Cómo utilizar la API de MiniMax M3

TLDR MiniMax M3 combina una ventana de contexto de 1,000,000 tokens, comprensión nativa de texto-imagen-video, sólido desempeño en codificación y agentes, y MiniMax Sparse Attention (MSA). Los desarrolladores pueden invocar MiniMax M3 a través de la puerta de enlace de CometAPI compatible con OpenAI en https://api.cometapi.com/v1 con el ID de modelo minimax-m3.

Esta guía cubre las especificaciones del modelo, datos oficiales de benchmarks, configuración del API, streaming, controles de razonamiento, solicitudes multimodales, llamadas a herramientas, precios y comparaciones con otras APIs de frontera de 2026.

Aspectos clave

• MiniMax M3 admite hasta 1M tokens de contexto, habilitando codificación a escala de repositorios y sesiones de agentes de larga duración.
• El modelo es nativamente multimodal desde el paso cero de entrenamiento y acepta entrada de texto, imagen y video.
• Su arquitectura MiniMax Sparse Attention está diseñada para hacer más práctico computacionalmente el contexto de un millón de tokens. Los resultados oficiales incluyen 59.0% en SWE-Bench Pro y 66.0% en Terminal-Bench 2.1, junto con sólidos puntajes en agentes y uso de herramientas.
• La API compatible con OpenAI de MiniMax admite adaptive o disabled thinking, streaming, tools y reasoning_split.
• En CometAPI, el ID de modelo actual es minimax-m3 y el endpoint principal es /v1/chat/completions.

¿Qué es MiniMax M3?

MiniMax M3 está diseñado en torno a tres cargas de trabajo que definen cada vez más a los modelos de frontera para desarrolladores: ingeniería de software a gran escala, ejecución autónoma de agentes y razonamiento multimodal de contexto largo. MiniMax describe M3 como un modelo que alcanza desempeño de frontera en tareas de codificación y agentes mientras combina contexto de 1M, multimodalidad nativa y MSA. El resultado práctico es un modelo orientado menos a turnos de chat aislados y más a flujos de trabajo que acumulan archivos, resultados de herramientas, capturas de pantalla, cambios de código y estado de razonamiento a lo largo del tiempo.

M3 está disponible a través del propio ecosistema de API de MiniMax y mediante el endpoint MiniMax M3 de CometAPI. Para desarrolladores que ya usan el SDK de OpenAI, la ruta de CometAPI mantiene la forma familiar de Chat Completions y facilita comparar M3 con modelos de Anthropic, Google, Moonshot AI y otros proveedores.

Especificaciones técnicas de MiniMax M3

Las cifras de contexto y modalidades anteriores están confirmadas en la documentación del API de MiniMax, mientras que la arquitectura del modelo y su posicionamiento de lanzamiento provienen del anuncio oficial de M3.

¿Qué hace diferente a MiniMax M3?

MiniMax Sparse Attention y contexto de 1M

Una ventana de contexto de un millón de tokens solo es útil si la arquitectura de serving puede procesarla con velocidad y costo aceptables. M3 aborda ese problema con MiniMax Sparse Attention (MSA), que primero identifica bloques KV relevantes y luego realiza atención dispersa sobre regiones seleccionadas en lugar de aplicar atención cuadrática completa en todas partes.

MiniMax reporta que, con longitud de contexto de 1M, M3 usa alrededor de 1/20 del cómputo por token de la generación anterior, con más de 9x de prefill más rápido y más de 15x de decodificación más rápida. Son resultados de ingeniería reportados por el proveedor, no mediciones de serving de terceros, pero explican por qué MSA es central en el diseño de contexto largo de M3.

Figura 1. Arquitectura MiniMax Sparse Attention. Fuente: Anuncio oficial de M3 de MiniMax

Multimodalidad nativa

MiniMax afirma que M3 fue sometido a entrenamiento de modalidad mixta desde el paso cero, en lugar de añadir una capa de visión separada tras el preentrenamiento textual. En la API compatible con OpenAI, M3 acepta partes de contenido de texto, imagen y video. Las imágenes pueden suministrarse con image_url y los videos con video_url; los formatos de imagen compatibles incluyen JPEG, PNG, GIF y WEBP, mientras que los formatos de video compatibles incluyen MP4, AVI, MOV y MKV.

Para los desarrolladores, eso hace que un solo modelo sea utilizable para tareas como depuración basada en capturas de pantalla, interpretación de gráficos, revisión de interfaces, análisis de documentos técnicos y comprensión de video sin tener que encaminar cada entrada visual por un modelo separado.

Flujos de trabajo de codificación y agentes

El posicionamiento público más fuerte de M3 no es el chat genérico. MiniMax se centra en corrección de errores, desarrollo frontend y backend, ejecución en terminal, optimización de rendimiento, invocación de herramientas y colaboración de largo horizonte. Por ello, el conjunto oficial de benchmarks de M3 enfatiza benchmarks de ingeniería de software y agentes en lugar de pruebas académicas de QA.

Razonamiento configurable

En la API compatible con OpenAI de MiniMax, M3 admite control explícito del razonamiento: thinking puede establecerse en adaptive o disabled. Si se omite el campo en el endpoint compatible con OpenAI de MiniMax, thinking está activado por defecto. Para integraciones de producción, establecer el campo explícitamente es más seguro porque facilita reproducir latencia y comportamiento entre entornos.

Desempeño de agentes de largo horizonte

MiniMax también publicó dos estudios de caso de larga ejecución que muestran por qué importa el diseño de contexto de M3. En una tarea de reproducción de un paper, M3 se ejecutó de forma autónoma durante casi 12 horas, produciendo 18 commits y 23 figuras experimentales mientras reproducía los experimentos centrales de un ICLR 2025 Outstanding Paper. La tarea requirió leer figuras y fórmulas, editar código, realizar seguimiento de experimentos y conservar un largo historial de ejecución.

En un ejercicio separado de optimización de kernels CUDA, MiniMax reporta 147 envíos de benchmark y 1,959 llamadas a herramientas durante aproximadamente 24 horas, con la utilización pico de hardware Hopper FP8 aumentando de 7.6% a 71.3%, equivalente a un aumento de velocidad reportado de 9.4x. Estos ejemplos son demostraciones controladas, no garantías para toda implementación en producción, pero ilustran el caso de uso previsto: bucles persistentes de herramientas donde el progreso puede llegar solo después de muchas iteraciones.

¿Por qué usar la API de MiniMax M3 a través de CometAPI?

CometAPI expone M3 mediante el mismo entorno de API usado por cientos de otros modelos. Eso importa cuando un equipo quiere comparar múltiples proveedores, mantener una sola superficie de facturación o conservar rutas de respaldo sin reconstruir la aplicación alrededor de cada SDK específico del proveedor.

• Integración compatible con OpenAI: los clientes existentes del SDK de OpenAI pueden reutilizarse cambiando la base URL, la API key y el ID de modelo.
• Una sola clave para múltiples proveedores de modelos, lo que facilita implementar pruebas A/B y rutas de respaldo.
• Seguimiento centralizado de uso y costos por modelo en lugar de paneles separados por proveedor.
• Cambio rápido de modelo cuando una carga de trabajo necesita un equilibrio diferente de calidad, latencia, soporte de modalidad o precio.

La página activa de MiniMax M3 en CometAPI actualmente lista el ID de modelo minimax-m3, POST /v1/chat/completions y ejemplos con el SDK de OpenAI.

Cómo usar la API de MiniMax M3 con CometAPI

Paso 1: Crea una cuenta en CometAPI y obtén una API key

Crea o inicia sesión en tu cuenta de CometAPI, luego genera un token de API desde la consola de tokens. Almacena el token en una variable de entorno en lugar de comprometerlo al control de código fuente.

export COMETAPI_KEY="your-key-here"

Paso 2: Configura el cliente de OpenAI

La base URL compatible con OpenAI de CometAPI es:

https://api.cometapi.com/v1

Instala el SDK de OpenAI y dirige el cliente a 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",
   )

Paso 3: Realiza tu primera solicitud a MiniMax M3

Usa el ID de modelo minimax-m3 de CometAPI. Una solicitud cURL mínima se ve así:

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)

La página activa de M3 en CometAPI usa el mismo patrón reasoning_split en su ejemplo de Python. Este interruptor cambia cómo se devuelve el contenido de razonamiento; no activa ni desactiva thinking por sí mismo.

Paso 4: Habilita el streaming

El streaming es útil para interfaces de chat, asistentes de codificación y respuestas largas porque los usuarios pueden ver la salida conforme llega. La documentación compatible con OpenAI de MiniMax confirma el soporte de streaming para 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)

Paso 5: Habilita o deshabilita el thinking

MiniMax define modos de thinking adaptive y disabled para M3. Usa adaptive para codificación difícil, planeación y tareas de agente; desactívalo para extracción simple, clasificación o respuestas sensibles a la latencia. Al usar campos específicos del proveedor a través de un router compatible con OpenAI, valídalos en el playground de CometAPI antes de producción porque el comportamiento de pass-through puede evolucionar.

# 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"}},
   )

Paso 6: Usa entrada de imagen

La API compatible con OpenAI de M3 acepta partes de contenido image_url. El mismo patrón de contenido tipado es la forma natural de enviar capturas, diagramas o gráficos mediante una ruta estilo OpenAI.

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 documenta compatibilidad con JPEG, PNG, GIF y WEBP, con niveles de detalle de imagen low, default o high. El proveedor también publica límites de tamaño de solicitud, así que revisa los límites multimodales más recientes del API antes de enviar activos grandes.

Paso 7: Usa entrada de video

M3 también admite partes de contenido video_url. MiniMax documenta MP4, AVI, MOV y MKV, y admite videos más grandes a través de su 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"}
            }
        ]
    }]
   )

Si tu aplicación enruta solicitudes multimodales a través de CometAPI, confirma el transporte de archivos exacto admitido por la ruta M3 activa; el identificador nativo mm_file:// pertenece al flujo de trabajo de Files de MiniMax.

Paso 8: Añade llamadas a funciones y herramientas

MiniMax M3 admite definiciones de herramientas en la API compatible con OpenAI. Un agente en producción debe ejecutar la herramienta solicitada, anexar el mensaje completo de tool-call del asistente al historial de conversación y luego devolver el resultado de la herramienta al modelo. MiniMax advierte explícitamente que preservar la respuesta completa es importante para la continuidad del razonamiento.

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,
   )

Paso 9: Usa el contexto largo y el prompt caching con criterio

Una ventana de contexto de 1M tokens no implica que cada solicitud deba contener 1M tokens. Empaca solo los archivos, logs, documentos y salidas de herramientas relevantes para la tarea. El prompt caching automático de MiniMax puede reducir el costo y el tiempo de procesamiento cuando prefijos repetidos como prompts de sistema, listas de herramientas o historial de conversación se repiten entre solicitudes.

Para agentes a escala de repositorio, un buen patrón es mantener un resumen de proyecto estable y el esquema de herramientas, recuperar solo los archivos relevantes para el paso actual y comprimir periódicamente el historial obsoleto en lugar de dejar que la sesión crezca sin límite.

Parámetros importantes de la API de MiniMax M3

Las definiciones de parámetros anteriores siguen la referencia actual del API compatible con OpenAI de MiniMax. Algunos campos específicos del proveedor pueden requerir soporte de pass-through cuando se enrutan a través de un agregador, así que prueba los campos no estándar contra el endpoint actual de CometAPI antes del despliegue.

API oficial de MiniMax vs CometAPI

MiniMax admite oficialmente invocación compatible con Anthropic y con OpenAI. La ruta directa de Anthropic es recomendada por MiniMax para comportamiento de thinking avanzado; la página de M3 en CometAPI actualmente enfatiza la integración estilo OpenAI /v1/chat/completions.

Precios de la API de MiniMax M3

Los precios merecen un tratamiento cuidadoso porque la tarifa efectiva directa de MiniMax y la tarifa de lista mostrada en la comparación de CometAPI no son actualmente las mismas. Al 10 de agosto de 2026, CometAPI lista M3 a $0.48/M de entrada y $1.92/M de salida. La misma página de CometAPI compara esas tarifas con un precio de lista de MiniMax de $0.60/M de entrada y $2.40/M de salida.

Sin embargo, la página actual de precios pay-as-you-go de MiniMax muestra un descuento permanente del 50% en tráfico estándar de M3: para solicitudes con no más de 512K tokens de entrada, el precio directo efectivo es $0.30/M de entrada, $1.20/M de salida y $0.06/M por lectura de cache. Por encima de 512K de entrada, las tarifas directas con descuento son $0.60/M de entrada, $2.40/M de salida y $0.12/M por lectura de cache.

Esto significa que CometAPI está actualmente por debajo del precio de lista nominal de MiniMax, pero no por debajo de la tarifa directa con descuento <=512K del proveedor. Para despliegues de alto volumen, compara precios en vivo en lugar de confiar en una afirmación fija de “20% más barato”. Los precios pueden cambiar independientemente en cualquier plataforma.

Ejemplo de costo

A la tarifa actual de M3 en CometAPI, una solicitud con 100,000 tokens de entrada y 5,000 tokens de salida costaría aproximadamente:

La misma solicitud puede costar menos directamente en MiniMax si califica para el nivel <=512K con descuento actual del proveedor, pero los equipos multi-modelo pueden seguir valorando la simplicidad operativa de una puerta de enlace unificada.

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

Los cuatro modelos se orientan a cargas de trabajo de agentes y codificación, y todos proporcionan ventanas de contexto muy grandes. Sus diferencias son más visibles en el soporte de modalidades, controles de razonamiento, ecosistemas del proveedor y precios actuales en CometAPI. La documentación oficial de los proveedores confirma una ventana de contexto de 1M para Claude Sonnet 5, una API multimodal de gran contexto para Gemini 3.6 Flash, y un buque insignia Kimi K3 de 1M tokens.

Los precios por token actuales en CometAPI de la tabla se toman de las páginas activas del modelo para MiniMax M3, Claude Sonnet 5, Gemini 3.6 Flash y Kimi K3.

Figura 4. Comparación actual de precios por token en CometAPI, verificada el 10 de agosto de 2026. Fuentes de páginas de modelo: M3, Gemini 3.6 Flash, Claude Sonnet 5, y Kimi K3.

¿Qué modelo deberías elegir?

• MiniMax M3 si tu prioridad es un precio por token bajo en CometAPI, contexto de 1M, comprensión nativa de imagen/video y agentes de codificación o uso de herramientas de larga duración.
• Claude Sonnet 5 cuando priorizas agentes de codificación pulidos, trabajo profesional de conocimiento y flujos de herramientas maduros al estilo Anthropic.
• Gemini 3.6 Flash cuando importan más la multimodalidad, bucles de agente rápidos, herramientas nativas de Google, entradas de audio/PDF y throughput.
• Kimi K3 cuando la carga de trabajo se centra en codificación de largo horizonte, trabajo profundo de conocimiento y un modelo que siempre razona con ventana de 1M.

No elijas únicamente por un benchmark o precio por token. Construye un pequeño conjunto de evaluación a partir de tu propio repositorio, documentos, llamadas a herramientas y casos de falla; luego compara tasa de tareas exitosas, latencia, tokens totales, reintentos y tiempo de corrección humana.

Mejores prácticas para la API de MiniMax M3

• Establece thinking explícitamente. Usa adaptive para trabajo realmente difícil y disabled para tareas simples donde la latencia importa. Configuraciones explícitas son más fáciles de evaluar y reproducir.
• Usa la ventana de 1M de forma selectiva. Una ventana grande es un techo de capacidad, no un objetivo. Recupera y comprime antes de enviar repositorios o colecciones de documentos grandes.
• Preserva el historial de tool-calls. Para llamadas a funciones de múltiples turnos, conserva la respuesta completa del asistente y los objetos de tool-call para no romper la continuidad del razonamiento.
• Haz streaming de las respuestas largas. Mejora la latencia percibida para aplicaciones de codificación, investigación y agentes incluso cuando el tiempo total de finalización no cambie.
• Aprovecha el caching de contexto repetido. Prompts de sistema estables, esquemas de herramientas e historial repetido son buenos candidatos para prompt caching cuando la ruta activa lo soporte.
• Mide el costo por tarea exitosa. El precio por token importa, pero los reintentos, bucles de herramientas, trazas de razonamiento largas y la recuperación de fallos suelen dominar la economía final de un agente.
• Vuelve a probar parámetros específicos del proveedor. Las puertas de enlace compatibles con OpenAI pueden diferir en cómo pasan campos no estándar. Valida thinking, reasoning_split, cargas multimodales y comportamiento de herramientas antes de producción.

Conclusión

MiniMax M3 es una sólida opción de API para desarrolladores que necesitan codificación, ejecución agéntica, comprensión visual nativa y contexto muy largo en un solo modelo. Su historia técnica es inusualmente coherente: MSA aborda el desafío de servir contexto de 1M, el entrenamiento multimodal nativo amplía la superficie de entrada y el conjunto público de benchmarks se centra en las cargas de trabajo de ingeniería de software y uso de herramientas que realmente importan a los desarrolladores.

Para la mayoría de usuarios de CometAPI, el punto de partida más rápido es sencillo: crea una clave, establece la base URL en https://api.cometapi.com/v1, invoca el modelo minimax-m3 y evalúalo contra tus tareas reales de producción. Luego decide si habilitar un thinking más profundo, añadir entrada multimodal o construir un bucle de herramientas. Dado que los precios y el comportamiento de las rutas pueden cambiar, vuelve a revisar la página activa de M3 en CometAPI y la documentación del API de MiniMax antes del despliegue final en producción.