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

Ja. MiniMax M3 unterstützt ein Kontextfenster mit bis zu 1,000,000 Tokens, sodass große Repositories, Dokumentationssammlungen und lang andauernde Agentensitzungen innerhalb eines einzigen Gesprächs analysiert werden können.

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

M3 erreicht auf mehreren Coding- und Agenten-Benchmarks ein Niveau nahe Claude Opus 4.7 und bietet zugleich ein Kontextfenster mit 1M Tokens sowie eine geplante Open-Weights-Verfügbarkeit. Unabhängige Vergleiche durch Dritte sind noch im Entstehen.

What makes MiniMax M3 different from previous MiniMax models?

MiniMax M3 führt die MiniMax Sparse Attention (MSA)-Architektur, natives multimodales Training, stärkere Agentenfähigkeiten und eine deutlich größere Kontextunterstützung als die früheren Modelle der M2-Serie ein.

Does the MiniMax M3 API support multimodal inputs?

Ja. MiniMax M3 ist von Haus aus multimodal und unterstützt neben textbasierten Eingaben auch das Verständnis von Bildern und Videos.

What benchmark scores has MiniMax M3 achieved?

MiniMax berichtet 59.0% auf SWE-Bench Pro, 66.0% auf Terminal-Bench 2.1, 74.2% auf MCP Atlas und 83.5 auf BrowseComp und positioniert M3 damit unter den führenden, auf Coding und Agenten fokussierten Modellen.

Is MiniMax M3 suitable for autonomous AI agents?

Ja. Das Modell wurde speziell für Agenten-Workflows mit langem Zeithorizont optimiert, einschließlich Planung, Tool-Nutzung, Aufgabenzerlegung, Terminalausführung und mehrstufiger Problemlösung.

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

MiniMax M3 ist besonders attraktiv, wenn extrem lange Kontextfenster, codeintensive Workflows oder Open-Weight-Bereitstellungsoptionen Priorität haben. Gemini 3.1 Pro kann für Teams, die bereits auf das Google-Ökosystem standardisiert sind, weiterhin vorzuziehen sein.

Erschwingliche MiniMax-M3 API | text-to-text

Technische Spezifikationen von MiniMax M3

Parameter	MiniMax M3
Modellfamilie	MiniMax M3 Frontier-Grundlagenmodell
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, agentenbasierte Workflows, multimodales Reasoning, Langkontext-Verarbeitung
Reasoning-Modus	Denkmodus an/aus
Tool-Nutzung	Agenten-Workflows, Tool-Aufrufe, Terminal-Aufgabenausführung
Bereitstellung	API, MiniMax Code, Token Plan, bevorstehende Open-Weight-Veröffentlichung
Multimodale Unterstützung	Natives multimodales Vortraining 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 natives multimodales Verständnis. Im Gegensatz zu Modellen, die Vision später als Erweiterung hinzufügen, wurde M3 von Beginn an als multimodales Modell trainiert, was eine tiefere Abstimmung zwischen visuellem und textbasiertem Reasoning ermöglicht.

Das Modell basiert auf MiniMax Sparse Attention (MSA), einer Sparse-Attention-Architektur, die Million-Token-Kontexte rechnerisch praktikabel machen soll, während die Leistung bei Coding-, Reasoning- und agentenbasierten Aufgaben erhalten bleibt.

Hauptfunktionen von MiniMax M3

1M-Token-Kontextfenster: Unterstützt äußerst große Repositories, umfangreiche Forschungskorpora, Multidokument-Analysen und lang laufende Agentensitzungen.
Agentenorientierte Architektur: Konzipiert für autonome Aufgabenzerlegung, Tool-Aufrufe, iterative Planung und mehrstufige Ausführung.
Native Multimodalität: Verarbeitet Text, Bilder, Diagramme, Screenshots und Videoeingaben ohne separaten Vision-Stack.
Erweiterte Coding-Fähigkeiten: Starke Leistung auf Software-Engineering-Benchmarks wie SWE-Bench Pro, Terminal-Bench und KernelBench.
Ausführung über lange Horizonte: Nachgewiesene mehrstündige autonome Workflows, darunter Reproduktionsstudien und CUDA-Optimierungsprojekte.
Konfigurierbares Reasoning: Denkmodus kann für tiefere Reasoning-Workloads aktiviert oder für Interaktionen mit niedrigerer Latenz deaktiviert werden.

Benchmark-Leistung von MiniMax M3

MiniMax berichtet von Benchmark-Ergebnissen auf Frontier-Niveau in den Bereichen Coding, agentische Ausführung und multimodale Evaluierung. Gemeldete Ergebnisse umfassen:

Benchmark	Punktzahl
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 auf mehreren coding-orientierten Benchmarks übertrifft und sich in ausgewählten Evaluierungen der Leistung von Claude Opus 4.7 annähert. Diese Aussagen stammen aus internen Benchmark-Offenlegungen von MiniMax und sollten im Kontext unabhängiger Drittanbieter-Tests interpretiert werden, sobald diese verfügbar sind.

Langkontext-Architektur und MSA

MiniMax Sparse Attention (MSA) ist die architektonische Innovation hinter der Million-Token-Kontextfähigkeit von M3. Anstatt über die gesamte Sequenz volle quadratische Attention anzuwenden, führt MSA Block-Routing und Sparse Attention über ausgewählte Kontextbereiche aus.

Laut MiniMax senkt dies die Rechenanforderungen bei großen Kontextlängen erheblich und bietet:

Mehr als 9× schnellere Prefill-Leistung bei 1M-Kontextlänge
Mehr als 15× schnellere Decoding-Leistung
Etwa 1/20 des pro-Token-Rechenaufwands der vorherigen Generation im 1M-Kontextmaßstab

Diese Verbesserungen sollen Coding im Repository-Maßstab und agentenbasierte Workflows mit langem Horizont 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	Großkontext-multimodal
Natives multimodales Training	Ja	Ja	Ja
Fokus auf agentenbasiertes Coding	Sehr stark	Sehr stark	Stark
SWE-Bench Pro	59.0%	Höher laut MiniMax-Berichten	Niedriger laut MiniMax-Berichten
Open-Weight-Verfügbarkeit	Geplant	Nein	Nein
Agenten-Workflows mit langem Zeithorizont	Zentraler Designfokus	Stark	Stark

Bekannte Einschränkungen

Die meisten Benchmark-Offenlegungen 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 Entwicklergemeinschaft validiert.
Workloads mit Million-Token-Kontext können höhere Betriebskosten und Latenzen verursachen als Standard-Inferenz-Workloads.

Repräsentative Anwendungsfälle

Softwareentwicklung im Repository-Maßstab

Große Codebasen analysieren, Multi-Datei-Refactorings durchführen, Patches generieren, Pull Requests reviewen und langfristigen Entwicklungskontext bewahren.

Autonome Forschungsagenten

Literaturrecherche, Dokumentsynthese, Benchmark-Analysen und lang laufende Forschungs-Workflows mit Hunderttausenden von Token unterstützen.

Multimodale technische Analyse

Screenshots, Architekturdiagramme, Diagramme, technische Dokumente und Videoinhalte im selben Reasoning-Workflow interpretieren.

Terminal- und DevOps-Automatisierung

Komplexe Engineering-Workflows ausführen, die Tests, Bereitstellungsorchestrierung, Abhängigkeitsmanagement und iteratives Debugging umfassen.

Wissenssysteme für Unternehmen

In großen Sammlungen von Richtlinien, Verträgen, technischer Dokumentation und internen Wissens-Repositorien suchen und darüber schlussfolgern.

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.

Preise für MiniMax-M3

Entdecken Sie wettbewerbsfähige Preise für MiniMax-M3, die für verschiedene Budgets und Nutzungsanforderungen konzipiert sind. Unsere flexiblen Tarife stellen sicher, dass Sie nur für das bezahlen, was Sie nutzen, und erleichtern die Skalierung entsprechend Ihren wachsenden Anforderungen. Erfahren Sie, wie MiniMax-M3 Ihre Projekte verbessern kann, während die Kosten überschaubar bleiben.

Comet-Preis (USD / M Tokens)	Offizieller Preis (USD / M Tokens)	Rabatt
Eingabe:$0.48/M Ausgabe:$1.92/M	Eingabe:$0.6/M Ausgabe:$2.4/M	-20%

Beispielcode und API für MiniMax-M3

Greifen Sie auf umfassende Beispielcodes und API-Ressourcen für MiniMax-M3 zu, um Ihren Integrationsprozess zu optimieren. Unsere detaillierte Dokumentation bietet schrittweise Anleitungen und hilft Ihnen dabei, das volle Potenzial von MiniMax-M3 in Ihren Projekten zu nutzen.

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
  }'

Versionen von MiniMax-M3

Der Grund, warum MiniMax-M3 mehrere Snapshots hat, kann potenzielle Faktoren wie Änderungen der Ausgabe nach Updates umfassen, die ältere Snapshots für Konsistenz erfordern, Entwicklern eine Übergangszeit für Anpassung und Migration bieten und verschiedene Snapshots, die globalen oder regionalen Endpunkten entsprechen, um das Benutzererlebnis zu optimieren. Für detaillierte Unterschiede zwischen den Versionen lesen Sie bitte die offizielle Dokumentation.

version
minimax-m3