TL;DR
MiniMax M3 es el modelo de frontera de MiniMax para programación, trabajo agentivo, razonamiento de largo contexto y comprensión multimodal. Fue lanzado oficialmente el 1 de junio de 2026 y combina tres capacidades que MiniMax trató como el centro del lanzamiento: hasta una ventana de contexto de 1M tokens, comprensión nativa de imágenes/video y ejecución agentiva de largo horizonte.
El modelo de pesos abiertos tiene aproximadamente 428 mil millones de parámetros totales y cerca de 23 mil millones de parámetros activados. Esto implica que solo alrededor del 5,4% de su capacidad de parámetros divulgada está activa en un token típico, lo que ayuda a explicar cómo un modelo muy grande puede seguir siendo práctico en inferencia. M3 también introduce MiniMax Sparse Attention (MSA), un diseño de atención dispersa por bloques pensado para contextos de un millón de tokens.
Para desarrolladores, M3 está disponible a través de la API de MiniMax y distribución de pesos abiertos, y también está disponible mediante CometAPI para equipos que desean una interfaz única para MiniMax y otros proveedores de modelos.
Conclusiones clave
- MiniMax lanzó M3 el 1 de junio de 2026 como un modelo de frontera enfocado en programación, agentes, largo contexto y multimodalidad.
- La publicación de pesos abiertos divulga ~428B parámetros totales y ~23B parámetros activados.
- M3 soporta hasta 1M tokens de contexto, con MiniMax describiendo 512K como el nivel mínimo garantizado para la API.
- MiniMax Sparse Attention reemplaza la atención global completa con selección por bloques y atención dispersa exacta sobre regiones de contexto seleccionadas.
- M3 fue entrenado con modalidades mixtas desde el Paso 0 y soporta entrada de texto, imagen y video.
- Benchmarks de lanzamiento oficiales incluyen 59.0% SWE-Bench Pro, 66.0% Terminal-Bench 2.1, 83.5 BrowseComp y 75.2 OSWorld-Verified.
- MiniMax demostró casi 12 horas de reproducción autónoma de un paper y aproximadamente 24 horas de optimización de kernels CUDA con 1,959 llamadas a herramientas.
- La API soporta razonamiento configurable y texto, imagen, video, herramientas de función, niveles de servicio estándar/prioridad y precios para largo contexto.
¿Qué es MiniMax M3?
MiniMax M3 es el sucesor de la generación M2 y representa un cambio arquitectónico mayor que una actualización de punto normal. MiniMax M2.7 ya estaba posicionado alrededor de ingeniería de software del mundo real, productividad de oficina y flujos de trabajo agentivos, pero M3 añade una nueva arquitectura de atención dispersa, preentrenamiento multimodal nativo y un objetivo de contexto de un millón de tokens.
M3 como modelo de programación multimodal de frontera con una ventana de contexto de 1M. El repositorio oficial de pesos abiertos añade las cifras de escala más importantes: aproximadamente 428B parámetros en total y 23B activados. El informe técnico asociado a MSA también describe la arquitectura como operando en un entorno Mixture-of-Experts, lo cual es consistente con la división divulgada de parámetros totales versus activos.
Esto hace que M3 sea menos interesante como “un M2.7 más grande” y más interesante como un modelo de convergencia. Reúne contexto a escala de repositorio, programación, percepción multimodal, agentes orientados al ordenador y despliegue local/abierto en un solo sistema. MiniMax enmarcó explícitamente esa combinación como el diferenciador principal del lanzamiento en lugar de afirmar que M3 gana todos los benchmarks.
Especificaciones de MiniMax M3
| Specification | MiniMax M3 |
|---|---|
| Release date | June 1, 2026 |
| Model size | ~428B total parameters; ~23B activated |
| Architecture | Sparse Mixture-of-Experts with MiniMax Sparse Attention (MSA) |
| Context window | Up to 1M tokens; API guaranteed minimum 512K |
| Input modalities | Text, image, video |
| Output | Text |
| Reasoning control | Thinking on/adaptive or disabled through API parameters |
| Maximum generation | Recommended 128K; API docs allow up to 512K max_completion_tokens |
| Tool use | Function tools; agent-oriented workflows |
| Weights | Open-weight release on Hugging Face / GitHub instructions |
El contexto, la modalidad y el comportamiento de la API anterior están documentados en la documentación oficial del modelo y la API de MiniMax; las cifras de parámetros y los enlaces para despliegue local provienen del repositorio oficial de M3.
De MiniMax M2.7 a M3
| Dimension | MiniMax M2.7 | MiniMax M3 |
|---|---|---|
| Context window | 204,800 tokens | Up to 1M tokens |
| Native image/video input | No; M2.x text/tool workflows | Yes; text + image + video |
| Attention direction | Conventional M2-series serving | MSA sparse attention |
| Thinking control | Reasoning cannot be fully disabled in M2.x | Thinking can be disabled for lower latency |
| Primary positioning | Coding, tool calling, office/agent workflows | Coding + agents + multimodality + million-token context |
| Open-weight emphasis | M2.7 open model ecosystem | M3 weights + dedicated MSA implementation |
La documentación de la API de MiniMax lista M2.7 con un nivel de contexto de 204,800 tokens mientras que M3 se mueve a la clase de un millón de tokens. La diferencia más grande es cualitativa: M3 acepta entradas visuales y de video directamente, mientras que la API M2.x sigue orientada a texto y herramientas.
¿Qué hay de nuevo en MiniMax M3?
Un modelo de 428B con cerca de 23B parámetros activos
El repositorio público de M3 indica que el modelo tiene ~428B parámetros totales y ~23B parámetros activados. En términos prácticos, la fracción activa divulgada es alrededor del 5,4%. Ese es el atractivo básico de una arquitectura de expertos dispersa: la capacidad total puede ser muy grande mientras que la ruta de cómputo para un token dado toca solo una fracción del modelo.
El conteo de parámetros por sí solo no determina la calidad, y “428B” no debe interpretarse como 428B parámetros densos evaluándose para cada token. La interpretación más útil es que M3 tiene un gran pool de capacidad de modelo combinado con activación condicional y un sistema de atención diseñado para mantener el costo de largo contexto manejable.
MiniMax Sparse Attention: hacer práctico el contexto de 1M
El cambio arquitectónico central es MiniMax Sparse Attention (MSA). La atención softmax completa crece cuadráticamente con la longitud de secuencia, lo que se vuelve costoso cuando los historiales de agentes, repositorios de código, registros de herramientas, imágenes y documentos largos se acumulan en cientos de miles de tokens.
MSA añade una rama ligera de índice (Index Branch) que puntúa bloques de clave-valor y selecciona un subconjunto Top-k para cada grupo de atención de consultas agrupadas. La rama principal luego realiza atención dispersa por bloques exacta solo en esos bloques seleccionados. El informe técnico de MiniMax describe esto como un diseño orientado al hardware destinado a preservar la calidad mientras reduce la cantidad de contexto que debe ser procesado por atención completa.
Figura 1. Arquitectura de MiniMax Sparse Attention (MSA). Fuente: figura oficial de MSA de MiniMax
En contexto de 1M, MiniMax reporta que M3 usa alrededor de 1/20 del cómputo por token de la generación anterior y ofrece más de 9× de aceleración en prefill y más de 15× en decodificación frente a M2. El paper separado de MSA reporta experimentos controlados adicionales en un modelo de prueba MoE de 109B, por lo que esos números del paper no deben confundirse con las cifras de producción M3-vs-M2.
Esa distinción importa. El paper valida el mecanismo de atención en un entorno de investigación; los números del lanzamiento de M3 describen el modelo de producción. Ambos resultados apuntan en la misma dirección, pero no son el mismo benchmark.
Multimodalidad nativa desde el Paso 0
M3 no se presenta como un modelo de texto con un adaptador visual separado añadido al final. MiniMax dice que pasó por entrenamiento de modalidad mixta desde el Paso 0 y reconstruyó su pipeline de datos de preentrenamiento para aumentar datos multimodales intercalados.
La API de producción soporta entrada de texto, imagen y video. Esto importa para programación y trabajo agentivo porque muchas tareas reales no son solo texto: depuración puede requerir una captura de pantalla, trabajo de frontend puede requerir comparación con una imagen de referencia, la investigación puede incluir gráficos y ecuaciones, y los agentes de uso de computador operan a través de interfaces visuales.
Una forma útil de pensar sobre la multimodalidad de M3 no es “puede describir una imagen”, sino “el estado visual puede permanecer dentro del mismo bucle de razonamiento de larga duración junto con código, salida de herramientas, documentos y feedback del usuario”.
Programación interactiva y entrenamiento de agentes
MiniMax argumenta que los benchmarks clásicos de programación son demasiado de un solo turno para representar cómo trabajan realmente los desarrolladores. Para M3 construyó un simulador de usuario interactivo que expone el modelo a aclaración de requisitos, discusión de soluciones, corrección basada en feedback, cambio de tareas y iteración de proyecto en múltiples rondas.
El objetivo es pasar de ejecución de instrucciones pasiva hacia colaboración. Un agente de programación eficaz debe poder descomponer una tarea, llamar herramientas, interpretar fallos, revisar un plan, preservar decisiones anteriores y continuar después de la primera respuesta plausible. El largo contexto de M3 y su entrenamiento orientado a herramientas están diseñados exactamente alrededor de ese bucle.
Ejecución autónoma de largo horizonte
Las demostraciones más persuasivas de M3 no son ejemplos de chat. Son tareas de larga duración en las que el modelo debe mantener estado y continuar mejorando tras feedback repetido de herramientas.
| Task | Autonomous runtime | Evidence of persistence | Reported result |
|---|---|---|---|
| ICLR paper reproduction | Nearly 12 hours | 18 commits; 23 experimental figures | Core experiments reproduced |
| FP8 GEMM kernel optimization | ~24 hours | 147 benchmark submissions; 1,959 tool calls | 7.6% → 71.3% peak utilization; 9.4× speedup |
| PostTrainBench model training | 12-hour task window | Data synthesis → training → evaluation → iteration | Score 0.37; behind Opus 4.7 and GPT-5.5, ahead of other models in MiniMax report |
En la tarea de reproducción de paper, M3 corrió por casi 12 horas y produjo 18 commits más 23 figuras experimentales. La tarea combinó lectura de paper, comprensión de gráficos/fórmulas, escritura de código, experimentos e interpretación iterativa.
.png)
Figura 2. Trayectoria de reproducción autónoma de paper de M3 durante aproximadamente 12 horas. Fuente: demostración oficial de M3 de MiniMax
En la tarea de optimización CUDA, M3 completó 147 envíos de benchmark y 1,959 llamadas de herramienta durante aproximadamente 24 horas, elevando finalmente la utilización pico FP8 de Hopper reportada de 7.6% a 71.3% para una aceleración de 9.4× sin intervención humana. El punto notable no es solo la aceleración final; MiniMax dice que la mejor solución del modelo apareció en su envío 145, después de varias mesetas.
Rendimiento de benchmarks de MiniMax M3
El gráfico de benchmarks del lanzamiento de MiniMax compara M3 con Claude Opus 4.7, GPT-5.5, y Gemini 3.1 Pro en tareas de programación, terminal, navegación, oficina, uso de herramientas y uso de computador. Estas son las comparaciones directas más útiles porque se publicaron en el mismo paquete de lanzamiento de M3.
Figura 3. Comparación oficial de benchmarks de lanzamiento de M3 por MiniMax. Fuente: imagen oficial de benchmarks de MiniMax
| Benchmark | MiniMax M3 | Claude Opus 4.7 | GPT-5.5 | Gemini 3.1 Pro |
|---|---|---|---|---|
| SWE-Bench Pro | 59.0 | 64.3 | 58.6 | 54.2 |
| Terminal-Bench 2.1 | 66.0 | 66.1 | 78.2 | 70.0 |
| VIBE V2 | 50.1 | 55.8 | 50.5 | 28.0 |
| SVG-Bench | 63.7 | 62.3 | 58.2 | 59.2 |
| KernelBench Hard | 28.8 | 30.7 | 20.9 | 18.6 |
| BrowseComp | 83.5 | 79.3 | 84.4 | 85.9 |
| GDPval rubrics | 74.7 | 79.8 | 80.6 | 57.8 |
| BankerToolBench | 76.1 | 81.3 | 75.0 | 67.0 |
| MCP Atlas | 74.2 | 77.0 | 75.3 | 69.2 |
| OSWorld-Verified | 75.2 | 82.8 | 78.7 | 76.2 |
Todas las puntuaciones en esta tabla están transcritas del gráfico oficial de lanzamiento de M3 de MiniMax. Deben leerse como resultados de lanzamiento reportados por el proveedor, no como una nueva repetición independiente realizada por CometAPI.
Lo que realmente muestran los resultados de los benchmarks
Primero, M3 es genuinamente competitivo en ingeniería de software. En SWE-Bench Pro obtiene 59.0, por encima de los 58.6 y 54.2 que MiniMax reporta para GPT-5.5 y Gemini 3.1 Pro, pero por debajo de Claude Opus 4.7 con 64.3. KernelBench Hard cuenta una historia similar: M3 con 28.8 está cerca de Opus 4.7 con 30.7 y sustancialmente por encima de los otros dos valores en el gráfico de MiniMax.
Segundo, la ejecución en terminal no es el resultado relativo más fuerte de M3. Terminal-Bench 2.1 sitúa M3 en 66.0, esencialmente empatado con Opus 4.7 en 66.1 pero muy por detrás de GPT-5.5 en 78.2 y Gemini 3.1 Pro en 70.0.
Tercero, M3 es fuerte pero no dominante en la obtención de información. BrowseComp es 83.5: más alto que el 79.3 de Opus 4.7, pero ligeramente por debajo de GPT-5.5 con 84.4 y Gemini 3.1 Pro con 85.9. MCP Atlas con 74.2 también se ubica cerca de los 75.3 de GPT-5.5 y los 77.0 de Opus 4.7.
Cuarto, el gráfico de lanzamiento da a M3 un resultado particularmente bueno en SVG-Bench: 63.7 frente a 62.3 de Opus 4.7, 58.2 de GPT-5.5 y 59.2 de Gemini 3.1 Pro. Eso encaja con el diseño más amplio de M3: la comprensión visual nativa está destinada a participar directamente en programación y flujos de trabajo agentivos en lugar de permanecer como una característica de visión separada.
La conclusión general es, por tanto, más matizada que “M3 supera a los modelos cerrados”. M3 entra en la misma banda de rendimiento en muchas tareas agentivas, gana evaluaciones seleccionadas y pierde otras. Su diferenciador es lo que acompaña a esas puntuaciones: pesos abiertos, entrenamiento multimodal, un diseño de contexto de un millón de tokens y una economía de servicio agresiva.
MiniMax M3 vs Claude Opus 5 vs GPT-5.6 Sol vs Gemini 3.7 Flash
MiniMax M3 se lanzó a un mercado de rápido movimiento, y su conjunto de comparación original ya no es el punto de referencia más útil. Una comparación más relevante de generación actual es Claude Opus 5, GPT-5.6 Sol y Gemini 3.7 Flash: modelos cerrados más nuevos orientados a programación, agentes y trabajo multimodal. Dado que estos modelos no se evalúan bajo un arnés idéntico, la tabla enfatiza capacidades documentadas y usa cifras de benchmarks solo donde la métrica se reporta directamente.
| Dimension | MiniMax M3 | Claude Opus 5 | GPT-5.6 Sol | Gemini 3.7 Flash |
|---|---|---|---|---|
| Weights | Open weight | Closed | Closed | Closed / hosted API |
| Public parameter count | ~428B total / ~23B active | Not disclosed | Not disclosed | Not disclosed |
| Context window | Up to 1M | 1M | 1,050,000 | 1M |
| Input modalities | Text, image, video | Text, image, PDF | Text, image | Text, image, video, audio, PDF |
| Coding / agent focus | Coding + long-horizon agents + multimodality | Complex agentic coding + enterprise work | Frontier coding + tool-heavy professional agents | Fast agentic coding + multimodal workflows |
| Computer / tool use | Function tools + MiniMax Code + computer use | Server/client tools + computer use | Web/file search, shell, computer use, MCP | Function calling, search, computer use |
| Terminal-Bench 2.1* | 66.0 | Not reported in Opus 5 launch | 88.8 | 85.8 |
| Representative coding signal* | SWE-Bench Pro 59.0 | Frontier-Bench v0.1: SOTA in Anthropic report | DeepSWE v1.1 72.7 | DeepSWE v1.1 65.3 |
| Best reason to choose | Open weights + low cost + 1M multimodal context | Judgment + long-horizon autonomy | Raw coding/terminal performance + broad tool stack | Speed/cost + native multimodality |
Estas cifras de benchmarks provienen de paquetes de evaluación de distintos proveedores y no deben leerse como un ranking sincronizado único. La puntuación 66.0 de M3 en Terminal-Bench 2.1 proviene de la evaluación del lanzamiento de MiniMax; OpenAI reporta 88.8 para GPT-5.6 Sol, mientras que Google reporta 85.8 para Gemini 3.7 Flash. El lanzamiento de Opus 5 de Anthropic enfatiza Frontier-Bench, GDPval-AA, AutomationBench y OSWorld 2.0 en lugar de publicar un resultado directamente comparable de Terminal-Bench 2.1. Para la selección de modelos, haga benchmarks de los candidatos bajo un mismo arnés en su propia carga de trabajo en lugar de tratar las cifras de lanzamiento entre proveedores como un ranking permanente.
Dónde MiniMax M3 tiene la ventaja más clara
La ventaja más clara de M3 es la elección de despliegue. Ni el gráfico de benchmarks ni el conteo de parámetros por sí solos explican por qué los desarrolladores pueden interesarse por el modelo. M3 combina pesos abiertos con una longitud de contexto y un conjunto de capacidades multimodales normalmente asociados con sistemas de frontera alojados. Eso lo hace atractivo cuando los equipos necesitan despliegue local, independencia de proveedor, servicio especializado o control profundo sobre la pila de inferencia.
Su segunda ventaja es la arquitectura de costos para largo contexto. MSA está explícitamente diseñado para evitar que el cómputo de la atención explote a escala de un millón de tokens. Esto no hace que las solicitudes de 1M tokens sean baratas en sentido absoluto —la caché KV, la ejecución de expertos y las entradas multimodales aún consumen recursos— pero cambia la curva de escalado frente a atención completa.
Dónde los modelos cerrados aún lideran
El mismo gráfico oficial de benchmarks muestra por qué M3 no debe presentarse como un reemplazo automático de todos los modelos de frontera cerrados. Claude Opus 4.7 tiene resultados más fuertes en SWE-Bench Pro, KernelBench Hard, GDPval, BankerToolBench, MCP Atlas y OSWorld-Verified en la propia comparación de MiniMax. GPT-5.5 es mucho más fuerte en Terminal-Bench 2.1 y lidera GDPval. Gemini 3.1 Pro lidera ligeramente BrowseComp.
Para equipos de producción, las plataformas cerradas también pueden proporcionar controles de seguridad maduros, herramientas alojadas, observabilidad, garantías de throughput e integraciones que importan más que los pesos abiertos. M3 se vuelve más convincente cuando los beneficios de despliegue y costo son parte del requisito, no cuando el ranking de benchmarks es el único criterio.
Precios de la API de MiniMax M3
MiniMax usa actualmente dos niveles de precio por contexto estándar. Su página oficial de precios muestra una tarifa “50% off permanente” de $0.30/M de entrada y $1.20/M de salida para solicitudes de hasta 512K tokens de entrada. Las solicitudes por encima de 512K se muestran a $0.60/M de entrada y $2.40/M de salida. El servicio prioritario se cotiza a 1,5× el nivel estándar.
| Route / tier | Input price per 1M tokens | Output price per 1M tokens | Context note |
|---|---|---|---|
| MiniMax official Standard (current discounted rate) | $0.30 | $1.20 | ≤512K input |
| MiniMax official Standard long-context | $0.60 | $2.40 | >512K input |
| MiniMax official Priority (discounted rate) | $0.45 | $1.80 | ≤512K input; priority admission |
| CometAPI MiniMax-M3 page | $0.48 | $1.92 | Unified gateway pricing shown by CometAPI |
*CometAPI’s MiniMax-M3 es $0.48/M de entrada y $1.92/M de salida y compara eso con la tarifa de lista sin descuento de MiniMax de $0.60/$2.40. Debido a que la propia plataforma de MiniMax muestra actualmente una tarifa estándar separada con 50% de descuento, los desarrolladores deben comparar la tarifa real en vigor que se les facturará en lugar de confiar solo en un porcentaje de descuento titular.
La razón para usar CometAPI en esta situación no es necesariamente el precio promocional directo más bajo en cada momento. Su valor es una capa unificada de API y facturación cuando una aplicación necesita enrutar entre M3 y otros proveedores sin mantener integraciones separadas.
¿Qué puede hacer MiniMax M3?
Programación y ingeniería a escala de repositorio
El caso de uso más obvio de M3 es la ingeniería de software en grandes repositorios. Un contexto de un millón de tokens puede contener mucha más documentación, salida de pruebas, historial de issues y estado del agente que la ventana de 204.8K de la generación previa M2. En la práctica, eso habilita flujos como implementación de funciones multiarchivo, refactorización a nivel de repositorio, diagnóstico de bugs, reparación de tests, bucles de build/terminal, revisión de pull requests y optimización de rendimiento.
La clave es la persistencia. Un agente de programación a escala de repositorio solo es útil si puede retener los requisitos originales mientras acumula salida de herramientas y revisiones. Las demostraciones de 12 horas y CUDA sugieren que M3 está diseñado para seguir trabajando tras fallos intermedios en lugar de tratar cada llamada de herramienta como una tarea corta separada.
Investigación y experimentación autónomas
El ejemplo de reproducción de paper es una buena plantilla para agentes de investigación. M3 puede leer un paper, inspeccionar figuras, razonar sobre fórmulas, generar código, ejecutar experimentos, evaluar si los resultados coinciden con las expectativas y continuar refinando la implementación. La capacidad de mantener texto del paper, código y registros experimentales en un único largo contexto reduce la cantidad de estado que debe resumirse o reconstruirse externamente.
Esto también es por lo que PostTrainBench es relevante. MiniMax pidió a M3 sintetizar datos de entrenamiento, entrenar modelos base, evaluarlos e iterar sin intervención humana. M3 no quedó primero—terminó detrás de Opus 4.7 y GPT-5.5 en el informe de MiniMax—pero el experimento demuestra una forma de automatización de investigación más compleja que el question answering ordinario.
Análisis técnico multimodal
Porque M3 acepta imágenes y video de forma nativa, los flujos técnicos pueden combinar evidencia visual con texto y código. Ejemplos incluyen comparar una implementación frontend contra una captura, analizar gráficos dentro de un paper, inspeccionar estado UI durante el uso de computador, extraer información de diagramas o combinar observaciones de video con un largo registro de mantenimiento.
La documentación de la API compatible con OpenAI de MiniMax soporta explícitamente partes de contenido image_url y video_url para M3, incluyendo archivos subidos para videos más grandes. Esto convierte la entrada multimodal en una característica de API de cara a desarrolladores y no solo en una demostración de producto.
Automatización de computador y oficina
MiniMax Code está diseñado como un arnés de agente alrededor de M3. La compañía dice que su Agent Team puede dividir tareas complejas en flujos de trabajo concurrentes múltiples y usar un bucle Productor + Verificador para reflexión y corrección. La multimodalidad nativa de M3 también permite flujos de uso de computador que se mueven entre aplicaciones, archivos, hojas de cálculo e interfaces de escritorio.
Un ejemplo oficial es una instrucción para abrir un cliente ERP local e ingresar por lotes información de facturas desde una hoja de cálculo de Excel. La capacidad importante es el estado entre aplicaciones: el agente necesita entender la hoja, operar la interfaz, preservar el mapeo entre campos y recuperarse si la UI cambia o una acción falla.
Documentos y trabajo de conocimiento de largo contexto
Una ventana de contexto de 1M es útil para más que código. Puede soportar grandes colecciones de contratos, políticas, especificaciones técnicas, papers de investigación, informes de incidentes o registros de clientes en un solo contexto de trabajo. La ventaja no es simplemente “más páginas”; es la capacidad de razonar sobre evidencia distante mientras se preserva un largo historial de agente.
Sigue habiendo una precaución práctica: la capacidad máxima de contexto no garantiza recuerdo perfecto en cada posición, y prompts muy grandes aumentan latencia y costo. El largo contexto debe emparejarse con retrieval, caching, memoria estructurada o segmentación de tareas cuando esos enfoques mejoren la fiabilidad.
Veredicto final: ¿MiniMax M3 es un modelo de frontera?
Sí—pero el caso más sólido para esa etiqueta no es que M3 encabece cada tabla. No lo hace.
Lo que MiniMax M3 cambia es la compensación. Ofrece rendimiento de frontera competitivo en su era de lanzamiento mientras también proporciona pesos abiertos, un diseño de atención dispersa con un millón de tokens, entrenamiento nativo texto-imagen-video, comportamiento agentivo de largo horizonte y precios por token de API mucho más bajos que los modelos cerrados insignia de su conjunto de comparación original.
SEO信息
Suggested URL: /blog/minimax-m3-specs-benchmarks-pricing
Description: Explore las especificaciones de MiniMax M3, su contexto de 1M tokens, atención dispersa, capacidades multimodales, rendimiento en benchmarks, precios de API, casos de uso y comparaciones de modelos.
Keywords: MiniMax M3, especificaciones de MiniMax M3, benchmarks de MiniMax M3, precios de la API de MiniMax M3, MiniMax Sparse Attention, ventana de contexto de 1M tokens, modelo de programación multimodal, modelo de IA de pesos abiertos, agentes de IA de largo horizonte, MiniMax M3 vs GPT-5.5