So verwenden Sie die MiniMax M3 API

TLDR MiniMax M3 kombiniert ein Kontextfenster mit 1.000.000 Tokens, native Text‑Bild‑Video-Verarbeitung, starke Coding- und Agentenleistung sowie MiniMax Sparse Attention (MSA). Entwickler können MiniMax M3 über das OpenAI-kompatible Gateway von CometAPI unter https://api.cometapi.com/v1 mit der Modell-ID minimax-m3 aufrufen.

Dieser Leitfaden umfasst die Modellspezifikationen, offizielle Benchmark-Daten, API-Einrichtung, Streaming, Steuerung des Reasonings, multimodale Anfragen, Tool-Aufrufe, Preise und Vergleiche mit anderen Frontier-APIs 2026.

Zentrale Erkenntnisse

• MiniMax M3 unterstützt bis zu 1 Mio. Tokens Kontext und ermöglicht Coding im Repository-Maßstab sowie langlaufende Agentensitzungen.
• Das Modell ist von Trainingsschritt null an nativ multimodal und akzeptiert Text-, Bild- und Videoeingaben.
• Die MiniMax Sparse Attention-Architektur ist darauf ausgelegt, Millionentoken-Kontext rechnerisch praktikabler zu machen. Offizielle Ergebnisse umfassen 59,0 % auf SWE-Bench Pro und 66,0 % auf Terminal-Bench 2.1, zusammen mit starken Agenten- und Tool-Nutzungswerten.
• MiniMax’ OpenAI-kompatible API unterstützt adaptives oder deaktiviertes Thinking, Streaming, Tools und reasoning_split.
• Auf CometAPI lautet die aktuelle Modell-ID minimax-m3 und der Hauptendpunkt ist /v1/chat/completions.

Was ist MiniMax M3?

MiniMax M3 ist um drei Workloads herum konzipiert, die Entwickler-Frontier-Modelle zunehmend prägen: großskalige Softwareentwicklung, autonome Agentenausführung und multimodales Long-Context-Reasoning. MiniMax beschreibt M3 als ein Modell, das auf Coding- und agentischen Aufgaben Leistungswerte auf Frontier-Niveau erreicht und 1M Kontext, native Multimodalität und MSA kombiniert. Praktisch zielt das Modell weniger auf isolierte Chat-Turns und mehr auf Workflows ab, die im Zeitverlauf Dateien, Tool-Ergebnisse, Screenshots, Codeänderungen und Reasoning-Zustand akkumulieren.

M3 ist sowohl über das eigene API-Ökosystem von MiniMax als auch über CometAPIs MiniMax-M3-Endpunkt verfügbar. Für Entwickler, die bereits das OpenAI-SDK nutzen, behält die CometAPI-Route die vertraute Chat-Completions-Form bei und erleichtert den Vergleich von M3 mit Modellen von Anthropic, Google, Moonshot AI und anderen Anbietern.

Technische Spezifikationen von MiniMax M3

Die obigen Kontext- und Modalitätsangaben sind in MiniMax’ API-Dokumentation bestätigt; Architektur und Release-Positionierung stammen aus dem offiziellen M3-Release.

Was unterscheidet MiniMax M3?

MiniMax Sparse Attention und 1M-Kontext

Ein Millionentoken-Kontextfenster ist nur dann nützlich, wenn die Serving-Architektur es mit akzeptabler Geschwindigkeit und zu vertretbaren Kosten verarbeiten kann. M3 adressiert dieses Problem mit MiniMax Sparse Attention (MSA), das zunächst relevante KV-Blöcke identifiziert und anschließend Sparse Attention über ausgewählte Bereiche ausführt, anstatt überall vollständige quadratische Attention anzuwenden.

MiniMax berichtet, dass M3 bei einer Kontextlänge von 1M etwa 1/20 des pro Token benötigten Compute der vorherigen Generation verwendet, mit über 9x schnellerem Prefill und über 15x schnellerem Decoding. Das sind vom Anbieter gemeldete Engineering-Ergebnisse und keine unabhängigen Serving-Messungen, erklären aber, warum MSA zentral für M3s Long-Context-Design ist.

Abbildung 1. MiniMax Sparse Attention-Architektur. Quelle: Offizielles M3-Release von MiniMax

Native Multimodalität

Laut MiniMax durchlief M3 gemischte Modalität bereits ab Trainingsschritt null, statt erst nach dem Text-Pretraining eine separate Vision-Schicht hinzuzufügen. In der OpenAI-kompatiblen API akzeptiert M3 Text-, Bild- und Video-Content-Parts. Bilder können mit image_url und Videos mit video_url übergeben werden; unterstützte Bildformate sind JPEG, PNG, GIF und WEBP, unterstützte Videoformate MP4, AVI, MOV und MKV.

Für Entwickler macht das ein einziges Modell nutzbar für Aufgaben wie Debugging auf Basis von Screenshots, Diagramminterpretation, UI-Review, Analyse technischer Dokumente und Videounderstanding, ohne jede visuelle Eingabe durch ein separates Modell leiten zu müssen.

Coding- und agentische Workflows

M3s stärkste öffentliche Positionierung ist nicht generischer Chat. MiniMax fokussiert Bugfixing, Frontend- und Backend-Entwicklung, Terminalausführung, Performanceoptimierung, Tool-Aufrufe und langfristige Zusammenarbeit. Der offizielle M3-Benchmark-Satz betont daher Software-Engineering- und Agenten-Benchmarks stärker als rein akademische QA-Tests.

Konfigurierbares Thinking

In MiniMax’ OpenAI-kompatibler API unterstützt M3 eine explizite Reasoning-Steuerung: thinking kann auf adaptive oder disabled gesetzt werden. Wird das Feld auf dem OpenAI-kompatiblen Endpunkt von MiniMax weggelassen, ist Thinking standardmäßig aktiv. Für Produktiv-Integrationen ist eine explizite Setzung sicherer, da sie Latenz und Verhalten leichter reproduzierbar macht.

Leistung bei langlaufenden Agenten

MiniMax veröffentlichte zudem zwei langlaufende Fallstudien, die zeigen, warum M3s Kontextdesign wichtig ist. In einer Paper-Reproduktion lief M3 fast 12 Stunden autonom, erzeugte 18 Commits und 23 Abbildungsdateien und reproduzierte die Kernexperimente eines ICLR-2025-Outstanding-Papers. Die Aufgabe erforderte das Lesen von Abbildungen und Formeln, Codebearbeitung, Experimenttracking und das Beibehalten einer langen Ausführungshistorie.

In einer separaten CUDA-Kernel-Optimierungsübung berichtet MiniMax von 147 Benchmark-Einreichungen und 1.959 Tool-Aufrufen über rund 24 Stunden, mit einer Auslastung der Hopper-FP8-Hardware-Peakleistung von 7,6 % auf 71,3 %, was einer gemeldeten 9,4x-Beschleunigung entspricht. Diese Beispiele sind kontrollierte Demonstrationen und keine Garantie für jede Produktionsumgebung, illustrieren aber den Zielanwendungsfall: persistente Tool-Loops, bei denen Fortschritt oft erst nach vielen Iterationen eintritt.

Warum die MiniMax-M3-API über CometAPI nutzen?

CometAPI stellt M3 über dasselbe allgemeine API-Umfeld bereit, das für Hunderte anderer Modelle verwendet wird. Das ist wichtig, wenn ein Team mehrere Anbieter benchmarken, eine einheitliche Abrechnung behalten oder Fallback-Routen pflegen möchte, ohne die Anwendung für jedes anbieterspezifische SDK neu zu bauen.

• OpenAI-kompatible Integration: Bestehende OpenAI-SDK-Clients können weiterverwendet werden, indem Base-URL, API-Key und Modell-ID geändert werden.
• Ein Key für mehrere Modellanbieter, was A/B-Tests und Fallback-Routing erleichtert.
• Zentrale Nutzungserfassung und Kostenverfolgung auf Modellebene statt separater Provider-Dashboards.
• Schnelles Modellswitching, wenn ein Workload eine andere Balance aus Qualität, Latenz, Modalitätssupport oder Preis erfordert.

Die Live-MiniMax M3 CometAPI-Seite listet derzeit Modell-ID minimax-m3, POST /v1/chat/completions und OpenAI-SDK-Beispiele.

So verwenden Sie die MiniMax-M3-API mit CometAPI

Schritt 1: CometAPI-Konto erstellen und API-Key erhalten

Erstellen Sie ein CometAPI-Konto oder melden Sie sich an und generieren Sie dann ein API-Token in der Token-Konsole. Speichern Sie das Token in einer Umgebungsvariable, statt es in die Versionsverwaltung einzuchecken.

export COMETAPI_KEY="your-key-here"

Schritt 2: OpenAI-Client konfigurieren

Die OpenAI-kompatible Base-URL von CometAPI lautet:

https://api.cometapi.com/v1

Installieren Sie das OpenAI-SDK und zeigen Sie den Client auf CometAPI:

pip install openai

   from openai import OpenAI
   import os

   client = OpenAI(
      api_key=os.environ["COMETAPI_KEY"],
      base_url="https://api.cometapi.com/v1",
   )

Schritt 3: Ihre erste MiniMax-M3-Anfrage senden

Verwenden Sie die CometAPI-Modell-ID minimax-m3. Eine minimale cURL-Anfrage sieht so aus:

curl   https://api.cometapi.com/v1/chat/completions \
  -H "Authorization: Bearer   $COMETAPI_KEY" \
  -H "Content-Type:   application/json" \
  -d '{
    "model":   "minimax-m3",
    "messages": [
      {
        "role":   "system",
        "content": "You   are a precise software engineering assistant."
      },
      {
        "role":   "user",
        "content":   "Review this migration plan and list three high-risk failure   modes."
      }
    ],
    "max_completion_tokens":   1200,
    "reasoning_split": true
  }' 

Python:

completion = client.chat.completions.create(
    model="minimax-m3",
    messages=[
        {"role":   "system", "content": "You are a precise technical   assistant."},
        {"role":   "user", "content": "Explain how sparse attention   helps long-context coding agents."},
    ],
    max_completion_tokens=1200,
      extra_body={"reasoning_split": True},
   )

   print(completion.choices[0].message.content)

Die Live-M3-Seite von CometAPI verwendet dasselbe reasoning_split-Muster in ihrem Python-Beispiel. Dieser Schalter ändert die Rückgabeform des Reasoning-Inhalts; er aktiviert oder deaktiviert Thinking nicht.

Schritt 4: Streaming aktivieren

Streaming ist nützlich für Chat-Oberflächen, Coding-Assistenten und lange Completions, da Nutzer die Ausgabe beim Eintreffen sehen. MiniMax’ OpenAI-kompatible Dokumentation bestätigt Streaming-Support für M3.

stream = client.chat.completions.create(
    model="minimax-m3",
    messages=[{"role":   "user", "content": "Create a phased plan for   migrating a monolith to services."}],
    stream=True,
    max_completion_tokens=3000,
   )

   for chunk in stream:
    delta = chunk.choices[0].delta
    if delta.content:
        print(delta.content,   end="", flush=True)

Schritt 5: Thinking aktivieren oder deaktivieren

MiniMax definiert adaptive und disabled Thinking-Modi für M3. Verwenden Sie adaptives Thinking für schwieriges Coding, Planung und Agentenaufgaben; deaktivieren Sie es für einfache Extraktionen, Klassifikationen oder latenzsensitive Antworten. Beim Einsatz anbieter­spezifischer Felder über einen OpenAI-kompatiblen Router validieren Sie diese vor der Produktion im CometAPI-Playground, da das Pass-Through-Verhalten sich weiterentwickeln kann.

# Deeper reasoning
   completion = client.chat.completions.create(
    model="minimax-m3",
    messages=[{"role":   "user", "content": "Find the root cause of this   distributed transaction failure."}],
    extra_body={"thinking":   {"type": "adaptive"}},
   )

   # Faster direct answer
   completion = client.chat.completions.create(
    model="minimax-m3",
    messages=[{"role":   "user", "content": "Extract the invoice number from   this text."}],
    extra_body={"thinking":   {"type": "disabled"}},
   )

Schritt 6: Bildeingaben verwenden

Die OpenAI-kompatible API von M3 akzeptiert image_url-Content-Parts. Dasselbe Typed-Content-Muster ist der natürliche Weg, Screenshots, Diagramme oder Charts über eine OpenAI-ähnliche Route zu senden.

response = client.chat.completions.create(
    model="minimax-m3",
    messages=[{
        "role":   "user",
        "content": [
            {"type":   "text", "text": "Review this dashboard screenshot   and identify the likely UI problems."},
            {
                "type":   "image_url",
                "image_url":   {
                    "url":   "https://example.com/dashboard.png",
                    "detail":   "default"
                }
            }
        ]
    }]
   )

MiniMax dokumentiert JPEG-, PNG-, GIF- und WEBP-Support mit Bilddetaillierungsstufen low, default oder high. Der Anbieter veröffentlicht außerdem Limitierungen zur Request-Größe; prüfen Sie daher vor dem Senden großer Assets die aktuellen Multimodal-API-Limits.

Schritt 7: Videoeingaben verwenden

M3 unterstützt auch video_url-Content-Parts. MiniMax dokumentiert MP4, AVI, MOV und MKV und unterstützt größere Videos über die Files-API.

response = client.chat.completions.create(
    model="minimax-m3",
    messages=[{
        "role":   "user",
        "content": [
            {"type":   "text", "text": "Summarize the workflow in this   product demo and list every visible error state."},
            {
                "type":   "video_url",
                "video_url":   {"url": "mm_file://your_file_id", "detail":   "default"}
            }
        ]
    }]
   )

Wenn Ihre Anwendung multimodale Anfragen über CometAPI routet, bestätigen Sie den genauen Dateitransport, der von der aktiven M3-Route unterstützt wird; der anbieter-native mm_file://-Bezeichner gehört zum Files-Workflow von MiniMax.

Schritt 8: Funktions- und Tool-Aufrufe hinzufügen

MiniMax M3 unterstützt Tool-Definitionen in der OpenAI-kompatiblen API. Ein produktiver Agent sollte das angeforderte Tool ausführen, die vollständige Assistant-Tool-Call-Nachricht an die Unterhaltungshistorie anhängen und dann das Tool-Ergebnis an das Modell zurückgeben. MiniMax weist ausdrücklich darauf hin, dass die vollständige Antwort für die Reasoning-Kontinuität wichtig ist.

tools = [{
    "type":   "function",
    "function": {
        "name":   "get_build_status",
        "description":   "Get the current CI build status for a repository.",
        "parameters": {
            "type":   "object",
            "properties": {
                "repo":   {"type": "string"},
                "branch":   {"type": "string"}
            },
            "required":   ["repo", "branch"]
        }
    }
   }]

   response = client.chat.completions.create(
    model="minimax-m3",
    messages=[{"role":   "user", "content": "Check whether the main branch of   acme/payments is passing CI."}],
    tools=tools,
   )

Schritt 9: Langkontext und Prompt-Caching sinnvoll einsetzen

Ein 1M-Token-Kontextfenster bedeutet nicht, dass jede Anfrage 1M Tokens enthalten sollte. Packen Sie nur die für die Aufgabe relevanten Dateien, Logs, Dokumente und Tool-Ausgaben ein. MiniMax’ automatisches Prompt-Caching kann Kosten und Verarbeitungszeit reduzieren, wenn sich wiederholende Präfixe wie Systemprompts, Tool-Listen oder Verlauf über Anfragen hinweg auftreten.

Für Agenten im Repository-Maßstab ist ein gutes Muster, eine stabile Projektzusammenfassung und Tool-Schemata zu halten, nur die für den aktuellen Schritt relevanten Dateien abzurufen und veraltete Historie periodisch zu komprimieren, statt die Sitzung ungebremst wachsen zu lassen.

Wichtige MiniMax-M3-API-Parameter

Die obigen Parameterdefinitionen folgen der aktuellen OpenAI-kompatiblen API-Referenz von MiniMax. Einige anbieterspezifische Felder erfordern bei Routing über einen Aggregator ggf. Pass-Through-Support; testen Sie nicht standardisierte Felder gegen den aktuellen CometAPI-Endpunkt vor dem Rollout.

Offizielle MiniMax-API vs. CometAPI

MiniMax unterstützt offiziell sowohl Anthropic-kompatible als auch OpenAI-kompatible Aufrufe. Die direkte Anthropic-Route wird von MiniMax für fortgeschrittenes Thinking empfohlen; CometAPIs M3-Modellseite betont derzeit die OpenAI-Style-Integration via /v1/chat/completions.

MiniMax-M3-API-Preise

Preise verdienen sorgfältige Betrachtung, da der effektive direkte MiniMax-Tarif und der Listenpreis auf dem CometAPI-Vergleich derzeit nicht identisch sind. Stand 10. August 2026 listet CometAPI M3 mit $0,48/M Input und $1,92/M Output. Auf derselben CometAPI-Seite werden diese Raten mit einem MiniMax-Listenpreis von $0,60/M Input und $2,40/M Output verglichen.

MiniMax’ aktuelle Pay-as-you-go-Preisseite zeigt jedoch einen dauerhaften 50%-Rabatt auf Standard-M3-Traffic: Für Requests mit nicht mehr als 512K Input-Tokens liegt der effektive Direktpreis bei $0,30/M Input, $1,20/M Output und $0,06/M Cache-Read. Über 512K Input betragen die rabattierten Direktpreise $0,60/M Input, $2,40/M Output und $0,12/M Cache-Read.

Das bedeutet, CometAPI liegt derzeit unter MiniMax’ nominalem Listenpreis, aber nicht unter dem rabattierten direkten <=512K-Tarif des Providers. Für Deployments mit hohem Volumen sollten Live-Preise verglichen werden, statt sich auf eine feste „20 % günstiger“-Aussage zu verlassen. Preise können sich auf beiden Plattformen unabhängig ändern.

Kostenbeispiel

Bei CometAPIs aktuellem M3-Tarif würde eine Anfrage mit 100.000 Input-Tokens und 5.000 Output-Tokens ungefähr kosten:

Die gleiche Anfrage kann bei MiniMax direkt günstiger sein, wenn sie für den aktuellen rabattierten <=512K-Tier qualifiziert ist, aber Multi-Model-Teams schätzen möglicherweise weiterhin die operative Einfachheit eines einheitlichen Gateways.

MiniMax M3 vs. Claude Sonnet 5 vs. Gemini 3.6 Flash vs. Kimi K3

Alle vier Modelle zielen auf agentische und Coding-Workloads und bieten sehr große Kontextfenster. Unterschiede zeigen sich stärker beim Modalitätssupport, den Reasoning-Kontrollen, den Provider-Ökosystemen und den aktuellen CometAPI-Preisen. Offizielle Provider-Dokumentation bestätigt ein 1M-Kontextfenster für Claude Sonnet 5, eine großkontextige multimodale API für Gemini 3.6 Flash und einen 1M-Token-Flaggschiff Kimi K3.

Aktuelle CometAPI-Tokenpreise in der Tabelle stammen von den Live-Modellseiten für MiniMax M3, Claude Sonnet 5, Gemini 3.6 Flash und Kimi K3.

Abbildung 4. Aktueller CometAPI-Tokenpreisvergleich, geprüft am 10. August 2026. Quellen der Modellseiten: M3, Gemini 3.6 Flash, Claude Sonnet 5*** und*** Kimi K3.

Welches Modell sollten Sie wählen?

• MiniMax M3, wenn Ihre Priorität niedrige CometAPI-Tokenpreise, 1M Kontext, native Bild-/Videoverarbeitung und langlaufende Coding- oder Tool-Use-Agenten sind.
• Claude Sonnet 5, wenn Sie polierte Coding-Agenten, professionelle Wissensarbeit und ausgereifte Anthropic-Style-Tool-Workflows priorisieren.
• Gemini 3.6 Flash, wenn Multimodalität, schnelle Agent-Loops, Google-native Tools, Audio/PDF-Eingaben und Durchsatz am wichtigsten sind.
• Kimi K3, wenn der Workload auf langhorizontigem Coding, tiefer Wissensarbeit und einem stets reasonenden Modell mit 1M-Kontextfenster basiert.

Treffen Sie die Auswahl nicht allein auf Basis eines Benchmarks oder Tokenpreises. Erstellen Sie ein kleines Evaluationsset aus Ihrem eigenen Repository, Dokumenten, Tool-Calls und Failure-Cases und vergleichen Sie Erfolgsquote, Latenz, Gesamt-Tokens, Retries und benötigte menschliche Korrekturzeit.

Best Practices für die MiniMax-M3-API

• Denken Sie Thinking explizit mit. Verwenden Sie adaptive für wirklich schwierige Arbeit und disabled für einfache Aufgaben, bei denen die Latenz zählt. Explizite Einstellungen sind leichter zu benchmarken und zu reproduzieren.
• Nutzen Sie das 1M-Fenster selektiv. Ein großes Kontextfenster ist eine Kapazitätsgrenze, kein Ziel. Retrieven und komprimieren Sie, bevor Sie große Repositories oder Dokumentkollektionen senden.
• Historie der Tool-Calls bewahren. Bei mehrstufigen Funktionsaufrufen die vollständige Assistant-Antwort und Tool-Call-Objekte beibehalten, damit die Reasoning-Kontinuität nicht bricht.
• Lange Antworten streamen. Streaming verbessert die wahrgenommene Latenz bei Coding, Recherche und Agenten-Anwendungen, auch wenn die Gesamtzeit gleich bleibt.
• Wiederholten Kontext cachen. Stabile Systemprompts, Tool-Schemata und wiederholte Historie sind gute Kandidaten für Prompt-Caching, wenn die aktive Route es unterstützt.
• Kosten pro erfolgreicher Aufgabe messen. Tokenpreis ist wichtig, aber Retries, Tool-Loops, lange Reasoning-Traces und Fehlerbehebung dominieren oft die endgültige Ökonomie eines Agenten.
• Anbieter­spezifische Parameter erneut testen. OpenAI-kompatible Gateways können sich darin unterscheiden, wie sie Nicht-Standard-Felder weiterreichen. Validieren Sie Thinking, reasoning_split, multimodale Payloads und Tool-Verhalten vor der Produktion.

Fazit

MiniMax M3 ist eine starke API-Option für Entwickler, die Coding, agentische Ausführung, native visuelle Verarbeitung und sehr langen Kontext in einem Modell benötigen. Die technische Story ist ungewöhnlich kohärent: MSA adressiert die Serving-Herausforderung von 1M Kontext, native multimodale Schulung verbreitert die Eingabefläche, und das öffentliche Benchmark-Set fokussiert die Software-Engineering- und Tool-Use-Workloads, die Entwicklern tatsächlich wichtig sind.

Für die meisten CometAPI-Nutzer ist der schnellste Startpunkt einfach: Key erstellen, die Base-URL auf https://api.cometapi.com/v1 setzen, das Modell minimax-m3 aufrufen und es gegen Ihre realen Produktionsaufgaben benchmarken. Entscheiden Sie dann, ob Sie tieferes Thinking aktivieren, multimodale Eingaben hinzufügen oder einen Tool-Loop bauen. Da Preise und Routenverhalten sich ändern können, prüfen Sie vor dem finalen Produktionsrollout die Live-M3-Seite von CometAPI und die MiniMax-API-Dokumentation erneut.