TL;DR
MiniMax M3 er MiniMax’ frontier-model til kodning, agentiske arbejdsgange, langkontekst-ræsonnering og multimodal forståelse. Den blev officielt lanceret den 1. juni 2026 og kombinerer tre kapabiliteter, som MiniMax fremhævede som centrum for lanceringen: op til 1M tokens kontekstvindue, indbygget forståelse af billeder/video og langvarig agenteksekvering.
Den åbne vægtmodel har omkring 428 milliarder samlede parametre og cirka 23 milliarder aktiverede parametre. Det betyder, at kun omtrent 5,4% af den oplyste parameterkapacitet er aktiv pr. typisk token, hvilket hjælper med at forklare, hvordan en meget stor model kan forblive praktisk ved inferens. M3 introducerer også MiniMax Sparse Attention (MSA), et blokvist sparse-attention-design bygget til million-token-kontekster.
For udviklere er M3 tilgængelig via MiniMax’ API og open-weight-distribution og er også tilgængelig via CometAPI for teams, der ønsker én grænseflade til MiniMax og andre modeludbydere.
Vigtigste pointer
- MiniMax udgav M3 den 1. juni 2026 som en frontier-model med fokus på kodning, agenter, lang kontekst og multimodalitet.
- Open-weight-udgivelsen oplyser ~428B samlede parametre og ~23B aktiverede parametre.
- M3 understøtter op til 1M tokens kontekst, hvor MiniMax beskriver 512K som garanteret minimumsniveau for API’et.
- MiniMax Sparse Attention erstatter fuld global attention med blokselektion og præcis sparse attention over udvalgte kontekstområder.
- M3 blev trænet med blandede modaliteter fra Step 0 og understøtter tekst-, billede- og video-input.
- Officielle lanceringsbenchmarks inkluderer 59.0% SWE-Bench Pro, 66.0% Terminal-Bench 2.1, 83.5 BrowseComp og 75.2 OSWorld-Verified.
- MiniMax demonstrerede næsten 12 timers autonom papergengivelse og cirka 24 timers CUDA-kernel-optimering med 1.959 værktøjskald.
- API’et understøtter konfigurerbar ræsonnering samt tekst, billede, video, funktionsværktøjer, standard/prioritetsservice og long-context-prissætning.
Hvad er MiniMax M3?
MiniMax M3 er efterfølgeren til M2-generationen og repræsenterer et større arkitektonisk skift end en normal punktopdatering. MiniMax M2.7 var allerede positioneret omkring reel softwareengineering, kontorproduktivitet og agentarbejdsgange, men M3 tilføjer en ny sparse-attention-arkitektur, indfødt multimodal pretræning og et million-token-kontekstmål.
M3 som en frontier multimodal kode-model med et 1M kontekstvindue. Det officielle open-weight-repository tilføjer de vigtigste skaleringsdata: omtrent 428B parametre i alt og 23B aktiverede. Den tilknyttede MSA-tekniske rapport beskriver også arkitekturen som fungerende i en Mixture-of-Experts-opsætning, hvilket er konsistent med forskellen mellem samlede og aktive parametre.
Det gør M3 mindre interessant som “en større M2.7” og mere interessant som en konvergensmodel. Den samler repository-skala kontekst, kodning, multimodal perception, computer-orienterede agenter og lokal/åben udrulning i ét system. MiniMax rammesatte eksplicit denne kombination som udgivelsens hoveddifferentiering frem for at påstå, at M3 vinder hver benchmark.
MiniMax M3-specifikationer
| Specification | MiniMax M3 |
|---|---|
| Release date | June 1, 2026 |
| Model size | ~428B total parameters; ~23B activated |
| Architecture | Sparse Mixture-of-Experts with MiniMax Sparse Attention (MSA) |
| Context window | Up to 1M tokens; API guaranteed minimum 512K |
| Input modalities | Text, image, video |
| Output | Text |
| Reasoning control | Thinking on/adaptive or disabled through API parameters |
| Maximum generation | Recommended 128K; API docs allow up to 512K max_completion_tokens |
| Tool use | Function tools; agent-oriented workflows |
| Weights | Open-weight release on Hugging Face / GitHub instructions |
Kontekst, modalitet og API-adfærd ovenfor er dokumenteret i MiniMax’ officielle model- og API-dokumentation; parameterdata og links til lokal udrulning kommer fra det officielle M3-repository.
Fra MiniMax M2.7 til M3
| Dimension | MiniMax M2.7 | MiniMax M3 |
|---|---|---|
| Context window | 204,800 tokens | Up to 1M tokens |
| Native image/video input | No; M2.x text/tool workflows | Yes; text + image + video |
| Attention direction | Conventional M2-series serving | MSA sparse attention |
| Thinking control | Reasoning cannot be fully disabled in M2.x | Thinking can be disabled for lower latency |
| Primary positioning | Coding, tool calling, office/agent workflows | Coding + agents + multimodality + million-token context |
| Open-weight emphasis | M2.7 open model ecosystem | M3 weights + dedicated MSA implementation |
MiniMax’ API-dokumentation angiver M2.7 ved et 204.800-token kontekstniveau, mens M3 flytter til million-token-klassen. Den større forskel er kvalitativ: M3 accepterer visuelle og video-input direkte, hvor M2.x-API’et forbliver tekst- og værktøjsorienteret.
Hvad er nyt i MiniMax M3?
En 428B-model med cirka 23B aktive parametre
Det offentlige M3-repository angiver, at modellen har ~428B samlede parametre og ~23B aktiverede parametre. I praksis er den oplyste aktive andel cirka 5,4%. Det er den grundlæggende appel ved en sparse expert-arkitektur: den samlede kapacitet kan være meget stor, mens beregningsstien for et givet token kun berører en brøkdel af modellen.
Parameterantal alene bestemmer ikke kvalitet, og “428B” skal ikke læses som 428B tætte parametre, der evalueres for hvert token. Den mere nyttige fortolkning er, at M3 har en stor pulje af modelkapacitet parret med betinget aktivering og et attentionsystem designet til at holde omkostningerne ved lang kontekst håndterbare.
MiniMax Sparse Attention: Gør 1M kontekst praktisk
Det centrale arkitektoniske skift er MiniMax Sparse Attention (MSA). Fuld softmax-attention vokser kvadratisk med sekvenslængden, hvilket bliver dyrt, når agenthistorik, koderepositorier, værktøjslogs, billeder og lange dokumenter akkumuleres til hundredtusinder af tokens.
MSA tilføjer en let Index Branch, der scorer key-value-blokke og vælger et Top-k-underudvalg for hver grouped-query attention-gruppe. Hovedgrenen udfører derefter præcis blok-sparse attention kun på de udvalgte blokke. MiniMax’ tekniske rapport beskriver dette som et hardware-orienteret design, der skal bevare kvaliteten og samtidig reducere mængden af kontekst, der skal behandles med fuld attention.
Figur 1. MiniMax Sparse Attention (MSA)-arkitektur. Kilde: MiniMax officiel MSA-figur
Ved 1M kontekst rapporterer MiniMax, at M3 bruger omtrent 1/20 af den foregående generations pr.-token-beregning og leverer mere end 9× prefill-hastighedsforøgelse og mere end 15× decode-hastighedsforøgelse i forhold til M2. Det separate MSA-paper rapporterer yderligere kontrollerede eksperimenter på en 109B MoE-testmodel, så de papertal skal ikke forveksles med produktions-tallene for M3 vs. M2.
Den sondring er vigtig. Paperet validerer attention-mekanismen i en forskningskontekst; M3-lanceringstallene beskriver produktionsmodellen. De to resultater peger i samme retning, men det er ikke den samme benchmark.
Indfødt multimodalitet fra Step 0
M3 præsenteres ikke som en tekstmodel med en separat visuel adapter tilføjet til sidst. MiniMax siger, at den gennemgik blandet-modalitetstræning fra Step 0 og ombyggede sin pretræningsdatapipeline for at øge interlevede multimodale data.
Produktions-API’et understøtter tekst-, billede- og video-input. Det er vigtigt for kodning og agentarbejde, fordi mange reelle opgaver ikke kun er tekst: debugging kan kræve et skærmbillede, frontend-arbejde kan kræve sammenligning med et referencebillede, research kan inkludere plots og ligninger, og computerbrugsagenter opererer gennem visuelle grænseflader.
En nyttig måde at tænke på M3’s multimodalitet er derfor ikke “den kan beskrive et billede”, men “visuel tilstand kan forblive inde i den samme langvarige ræsonneringssløjfe som kode, værktøjsoutput, dokumenter og brugerfeedback.”
Interaktiv kodning og agenttræning
MiniMax mener, at klassiske kodebenchmarks er for enkelt-omgang til at repræsentere, hvordan udviklere faktisk arbejder. For M3 byggede de en interaktiv brugersimulator, der udsætter modellen for kravafklaring, løsningsdiskussion, feedback-baseret korrektion, opgaveskift og fleromgangs projektiteration.
Målet er at gå fra passiv instruktionsudførelse mod samarbejde. En effektiv kodeagent skal kunne nedbryde en opgave, kalde værktøjer, tolke fejl, revidere en plan, bevare tidligere beslutninger og fortsætte efter det første plausible svar. M3’s lange kontekst og værktøjsorienterede træning er designet netop omkring den sløjfe.
Lang-horisont autonom eksekvering
MiniMax’ mest overbevisende M3-demonstrationer er ikke chatteeksempler. Det er langvarige opgaver, hvor modellen skal fastholde tilstand og fortsætte med at forbedre sig efter gentagen værktøjsfeedback.
| Task | Autonomous runtime | Evidence of persistence | Reported result |
|---|---|---|---|
| ICLR paper reproduction | Nearly 12 hours | 18 commits; 23 experimental figures | Core experiments reproduced |
| FP8 GEMM kernel optimization | ~24 hours | 147 benchmark submissions; 1,959 tool calls | 7.6% → 71.3% peak utilization; 9.4× speedup |
| PostTrainBench model training | 12-hour task window | Data synthesis → training → evaluation → iteration | Score 0.37; behind Opus 4.7 and GPT-5.5, ahead of other models in MiniMax report |
I paper-gengivelsesopgaven kørte M3 i næsten 12 timer og producerede 18 commits plus 23 eksperimentelle figurer. Opgaven kombinerede læsning af paper, forståelse af diagrammer/formler, kodning, eksperimenter og iterativ fortolkning.
.png)
Figur 2. M3’s autonome paper-gengivelsesforløb over omtrent 12 timer. Kilde: MiniMax officiel M3-demonstration
I CUDA-optimeringsopgaven gennemførte M3 147 benchmark-indsendelser og 1.959 værktøjskald over omtrent 24 timer og øgede til sidst den rapporterede Hopper FP8 peak-udnyttelse fra 7,6% til 71,3% for en 9,4× hastighedsforøgelse uden menneskelig indgriben. Det bemærkelsesværdige punkt er ikke kun den endelige speedup; MiniMax siger, at modellens bedste løsning dukkede op ved dens 145. indsendelse efter flere plateauer.
Benchmark-ydelse for MiniMax M3
MiniMax’ benchmarkdiagram ved lanceringen sammenligner M3 med Claude Opus 4.7, GPT-5.5, og Gemini 3.1 Pro på tværs af kodning, terminal, browsing, kontor, værktøjsbrug og computerbrug. Det er de mest nyttige direkte sammenligninger, fordi de blev publiceret i det samme M3-udgivelsespakke.
Figur 3. MiniMax’ officielle M3-lanceringsbenchmark-sammenligning. Kilde: MiniMax officiel benchmark-grafik
| Benchmark | MiniMax M3 | Claude Opus 4.7 | GPT-5.5 | Gemini 3.1 Pro |
|---|---|---|---|---|
| SWE-Bench Pro | 59.0 | 64.3 | 58.6 | 54.2 |
| Terminal-Bench 2.1 | 66.0 | 66.1 | 78.2 | 70.0 |
| VIBE V2 | 50.1 | 55.8 | 50.5 | 28.0 |
| SVG-Bench | 63.7 | 62.3 | 58.2 | 59.2 |
| KernelBench Hard | 28.8 | 30.7 | 20.9 | 18.6 |
| BrowseComp | 83.5 | 79.3 | 84.4 | 85.9 |
| GDPval rubrics | 74.7 | 79.8 | 80.6 | 57.8 |
| BankerToolBench | 76.1 | 81.3 | 75.0 | 67.0 |
| MCP Atlas | 74.2 | 77.0 | 75.3 | 69.2 |
| OSWorld-Verified | 75.2 | 82.8 | 78.7 | 76.2 |
Alle score i denne tabel er transskriberet fra MiniMax’ officielle M3-lanceringsdiagram. De skal læses som leverandørrapporterede lanceringsresultater, ikke som en ny uafhængig genkørsel udført af CometAPI.
Hvad benchmarkresultaterne faktisk viser
For det første er M3 reelt konkurrencedygtig i softwareengineering. På SWE-Bench Pro scorer den 59.0, over de 58.6 og 54.2 værdier, MiniMax rapporterer for GPT-5.5 og Gemini 3.1 Pro, men under Claude Opus 4.7 med 64.3. KernelBench Hard fortæller en lignende historie: M3 på 28.8 er tæt på Opus 4.7 på 30.7 og væsentligt over de to andre værdier i MiniMax’ diagram.
For det andet er terminaleksekvering ikke M3’s stærkeste relative resultat. Terminal-Bench 2.1 placerer M3 på 66.0, i praksis på linje med Opus 4.7 på 66.1, men et godt stykke bag GPT-5.5 på 78.2 og Gemini 3.1 Pro på 70.0.
For det tredje er M3 stærk men ikke dominerende på informationsindsamling. BrowseComp er 83.5: højere end Opus 4.7’s 79.3, men en smule under GPT-5.5 på 84.4 og Gemini 3.1 Pro på 85.9. MCP Atlas på 74.2 ligger også tæt på GPT-5.5’s 75.3 og Opus 4.7’s 77.0.
For det fjerde giver lanceringsdiagrammet M3 et særligt godt resultat på SVG-Bench: 63.7 mod 62.3 for Opus 4.7, 58.2 for GPT-5.5 og 59.2 for Gemini 3.1 Pro. Det passer med M3’s bredere design: indfødt visuel forståelse er tiltænkt at deltage direkte i kode- og agentarbejdsgange frem for at forblive en separat visionsfunktion.
Den overordnede konklusion er derfor mere nuanceret end “M3 slår lukkede modeller.” M3 træder ind i samme præstationsbånd på mange agentiske opgaver, vinder udvalgte evalueringer og taber andre. Dens differentiering er det, der ledsager disse score: åbne vægte, multimodal træning, et million-token kontekstdesign og aggressive driftsøkonomier.
MiniMax M3 vs Claude Opus 5 vs GPT-5.6 Sol vs Gemini 3.7 Flash
MiniMax M3 blev lanceret i et hurtigt bevægende marked, og dets oprindelige sammenligningssæt er ikke længere det mest nyttige referencepunkt. En mere relevant sammenligning i den aktuelle generation er Claude Opus 5, GPT-5.6 Sol og Gemini 3.7 Flash—nyere lukkede modeller rettet mod kodning, agenter og multimodalt arbejde. Fordi disse modeller ikke er evalueret under én identisk harness, lægger tabellen vægt på dokumenterede kapabiliteter og bruger benchmarktal kun, hvor metrikken er direkte rapporteret.
| Dimension | MiniMax M3 | Claude Opus 5 | GPT-5.6 Sol | Gemini 3.7 Flash |
|---|---|---|---|---|
| Weights | Open weight | Closed | Closed | Closed / hosted API |
| Public parameter count | ~428B total / ~23B active | Not disclosed | Not disclosed | Not disclosed |
| Context window | Up to 1M | 1M | 1,050,000 | 1M |
| Input modalities | Text, image, video | Text, image, PDF | Text, image | Text, image, video, audio, PDF |
| Coding / agent focus | Coding + long-horizon agents + multimodality | Complex agentic coding + enterprise work | Frontier coding + tool-heavy professional agents | Fast agentic coding + multimodal workflows |
| Computer / tool use | Function tools + MiniMax Code + computer use | Server/client tools + computer use | Web/file search, shell, computer use, MCP | Function calling, search, computer use |
| Terminal-Bench 2.1* | 66.0 | Not reported in Opus 5 launch | 88.8 | 85.8 |
| Representative coding signal* | SWE-Bench Pro 59.0 | Frontier-Bench v0.1: SOTA in Anthropic report | DeepSWE v1.1 72.7 | DeepSWE v1.1 65.3 |
| Best reason to choose | Open weights + low cost + 1M multimodal context | Judgment + long-horizon autonomy | Raw coding/terminal performance + broad tool stack | Speed/cost + native multimodality |
Disse benchmarktal stammer fra forskellige udbyderes evalueringspakker og skal ikke læses som en enkelt synkroniseret rangliste. M3’s Terminal-Bench 2.1-score på 66.0 kommer fra MiniMax’ udgivelsesevaluering; OpenAI rapporterer 88.8 for GPT-5.6 Sol, mens Google rapporterer 85.8 for Gemini 3.7 Flash. Anthropics Opus 5-lancering fremhæver Frontier-Bench, GDPval-AA, AutomationBench og OSWorld 2.0 frem for at publicere et direkte sammenligneligt Terminal-Bench 2.1-resultat. Til modelvalg bør man benchmarke kandidaterne under én harness på sin egen arbejdsbyrde frem for at behandle cross-provider-lanceringstal som en permanent rangering.
Hvor MiniMax M3 har den klareste fordel
Den klareste M3-fordel er udrulningsvalget. Hverken benchmarkdiagrammet eller parameterantallet alene forklarer, hvorfor udviklere kan gå op i modellen. M3 kombinerer åbne vægte med en kontekstlængde og multimodal kapabilitet, der normalt forbindes med hostede frontier-systemer. Det gør den attraktiv, når teams har brug for lokal udrulning, uafhængighed af udbyder, specialiseret serving eller dyb kontrol over inferensstakken.
Dens anden fordel er langkontekst-omkostningsarkitektur. MSA er eksplicit designet til at forhindre, at attention-beregning eksploderer i million-token-skala. Det gør ikke 1M-token-forespørgsler billige i absolut forstand—KV-cache, expert-eksekvering og multimodale input koster stadig ressourcer—men det ændrer skaleringskurven sammenlignet med fuld attention.
Hvor lukkede modeller stadig fører
Det samme officielle benchmarkdiagram viser, hvorfor M3 ikke bør præsenteres som en automatisk erstatning for enhver lukket frontier-model. Claude Opus 4.7 har stærkere resultater på SWE-Bench Pro, KernelBench Hard, GDPval, BankerToolBench, MCP Atlas og OSWorld-Verified i MiniMax’ egen sammenligning. GPT-5.5 er meget stærkere på Terminal-Bench 2.1 og fører GDPval. Gemini 3.1 Pro fører en anelse på BrowseComp.
For produktionsteams kan lukkede platforme også tilbyde modne sikkerhedskontroller, hostede værktøjer, observabilitet, throughput-garantier og integrationer, der betyder mere end åbne vægte. M3 bliver mest overbevisende, når udrulnings- og omkostningsfordele er en del af kravet, ikke når benchmarkrangering er det eneste kriterium.
MiniMax M3 API-priser
MiniMax bruger aktuelt to standard kontekst-pristiers. Deres officielle prisside viser en “permanent 50% rabat”-sats på $0.30/M input og $1.20/M output for forespørgsler på eller under 512K inputtokens. Forespørgsler over 512K vises til $0.60/M input og $2.40/M output. Prioritetsservice prissættes til 1,5× standardniveauet.
| Route / tier | Input price per 1M tokens | Output price per 1M tokens | Context note |
|---|---|---|---|
| MiniMax official Standard (current discounted rate) | $0.30 | $1.20 | ≤512K input |
| MiniMax official Standard long-context | $0.60 | $2.40 | >512K input |
| MiniMax official Priority (discounted rate) | $0.45 | $1.80 | ≤512K input; priority admission |
| CometAPI MiniMax-M3 page | $0.48 | $1.92 | Unified gateway pricing shown by CometAPI |
*CometAPI’s MiniMax-M3 er $0.48/M input og $1.92/M output og sammenligner det med MiniMax’ ikke-nedsatte listerate på $0.60/$2.40. Da MiniMax’ egen platform i øjeblikket viser en separat 50%-nedsat standardrate, bør udviklere sammenligne den faktiske live-rate, de vil blive faktureret, frem for kun at stole på en overskrift-rabatprocent.
Grunden til at bruge CometAPI i denne situation er derfor ikke nødvendigvis den laveste direkte kampagnepris i hvert øjeblik. Dens værdi er et samlet API- og faktureringslag, når en applikation skal rute mellem M3 og andre udbydere uden at vedligeholde separate integrationer.
Hvad kan MiniMax M3 gøre?
Kodning og engineering i repository-skala
M3’s mest oplagte use case er softwareengineering på tværs af store repositories. Et million-token kontekstvindue kan rumme langt mere kode, dokumentation, testoutput, issue-historik og agenttilstand end 204,8K-vinduet i den forrige M2-generation. I praksis muliggør det arbejdsgange som multifile-funktionsimplementering, repository-dækkende refaktorering, fejldiagnose, testreparation, build/terminal-sløjfer, pull request-review og performanceoptimering.
Nøglen er vedholdenhed. En coding-agent i repository-skala er kun nyttig, hvis den kan bevare de oprindelige krav, mens den akkumulerer værktøjsoutput og revisioner. De 12 timer og CUDA-demonstrationerne antyder, at M3 er designet til at blive ved efter mellemliggende fejl i stedet for at behandle hvert værktøjskald som en separat kort opgave.
Autonom research og eksperimentering
Paper-gengivelseseksemplet er en god skabelon for forskningsagenter. M3 kan læse et paper, inspicere figurer, ræsonnere om formler, generere kode, køre eksperimenter, evaluere om resultater matcher forventninger og fortsætte med at forfine implementeringen. Evnen til at holde papertekst, kode og eksperimentlogs i én lang kontekst reducerer mængden af tilstand, der skal opsummeres eller rekonstrueres eksternt.
Det er også derfor, PostTrainBench er relevant. MiniMax bad M3 om at syntetisere træningsdata, træne basismodeller, evaluere dem og iterere uden menneskelig indgriben. M3 blev ikke nummer ét—den endte efter Opus 4.7 og GPT-5.5 i MiniMax’ rapport—men eksperimentet demonstrerer en form for forskningsautomatisering, der er mere kompleks end almindelig spørgsmål-svar.
Multimodal teknisk analyse
Fordi M3 accepterer billeder og video indbygget, kan tekniske arbejdsgange kombinere visuelle beviser med tekst og kode. Eksempler inkluderer at sammenligne en frontend-implementering med et skærmbillede, analysere plots i et forskningspaper, inspicere UI-tilstand under computerbrug, udtrække information fra diagrammer eller kombinere videoobservationer med en lang vedligeholdelseslog.
MiniMax’ OpenAI-kompatible API-dokumentation understøtter eksplicit image_url- og video_url-indholdsdele for M3, inklusive uploadede filer for større videoer. Det gør multimodal input til en udviklerorienteret API-funktion frem for kun et produkteksempel.
Computer- og kontorautomatisering
MiniMax Code er designet som et agent-harness omkring M3. Virksomheden siger, at deres Agent Team kan opdele komplekse opgaver i flertrins samtidige arbejdsgange og bruge en Producer + Verifier-loop til refleksion og korrektion. M3’s indfødte multimodalitet muliggør også computerbrugsarbejdsgange, der bevæger sig på tværs af applikationer, filer, regneark og desktopgrænseflader.
Et officielt eksempel er en instruktion om at åbne en lokal ERP-klient og batch-indtaste fakturaoplysninger fra et Excel-regneark. Den vigtige kapabilitet er tilstand på tværs af applikationer: agenten skal forstå regnearket, betjene grænsefladen, bevare mapping mellem felter og komme sig, hvis UI’et ændrer sig eller en handling fejler.
Lang-kontekst dokument- og vidensarbejde
Et 1M kontekstvindue er nyttigt til mere end kode. Det kan understøtte store samlinger af kontrakter, politikker, tekniske specifikationer, forskningspapers, hændelsesrapporter eller kundedata i en enkelt arbejdskontekst. Fordelen er ikke blot “flere sider”; det er evnen til at ræsonnere på tværs af fjerne beviser, mens en lang agenthistorik bevares.
Der er stadig en praktisk advarsel: maksimal kontekstkapacitet garanterer ikke perfekt recall på hver position, og meget store prompts øger latenstid og omkostning. Lang kontekst bør kombineres med retrieval, caching, struktureret hukommelse eller opgavesegmentering, når disse tilgange forbedrer pålideligheden.
Endelig dom: Er MiniMax M3 en frontier-model?
Ja—men den stærkeste begrundelse for den betegnelse er ikke, at M3 topper hver liste. Det gør den ikke.
Det, MiniMax M3 ændrer, er trade-off’et. Den tilbyder konkurrencedygtig frontier-ydelse ved lanceringen og leverer samtidig åbne vægte, et million-token sparse-attention-design, indfødt tekst-billede-video-træning, lang-horisont agentadfærd og markant lavere pr.-token API-priser end de lukkede flagskibsmodeller i dens oprindelige sammenligningssæt.
SEO-info
Foreslået URL: /blog/minimax-m3-specs-benchmarks-pricing
Beskrivelse: Udforsk MiniMax M3’s specifikationer, 1M-token kontekst, sparse attention, multimodale kapabiliteter, benchmark-ydelse, API-priser, anvendelser og modelsammenligninger.
Søgeord: MiniMax M3, MiniMax M3 specifikationer, MiniMax M3 benchmarks, MiniMax M3 API-priser, MiniMax Sparse Attention, 1M-token kontekstvindue, multimodal kode-model, open-weight AI-model, lang-horisont AI-agenter, MiniMax M3 vs GPT-5.5