Tekniske specifikationer for MiniMax M3
| Element | MiniMax M3 |
|---|---|
| Modelfamilie | MiniMax M3 frontier-grundmodel |
| 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, agent-baserede arbejdsgange, multimodal ræsonnering, langkontekstbehandling |
| Ræsonneringstilstand | Tænkning til/fra-tilstande |
| Værktøjsbrug | Agent-arbejdsgange, værktøjskald, udførelse af terminalopgaver |
| Udrulning | API, MiniMax Code, Token Plan, kommende open-weight-udgivelse |
| Multimodal understøttelse | Indbygget multimodal fortræning fra trin nul |
| 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 lukket kildekode-systemer: avanceret programmeringsydelse, million-token-kontekstbehandling og indbygget multimodal forståelse. I modsætning til modeller, der tilføjer billedforståelse som en senere udvidelse, blev M3 trænet som en multimodal model fra begyndelsen, hvilket muliggør dybere tilpasning mellem visuel og tekstuel ræsonnering.
Modellen er bygget på MiniMax Sparse Attention (MSA), en sparse-attention-arkitektur designet til at gøre million-token-kontekster beregningsmæssigt praktiske, samtidig med at ydeevnen på kodning, ræsonnering og agentopgaver bevares.
Hovedfunktioner i MiniMax M3
- 1M-token-kontekstvindue: Understøtter ekstremt store repositorier, lange forskningskorpora, multi-dokumentanalyse og langvarige agentsessioner.
- Agent-orienteret arkitektur: Designet til autonom opgaveopdeling, værktøjskald, iterativ planlægning og flertrinsudførelse.
- Indbygget multimodalitet: Behandler tekst, billeder, diagrammer, skærmbilleder og video-input uden at være afhængig af en separat visionsstak.
- Avanceret kodekompetence: Stærk performance på software-ingeniør-benchmarks inklusive SWE-Bench Pro, Terminal-Bench og KernelBench.
- Udførelse over lange tidshorisonter: Demonstrerede fler-timers autonome arbejdsgange, herunder reproduktion af forskning og CUDA-optimeringsprojekter.
- Konfigurerbar ræsonnering: Tænkningstilstand kan aktiveres til dybere ræsonneringsopgaver eller deaktiveres for lavere latenstid.
Benchmark-ydelse for MiniMax M3
MiniMax rapporterer frontier-niveau benchmarkresultater 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 oplyser også, at M3 overgår GPT-5.5 og Gemini 3.1 Pro på flere kodningsorienterede benchmarks, samtidig med at den nærmer sig Claude Opus 4.7 i udvalgte evalueringer. Disse påstande stammer fra MiniMax' interne benchmarkoffentliggørelser og bør tolkes sammen med uafhængige tredjepartstest, efterhånden som de bliver tilgængelige.
Langkontekst-arkitektur og MSA
MiniMax Sparse Attention (MSA) er den arkitektoniske innovation bag M3's million-token-kontekstkapabilitet. I stedet for at anvende fuld kvadratisk opmærksomhed på hele sekvensen udfører MSA blok-niveau-routing og sparse attention over udvalgte kontekstområder.
Ifølge MiniMax reducerer dette beregningskravene markant ved store kontekstlængder og leverer:
- Mere end 9× hurtigere prefill-ydeevne ved 1M kontekstlængde
- Mere end 15× hurtigere dekoderingsydelse
- Cirka 1/20 af beregningen pr. token i forhold til forrige generation ved 1M kontekstskala
Disse forbedringer skal gøre kodning i repositorie-skala og agentarbejdsgange over lange horisonter praktiske.
MiniMax M3 vs Claude Opus 4.7 vs Gemini 3.1 Pro
| Kapabilitet | MiniMax M3 | Claude Opus 4.7 | Gemini 3.1 Pro |
|---|---|---|---|
| Kontekstvindue | Op til 1M | Mindre offentligt tilgængelige kontekstniveauer | Stor-kontekst multimodal |
| Indbygget multimodal træning | Ja | Ja | Ja |
| Agent-baseret kodningsfokus | Meget stærk | Meget stærk | Stærk |
| SWE-Bench Pro | 59.0% | Højere ifølge MiniMax' rapportering | Lavere ifølge MiniMax' rapportering |
| Tilgængelighed af open-weight | Planlagt | Nej | Nej |
| Agent-arbejdsgange over lange horisonter | Stort designfokus | Stærk | Stærk |
Kendte begrænsninger
- De fleste benchmarkoffentliggørelser kommer i øjeblikket fra MiniMax og ikke fra uafhængige evalueringslaboratorier.
- Open-weight-modelfiler og den fulde tekniske rapport blev annonceret, men var endnu ikke bredt udgivet ved lanceringen.
- Pålidelighed i virkelige produktionsmiljøer er stadig ved at blive valideret af udviklerfællesskabet.
- Million-token-kontekst-arbejdsbelastninger kan medføre højere driftsomkostninger og latenstid end standard inferens-arbejdsbelastninger.
Repræsentative anvendelsestilfælde
Softwareudvikling i repositorie-skala
Analyser store kodebaser, udfør refaktorering på tværs af flere filer, generér patches, gennemgå pull requests og vedligehold langvarig 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 videoindhold inden for samme ræsonneringsarbejdsgang.
Terminal- og DevOps-automatisering
Udfør komplekse ingeniørarbejdsgange, der involverer testning, udrulningsorkestrering, afhængighedsstyring og iterativ fejlfinding.
Virksomhedsvidenssystemer
Søg og ræsonnér over store samlinger af politikker, kontrakter, teknisk dokumentation og interne vidensrepositorier.
Modelversion og tilgængelighed
MiniMax M3 blev officielt introduceret i juni 2026 som flagskibsefterfølgeren i MiniMax-modelserien. Modellen er tilgængelig via MiniMax API-økosystemet og CometAPI.