Claude Opus 5 is now live on CometAPI →
M

MiniMax-M3

Entrada:$0.48/M
Salida:$1.92/M
Publicado:May 31, 2026

Minimax-m3 es un modelo de IA multimodal diseñado para un razonamiento sólido, conversación natural y generación creativa de contenido. Ofrece un rendimiento equilibrado en tareas de comprensión textual y visual, lo que lo hace adecuado para aplicaciones de IA de propósito general.

Nuevo
Uso comercial

Playground para MiniMax-M3

Explora el Playground de MiniMax-M3 — un entorno interactivo para probar modelos y ejecutar consultas en tiempo real. Prueba prompts, ajusta parámetros e itera instantáneamente para acelerar el desarrollo y validar casos de uso.

Especificaciones técnicas de MiniMax M3

ElementoMiniMax M3
Familia de modelosModelo fundacional de frontera MiniMax M3
ProveedorMiniMax
ArquitecturaMiniMax Sparse Attention (MSA)
Tipos de entradaTexto, imagen, vídeo
Tipos de salidaTexto
Ventana de contextoHasta 1,000,000 tokens (mínimo garantizado 512K)
Fortalezas principalesProgramación, flujos de trabajo con agentes, razonamiento multimodal, procesamiento de contextos largos
Modo de razonamientoModos de pensamiento activado/desactivado
Uso de herramientasFlujos de trabajo con agentes, invocación de herramientas, ejecución de tareas en terminal
DespliegueAPI, MiniMax Code, Token Plan, próximo lanzamiento con pesos abiertos
Compatibilidad multimodalPreentrenamiento multimodal nativo desde el primer paso
Fecha de lanzamientojunio de 2026

¿Qué es MiniMax M3?

MiniMax M3 es un modelo de IA a escala de frontera diseñado en torno a tres capacidades que históricamente han estado limitadas a sistemas de código cerrado: rendimiento avanzado en programación, procesamiento de contextos de un millón de tokens y comprensión multimodal nativa. A diferencia de los modelos que añaden visión como una extensión posterior, M3 se entrenó como un modelo multimodal desde el principio, lo que permite una alineación más profunda entre el razonamiento visual y textual.

El modelo se basa en MiniMax Sparse Attention (MSA), una arquitectura de atención dispersa diseñada para hacer prácticos a nivel computacional los contextos de un millón de tokens, manteniendo el rendimiento en tareas de programación, razonamiento y trabajo con agentes.

Características principales de MiniMax M3

  • Ventana de contexto de 1M tokens: Admite repositorios extremadamente grandes, extensos corpus de investigación, análisis de múltiples documentos y sesiones de agentes de larga duración.
  • Arquitectura orientada a agentes: Diseñada para la descomposición autónoma de tareas, invocación de herramientas, planificación iterativa y ejecución en múltiples pasos.
  • Multimodalidad nativa: Procesa texto, imágenes, diagramas, capturas de pantalla y entradas de vídeo sin depender de una pila de visión separada.
  • Capacidades avanzadas de programación: Rendimiento sólido en benchmarks de ingeniería de software, incluidos SWE-Bench Pro, Terminal-Bench y KernelBench.
  • Ejecución de largo horizonte: Ha demostrado flujos de trabajo autónomos de varias horas, incluyendo reproducción de investigaciones y proyectos de optimización de CUDA.
  • Razonamiento configurable: El modo de pensamiento puede activarse para cargas de trabajo de razonamiento más profundas o desactivarse para interacciones de menor latencia.

Rendimiento en benchmarks de MiniMax M3

MiniMax informa resultados de nivel frontera en codificación, ejecución con agentes y tareas de evaluación multimodal. Los resultados reportados incluyen:

BenchmarkPuntuación
SWE-Bench Pro59.0%
Terminal-Bench 2.166.0%
SWE-fficiency34.8%
KernelBench Hard28.8%
MCP Atlas74.2%
BrowseComp83.5
PostTrainBench37.1

La empresa también informa que M3 supera a GPT-5.5 y Gemini 3.1 Pro en varios benchmarks orientados a programación, a la vez que se acerca al rendimiento de Claude Opus 4.7 en evaluaciones seleccionadas. Estas afirmaciones provienen de las divulgaciones internas de benchmarks de MiniMax y deben interpretarse junto con pruebas independientes de terceros a medida que estén disponibles.

Arquitectura de largo contexto y MSA

MiniMax Sparse Attention (MSA) es la innovación arquitectónica detrás de la capacidad de contexto de un millón de tokens de M3. En lugar de aplicar atención cuadrática completa en toda la secuencia, MSA realiza enrutamiento a nivel de bloques y atención dispersa sobre regiones seleccionadas del contexto.

Según MiniMax, esto reduce sustancialmente los requisitos de cómputo en grandes longitudes de contexto y ofrece:

  • Más de 9× mayor rendimiento de prefill a longitud de contexto de 1M
  • Más de 15× mayor rendimiento de decodificación
  • Aproximadamente 1/20 del cómputo por token de la generación anterior a escala de contexto de 1M

Estas mejoras están destinadas a hacer viables la programación a escala de repositorio y los flujos de trabajo de agentes de largo horizonte.

MiniMax M3 vs Claude Opus 4.7 vs Gemini 3.1 Pro

CapacidadMiniMax M3Claude Opus 4.7Gemini 3.1 Pro
Ventana de contextoHasta 1MNiveles de contexto disponibles públicamente más pequeñosMultimodal de gran contexto
Entrenamiento multimodal nativoSíSíSí
Enfoque en programación con agentesMuy fuerteMuy fuerteFuerte
SWE-Bench Pro59.0%Más alto según los informes de MiniMaxMás bajo según los informes de MiniMax
Disponibilidad de pesos abiertosPlanificadaNoNo
Flujos de trabajo de agentes de largo horizonteEnfoque de diseño principalFuerteFuerte

Limitaciones conocidas

  • La mayoría de las divulgaciones de benchmarks actualmente provienen de MiniMax en lugar de laboratorios de evaluación independientes.
  • Se anunciaron los archivos del modelo con pesos abiertos y el informe técnico completo, pero aún no se habían publicado ampliamente en el lanzamiento.
  • La fiabilidad en el mundo real en distintos entornos de producción todavía está siendo validada por la comunidad de desarrolladores.
  • Las cargas de trabajo con contextos de un millón de tokens pueden implicar mayores costos operativos y latencia que las cargas de inferencia estándar.

Casos de uso representativos

Ingeniería de software a escala de repositorio

Analizar grandes bases de código, realizar refactorizaciones en múltiples archivos, generar parches, revisar pull requests y mantener un contexto de desarrollo a largo plazo.

Agentes de investigación autónomos

Apoyar la revisión bibliográfica, la síntesis de documentos, el análisis de benchmarks y flujos de trabajo de investigación de larga duración que requieren cientos de miles de tokens.

Análisis técnico multimodal

Interpretar capturas de pantalla, diagramas de arquitectura, gráficos, documentos técnicos y contenido de vídeo dentro del mismo flujo de razonamiento.

Automatización de terminal y DevOps

Ejecutar flujos de trabajo de ingeniería complejos que implican pruebas, orquestación de despliegues, gestión de dependencias y depuración iterativa.

Sistemas de conocimiento empresarial

Buscar y razonar sobre grandes colecciones de políticas, contratos, documentación técnica y repositorios de conocimiento internos.

Versión del modelo y disponibilidad

MiniMax M3 se presentó oficialmente en junio de 2026 como el sucesor insignia dentro de la línea de modelos de MiniMax. El modelo está disponible a través del ecosistema de API de MiniMax y CometAPI.

Preguntas frecuentes

Precios para MiniMax-M3

Explora precios competitivos para MiniMax-M3, diseñado para adaptarse a diversos presupuestos y necesidades de uso. Nuestros planes flexibles garantizan que solo pagues por lo que uses, facilitando el escalado a medida que crecen tus requisitos. Descubre cómo MiniMax-M3 puede mejorar tus proyectos mientras mantienes los costos manejables.

ModelComet Price (USD / M Tokens)Official Price (USD / M Tokens)Discount
minimax-m3
Entrada:$0.48/M
Salida:$1.92/M
Entrada:$0.6/M
Salida:$2.4/M
-20%

Código de ejemplo y API para MiniMax-M3

Accede a código de muestra completo y recursos de API para MiniMax-M3 para agilizar tu proceso de integración. Nuestra documentación detallada proporciona orientación paso a paso, ayudándote a aprovechar todo el potencial de MiniMax-M3 en tus proyectos.

# 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.

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,
    "reasoning_split": true
  }'

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
  }'

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);

Uptime

Tasa de éxito de solicitudes en los últimos 30 días, que refleja la fiabilidad de cada proveedor de modelos. CometAPI monitorea todos los proveedores conectados en tiempo real, las 24 horas del día, los 7 días de la semana.

RespondLIVE
730msAvg. Response
UptimeLIVE
100.0%Avg. Uptime

Versiones de MiniMax-M3

La razón por la cual MiniMax-M3 tiene múltiples instantáneas puede incluir factores potenciales como variaciones en la salida tras actualizaciones que requieren instantáneas anteriores para mantener la coherencia, ofrecer a los desarrolladores un período de transición para adaptación y migración, y diferentes instantáneas que corresponden a endpoints globales o regionales para optimizar la experiencia del usuario. Para conocer las diferencias detalladas entre versiones, consulte la documentación oficial.

Version
minimax-m3