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

Oui. MiniMax M3 prend en charge une fenêtre de contexte allant jusqu'à 1,000,000 tokens, ce qui permet d'analyser de grands dépôts, des ensembles de documentation et des sessions d'agent de longue durée au sein d'une seule conversation.

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

M3 se rapproche de Claude Opus 4.7 sur plusieurs benchmarks de codage et d'agents, tout en offrant une fenêtre de contexte de 1M tokens et une disponibilité open-weight prévue. Des comparaisons indépendantes de tiers sont encore en train d'émerger.

What makes MiniMax M3 different from previous MiniMax models?

MiniMax M3 introduit l'architecture MiniMax Sparse Attention (MSA), un entraînement multimodal natif, des capacités d'agent renforcées et une prise en charge du contexte nettement plus large que les modèles précédents de la série M2.

Does the MiniMax M3 API support multimodal inputs?

Oui. MiniMax M3 est nativement multimodal et prend en charge la compréhension d'images et de vidéos en plus des entrées textuelles.

What benchmark scores has MiniMax M3 achieved?

MiniMax indique 59.0% sur SWE-Bench Pro, 66.0% sur Terminal-Bench 2.1, 74.2% sur MCP Atlas et 83.5 sur BrowseComp, positionnant M3 parmi les modèles de pointe axés sur le codage et les agents.

Is MiniMax M3 suitable for autonomous AI agents?

Oui. Le modèle a été spécifiquement optimisé pour des workflows d'agent de long terme, incluant la planification, l'utilisation d'outils, la décomposition de tâches, l'exécution dans le terminal et la résolution de problèmes en plusieurs étapes.

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

MiniMax M3 est particulièrement attractif lorsque des fenêtres de contexte extrêmement longues, des workflows fortement orientés codage ou des options de déploiement open-weight sont prioritaires. Gemini 3.1 Pro peut rester préférable pour les équipes déjà standardisées sur l'écosystème de Google.

API MiniMax-M3 Abordable | text-to-text

Spécifications techniques de MiniMax M3

Élément	MiniMax M3
Famille de modèles	MiniMax M3 frontier foundation model
Fournisseur	MiniMax
Architecture	MiniMax Sparse Attention (MSA)
Types d'entrée	Text, Image, Video
Types de sortie	Text
Fenêtre de contexte	Up to 1,000,000 tokens (minimum guaranteed 512K)
Forces principales	Coding, agentic workflows, multimodal reasoning, long-context processing
Mode de raisonnement	Thinking on/off modes
Utilisation d’outils	Agent workflows, tool invocation, terminal-task execution
Déploiement	API, MiniMax Code, Token Plan, upcoming open-weight release
Prise en charge multimodale	Native multimodal pretraining from step zero
Date de sortie	June 2026

Qu’est-ce que MiniMax M3 ?

MiniMax M3 est un modèle d’IA de pointe conçu autour de trois capacités qui étaient historiquement limitées aux systèmes propriétaires : performances avancées en codage, traitement de contextes d’un million de tokens et compréhension multimodale native. Contrairement aux modèles qui ajoutent la vision comme une extension ultérieure, M3 a été entraîné comme un modèle multimodal dès le départ, permettant un alignement plus étroit entre le raisonnement visuel et textuel.

Le modèle est construit sur MiniMax Sparse Attention (MSA), une architecture d’attention clairsemée conçue pour rendre les contextes d’un million de tokens pratiquement exploitables sur le plan computationnel tout en préservant les performances en codage, raisonnement et tâches agentiques.

Principales fonctionnalités de MiniMax M3

Fenêtre de contexte de 1M tokens : prend en charge des dépôts extrêmement volumineux, de longs corpus de recherche, l’analyse multi-documents et des sessions d’agent de longue durée.
Architecture orientée agents : conçue pour la décomposition autonome des tâches, l’appel d’outils, la planification itérative et l’exécution multi-étapes.
Multimodalité native : traite des textes, images, diagrammes, captures d’écran et vidéos sans s’appuyer sur une pile de vision séparée.
Capacités avancées en codage : fortes performances sur des benchmarks d’ingénierie logicielle, notamment SWE-Bench Pro, Terminal-Bench et KernelBench.
Exécution à long horizon : workflows autonomes de plusieurs heures démontrés, y compris la reproduction de résultats de recherche et des projets d’optimisation CUDA.
Raisonnement configurable : le mode de réflexion peut être activé pour des charges de travail nécessitant un raisonnement plus profond ou désactivé pour des interactions à plus faible latence.

Performances de MiniMax M3 sur les benchmarks

MiniMax rapporte des résultats de niveau frontier sur des tâches d’évaluation en codage, exécution agentique et multimodalité. Les résultats rapportés incluent :

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

La société indique également que M3 dépasse GPT-5.5 et Gemini 3.1 Pro sur plusieurs benchmarks orientés codage tout en se rapprochant des performances de Claude Opus 4.7 dans certaines évaluations. Ces affirmations proviennent des divulgations internes de MiniMax sur les benchmarks et doivent être interprétées parallèlement aux tests indépendants de tiers dès qu’ils seront disponibles.

Architecture pour longs contextes et MSA

MiniMax Sparse Attention (MSA) est l’innovation architecturale derrière la capacité de M3 à gérer des contextes d’un million de tokens. Au lieu d’appliquer une attention quadratique complète sur l’ensemble de la séquence, MSA réalise un routage au niveau des blocs et une attention clairsemée sur des régions de contexte sélectionnées.

Selon MiniMax, cela réduit substantiellement les besoins de calcul sur de grandes longueurs de contexte et offre :

Plus de 9× de performances de préremplissage à une longueur de contexte de 1M
Plus de 15× de performances de décodage
Environ 1/20 du calcul par token par rapport à la génération précédente à l’échelle 1M de contexte

Ces améliorations visent à rendre pratique le codage à l’échelle des dépôts et les workflows d’agents à long horizon.

MiniMax M3 vs Claude Opus 4.7 vs Gemini 3.1 Pro

Capacité	MiniMax M3	Claude Opus 4.7	Gemini 3.1 Pro
Fenêtre de contexte	Up to 1M	Smaller publicly available context tiers	Large-context multimodal
Entraînement multimodal natif	Yes	Yes	Yes
Focalisation sur le codage agentique	Very strong	Very strong	Strong
SWE-Bench Pro	59.0%	Higher according to MiniMax reporting	Lower according to MiniMax reporting
Disponibilité en poids ouverts	Planned	No	No
Workflows d’agents de longue durée	Major design focus	Strong	Strong

Limites connues

La plupart des divulgations de benchmarks proviennent actuellement de MiniMax plutôt que de laboratoires d’évaluation indépendants.
Les fichiers de modèle à poids ouverts et le rapport technique complet ont été annoncés mais n’étaient pas encore largement publiés au lancement.
La fiabilité en conditions réelles à travers des environnements de production est encore en cours de validation par la communauté des développeurs.
Les charges de travail avec un contexte d’un million de tokens peuvent entraîner des coûts opérationnels et une latence plus élevés que les charges d’inférence standard.

Cas d’usage représentatifs

Ingénierie logicielle à l’échelle des dépôts

Analyser de grands bases de code, effectuer des refactorisations multi-fichiers, générer des correctifs, relire des pull requests et maintenir un contexte de développement à long terme.

Agents de recherche autonomes

Soutenir la revue de littérature, la synthèse de documents, l’analyse de benchmarks et des workflows de recherche de longue durée nécessitant des centaines de milliers de tokens.

Analyse technique multimodale

Interpréter des captures d’écran, des diagrammes d’architecture, des graphiques, des documents techniques et du contenu vidéo au sein du même workflow de raisonnement.

Automatisation Terminal et DevOps

Exécuter des workflows d’ingénierie complexes impliquant tests, orchestration de déploiement, gestion des dépendances et débogage itératif.

Systèmes de connaissances d’entreprise

Rechercher et raisonner sur de vastes collections de politiques, contrats, documentation technique et référentiels de connaissances internes.

Version du modèle et disponibilité

MiniMax M3 a été officiellement présenté en June 2026 comme le successeur phare de la gamme de modèles MiniMax. Le modèle est disponible via l’écosystème d’API MiniMax et CometAPI.

Tarification pour MiniMax-M3

Découvrez des tarifs compétitifs pour MiniMax-M3, conçus pour s'adapter à différents budgets et besoins d'utilisation. Nos formules flexibles garantissent que vous ne payez que ce que vous utilisez, ce qui facilite l'adaptation à mesure que vos besoins évoluent. Découvrez comment MiniMax-M3 peut améliorer vos projets tout en maîtrisant les coûts.

Prix de Comet (USD / M Tokens)	Prix officiel (USD / M Tokens)	Remise
Entrée:$0.48/M Sortie:$1.92/M	Entrée:$0.6/M Sortie:$2.4/M	-20%

Exemple de code et API pour MiniMax-M3

Accédez à des exemples de code complets et aux ressources API pour MiniMax-M3 afin de simplifier votre processus d'intégration. Notre documentation détaillée fournit des instructions étape par étape pour vous aider à exploiter tout le potentiel de MiniMax-M3 dans vos projets.

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
  }'

Versions de MiniMax-M3

La raison pour laquelle MiniMax-M3 dispose de plusieurs instantanés peut inclure des facteurs potentiels tels que des variations de sortie après des mises à jour nécessitant des instantanés plus anciens pour la cohérence, offrant aux développeurs une période de transition pour l'adaptation et la migration, et différents instantanés correspondant à des points de terminaison globaux ou régionaux pour optimiser l'expérience utilisateur. Pour les différences détaillées entre les versions, veuillez consulter la documentation officielle.

version
minimax-m3