TL;DR
MiniMax M3 adalah model frontier MiniMax untuk coding, kerja berbasis agen, penalaran ber-konteks panjang, dan pemahaman multimodal. Model ini resmi dirilis pada 1 Juni 2026 dan menggabungkan tiga kemampuan yang menjadi pusat rilis: jendela konteks hingga 1 juta token, pemahaman gambar/video native, dan eksekusi agen jangka panjang.
Model open-weight ini memiliki sekitar 428 miliar total parameter dan sekitar 23 miliar parameter aktif. Ini menyiratkan hanya sekitar 5,4% dari kapasitas parameter yang diungkapkan aktif pada token tipikal, membantu menjelaskan bagaimana model yang sangat besar tetap praktis saat inferensi. M3 juga memperkenalkan MiniMax Sparse Attention (MSA), desain attention jarang berbasis blok yang dibangun untuk konteks sejuta token.
Bagi pengembang, M3 tersedia melalui API MiniMax dan distribusi open-weight, dan juga tersedia melalui CometAPI bagi tim yang menginginkan satu antarmuka untuk MiniMax dan penyedia model lain.
Poin Penting
- MiniMax merilis M3 pada 1 Juni 2026 sebagai model frontier yang berfokus pada coding, agen, konteks panjang, dan multimodalitas.
- Rilis open-weight mengungkap ~428B total parameter dan ~23B parameter aktif.
- M3 mendukung hingga 1 juta token konteks, dengan MiniMax menggambarkan 512K sebagai tier minimum yang dijamin untuk API.
- MiniMax Sparse Attention menggantikan attention global penuh dengan seleksi blok dan attention jarang eksak pada wilayah konteks terpilih.
- M3 dilatih dengan modalitas campuran sejak Step 0 dan mendukung input teks, gambar, dan video.
- Benchmark peluncuran resmi mencakup 59,0% SWE-Bench Pro, 66,0% Terminal-Bench 2.1, 83,5 BrowseComp, dan 75,2 OSWorld-Verified.
- MiniMax mendemonstrasikan hampir 12 jam reproduksi paper otonom dan sekitar 24 jam optimasi kernel CUDA dengan 1.959 panggilan tool.
- API mendukung kontrol penalaran yang dapat dikonfigurasi serta teks, gambar, video, tools fungsi, tier layanan standar/prioritas, dan harga konteks panjang.
Apa itu MiniMax M3?
MiniMax M3 adalah penerus generasi M2 dan merepresentasikan perubahan arsitektur yang lebih besar daripada pembaruan titik normal. MiniMax M2.7 sudah diposisikan untuk rekayasa perangkat lunak dunia nyata, produktivitas kantor, dan alur kerja agen, tetapi M3 menambahkan arsitektur attention jarang baru, pretraining multimodal native, dan target konteks sejuta token.
M3 sebagai model coding multimodal frontier dengan jendela konteks 1 juta. Repositori open-weight resmi menambahkan angka skala terpenting: sekitar 428B parameter total dan 23B aktif. Laporan teknis MSA terkait juga menggambarkan arsitektur yang beroperasi dalam pengaturan Mixture-of-Experts, yang konsisten dengan perbedaan parameter total-versus-aktif yang diungkapkan.
Ini membuat M3 kurang menarik sebagai “M2.7 yang lebih besar” dan lebih menarik sebagai model konvergensi. Ia menyatukan konteks skala repositori, coding, persepsi multimodal, agen berorientasi komputer, dan deployment lokal/terbuka dalam satu sistem. MiniMax secara eksplisit membingkai kombinasi itu sebagai pembeda utama rilis alih-alih mengklaim bahwa M3 memenangkan setiap benchmark.
Spesifikasi MiniMax M3
| Spesifikasi | MiniMax M3 |
|---|---|
| Tanggal rilis | 1 Juni 2026 |
| Ukuran model | ~428B total parameter; ~23B aktif |
| Arsitektur | Sparse Mixture-of-Experts dengan MiniMax Sparse Attention (MSA) |
| Jendela konteks | Hingga 1 juta token; minimum API yang dijamin 512K |
| Modalitas input | Teks, gambar, video |
| Output | Teks |
| Kontrol penalaran | Thinking aktif/adaptif atau dinonaktifkan melalui parameter API |
| Generasi maksimum | Disarankan 128K; dokumen API mengizinkan hingga 512K max_completion_tokens |
| Penggunaan tools | Tools fungsi; alur kerja berorientasi agen |
| Bobot | Rilis open-weight di Hugging Face / instruksi GitHub |
Konteks, modalitas, dan perilaku API di atas terdokumentasi dalam dokumentasi model dan API resmi MiniMax; angka parameter dan tautan deployment lokal berasal dari repositori M3 resmi.
Dari MiniMax M2.7 ke M3
| Dimensi | MiniMax M2.7 | MiniMax M3 |
|---|---|---|
| Jendela konteks | 204.800 token | Hingga 1 juta token |
| Input gambar/video native | Tidak; alur teks/tools M2.x | Ya; teks + gambar + video |
| Arah attention | Serving seri M2 konvensional | MSA attention jarang |
| Kontrol Thinking | Penalaran tidak bisa sepenuhnya dinonaktifkan di M2.x | Thinking dapat dinonaktifkan untuk latensi lebih rendah |
| Posisi utama | Coding, pemanggilan tool, alur kerja kantor/agen | Coding + agen + multimodalitas + konteks sejuta token |
| Penekanan open-weight | Ekosistem model terbuka M2.7 | Bobot M3 + implementasi MSA khusus |
Dokumentasi API MiniMax mencantumkan M2.7 pada tier konteks 204.800 token sementara M3 berpindah ke kelas sejuta token. Perbedaan yang lebih besar bersifat kualitatif: M3 menerima input visual dan video secara langsung, sedangkan API M2.x tetap berorientasi teks-dan-tools.
Apa yang Baru di MiniMax M3?
Model 428B dengan Sekitar 23B Parameter Aktif
Repositori publik M3 menyatakan bahwa model ini memiliki ~428B total parameter dan ~23B parameter aktif. Secara praktis, fraksi aktif yang diungkapkan sekitar 5,4%. Itulah daya tarik dasar arsitektur expert jarang: kapasitas total bisa sangat besar sementara jalur komputasi untuk token tertentu hanya menyentuh sebagian kecil model.
Jumlah parameter saja tidak menentukan kualitas, dan “428B” tidak boleh dibaca sebagai 428B parameter dense dievaluasi untuk setiap token. Interpretasi yang lebih berguna adalah M3 memiliki kumpulan kapasitas model besar yang dipasangkan dengan aktivasi kondisional dan sistem attention yang dirancang untuk menjaga biaya konteks panjang tetap terkendali.
MiniMax Sparse Attention: Membuat Konteks 1 Juta Menjadi Praktis
Perubahan arsitektur utama adalah MiniMax Sparse Attention (MSA). Attention softmax penuh tumbuh secara kuadrat dengan panjang urutan, yang menjadi mahal ketika riwayat agen, repositori kode, log tool, gambar, dan dokumen panjang terakumulasi hingga ratusan ribu token.
MSA menambahkan Index Branch ringan yang memberi skor blok key-value dan memilih subset Top-k untuk setiap kelompok grouped-query attention. Cabang utama kemudian melakukan attention blok-sparse eksak hanya pada blok-blok terpilih tersebut. Laporan teknis MiniMax menggambarkan ini sebagai desain berorientasi perangkat keras yang dimaksudkan untuk menjaga kualitas sambil mengurangi jumlah konteks yang harus diproses oleh attention penuh.
Gambar 1. Arsitektur MiniMax Sparse Attention (MSA). Sumber: Gambar MSA resmi MiniMax
Pada konteks 1 juta, MiniMax melaporkan bahwa M3 menggunakan sekitar 1/20 komputasi per-token generasi sebelumnya dan menghadirkan lebih dari 9× percepatan prefill dan lebih dari 15× percepatan decoding dibanding M2. Paper MSA terpisah melaporkan eksperimen terkontrol tambahan pada model uji MoE 109B, sehingga angka di paper tersebut tidak boleh disamakan dengan angka produksi M3-vs-M2.
Perbedaan itu penting. Paper memvalidasi mekanisme attention dalam setting riset; angka peluncuran M3 menggambarkan model produksi. Kedua hasil mengarah ke arah yang sama, tetapi bukan benchmark yang sama.
Multimodalitas Native sejak Step 0
M3 tidak dipresentasikan sebagai model teks dengan adaptor visual terpisah yang ditambahkan di akhir. MiniMax mengatakan model ini menjalani pelatihan modalitas campuran sejak Step 0 dan membangun ulang pipeline data pretraining untuk meningkatkan data multimodal terjalin.
API produksi mendukung input teks, gambar, dan video. Ini penting untuk coding dan kerja agen karena banyak tugas nyata tidak hanya teks: debugging mungkin memerlukan tangkapan layar, kerja frontend mungkin memerlukan perbandingan dengan gambar referensi, riset mungkin mencakup grafik dan persamaan, dan agen penggunaan komputer beroperasi melalui antarmuka visual.
Cara yang berguna untuk memikirkan multimodalitas M3 bukanlah “ia dapat mendeskripsikan gambar,” melainkan “keadaan visual dapat tetap berada di dalam loop penalaran jangka panjang yang sama seperti kode, output tool, dokumen, dan umpan balik pengguna.”
Coding Interaktif dan Pelatihan Agen
MiniMax berpendapat bahwa benchmark coding klasik terlalu satu-putaran untuk merepresentasikan cara kerja developer sebenarnya. Untuk M3, mereka membangun simulator pengguna interaktif yang mengekspos model pada klarifikasi kebutuhan, diskusi solusi, koreksi berbasis umpan balik, perpindahan tugas, dan iterasi proyek multi-putaran.
Tujuannya adalah bergerak dari eksekusi instruksi pasif menuju kolaborasi. Agen coding yang efektif harus mampu menguraikan tugas, memanggil tools, menafsirkan kegagalan, merevisi rencana, menjaga keputusan sebelumnya, dan melanjutkan setelah jawaban pertama yang masuk akal. Konteks panjang dan pelatihan berorientasi tools pada M3 dirancang tepat untuk loop itu.
Eksekusi Otonom Jangka Panjang
Demonstrasi M3 yang paling persuasif bukan contoh chat. Ini adalah tugas berjalan lama di mana model harus mempertahankan state dan terus meningkatkan setelah umpan balik tool berulang.
| Tugas | Waktu otonom | Bukti persistensi | Hasil yang dilaporkan |
|---|---|---|---|
| Reproduksi paper ICLR | Hampir 12 jam | 18 commit; 23 figur eksperimen | Eksperimen inti direproduksi |
| Optimasi kernel FP8 GEMM | ~24 jam | 147 pengajuan benchmark; 1.959 panggilan tool | 7,6% → 71,3% utilisasi puncak; percepatan 9,4× |
| Pelatihan model PostTrainBench | Jendela tugas 12 jam | Sintesis data → pelatihan → evaluasi → iterasi | Skor 0,37; di belakang Opus 4.7 dan GPT-5.5, di depan model lain dalam laporan MiniMax |
Dalam tugas reproduksi paper, M3 berjalan hampir 12 jam dan menghasilkan 18 commit plus 23 figur eksperimen. Tugas tersebut menggabungkan pembacaan paper, pemahaman grafik/formula, penulisan kode, eksperimen, dan interpretasi iteratif.
.png)
Gambar 2. Trajektori reproduksi paper otonom M3 selama sekitar 12 jam. Sumber: Demonstrasi M3 resmi MiniMax
Dalam tugas optimasi CUDA, M3 menyelesaikan 147 pengajuan benchmark dan 1.959 panggilan tool selama sekitar 24 jam, pada akhirnya meningkatkan utilisasi puncak FP8 Hopper yang dilaporkan dari 7,6% menjadi 71,3% untuk percepatan 9,4× tanpa intervensi manusia. Poin penting bukan hanya percepatan akhir; MiniMax mengatakan solusi terbaik model muncul pada pengajuan ke-145, setelah beberapa plateau.
Performa Benchmark MiniMax M3
Chart benchmark peluncuran MiniMax membandingkan M3 dengan Claude Opus 4.7, GPT-5.5, dan Gemini 3.1 Pro pada tugas coding, terminal, browsing, office, penggunaan tools, dan penggunaan komputer. Ini adalah perbandingan langsung paling berguna karena diterbitkan dalam paket rilis M3 yang sama.
Gambar 3. Perbandingan benchmark peluncuran M3 resmi MiniMax. Sumber: Gambar benchmark resmi 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 |
Semua skor dalam tabel ini ditranskripsikan dari chart peluncuran M3 resmi MiniMax. Mereka harus dibaca sebagai hasil peluncuran yang dilaporkan vendor, bukan sebagai rerun independen baru yang dilakukan oleh CometAPI.
Apa yang Sebenarnya Ditunjukkan Hasil Benchmark
Pertama, M3 benar-benar kompetitif dalam rekayasa perangkat lunak. Pada SWE-Bench Pro ia mencetak 59,0, di atas nilai 58,6 dan 54,2 yang dilaporkan MiniMax untuk GPT-5.5 dan Gemini 3.1 Pro, tetapi di bawah Claude Opus 4.7 pada 64,3. KernelBench Hard menunjukkan cerita serupa: M3 pada 28,8 dekat dengan Opus 4.7 pada 30,7 dan jauh di atas dua nilai lainnya dalam chart MiniMax.
Kedua, eksekusi terminal bukan hasil relatif terkuat M3. Terminal-Bench 2.1 menempatkan M3 pada 66,0, praktis seri dengan Opus 4.7 pada 66,1 tetapi jauh di belakang GPT-5.5 pada 78,2 dan Gemini 3.1 Pro pada 70,0.
Ketiga, M3 kuat tetapi tidak dominan dalam pengumpulan informasi. BrowseComp berada di 83,5: lebih tinggi daripada 79,3 milik Opus 4.7, tetapi sedikit di bawah GPT-5.5 pada 84,4 dan Gemini 3.1 Pro pada 85,9. MCP Atlas pada 74,2 juga berada dekat dengan 75,3 milik GPT-5.5 dan 77,0 milik Opus 4.7.
Keempat, chart peluncuran memberikan M3 hasil yang sangat baik pada SVG-Bench: 63,7 versus 62,3 untuk Opus 4.7, 58,2 untuk GPT-5.5, dan 59,2 untuk Gemini 3.1 Pro. Itu sesuai dengan desain M3 yang lebih luas: pemahaman visual native dimaksudkan untuk berpartisipasi langsung dalam coding dan alur kerja agen alih-alih tetap menjadi fitur visi terpisah.
Kesimpulan keseluruhan karenanya lebih bernuansa daripada “M3 mengalahkan model tertutup.” M3 masuk ke band performa yang sama pada banyak tugas agentik, memenangkan evaluasi tertentu, dan kalah pada yang lain. Pembedanya adalah apa yang menyertai skor tersebut: open weights, pelatihan multimodal, desain konteks sejuta token, dan ekonomi serving yang agresif.
MiniMax M3 vs Claude Opus 5 vs GPT-5.6 Sol vs Gemini 3.7 Flash
MiniMax M3 diluncurkan ke pasar yang bergerak cepat, dan set perbandingan aslinya tidak lagi menjadi acuan paling berguna. Perbandingan generasi saat ini yang lebih relevan adalah Claude Opus 5, GPT-5.6 Sol, dan Gemini 3.7 Flash—model tertutup yang lebih baru yang ditujukan untuk coding, agen, dan pekerjaan multimodal. Karena model-model ini tidak dievaluasi di bawah satu harness yang identik, tabel menekankan kapabilitas yang terdokumentasi dan menggunakan angka benchmark hanya jika metriknya dilaporkan secara langsung.
| Dimensi | MiniMax M3 | Claude Opus 5 | GPT-5.6 Sol | Gemini 3.7 Flash |
|---|---|---|---|---|
| Bobot | Open weight | Tertutup | Tertutup | Tertutup / API hosted |
| Jumlah parameter publik | ~428B total / ~23B aktif | Tidak diungkap | Tidak diungkap | Tidak diungkap |
| Jendela konteks | Hingga 1 juta | 1 juta | 1.050.000 | 1 juta |
| Modalitas input | Teks, gambar, video | Teks, gambar, PDF | Teks, gambar | Teks, gambar, video, audio, PDF |
| Fokus coding/agen | Coding + agen horizon panjang + multimodalitas | Coding agentik kompleks + kerja enterprise | Coding frontier + agen profesional kaya tools | Coding agentik cepat + alur kerja multimodal |
| Penggunaan komputer/tools | Tools fungsi + MiniMax Code + penggunaan komputer | Tools server/klien + penggunaan komputer | Pencarian web/file, shell, penggunaan komputer, MCP | Function calling, pencarian, penggunaan komputer |
| Terminal-Bench 2.1* | 66,0 | Tidak dilaporkan pada peluncuran Opus 5 | 88,8 | 85,8 |
| Sinyal coding representatif* | SWE-Bench Pro 59,0 | Frontier-Bench v0.1: SOTA dalam laporan Anthropic | DeepSWE v1.1 72,7 | DeepSWE v1.1 65,3 |
| Alasan terbaik untuk memilih | Open weights + biaya rendah + konteks multimodal 1 juta | Penilaian + otonomi horizon panjang | Kinerja coding/terminal mentah + tumpukan tool luas | Kecepatan/biaya + multimodalitas native |
Angka benchmark ini berasal dari paket evaluasi penyedia yang berbeda dan tidak boleh dibaca sebagai satu leaderboard tersinkronisasi. Skor Terminal-Bench 2.1 M3 sebesar 66,0 berasal dari evaluasi rilis MiniMax; OpenAI melaporkan 88,8 untuk GPT-5.6 Sol, sementara Google melaporkan 85,8 untuk Gemini 3.7 Flash. Peluncuran Opus 5 dari Anthropic menekankan Frontier-Bench, GDPval-AA, AutomationBench, dan OSWorld 2.0 alih-alih menerbitkan hasil Terminal-Bench 2.1 yang secara langsung dapat dibandingkan. Untuk pemilihan model, benchmark kandidat di bawah satu harness pada beban kerja Anda sendiri alih-alih memperlakukan angka peluncuran lintas penyedia sebagai peringkat permanen.
Di Mana Keunggulan MiniMax M3 Paling Jelas
Keunggulan M3 paling jelas adalah pilihan deployment. Baik chart benchmark maupun jumlah parameter saja tidak menjelaskan mengapa pengembang mungkin peduli terhadap model ini. M3 menggabungkan open weights dengan panjang konteks dan set kapabilitas multimodal yang biasanya diasosiasikan dengan sistem frontier hosted. Itu membuatnya menarik ketika tim membutuhkan deployment lokal, independensi penyedia, serving khusus, atau kontrol mendalam atas stack inferensi.
Keunggulan keduanya adalah arsitektur biaya konteks panjang. MSA secara eksplisit dirancang untuk menjaga komputasi attention tidak meledak pada skala sejuta token. Ini tidak membuat permintaan 1 juta token menjadi murah dalam arti absolut—KV cache, eksekusi expert, dan input multimodal tetap membutuhkan sumber daya—tetapi mengubah kurva penskalaan dibanding attention penuh.
Di Mana Model Tertutup Masih Memimpin
Chart benchmark resmi yang sama menunjukkan mengapa M3 tidak boleh dipresentasikan sebagai pengganti otomatis untuk setiap model frontier tertutup. Claude Opus 4.7 memiliki hasil lebih kuat pada SWE-Bench Pro, KernelBench Hard, GDPval, BankerToolBench, MCP Atlas, dan OSWorld-Verified dalam perbandingan MiniMax sendiri. GPT-5.5 jauh lebih kuat pada Terminal-Bench 2.1 dan memimpin GDPval. Gemini 3.1 Pro sedikit memimpin BrowseComp.
Untuk tim produksi, platform tertutup juga dapat menyediakan kontrol keselamatan matang, tools hosted, observabilitas, jaminan throughput, dan integrasi yang lebih penting daripada open weights. M3 menjadi paling menarik ketika manfaat deployment dan biaya adalah bagian dari persyaratan, bukan ketika peringkat benchmark menjadi satu-satunya kriteria.
Harga API MiniMax M3
MiniMax saat ini menggunakan dua tier harga konteks standar. Halaman harga resminya menampilkan tarif “diskon permanen 50%” sebesar $0,30/M input dan $1,20/M output untuk permintaan ≤512K token input. Permintaan di atas 512K ditampilkan pada $0,60/M input dan $2,40/M output. Layanan prioritas dihargai 1,5× tier standar.
| Rute / tier | Harga input per 1M token | Harga output per 1M token | Catatan konteks |
|---|---|---|---|
| MiniMax resmi Standar (tarif diskon saat ini) | $0,30 | $1,20 | ≤512K input |
| MiniMax resmi Standar konteks panjang | $0,60 | $2,40 | >512K input |
| MiniMax resmi Prioritas (tarif diskon) | $0,45 | $1,80 | ≤512K input; masuk prioritas |
| Halaman CometAPI MiniMax-M3 | $0,48 | $1,92 | Harga gateway terpadu ditampilkan CometAPI |
*MiniMax-M3 di CometAPI adalah $0,48/M input dan $1,92/M output dan membandingkannya dengan tarif daftar tidak didiskon MiniMax sebesar $0,60/$2,40. Karena platform MiniMax sendiri saat ini menampilkan tarif standar diskon 50% terpisah, pengembang harus membandingkan tarif live aktual yang akan ditagihkan alih-alih hanya mengandalkan persentase diskon headline.
Alasan menggunakan CometAPI dalam situasi ini karenanya bukan selalu harga promosi langsung terendah setiap saat. Nilainya adalah lapisan API dan penagihan terpadu ketika aplikasi perlu melakukan routing antara M3 dan penyedia lain tanpa mempertahankan integrasi terpisah.
Apa yang Dapat Dilakukan MiniMax M3?
Coding dan Rekayasa Berskala Repositori
Use case M3 yang paling jelas adalah rekayasa perangkat lunak di seluruh repositori besar. Jendela konteks sejuta token dapat menampung jauh lebih banyak kode, dokumentasi, output pengujian, riwayat isu, dan state agen dibanding jendela 204,8K generasi M2 sebelumnya. Dalam praktiknya, itu memungkinkan alur kerja seperti implementasi fitur multi-berkas, refactoring se-repositori, diagnosis bug, perbaikan pengujian, loop build/terminal, review pull request, dan optimasi performa.
Kuncinya adalah persistensi. Agen coding berskala repositori hanya berguna jika dapat mempertahankan kebutuhan awal sambil mengakumulasi output tool dan revisi. Demonstrasi 12 jam dan CUDA menunjukkan bahwa M3 dirancang untuk terus bekerja setelah kegagalan intermediate alih-alih menganggap setiap panggilan tool sebagai tugas pendek terpisah.
Riset dan Eksperimen Otonom
Contoh reproduksi paper adalah template bagus untuk agen riset. M3 dapat membaca paper, memeriksa figur, menalar formula, menghasilkan kode, menjalankan eksperimen, mengevaluasi apakah hasil sesuai harapan, dan terus menyempurnakan implementasi. Kemampuan menjaga teks paper, kode, dan log eksperimen dalam satu konteks panjang mengurangi jumlah state yang harus diringkas atau direkonstruksi secara eksternal.
Inilah juga mengapa PostTrainBench relevan. MiniMax meminta M3 untuk menyintesis data pelatihan, melatih model dasar, mengevaluasinya, dan beriterasi tanpa intervensi manusia. M3 tidak berada di peringkat pertama—ia finis di belakang Opus 4.7 dan GPT-5.5 dalam laporan MiniMax—tetapi eksperimen tersebut menunjukkan bentuk otomasi riset yang lebih kompleks daripada tanya jawab biasa.
Analisis Teknis Multimodal
Karena M3 menerima gambar dan video secara native, alur kerja teknis dapat menggabungkan bukti visual dengan teks dan kode. Contoh termasuk membandingkan implementasi frontend dengan tangkapan layar, menganalisis grafik dalam paper riset, memeriksa state UI selama penggunaan komputer, mengekstrak informasi dari diagram, atau menggabungkan observasi video dengan log pemeliharaan panjang.
Dokumentasi API MiniMax yang kompatibel dengan OpenAI eksplisit mendukung content part image_url dan video_url untuk M3, termasuk berkas terunggah untuk video yang lebih besar. Ini menjadikan input multimodal sebagai fitur API yang berhadapan dengan pengembang, bukan hanya demo produk.
Otomasi Komputer dan Perkantoran
MiniMax Code dirancang sebagai harness agen di sekitar M3. Perusahaan mengatakan Agent Team mereka dapat membagi tugas kompleks menjadi alur kerja multi-tahap yang berjalan bersamaan dan menggunakan loop Producer + Verifier untuk refleksi dan koreksi. Multimodalitas native M3 juga memungkinkan alur kerja penggunaan komputer yang bergerak lintas aplikasi, berkas, spreadsheet, dan antarmuka desktop.
Salah satu contoh resmi adalah instruksi untuk membuka klien ERP lokal dan memasukkan informasi faktur secara batch dari spreadsheet Excel. Kapabilitas pentingnya adalah state lintas aplikasi: agen perlu memahami spreadsheet, mengoperasikan antarmuka, menjaga pemetaan antar bidang, dan pulih jika UI berubah atau sebuah aksi gagal.
Pekerjaan Dokumen dan Pengetahuan dengan Konteks Panjang
Jendela konteks 1 juta bermanfaat lebih dari sekadar kode. Ini dapat mendukung koleksi besar kontrak, kebijakan, spesifikasi teknis, paper riset, laporan insiden, atau catatan pelanggan dalam satu konteks kerja. Keuntungannya bukan sekadar “lebih banyak halaman”; melainkan kemampuan menalar di atas bukti yang jauh sambil mempertahankan riwayat agen panjang.
Tetap ada kehati-hatian praktis: kapasitas konteks maksimum tidak menjamin recall sempurna pada setiap posisi, dan prompt yang sangat besar meningkatkan latensi dan biaya. Konteks panjang sebaiknya dipasangkan dengan retrieval, caching, memori terstruktur, atau segmentasi tugas ketika pendekatan tersebut meningkatkan keandalan.
Kesimpulan Akhir: Apakah MiniMax M3 adalah Model Terdepan?
Ya—tetapi argumen terkuat untuk label itu bukan karena M3 berada di puncak setiap chart. Tidak.
Apa yang diubah oleh MiniMax M3 adalah trade-off. Ia menawarkan performa frontier era peluncuran yang kompetitif sekaligus menyediakan open weights, desain attention konteks sejuta, pelatihan teks-gambar-video native, perilaku agen jangka panjang, dan harga API per-token yang jauh lebih rendah daripada model flagship tertutup dalam set perbandingan aslinya.
Informasi SEO
Suggested URL: /blog/minimax-m3-specs-benchmarks-pricing
Description: Jelajahi spesifikasi MiniMax M3, konteks 1 juta token, sparse attention, kapabilitas multimodal, performa benchmark, harga API, use case, dan perbandingan model.
Keywords: MiniMax M3, spesifikasi MiniMax M3, benchmark MiniMax M3, harga API MiniMax M3, MiniMax Sparse Attention, jendela konteks 1 juta token, model coding multimodal, model AI open-weight, agen AI horizon panjang, MiniMax M3 vs GPT-5.5