Cara Menggunakan MiniMax M3 API

TLDR MiniMax M3 menggabungkan jendela konteks 1.000.000 token, pemahaman native teks-gambar-video, performa kuat dalam pengodean dan tugas agen, serta MiniMax Sparse Attention (MSA). Pengembang dapat memanggil MiniMax M3 melalui gateway CometAPI yang kompatibel dengan OpenAI di https://api.cometapi.com/v1 dengan ID model minimax-m3.

Panduan ini mencakup spesifikasi model, data benchmark resmi, penyiapan API, streaming, kontrol penalaran, permintaan multimodal, pemanggilan alat, harga, dan perbandingan dengan API frontier 2026 lainnya.

Poin Utama

• MiniMax M3 mendukung hingga 1M token konteks, memungkinkan pengodean skala repositori dan sesi agen yang berjalan lama.
• Model ini secara native multimodal sejak langkah pelatihan nol dan menerima input teks, gambar, serta video.
• Arsitektur MiniMax Sparse Attention dirancang untuk membuat konteks sejuta token lebih praktis secara komputasional. Hasil resmi mencakup 59,0% pada SWE-Bench Pro dan 66,0% pada Terminal-Bench 2.1, bersama skor kuat untuk agen dan penggunaan alat.
• API MiniMax yang kompatibel dengan OpenAI mendukung thinking adaptif atau dinonaktifkan, streaming, tools, dan reasoning_split.
• Di CometAPI, ID model saat ini adalah minimax-m3 dan endpoint utama adalah /v1/chat/completions.

Apa Itu MiniMax M3?

MiniMax M3 dirancang untuk tiga beban kerja yang semakin mendefinisikan model frontier bagi pengembang: rekayasa perangkat lunak skala besar, eksekusi agen otonom, dan penalaran multimodal ber-konteks panjang. MiniMax menggambarkan M3 sebagai model yang mencapai performa tingkat frontier pada tugas pengodean dan agen sambil menggabungkan konteks 1M, multimodalitas native, dan MSA. Hasil praktisnya adalah model yang kurang diarahkan pada percakapan terisolasi dan lebih pada alur kerja yang mengakumulasi file, hasil alat, tangkapan layar, perubahan kode, dan state penalaran dari waktu ke waktu.

M3 tersedia melalui ekosistem API MiniMax sendiri dan melalui endpoint MiniMax M3 CometAPI. Bagi pengembang yang sudah menggunakan SDK OpenAI, rute CometAPI mempertahankan bentuk Chat Completions yang familier sekaligus memudahkan perbandingan M3 dengan model dari Anthropic, Google, Moonshot AI, dan penyedia lainnya.

Spesifikasi Teknis MiniMax M3

Angka konteks dan modalitas di atas dikonfirmasi dalam dokumentasi API MiniMax, sementara arsitektur model dan positioning rilis berasal dari rilis M3 resmi.

Apa yang Membuat MiniMax M3 Berbeda?

MiniMax Sparse Attention dan Konteks 1M

Jendela konteks sejuta token hanya berguna jika arsitektur serving dapat memprosesnya dengan kecepatan dan biaya yang dapat diterima. M3 menangani masalah tersebut dengan MiniMax Sparse Attention (MSA), yang terlebih dahulu mengidentifikasi blok KV yang relevan lalu melakukan sparse attention pada area terpilih alih-alih menerapkan full quadratic attention di semua tempat.

MiniMax melaporkan bahwa pada panjang konteks 1M, M3 menggunakan sekitar 1/20 komputasi per token dibanding generasi sebelumnya, dengan prefill lebih cepat >9x dan decoding lebih cepat >15x. Ini adalah hasil engineering yang dilaporkan vendor, bukan pengukuran serving pihak ketiga, namun menjelaskan mengapa MSA menjadi pusat desain konteks panjang M3.

Gambar 1. Arsitektur MiniMax Sparse Attention. Sumber: Rilis M3 resmi MiniMax

Multimodalitas Native

MiniMax menyatakan M3 menjalani pelatihan modalitas campuran sejak langkah nol, bukan menambahkan lapisan visi terpisah setelah prapelatihan teks. Dalam API yang kompatibel dengan OpenAI, M3 menerima bagian konten teks, gambar, dan video. Gambar dapat diberikan dengan image_url dan video dengan video_url; format gambar yang didukung termasuk JPEG, PNG, GIF, dan WEBP, sedangkan format video yang didukung termasuk MP4, AVI, MOV, dan MKV.

Bagi pengembang, itu membuat satu model dapat digunakan untuk tugas seperti debugging berbasis tangkapan layar, interpretasi grafik, tinjauan UI, analisis dokumen teknis, dan pemahaman video tanpa harus merutekan setiap input visual melalui model terpisah.

Alur Kerja Pengodean dan Agen

Posisi publik terkuat M3 bukan obrolan generik. MiniMax berfokus pada perbaikan bug, pengembangan frontend dan backend, eksekusi terminal, optimisasi performa, pemanggilan alat, dan kolaborasi jangka panjang. Set benchmark M3 resmi karenanya menekankan benchmark rekayasa perangkat lunak dan agen daripada hanya tes QA akademik.

Penalaran yang Dapat Dikonfigurasi

Dalam API MiniMax yang kompatibel dengan OpenAI, M3 mendukung kontrol penalaran eksplisit: thinking dapat diatur ke adaptive atau disabled. Jika field diabaikan pada endpoint yang kompatibel dengan OpenAI milik MiniMax, thinking aktif secara default. Untuk integrasi produksi, menyetel field secara eksplisit lebih aman karena membuat latensi dan perilaku lebih mudah direproduksi lintas lingkungan.

Performa Agen Jangka Panjang

MiniMax juga mempublikasikan dua studi kasus yang berjalan lama yang menunjukkan mengapa desain konteks M3 penting. Dalam tugas reproduksi makalah, M3 berjalan secara otonom selama hampir 12 jam, menghasilkan 18 commit dan 23 gambar eksperimen sambil mereproduksi eksperimen inti dari ICLR 2025 Outstanding Paper. Tugas tersebut memerlukan pembacaan gambar dan formula, pengeditan kode, pelacakan eksperimen, dan mempertahankan riwayat eksekusi yang panjang.

Dalam latihan optimisasi kernel CUDA terpisah, MiniMax melaporkan 147 pengiriman benchmark dan 1.959 panggilan alat selama sekitar 24 jam, dengan utilisasi puncak hardware Hopper FP8 meningkat dari 7,6% menjadi 71,3%, setara dengan peningkatan kecepatan 9,4x yang dilaporkan. Contoh-contoh ini adalah demonstrasi terkontrol alih-alih jaminan untuk setiap agen produksi, tetapi menggambarkan use case yang dimaksud: loop alat persisten di mana kemajuan mungkin baru muncul setelah banyak iterasi.

Mengapa Menggunakan API MiniMax M3 Melalui CometAPI?

CometAPI mengekspose M3 melalui lingkungan API yang sama yang digunakan untuk ratusan model lain. Itu penting ketika tim ingin membandingkan banyak penyedia, mempertahankan satu permukaan penagihan, atau menjaga rute fallback tanpa membangun ulang aplikasi di sekitar setiap SDK khusus vendor.

• Integrasi kompatibel OpenAI: klien SDK OpenAI yang ada dapat digunakan kembali dengan mengubah base URL, kunci API, dan ID model.
• Satu kunci untuk banyak penyedia model, sehingga uji A/B dan perutean fallback lebih mudah diimplementasikan.
• Pelacakan penggunaan terpusat dan biaya per model alih-alih dasbor per penyedia yang terpisah.
• Pergantian model cepat ketika beban kerja membutuhkan keseimbangan berbeda antara kualitas, latensi, dukungan modalitas, atau harga.

Halaman MiniMax M3 CometAPI saat ini mencantumkan ID model minimax-m3, POST /v1/chat/completions, dan contoh SDK OpenAI.

Cara Menggunakan API MiniMax M3 dengan CometAPI

Langkah 1: Buat Akun CometAPI dan Dapatkan Kunci API

Buat atau masuk ke akun CometAPI, lalu hasilkan token API dari konsol token. Simpan token dalam variabel lingkungan alih-alih melakukan commit ke source control.

export COMETAPI_KEY="your-key-here"

Langkah 2: Konfigurasikan Klien OpenAI

Base URL CometAPI yang kompatibel dengan OpenAI adalah:

https://api.cometapi.com/v1

Instal SDK OpenAI dan arahkan klien ke 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",
   )

Langkah 3: Buat Permintaan MiniMax M3 Pertama Anda

Gunakan ID model CometAPI minimax-m3. Permintaan cURL minimal terlihat seperti ini:

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)

Halaman M3 CometAPI live menggunakan pola reasoning_split yang sama dalam contoh Python-nya. Saklar ini mengubah cara konten penalaran dikembalikan; ini sendiri tidak mengaktifkan atau menonaktifkan thinking.

Langkah 4: Aktifkan Streaming

Streaming berguna untuk antarmuka obrolan, asisten pengodean, dan penyelesaian panjang karena pengguna dapat melihat output saat datang. Dokumentasi MiniMax yang kompatibel dengan OpenAI mengonfirmasi dukungan streaming untuk 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)

Langkah 5: Aktifkan atau Nonaktifkan Thinking

MiniMax mendefinisikan mode thinking adaptif dan dinonaktifkan untuk M3. Gunakan thinking adaptif untuk pengodean sulit, perencanaan, dan tugas agen; nonaktifkan untuk ekstraksi sederhana, klasifikasi, atau respons sensitif latensi. Saat menggunakan field khusus penyedia melalui router yang kompatibel dengan OpenAI, validasi di playground CometAPI sebelum produksi karena perilaku pass-through dapat berkembang.

# 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"}},
   )

Langkah 6: Gunakan Input Gambar

API M3 yang kompatibel dengan OpenAI menerima bagian konten image_url. Pola konten bertipe yang sama adalah cara alami untuk mengirim tangkapan layar, diagram, atau grafik melalui rute bergaya 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 mendokumentasikan dukungan JPEG, PNG, GIF, dan WEBP, dengan tingkat detail gambar rendah, default, atau tinggi. Penyedia juga mempublikasikan batas ukuran permintaan, jadi periksa batas API multimodal terbaru sebelum mengirim aset besar.

Langkah 7: Gunakan Input Video

M3 juga mendukung bagian konten video_url. MiniMax mendokumentasikan MP4, AVI, MOV, dan MKV, dan mendukung video lebih besar melalui 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"}
            }
        ]
    }]
   )

Jika aplikasi Anda merutekan permintaan multimodal melalui CometAPI, konfirmasikan transport file yang tepat yang didukung oleh rute M3 aktif; pengenal provider-native mm_file:// milik alur Files MiniMax.

Langkah 8: Tambahkan Pemanggilan Fungsi dan Alat

MiniMax M3 mendukung definisi alat dalam API yang kompatibel dengan OpenAI. Agen produksi harus mengeksekusi alat yang diminta, menambahkan pesan pemanggilan alat asisten lengkap ke riwayat percakapan, lalu mengembalikan hasil alat ke model. MiniMax secara eksplisit memperingatkan bahwa melestarikan respons lengkap penting untuk kontinuitas penalaran.

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,
   )

Langkah 9: Gunakan Konteks Panjang dan Prompt Caching Secara Bijak

Jendela konteks 1M token tidak berarti setiap permintaan harus berisi 1M token. Kemas hanya file, log, dokumen, dan output alat yang relevan dengan tugas. Automatic prompt caching dari MiniMax dapat mengurangi biaya dan waktu pemrosesan ketika prefiks yang berulang seperti system prompt, daftar alat, atau riwayat percakapan berulang di banyak permintaan.

Untuk agen skala repositori, pola yang baik adalah menyimpan ringkasan proyek dan skema alat yang stabil, hanya mengambil file yang relevan dengan langkah saat ini, dan secara berkala mengompresi riwayat lama alih-alih membiarkan sesi tumbuh tanpa batas.

Parameter Penting API MiniMax M3

Definisi parameter di atas mengikuti referensi API MiniMax yang kompatibel dengan OpenAI saat ini. Beberapa field khusus penyedia mungkin memerlukan dukungan pass-through saat dirutekan melalui agregator, jadi uji field non-standar terhadap endpoint CometAPI saat ini sebelum peluncuran.

API Resmi MiniMax vs CometAPI

MiniMax secara resmi mendukung pemanggilan kompatibel Anthropic dan kompatibel OpenAI. Rute Anthropic langsung direkomendasikan oleh MiniMax untuk perilaku thinking lanjutan; halaman model M3 CometAPI saat ini menekankan integrasi gaya OpenAI /v1/chat/completions.

Harga API MiniMax M3

Harga perlu ditangani dengan cermat karena tarif langsung efektif MiniMax dan tarif daftar yang ditampilkan pada perbandingan CometAPI saat ini tidak sama. Per 10 Agustus 2026, CometAPI mencantumkan M3 sebesar $0,48/M input dan $1,92/M output. Halaman CometAPI yang sama membandingkan tarif tersebut dengan harga daftar MiniMax $0,60/M input dan $2,40/M output.

Namun, halaman harga pay-as-you-go MiniMax saat ini menunjukkan diskon permanen 50% untuk trafik M3 standar: untuk permintaan dengan maksimal 512K token input, harga langsung efektif adalah $0,30/M input, $1,20/M output, dan $0,06/M cache read. Di atas 512K input, tarif langsung yang didiskon adalah $0,60/M input, $2,40/M output, dan $0,12/M cache read.

Ini berarti CometAPI saat ini berada di bawah harga daftar nominal MiniMax tetapi tidak di bawah tarif langsung <=512K yang didiskon penyedia. Untuk deployment volume tinggi, bandingkan harga live alih-alih mengandalkan klaim “20% lebih murah” tetap. Harga dapat berubah secara independen pada kedua platform.

Contoh Biaya

Pada tarif M3 CometAPI saat ini, permintaan dengan 100.000 token input dan 5.000 token output akan berbiaya kira-kira:

Permintaan yang sama dapat lebih murah di MiniMax langsung jika memenuhi tier <=512K yang didiskon penyedia, tetapi tim multi-model mungkin tetap menghargai kesederhanaan operasional dari gateway terpadu.

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

Keempat model menargetkan beban kerja agen dan pengodean, dan semuanya menyediakan jendela konteks yang sangat besar. Perbedaannya lebih terlihat pada dukungan modalitas, kontrol penalaran, ekosistem penyedia, dan harga CometAPI saat ini. Dokumentasi penyedia resmi mengonfirmasi jendela konteks 1M untuk Claude Sonnet 5, API multimodal konteks besar untuk Gemini 3.6 Flash, dan flagship Kimi K3 1M token.

Harga token CometAPI saat ini dalam tabel diambil dari halaman model live untuk MiniMax M3, Claude Sonnet 5, Gemini 3.6 Flash, dan Kimi K3.

Gambar 4. Perbandingan harga token CometAPI saat ini, diperiksa 10 Agustus 2026. Sumber halaman model: M3, Gemini 3.6 Flash, Claude Sonnet 5, dan Kimi K3.

Model Mana yang Sebaiknya Anda Pilih?

• MiniMax M3 jika prioritas Anda adalah harga token CometAPI rendah, konteks 1M, pemahaman native gambar/video, dan agen pengodean atau penggunaan alat yang berjalan lama.
• Claude Sonnet 5 ketika Anda memprioritaskan agen pengodean yang matang, pekerjaan pengetahuan profesional, dan alur kerja alat gaya Anthropic yang matang.
• Gemini 3.6 Flash ketika multimodalitas, loop agen cepat, alat native Google, input audio/PDF, dan throughput paling penting.
• Kimi K3 ketika beban kerja berpusat pada pengodean jangka panjang, pekerjaan pengetahuan mendalam, dan model yang selalu bernalar dengan jendela konteks 1M.

Jangan memilih hanya dari satu benchmark atau harga token. Bangun set evaluasi kecil dari repositori, dokumen, panggilan alat, dan kasus kegagalan Anda sendiri, lalu bandingkan tingkat tugas yang berhasil, latensi, total token, retry, dan waktu koreksi manusia.

Praktik Terbaik API MiniMax M3

• Tetapkan thinking secara eksplisit. Gunakan adaptive untuk pekerjaan yang benar-benar sulit dan disabled untuk tugas sederhana di mana latensi penting. Pengaturan eksplisit lebih mudah di-benchmark dan direproduksi.
• Gunakan jendela 1M secara selektif. Jendela konteks besar adalah batas kapasitas, bukan target. Lakukan retrieval dan kompres sebelum mengirim repositori atau koleksi dokumen besar.
• Pertahankan riwayat panggilan alat. Untuk pemanggilan fungsi multi-turn, simpan respons asisten lengkap dan objek panggilan alat agar kontinuitas penalaran tidak rusak.
• Stream respons panjang. Streaming meningkatkan latensi yang dirasakan untuk pengodean, riset, dan aplikasi agen bahkan ketika waktu penyelesaian total tidak berubah.
• Manfaatkan caching konteks berulang. System prompt stabil, skema alat, dan riwayat berulang adalah kandidat bagus untuk prompt caching saat rute aktif mendukungnya.
• Ukur biaya per tugas yang berhasil. Harga token penting, tetapi retry, loop alat, jejak penalaran panjang, dan pemulihan kegagalan sering kali mendominasi ekonomi akhir sebuah agen.
• Uji ulang parameter khusus penyedia. Gateway yang kompatibel dengan OpenAI dapat berbeda dalam cara mereka meneruskan field non-standar. Validasi thinking, reasoning_split, payload multimodal, dan perilaku alat sebelum produksi.

Kesimpulan

MiniMax M3 adalah opsi API yang kuat bagi pengembang yang membutuhkan pengodean, eksekusi agen, pemahaman visual native, dan konteks sangat panjang dalam satu model. Cerita teknisnya luar biasa koheren: MSA menjawab tantangan serving konteks 1M, pelatihan multimodal native memperluas permukaan input, dan set benchmark publik berfokus pada beban kerja rekayasa perangkat lunak dan penggunaan alat yang benar-benar penting bagi pengembang.

Bagi sebagian besar pengguna CometAPI, titik mulai tercepat cukup jelas: buat kunci, setel base URL ke https://api.cometapi.com/v1, panggil model minimax-m3, dan benchmark terhadap tugas produksi nyata Anda. Lalu putuskan apakah akan mengaktifkan thinking yang lebih dalam, menambahkan input multimodal, atau membangun loop alat. Karena harga dan perilaku rute dapat berubah, periksa kembali halaman M3 CometAPI live dan dokumentasi API MiniMax sebelum peluncuran produksi final.