TL;DR
MiniMax M3 est le modèle de pointe de MiniMax pour le codage, le travail agentique, le raisonnement sur long contexte et la compréhension multimodale. Il a été officiellement lancé le 1er juin 2026 et combine trois capacités au cœur de la sortie : jusqu’à 1 million de tokens de contexte, compréhension native des images/vidéos et exécution d’agents sur longue durée.
Le modèle à poids ouverts compte environ 428 milliards de paramètres au total et environ 23 milliards de paramètres activés. Cela implique qu’environ 5,4 % seulement de sa capacité de paramètres annoncée est active sur un token typique, ce qui explique comment un très grand modèle peut rester praticable à l’inférence. M3 introduit également la MiniMax Sparse Attention (MSA), une conception d’attention clairsemée par blocs conçue pour des contextes d’un million de tokens.
Pour les développeurs, M3 est disponible via l’API de MiniMax et en distribution à poids ouverts, et il est également accessible via CometAPI pour les équipes qui souhaitent une interface unique pour MiniMax et d’autres fournisseurs de modèles.
Points clés à retenir
- MiniMax a lancé M3 le 1er juin 2026 en tant que modèle de pointe centré sur le codage, les agents, le long contexte et la multimodalité.
- La publication à poids ouverts indique ~428B de paramètres totaux et ~23B de paramètres activés.
- M3 prend en charge jusqu’à 1M de tokens de contexte, MiniMax décrivant 512K comme le palier minimum garanti pour l’API.
- La MiniMax Sparse Attention remplace l’attention globale complète par une sélection de blocs et une attention clairsemée exacte sur des régions de contexte sélectionnées.
- M3 a été entraîné avec des modalités mixtes dès l’étape 0 et prend en charge les entrées texte, image et vidéo.
- Les benchmarks de lancement officiels incluent 59.0 % sur SWE-Bench Pro, 66.0 sur Terminal-Bench 2.1, 83.5 sur BrowseComp et 75.2 sur OSWorld-Verified.
- MiniMax a démontré près de 12 heures de reproduction d’article autonome et environ 24 heures d’optimisation de noyaux CUDA avec 1 959 appels d’outils.
- L’API prend en charge un raisonnement configurable et le texte, l’image, la vidéo, les outils de fonction, des niveaux de service standard/prioritaire et une tarification long-contexte.
Qu’est-ce que MiniMax M3 ?
MiniMax M3 est le successeur de la génération M2 et représente un changement architectural plus important qu’une simple mise à jour incrémentale. MiniMax M2.7 était déjà positionné autour de l’ingénierie logicielle réelle, de la productivité bureautique et des workflows d’agents, mais M3 ajoute une nouvelle architecture d’attention clairsemée, un pré-entraînement multimodal natif et un objectif de contexte d’un million de tokens.
M3 est un modèle de codage multimodal de pointe avec une fenêtre de contexte de 1M. Le dépôt officiel à poids ouverts ajoute les chiffres d’échelle les plus importants : environ 428B de paramètres au total et 23B activés. Le rapport technique associé à la MSA décrit également l’architecture comme opérant dans un cadre Mixture-of-Experts, ce qui est cohérent avec l’écart entre paramètres totaux et actifs divulgué.
Cela rend M3 moins intéressant comme « un M2.7 plus grand » et plus intéressant comme modèle de convergence. Il réunit contexte à l’échelle d’un dépôt, codage, perception multimodale, agents orientés ordinateur et déploiement local/ouvert dans un seul système. MiniMax a explicitement présenté cette combinaison comme le principal différenciateur du lancement plutôt que de prétendre que M3 gagne chaque benchmark.
Spécifications 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 |
Le contexte, les modalités et le comportement de l’API ci-dessus sont documentés dans la documentation officielle du modèle et de l’API de MiniMax ; les chiffres de paramètres et les liens de déploiement local proviennent du dépôt officiel M3.
De MiniMax M2.7 à 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 documentation de l’API MiniMax liste M2.7 avec un palier de contexte à 204 800 tokens tandis que M3 passe à la classe du million de tokens. La différence la plus importante est qualitative : M3 accepte directement des entrées visuelles et vidéo, alors que l’API M2.x reste orientée texte et outils.
Quoi de neuf dans MiniMax M3 ?
Un modèle de 428B avec environ 23B de paramètres actifs
Le dépôt public M3 indique que le modèle compte ~428B de paramètres totaux et ~23B de paramètres activés. En pratique, la fraction active divulguée est d’environ 5,4 %. C’est l’attrait fondamental d’une architecture d’experts clairsemés : la capacité totale peut être très grande tandis que le chemin de calcul pour un token donné n’active qu’une fraction du modèle.
Le nombre de paramètres ne détermine pas à lui seul la qualité, et « 428B » ne doit pas être lu comme 428B paramètres denses évalués pour chaque token. L’interprétation utile est que M3 dispose d’un grand réservoir de capacité, associé à une activation conditionnelle et à un système d’attention conçu pour maîtriser le coût sur long contexte.
MiniMax Sparse Attention : rendre pratique le contexte 1M
Le changement architectural central est la MiniMax Sparse Attention (MSA). L’attention softmax complète croît quadratiquement avec la longueur de séquence, ce qui devient coûteux lorsque l’historique des agents, les dépôts de code, les journaux d’outils, les images et les longs documents s’accumulent en centaines de milliers de tokens.
MSA ajoute une branche Index légère qui score des blocs clé-valeur et sélectionne un sous-ensemble Top-k pour chaque groupe d’« grouped-query attention ». La branche principale effectue ensuite une attention bloc-clairsemée exacte uniquement sur ces blocs sélectionnés. Le rapport technique de MiniMax décrit cela comme une conception orientée matériel visant à préserver la qualité tout en réduisant la quantité de contexte à traiter par attention complète.
Figure 1. Architecture MiniMax Sparse Attention (MSA). Source : figure MSA officielle de MiniMax
À 1M de contexte, MiniMax indique que M3 utilise environ 1/20 du calcul par token de la génération précédente et offre plus de 9× d’accélération en préremplissage et plus de 15× en décodage par rapport à M2. L’article séparé sur MSA rapporte des expériences contrôlées supplémentaires sur un modèle MoE de test à 109B, ces chiffres ne doivent donc pas être confondus avec les résultats de production M3 vs M2.
Cette distinction est importante. L’article valide le mécanisme d’attention en contexte de recherche ; les chiffres de lancement M3 décrivent le modèle de production. Les deux vont dans la même direction, mais ce ne sont pas les mêmes benchmarks.
Multimodalité native dès l’étape 0
M3 n’est pas présenté comme un modèle texte avec un adaptateur visuel ajouté en fin de parcours. MiniMax affirme qu’il a subi un entraînement à modalités mixtes dès l’étape 0 et a reconstruit son pipeline de pré-entraînement pour augmenter les données multimodales entrelacées.
L’API de production prend en charge les entrées texte, image et vidéo. Cela compte pour le codage et le travail des agents car beaucoup de tâches réelles ne sont pas uniquement textuelles : le débogage peut nécessiter une capture d’écran, le front-end peut demander une comparaison avec une image de référence, la recherche peut inclure des graphiques et des équations, et les agents d’utilisation de l’ordinateur opèrent via des interfaces visuelles.
Une manière utile de penser la multimodalité de M3 n’est donc pas « il peut décrire une image », mais « l’état visuel peut rester dans la même boucle de raisonnement de longue durée que le code, la sortie d’outils, les documents et les retours utilisateurs ».
Codage interactif et entraînement d’agents
MiniMax soutient que les benchmarks de codage classiques sont trop mono-tour pour représenter la façon dont les développeurs travaillent réellement. Pour M3, l’entreprise a construit un simulateur d’utilisateur interactif qui expose le modèle à la clarification des exigences, la discussion de solutions, la correction basée sur les retours, le changement de tâches et l’itération multi-étapes d’un projet.
L’objectif est de passer de l’exécution passive d’instructions à la collaboration. Un agent de codage efficace doit être capable de décomposer une tâche, d’appeler des outils, d’interpréter des échecs, de réviser un plan, de préserver des décisions antérieures et de continuer après la première réponse plausible. Le long contexte de M3 et l’entraînement orienté outils sont conçus précisément autour de cette boucle.
Exécution autonome sur longue durée
Les démonstrations M3 les plus convaincantes de MiniMax ne sont pas des exemples de chat. Ce sont des tâches de longue durée dans lesquelles le modèle doit maintenir l’état et continuer à s’améliorer après des retours répétés d’outils.
| 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 |
Dans la tâche de reproduction d’article, M3 a fonctionné près de 12 heures et produit 18 commits plus 23 figures expérimentales. La tâche combinait lecture d’article, compréhension de graphiques/formules, écriture de code, expériences et interprétation itérative.
.png)
Figure 2. Trajectoire autonome de reproduction d’article de M3 sur environ 12 heures. Source : démonstration officielle de M3 par MiniMax
Dans la tâche d’optimisation CUDA, M3 a réalisé 147 soumissions de benchmark et 1 959 appels d’outils sur environ 24 heures, augmentant finalement l’utilisation de crête FP8 sur Hopper de 7,6 % à 71,3 % pour une accélération de 9,4× sans intervention humaine. Le point notable n’est pas seulement l’accélération finale ; MiniMax indique que la meilleure solution du modèle est apparue à sa 145e soumission, après plusieurs plateaux.
Performances de MiniMax M3 aux benchmarks
Le graphique de benchmarks du lancement de MiniMax compare M3 avec Claude Opus 4.7, GPT-5.5, et Gemini 3.1 Pro sur des tâches de codage, terminal, navigation, bureautique, usage d’outils et utilisation de l’ordinateur. Ce sont les comparaisons directes les plus utiles car elles ont été publiées dans le même package de sortie M3.
Figure 3. Comparaison officielle des benchmarks de lancement M3 par MiniMax. Source : image de benchmark officielle 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 |
Tous les scores de ce tableau sont retranscrits à partir du graphique officiel de lancement M3 de MiniMax. Ils doivent être considérés comme des résultats de lancement rapportés par le fournisseur, et non comme un nouveau rerun indépendant réalisé par CometAPI.
Ce que montrent réellement les résultats de benchmark
Premièrement, M3 est véritablement compétitif en ingénierie logicielle. Sur SWE-Bench Pro, il obtient 59.0, au-dessus des 58.6 et 54.2 que MiniMax rapporte pour GPT-5.5 et Gemini 3.1 Pro, mais en dessous de Claude Opus 4.7 à 64.3. KernelBench Hard raconte une histoire similaire : M3 à 28.8 est proche d’Opus 4.7 à 30.7 et nettement au-dessus des deux autres valeurs du graphique de MiniMax.
Deuxièmement, l’exécution terminal n’est pas le point fort relatif de M3. Terminal-Bench 2.1 place M3 à 66.0, essentiellement à égalité avec Opus 4.7 à 66.1 mais bien derrière GPT-5.5 à 78.2 et Gemini 3.1 Pro à 70.0.
Troisièmement, M3 est solide mais non dominant en collecte d’informations. BrowseComp est à 83.5 : plus élevé que les 79.3 d’Opus 4.7, mais légèrement en dessous de GPT-5.5 à 84.4 et Gemini 3.1 Pro à 85.9. MCP Atlas à 74.2 se situe également près des 75.3 de GPT-5.5 et des 77.0 d’Opus 4.7.
Quatrièmement, le graphique de lancement donne à M3 un résultat particulièrement bon sur SVG-Bench : 63.7 contre 62.3 pour Opus 4.7, 58.2 pour GPT-5.5 et 59.2 pour Gemini 3.1 Pro. Cela correspond à la conception globale de M3 : la compréhension visuelle native est destinée à participer directement aux workflows de codage et d’agents plutôt que de rester une fonctionnalité de vision séparée.
La conclusion globale est donc plus nuancée que « M3 bat les modèles fermés ». M3 entre dans la même bande de performance sur de nombreuses tâches agentiques, gagne certaines évaluations et en perd d’autres. Son différenciateur, c’est ce qui accompagne ces scores : poids ouverts, entraînement multimodal, conception de contexte à un million de tokens et économie de service agressive.
MiniMax M3 vs Claude Opus 5 vs GPT-5.6 Sol vs Gemini 3.7 Flash
MiniMax M3 a été lancé dans un marché en mouvement rapide, et son ensemble de comparaison initial n’est plus le point de référence le plus utile. Une comparaison de génération plus pertinente est Claude Opus 5, GPT-5.6 Sol et Gemini 3.7 Flash — des modèles fermés plus récents visant le codage, les agents et le travail multimodal. Comme ces modèles ne sont pas évalués sous un même harnais, le tableau met l’accent sur les capacités documentées et n’utilise des chiffres de benchmark que lorsque la métrique est directement rapportée.
| 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 |
Ces chiffres de benchmark proviennent de différents packages d’évaluation de fournisseurs et ne doivent pas être lus comme un classement synchronisé unique. Le score 66.0 Terminal-Bench 2.1 de M3 vient de l’évaluation de sortie de MiniMax ; OpenAI rapporte 88.8 pour GPT-5.6 Sol, tandis que Google rapporte 85.8 pour Gemini 3.7 Flash. Le lancement d’Anthropic Opus 5 met l’accent sur Frontier-Bench, GDPval-AA, AutomationBench et OSWorld 2.0 plutôt que de publier un résultat Terminal-Bench 2.1 directement comparable. Pour la sélection de modèle, benchmarkez les candidats sous un même harnais sur votre propre charge de travail plutôt que de traiter les chiffres de lancement inter-fournisseurs comme un classement permanent.
Où MiniMax M3 a l’avantage le plus net
L’avantage le plus net de M3 est le choix de déploiement. Ni le graphique de benchmark ni le nombre de paramètres n’expliquent à eux seuls pourquoi les développeurs peuvent s’intéresser au modèle. M3 combine des poids ouverts avec une longueur de contexte et un ensemble de capacités multimodales normalement associées à des systèmes de pointe hébergés. Cela le rend attrayant lorsque les équipes ont besoin d’un déploiement local, d’indépendance vis-à-vis du fournisseur, d’un service spécialisé ou d’un contrôle approfondi de la pile d’inférence.
Son deuxième avantage est l’architecture de coût en long contexte. MSA est explicitement conçue pour éviter l’explosion du calcul d’attention à l’échelle du million de tokens. Cela ne rend pas les requêtes 1M bon marché en valeur absolue — cache KV, exécution des experts et entrées multimodales coûtent toujours des ressources — mais cela change la courbe de mise à l’échelle par rapport à l’attention complète.
Là où les modèles fermés dominent encore
Le même graphique de benchmarks officiels montre pourquoi M3 ne doit pas être présenté comme un remplacement automatique de chaque modèle fermé de pointe. Claude Opus 4.7 obtient de meilleurs résultats sur SWE-Bench Pro, KernelBench Hard, GDPval, BankerToolBench, MCP Atlas et OSWorld-Verified dans la comparaison de MiniMax. GPT-5.5 est bien plus fort sur Terminal-Bench 2.1 et mène GDPval. Gemini 3.1 Pro devance légèrement sur BrowseComp.
Pour les équipes de production, les plateformes fermées peuvent également fournir des contrôles de sécurité matures, des outils hébergés, de l’observabilité, des garanties de débit et des intégrations qui comptent plus que des poids ouverts. M3 devient le plus convaincant lorsque les avantages de déploiement et de coût font partie du cahier des charges, et non lorsque le rang au benchmark est l’unique critère.
Tarification de l’API MiniMax M3
MiniMax utilise actuellement deux paliers standard de prix de contexte. Sa page de tarification officielle affiche un tarif « -50 % permanent » de 0,30 $/M en entrée et 1,20 $/M en sortie pour les requêtes à 512K tokens d’entrée ou moins. Les requêtes au-delà de 512K sont affichées à 0,60 $/M en entrée et 2,40 $/M en sortie. Le service prioritaire est facturé 1,5× le palier standard.
| 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 |
*MiniMax-M3 de CometAPI est à 0,48 $/M en entrée et 1,92 $/M en sortie, comparé au tarif catalogue non remisé de MiniMax de 0,60 $/2,40 $. Comme la plateforme de MiniMax affiche actuellement un tarif standard distinct à -50 %, les développeurs doivent comparer le tarif réel appliqué plutôt que de se fier uniquement à un pourcentage de remise en gros titre.
La raison d’utiliser CometAPI dans cette situation n’est donc pas nécessairement le prix promotionnel direct le plus bas à chaque instant. Sa valeur est une couche unifiée d’API et de facturation lorsqu’une application doit router entre M3 et d’autres fournisseurs sans maintenir des intégrations séparées.
Que peut faire MiniMax M3 ?
Codage et ingénierie à l’échelle d’un dépôt
Le cas d’usage le plus évident de M3 est l’ingénierie logicielle sur de grands dépôts. Une fenêtre de contexte d’un million de tokens peut contenir bien plus de code, de documentation, de sorties de test, d’historique de tickets et d’état d’agent que la fenêtre de 204,8K de la génération M2. En pratique, cela permet des workflows tels que l’implémentation multi-fichiers, le refactoring à l’échelle du dépôt, le diagnostic de bugs, la réparation de tests, les boucles build/terminal, la revue de pull requests et l’optimisation des performances.
La clé est la persistance. Un agent de codage à l’échelle du dépôt n’est utile que s’il peut conserver les exigences d’origine tout en accumulant sorties d’outils et révisions. Les démonstrations de 12 heures et CUDA suggèrent que M3 est conçu pour continuer à travailler après des échecs intermédiaires plutôt que de traiter chaque appel d’outil comme une courte tâche séparée.
Recherche et expérimentation autonomes
L’exemple de reproduction d’article est un bon modèle pour les agents de recherche. M3 peut lire un article, inspecter des figures, raisonner sur des formules, générer du code, exécuter des expériences, évaluer si les résultats correspondent aux attentes et continuer à affiner l’implémentation. La capacité à conserver texte d’article, code et journaux d’expériences dans un même long contexte réduit la quantité d’état à résumer ou à reconstruire en externe.
C’est aussi pourquoi PostTrainBench est pertinent. MiniMax a demandé à M3 de synthétiser des données d’entraînement, d’entraîner des modèles de base, de les évaluer et d’itérer sans intervention humaine. M3 n’a pas terminé premier — il arrive derrière Opus 4.7 et GPT-5.5 dans le rapport de MiniMax — mais l’expérience démontre une forme d’automatisation de la recherche plus complexe qu’un simple question-réponse.
Analyse technique multimodale
Comme M3 accepte nativement les images et les vidéos, les workflows techniques peuvent combiner preuves visuelles avec texte et code. Exemples : comparer une implémentation frontend à une capture d’écran, analyser des graphiques dans un article de recherche, inspecter l’état d’interface durant l’utilisation de l’ordinateur, extraire des informations de schémas ou combiner des observations vidéo avec un long journal de maintenance.
La documentation de l’API compatible OpenAI de MiniMax prend explicitement en charge les parties de contenu image_url et video_url pour M3, y compris les fichiers téléversés pour des vidéos plus volumineuses. Cela fait de l’entrée multimodale une fonctionnalité d’API orientée développeur plutôt qu’une simple démo produit.
Automatisation informatique et bureautique
MiniMax Code est conçu comme un harnais d’agent autour de M3. L’entreprise affirme que son Agent Team peut scinder des tâches complexes en workflows concurrents multi-étapes et utiliser une boucle Producteur + Vérificateur pour la réflexion et la correction. La multimodalité native de M3 permet également des workflows d’utilisation de l’ordinateur qui naviguent entre applications, fichiers, feuilles de calcul et interfaces de bureau.
Un exemple officiel est une instruction d’ouvrir un client ERP local et de saisir en lot des informations de factures depuis un tableur Excel. La capacité importante est l’état inter-applications : l’agent doit comprendre le tableur, opérer l’interface, préserver le mapping entre champs et se rétablir si l’UI change ou si une action échoue.
Documents long-contexte et travail de connaissance
Une fenêtre de contexte à 1M est utile au-delà du code. Elle peut prendre en charge de grandes collections de contrats, politiques, spécifications techniques, articles de recherche, rapports d’incident ou dossiers clients dans un seul contexte de travail. L’avantage n’est pas simplement « plus de pages » ; c’est la capacité à raisonner à partir d’indices distants tout en préservant un long historique d’agent.
Une mise en garde pratique subsiste : la capacité de contexte maximale ne garantit pas un rappel parfait à chaque position, et des invites très grandes augmentent la latence et le coût. Le long contexte doit être associé à de la recherche, du caching, une mémoire structurée ou une segmentation de tâche lorsque ces approches améliorent la fiabilité.
Verdict final : MiniMax M3 est-il un modèle de pointe ?
Oui — mais le meilleur argument pour ce label n’est pas que M3 domine tous les classements. Ce n’est pas le cas.
Ce que MiniMax M3 change, c’est le compromis. Il offre des performances de modèle de pointe compétitives à l’ère du lancement tout en fournissant des poids ouverts, une conception d’attention clairsemée à un million de tokens, un entraînement natif texte-image-vidéo, un comportement d’agent sur longue durée et une tarification par token à l’API nettement plus basse que les modèles phares fermés dans son ensemble de comparaison initial.
Informations SEO
Suggested URL: /blog/minimax-m3-specs-benchmarks-pricing
Description: Découvrez les spécifications de MiniMax M3, son contexte à 1M de tokens, l’attention clairsemée, les capacités multimodales, les performances aux benchmarks, la tarification de l’API, les cas d’usage et les comparaisons de modèles.
Keywords: MiniMax M3, spécifications MiniMax M3, benchmarks MiniMax M3, tarification API MiniMax M3, MiniMax Sparse Attention, fenêtre de contexte 1M tokens, modèle de codage multimodal, modèle d’IA à poids ouverts, agents d’IA longue durée, MiniMax M3 vs GPT-5.5