migration plan and identify the "
                "highest-impact improvements.\n\n"
                "Context: the team is moving a customer support workflow from "
                "blocking chat calls to an async job queue. Prioritize data "
                "safety, retry behavior, observability, and rollback.\n\n"
                "Output format:\n"
                "Return a table with columns: Area, Risk, Recommendation, "
                "Priority. Keep each recommendation actionable and under 40 words."
            ),
        },
    ],
    max_completion_tokens=800,
    extra_body={"reasoning_split": True},
)

if not completion.choices:
    print(completion.model_dump_json(indent=2))
    raise SystemExit

message = completion.choices[0].message

reasoning_details = getattr(message, "reasoning_details", None)
if reasoning_details:
    print("Thinking:")
    print(reasoning_details[0]["text"])
    print()

print("Response:")
print(message.content)

JavaScript Code Example

import OpenAI from "openai";

// Get your CometAPI key from https://www.cometapi.com/console/token, and paste it here
const api_key = process.env.COMETAPI_KEY || "<YOUR_COMETAPI_KEY>";
const base_url = "https://api.cometapi.com/v1";

const openai = new OpenAI({
  apiKey: api_key,
  baseURL: base_url,
});

const completion = await openai.chat.completions.create({
  model: "minimax-m3",
  messages: [
    {
      role: "system",
      content:
        "You are a senior backend reviewer focused on correctness, reliability, and maintainability.",
    },
    {
      role: "user",
      content:
        "Task: review the API migration plan and identify the highest-impact improvements.\n\n" +
        "Context: the team is moving a customer support workflow from blocking chat calls " +
        "to an async job queue. Prioritize data safety, retry behavior, observability, and rollback.\n\n" +
        "Output format:\n" +
        "Return a table with columns: Area, Risk, Recommendation, Priority. " +
        "Keep each recommendation actionable and under 40 words.",
    },
  ],
  max_completion_tokens: 800,
  reasoning_split: true,
});

if (!completion.choices?.length) {
  console.log(JSON.stringify(completion, null, 2));
  process.exit(0);
}

const message = completion.choices[0].message;

if (message.reasoning_details?.length) {
  console.log("Thinking:");
  console.log(message.reasoning_details[0].text);
  console.log();
}

console.log("Response:");
console.log(message.content);

Curl Code Example

# Get your CometAPI key from https://www.cometapi.com/console/token
# Export it as: export COMETAPI_KEY="your-key-here"
curl https://api.cometapi.com/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $COMETAPI_KEY" \
  -d '{
    "model": "minimax-m3",
    "messages": [
      {
        "role": "system",
        "content": "You are a senior backend reviewer focused on correctness, reliability, and maintainability."
      },
      {
        "role": "user",
        "content": "Task: review the API migration plan and identify the highest-impact improvements.\n\nContext: the team is moving a customer support workflow from blocking chat calls to an async job queue. Prioritize data safety, retry behavior, observability, and rollback.\n\nOutput format:\nReturn a table with columns: Area, Risk, Recommendation, Priority. Keep each recommendation actionable and under 40 words."
      }
    ],
    "max_completion_tokens": 800,
    "reasoning_split": true
  }'

Versioner af MiniMax-M3

Årsagen til, at MiniMax-M3 har flere øjebliksbilleder kan omfatte potentielle faktorer såsom variationer i output efter opdateringer, der kræver ældre øjebliksbilleder for konsistens, at give udviklere en overgangsperiode til tilpasning og migration, og at forskellige øjebliksbilleder svarer til globale eller regionale slutpunkter for at optimere brugeroplevelsen. For detaljerede forskelle mellem versioner, henvises der til den officielle dokumentation.

version
minimax-m3