Technische Spezifikationen von MiniMax M3
| Parameter | MiniMax M3 |
|---|---|
| Modellfamilie | MiniMax M3 Frontier-Foundation-Modell |
| Anbieter | MiniMax |
| Architektur | MiniMax Sparse Attention (MSA) |
| Eingabetypen | Text, Bild, Video |
| Ausgabetypen | Text |
| Kontextfenster | Bis zu 1,000,000 Token (mindestens garantiert 512K) |
| Primäre Stärken | Coding, agentische Workflows, multimodales Reasoning, Verarbeitung langer Kontexte |
| Reasoning-Modus | Thinking an/aus |
| Tool-Nutzung | Agent-Workflows, Tool-Aufruf, Terminal-Aufgaben-Ausführung |
| Bereitstellung | API, MiniMax Code, Token Plan, bevorstehende Open-Weight-Veröffentlichung |
| Multimodale Unterstützung | Native multimodale Vortrainierung ab Schritt Null |
| Veröffentlichungsdatum | Juni 2026 |
Was ist MiniMax M3?
MiniMax M3 ist ein KI-Modell im Frontier-Maßstab, das auf drei Fähigkeiten ausgerichtet ist, die historisch auf Closed-Source-Systeme beschränkt waren: fortgeschrittene Coding-Leistung, Verarbeitung von Million-Token-Kontexten und native multimodale Verständnisfähigkeit. Im Gegensatz zu Modellen, die visuelle Fähigkeiten erst später als Erweiterung hinzufügen, wurde M3 von Beginn an als multimodales Modell trainiert, was eine tiefere Abstimmung zwischen visuellem und textuellem Reasoning ermöglicht.
Das Modell basiert auf MiniMax Sparse Attention (MSA), einer Sparse-Attention-Architektur, die millionengroße Kontexte rechnerisch praktikabel machen soll, ohne die Leistung bei Coding, Reasoning und agentischen Aufgaben zu beeinträchtigen.
Hauptmerkmale von MiniMax M3
- 1M-Token-Kontextfenster: Unterstützt extrem große Repositories, umfangreiche Forschungskorpora, Multi-Dokument-Analysen und lang laufende Agentensitzungen.
- Agentenorientierte Architektur: Ausgelegt für autonome Aufgabenzerlegung, Tool-Aufrufe, iteratives Planen und mehrschrittige Ausführung.
- Native Multimodalität: Verarbeitet Text, Bilder, Diagramme, Screenshots und Videoeingaben ohne separaten Vision-Stack.
- Fortgeschrittene Coding-Fähigkeiten: Starke Leistung auf Software-Engineering-Benchmarks wie SWE-Bench Pro, Terminal-Bench und KernelBench.
- Ausführung über lange Zeithorizonte: Nachgewiesene mehrstündige autonome Workflows, einschließlich Reproduktion von Forschungsergebnissen und CUDA-Optimierungsprojekten.
- Konfigurierbares Reasoning: Thinking-Modus kann für tiefere Reasoning-Workloads aktiviert oder für geringere Latenz deaktiviert werden.
Benchmark-Leistung von MiniMax M3
MiniMax meldet Frontier-Level-Benchmark-Ergebnisse in den Bereichen Coding, agentische Ausführung und multimodale Evaluierungsaufgaben. Gemeldete Ergebnisse umfassen:
| 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 |
Das Unternehmen berichtet außerdem, dass M3 GPT-5.5 und Gemini 3.1 Pro in mehreren codingorientierten Benchmarks übertrifft und sich in ausgewählten Bewertungen der Leistung von Claude Opus 4.7 annähert. Diese Angaben stammen aus internen Benchmark-Offenlegungen von MiniMax und sollten im Lichte unabhängiger Tests durch Dritte interpretiert werden, sobald diese verfügbar sind.
Long-Context-Architektur und MSA
MiniMax Sparse Attention (MSA) ist die architektonische Innovation hinter der Million-Token-Kontextfähigkeit von M3. Anstatt über die gesamte Sequenz vollständige quadratische Attention anzuwenden, führt MSA Block-Level-Routing und Sparse Attention über ausgewählte Kontextbereiche durch.
Laut MiniMax reduziert dies den Rechenaufwand bei großen Kontextlängen erheblich und liefert:
- Über 9× schnellere Prefill-Leistung bei 1M Kontextlänge
- Über 15× schnellere Decoding-Leistung
- Ungefähr 1/20 des Pro-Token-Rechenaufwands der Vorgängergeneration im 1M-Kontextmaßstab
Diese Verbesserungen sollen Coding im Repository-Maßstab und agentische Workflows mit langem Zeithorizont praktikabel machen.
MiniMax M3 vs Claude Opus 4.7 vs Gemini 3.1 Pro
| Fähigkeit | MiniMax M3 | Claude Opus 4.7 | Gemini 3.1 Pro |
|---|---|---|---|
| Kontextfenster | Bis zu 1M | Kleinere öffentlich verfügbare Kontextstufen | Multimodal mit großem Kontext |
| Native multimodales Training | Ja | Ja | Ja |
| Agentischer Coding-Fokus | Sehr stark | Sehr stark | Stark |
| SWE-Bench Pro | 59.0% | Höher laut MiniMax-Berichten | Niedriger laut MiniMax-Berichten |
| Open-Weight-Verfügbarkeit | Geplant | Nein | Nein |
| Agentische Workflows mit langem Zeithorizont | Zentraler Designschwerpunkt | Stark | Stark |
Bekannte Einschränkungen
- Die meisten Benchmark-Angaben stammen derzeit von MiniMax und nicht von unabhängigen Evaluationslaboren.
- Open-Weight-Modelldateien und der vollständige technische Bericht wurden angekündigt, waren zum Start jedoch noch nicht breit verfügbar.
- Die Zuverlässigkeit in realen Produktionsumgebungen wird noch von der Entwicklercommunity validiert.
- Workloads mit Million-Token-Kontext können höhere Betriebskosten und Latenzen verursachen als Standard-Inferenz-Workloads.
Repräsentative Anwendungsfälle
Softwareentwicklung im Repository-Maßstab
Analysieren großer Codebasen, Durchführung von Refactorings über mehrere Dateien, Generieren von Patches, Review von Pull Requests und Pflege eines langfristigen Entwicklungskontexts.
Autonome Forschungsagenten
Unterstützung bei Literaturrecherche, Dokumentsynthese, Benchmark-Analyse und lang laufenden Forschungs-Workflows, die Hunderttausende von Token erfordern.
Multimodale technische Analyse
Interpretation von Screenshots, Architekturschemata, Diagrammen, technischen Dokumenten und Videoinhalten innerhalb desselben Reasoning-Workflows.
Terminal- und DevOps-Automatisierung
Ausführung komplexer Engineering-Workflows einschließlich Testen, Deployment-Orchestrierung, Abhängigkeitsmanagement und iterativem Debugging.
Unternehmenswissenssysteme
Suche und Reasoning über große Sammlungen von Richtlinien, Verträgen, technischer Dokumentation und internen Wissensrepositorien.
Modellversion und Verfügbarkeit
MiniMax M3 wurde im Juni 2026 offiziell als Flaggschiff-Nachfolger innerhalb der MiniMax-Modellreihe vorgestellt. Das Modell ist über das MiniMax-API-Ökosystem und CometAPI verfügbar.