Spesifikasi Teknis MiniMax M3
| Item | MiniMax M3 |
|---|---|
| Keluarga model | MiniMax M3 frontier foundation model |
| Penyedia | MiniMax |
| Arsitektur | MiniMax Sparse Attention (MSA) |
| Jenis input | Teks, Gambar, Video |
| Jenis output | Teks |
| Jendela konteks | Hingga 1,000,000 token (minimum dijamin 512K) |
| Keunggulan utama | Pemrograman, alur kerja agen, penalaran multimodal, pemrosesan konteks panjang |
| Mode penalaran | Mode berpikir aktif/nonaktif |
| Penggunaan alat | Alur kerja agen, pemanggilan alat, eksekusi tugas terminal |
| Penyebaran | API, MiniMax Code, Token Plan, rilis bobot terbuka mendatang |
| Dukungan multimodal | Pra-pelatihan multimodal native dari langkah nol |
| Tanggal rilis | Juni 2026 |
Apa itu MiniMax M3?
MiniMax M3 adalah model AI skala frontier yang dirancang di sekitar tiga kemampuan yang secara historis terbatas pada sistem sumber tertutup: performa pemrograman tingkat lanjut, pemrosesan konteks sejuta token, dan pemahaman multimodal native. Berbeda dari model yang menambahkan visi sebagai ekstensi belakangan, M3 dilatih sebagai model multimodal sejak awal, memungkinkan penyelarasan yang lebih mendalam antara penalaran visual dan tekstual.
Model ini dibangun di atas MiniMax Sparse Attention (MSA), sebuah arsitektur atensi jarang yang dirancang agar konteks berjuta token menjadi praktis secara komputasional sambil mempertahankan performa pada tugas pemrograman, penalaran, dan berbasis agen.
Fitur Utama MiniMax M3
- 1M-token context window: Mendukung repositori yang sangat besar, korpus riset yang panjang, analisis multi-dokumen, dan sesi agen yang berlangsung lama.
- Arsitektur berorientasi agen: Dirancang untuk dekomposisi tugas otonom, pemanggilan alat, perencanaan iteratif, dan eksekusi multi-langkah.
- Multimodal bawaan: Memproses teks, gambar, diagram, tangkapan layar, dan input video tanpa bergantung pada tumpukan visi terpisah.
- Kemampuan pemrograman tingkat lanjut: Performa kuat pada tolok ukur rekayasa perangkat lunak termasuk SWE-Bench Pro, Terminal-Bench, dan KernelBench.
- Eksekusi jangka panjang: Terbukti menjalankan alur kerja otonom selama berjam-jam termasuk reproduksi riset dan proyek optimisasi CUDA.
- Penalaran yang dapat dikonfigurasi: Mode berpikir dapat diaktifkan untuk beban kerja penalaran yang lebih mendalam atau dinonaktifkan untuk interaksi berlatensi rendah.
Performa Benchmark MiniMax M3
MiniMax melaporkan hasil benchmark tingkat frontier di seluruh tugas pemrograman, eksekusi berbasis agen, dan evaluasi multimodal. Hasil yang dilaporkan meliputi:
| Benchmark | Skor |
|---|---|
| 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 |
Perusahaan juga melaporkan bahwa M3 melampaui GPT-5.5 dan Gemini 3.1 Pro pada beberapa benchmark berorientasi pemrograman sambil mendekati performa Claude Opus 4.7 dalam evaluasi tertentu. Klaim ini berasal dari pengungkapan benchmark internal MiniMax dan harus ditafsirkan bersamaan dengan pengujian pihak ketiga independen ketika tersedia.
Arsitektur Konteks Panjang dan MSA
MiniMax Sparse Attention (MSA) adalah inovasi arsitektural di balik kemampuan konteks sejuta token M3. Alih-alih menerapkan atensi kuadratik penuh pada seluruh urutan, MSA melakukan perutean tingkat blok dan atensi jarang pada wilayah konteks yang dipilih.
Menurut MiniMax, hal ini secara signifikan mengurangi kebutuhan komputasi pada panjang konteks besar dan menghasilkan:
- Kinerja prefill lebih dari 9× lebih cepat pada panjang konteks 1M
- Kinerja decoding lebih dari 15× lebih cepat
- Sekitar 1/20 komputasi per token generasi sebelumnya pada skala konteks 1M
Peningkatan ini ditujukan untuk membuat pemrograman skala repositori dan alur kerja agen jangka panjang menjadi praktis.
Perbandingan MiniMax M3 vs Claude Opus 4.7 vs Gemini 3.1 Pro
| Kapabilitas | MiniMax M3 | Claude Opus 4.7 | Gemini 3.1 Pro |
|---|---|---|---|
| Jendela konteks | Hingga 1M | Tingkat konteks publik yang lebih kecil | Multimodal konteks besar |
| Pelatihan Multimodal Bawaan | Ya | Ya | Ya |
| Fokus Pemrograman Berbasis Agen | Sangat kuat | Sangat kuat | Kuat |
| SWE-Bench Pro | 59.0% | Lebih tinggi menurut pelaporan MiniMax | Lebih rendah menurut pelaporan MiniMax |
| Ketersediaan Bobot Terbuka | Direncanakan | Tidak | Tidak |
| Alur Kerja Agen Jangka Panjang | Fokus desain utama | Kuat | Kuat |
Keterbatasan yang Diketahui
- Sebagian besar pengungkapan benchmark saat ini berasal dari MiniMax, bukan dari laboratorium evaluasi independen.
- File model bobot terbuka dan laporan teknis lengkap telah diumumkan tetapi belum dirilis secara luas saat peluncuran.
- Keandalan di dunia nyata pada berbagai lingkungan produksi masih divalidasi oleh komunitas pengembang.
- Beban kerja konteks sejuta token dapat menimbulkan biaya operasional dan latensi yang lebih tinggi dibandingkan beban kerja inferensi standar.
Kasus Penggunaan Representatif
Rekayasa Perangkat Lunak Skala Repositori
Menganalisis basis kode besar, melakukan refaktor multi-berkas, menghasilkan patch, meninjau pull request, dan mempertahankan konteks pengembangan jangka panjang.
Agen Riset Otonom
Mendukung tinjauan literatur, sintesis dokumen, analisis benchmark, dan alur kerja riset jangka panjang yang membutuhkan ratusan ribu token.
Analisis Teknis Multimodal
Menafsirkan tangkapan layar, diagram arsitektur, bagan, dokumen teknis, dan konten video dalam alur kerja penalaran yang sama.
Automasi Terminal dan DevOps
Menjalankan alur kerja rekayasa yang kompleks meliputi pengujian, orkestrasi penyebaran, manajemen dependensi, dan debugging iteratif.
Sistem Pengetahuan Perusahaan
Menelusuri dan bernalar atas koleksi besar kebijakan, kontrak, dokumentasi teknis, dan repositori pengetahuan internal.
Versi Model dan Ketersediaan
MiniMax M3 secara resmi diperkenalkan pada Juni 2026 sebagai penerus unggulan dalam jajaran model MiniMax. Model ini tersedia melalui ekosistem API MiniMax dan CometAPI.