TL;DR
MiniMax M3 è il modello di punta di MiniMax per coding, lavoro agentico, ragionamento con contesti lunghi e comprensione multimodale. È stato rilasciato ufficialmente il 1º giugno 2026 e combina tre capacità che MiniMax ha posto al centro del lancio: una finestra di contesto fino a 1M token, comprensione nativa di immagini/video ed esecuzione agentica a lungo orizzonte.
Il modello a pesi aperti ha circa 428 miliardi di parametri totali e circa 23 miliardi di parametri attivati. Ciò implica che solo circa il 5,4% della capacità di parametri dichiarata è attiva su un tipico token, aiutando a spiegare come un modello molto grande possa rimanere pratico in inferenza. M3 introduce anche la MiniMax Sparse Attention (MSA), un’attenzione sparsa a blocchi progettata per contesti da milioni di token.
Per gli sviluppatori, M3 è disponibile tramite l’API di MiniMax e come distribuzione a pesi aperti; è disponibile anche su CometAPI per i team che desiderano un’interfaccia unica per MiniMax e altri provider.
Key Takeaways
- MiniMax ha rilasciato M3 il 1º giugno 2026 come modello di frontiera focalizzato su coding, agenti, contesti lunghi e multimodalità.
- Il rilascio a pesi aperti indica ~428B parametri totali e ~23B parametri attivati.
- M3 supporta fino a 1M token di contesto, con MiniMax che descrive 512K come livello minimo garantito per l’API.
- La MiniMax Sparse Attention sostituisce l’attenzione globale completa con selezione a blocchi e attenzione sparsa esatta sulle regioni di contesto selezionate.
- M3 è stato addestrato con modalità miste fin dallo Step 0 e supporta input di testo, immagini e video.
- I benchmark di lancio ufficiali includono 59.0% SWE-Bench Pro, 66.0% Terminal-Bench 2.1, 83.5 BrowseComp e 75.2 OSWorld-Verified.
- MiniMax ha mostrato quasi 12 ore di riproduzione autonoma di un paper e circa 24 ore di ottimizzazione di kernel CUDA con 1.959 chiamate a tool.
- L’API supporta ragionamento configurabile e testo, immagini, video, function tools, livelli di servizio standard/prioritario e pricing per contesti lunghi.
What Is MiniMax M3?
MiniMax M3 è il successore della generazione M2 e rappresenta un cambiamento architetturale più grande di un normale aggiornamento di punto. MiniMax M2.7 era già posizionato per l’ingegneria del software nel mondo reale, la produttività da ufficio e i flussi di lavoro agentici, ma M3 aggiunge una nuova architettura di attenzione sparsa, pretraining multimodale nativo e un target di contesto da un milione di token.
M3 è un modello multimodale di frontiera per il coding con una finestra di contesto da 1M. Il repository open-weight ufficiale aggiunge le cifre di scala più importanti: circa 428B parametri in totale e 23B attivati. Il report tecnico associato a MSA descrive anche l’architettura come operante in un’impostazione Mixture-of-Experts, coerente con la divisione parametri totali vs attivi dichiarata.
Questo rende M3 meno interessante come “un M2.7 più grande” e più interessante come modello di convergenza. Riunisce contesti a scala di repository, coding, percezione multimodale, agenti orientati al computer e deployment locale/aperto in un unico sistema. MiniMax ha esplicitamente incorniciato questa combinazione come il principale differenziatore del rilascio, invece di affermare che M3 vince ogni benchmark.
MiniMax M3 Specifications
| 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 |
Il contesto, le modalità e il comportamento dell’API sopra sono documentati nella documentazione ufficiale del modello e dell’API di MiniMax; le cifre sui parametri e i link per il deployment locale provengono dal repository ufficiale M3.
From MiniMax M2.7 to 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 documentazione dell’API di MiniMax elenca M2.7 con un livello di contesto da 204.800 token, mentre M3 passa alla classe da un milione di token. La differenza maggiore è qualitativa: M3 accetta direttamente input visivi e video, mentre l’API M2.x rimane orientata a testo e tool.
What Is New in MiniMax M3?
A 428B Model with About 23B Parameters Active
Il repository pubblico di M3 afferma che il modello ha ~428B parametri totali e ~23B parametri attivati. In termini pratici, la frazione attiva dichiarata è circa il 5,4%. Questo è l’appeal di base di un’architettura a esperti sparsi: la capacità totale può essere molto grande mentre il percorso di calcolo per un dato token tocca solo una frazione del modello.
Il conteggio dei parametri da solo non determina la qualità, e “428B” non va letto come 428B parametri densi valutati per ogni token. L’interpretazione più utile è che M3 dispone di un ampio bacino di capacità accoppiato ad attivazione condizionale e a un sistema di attenzione progettato per mantenere gestibile il costo del contesto lungo.
MiniMax Sparse Attention: Making 1M Context Practical
Il cambiamento architetturale centrale è la MiniMax Sparse Attention (MSA). L’attenzione softmax completa cresce quadraticamente con la lunghezza della sequenza, il che diventa costoso quando storici agentici, repository di codice, log di tool, immagini e documenti lunghi si accumulano in centinaia di migliaia di token.
MSA aggiunge un leggero Index Branch che valuta blocchi key-value e seleziona un sottoinsieme Top-k per ciascun gruppo di attenzione con query raggruppate. Il ramo principale esegue quindi un’attenzione block-sparse esatta solo su quei blocchi selezionati. Il report tecnico di MiniMax descrive questo come un design orientato all’hardware, pensato per preservare la qualità riducendo la quantità di contesto da processare con attenzione completa.
Figura 1. Architettura MiniMax Sparse Attention (MSA). Fonte: figura MSA ufficiale di MiniMax
A contesto 1M, MiniMax riporta che M3 usa circa 1/20 del compute per token della generazione precedente e offre oltre 9× di accelerazione nel prefill e oltre 15× nel decoding rispetto a M2. Il paper separato su MSA riporta esperimenti controllati aggiuntivi su un modello MoE da 109B, dunque quelle cifre non vanno confuse con i numeri di produzione M3 vs M2.
Questa distinzione è importante. Il paper convalida il meccanismo di attenzione in un contesto di ricerca; i numeri di lancio di M3 descrivono il modello di produzione. I due risultati puntano nella stessa direzione, ma non sono lo stesso benchmark.
Native Multimodality from Step 0
M3 non è presentato come un modello testuale con un adattatore visivo separato aggiunto alla fine. MiniMax afferma che è stato sottoposto a training multimodale misto fin dallo Step 0 e che la pipeline di pretraining dati è stata ricostruita per aumentare i dati multimodali intercalati.
L’API di produzione supporta input di testo, immagini e video. Questo è importante per coding e lavoro agentico perché molte attività reali non sono solo testo: il debugging può richiedere uno screenshot, il frontend può richiedere un confronto con un’immagine di riferimento, la ricerca può includere grafici ed equazioni, e gli agenti orientati al computer operano tramite interfacce visive.
Un modo utile di concepire la multimodalità di M3 non è quindi “può descrivere un’immagine”, ma “lo stato visivo può rimanere all’interno dello stesso loop di ragionamento di lunga durata insieme a codice, output di tool, documenti e feedback dell’utente”.
Interactive Coding and Agent Training
MiniMax sostiene che i classici benchmark di coding sono troppo a singolo turno per rappresentare come lavorano realmente gli sviluppatori. Per M3 ha costruito un simulatore interattivo dell’utente che espone il modello a chiarificazione dei requisiti, discussione delle soluzioni, correzione basata sul feedback, cambio di task e iterazione multi-round del progetto.
L’obiettivo è passare dall’esecuzione passiva delle istruzioni alla collaborazione. Un agente di coding efficace deve saper scomporre un task, chiamare tool, interpretare errori, rivedere un piano, preservare decisioni precedenti e continuare dopo la prima risposta plausibile. Il lungo contesto e l’addestramento orientato ai tool di M3 sono progettati esattamente per questo loop.
Long-Horizon Autonomous Execution
Le dimostrazioni più convincenti di M3 non sono esempi di chat. Sono attività di lunga durata in cui il modello deve mantenere lo stato e continuare a migliorare dopo feedback ripetuti dai tool.
| 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 |
Nel task di riproduzione del paper, M3 ha funzionato per quasi 12 ore e ha prodotto 18 commit più 23 figure sperimentali. Il compito ha combinato lettura del paper, comprensione di grafici/formule, scrittura di codice, esperimenti e interpretazione iterativa.
.png)
Figura 2. La traiettoria autonoma di M3 nella riproduzione del paper per circa 12 ore. Fonte: dimostrazione ufficiale M3 di MiniMax
Nel task di ottimizzazione CUDA, M3 ha completato 147 submission di benchmark e 1.959 chiamate a tool in circa 24 ore, aumentando infine l’utilizzo di picco FP8 su Hopper dal 7,6% al 71,3% per un’accelerazione di 9,4× senza intervento umano. Il punto notevole non è solo la velocità finale; MiniMax afferma che la soluzione migliore del modello è apparsa alla 145ª submission, dopo diversi plateau.
Benchmark Performance of MiniMax M3
Il grafico dei benchmark di lancio di MiniMax confronta M3 con Claude Opus 4.7, GPT-5.5, e Gemini 3.1 Pro su attività di coding, terminale, browsing, office, uso di tool e uso del computer. Questi sono i confronti diretti più utili perché pubblicati nello stesso pacchetto di rilascio di M3.
Figura 3. Confronto dei benchmark ufficiali di lancio M3 di MiniMax. Fonte: immagine del benchmark ufficiale 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 |
Tutti i punteggi in questa tabella sono trascritti dal grafico ufficiale di lancio M3 di MiniMax. Vanno letti come risultati di lancio riportati dal fornitore, non come una nuova esecuzione indipendente eseguita da CometAPI.
What the Benchmark Results Actually Show
Primo, M3 è realmente competitivo nell’ingegneria del software. Su SWE-Bench Pro ottiene 59.0, sopra i 58.6 e 54.2 riportati da MiniMax per GPT-5.5 e Gemini 3.1 Pro, ma sotto Claude Opus 4.7 a 64.3. KernelBench Hard racconta una storia simile: M3 a 28.8 è vicino a Opus 4.7 a 30.7 e notevolmente sopra gli altri due valori nel grafico di MiniMax.
Secondo, l’esecuzione su terminale non è il risultato relativo più forte di M3. Terminal-Bench 2.1 colloca M3 a 66.0, essenzialmente alla pari con Opus 4.7 a 66.1 ma molto indietro rispetto a GPT-5.5 a 78.2 e Gemini 3.1 Pro a 70.0.
Terzo, M3 è forte ma non dominante nella raccolta di informazioni. BrowseComp è 83.5: superiore ai 79.3 di Opus 4.7, ma leggermente sotto GPT-5.5 a 84.4 e Gemini 3.1 Pro a 85.9. MCP Atlas a 74.2 è anch’esso vicino ai 75.3 di GPT-5.5 e ai 77.0 di Opus 4.7.
Quarto, il grafico di lancio assegna a M3 un risultato particolarmente buono su SVG-Bench: 63.7 contro 62.3 per Opus 4.7, 58.2 per GPT-5.5 e 59.2 per Gemini 3.1 Pro. Questo si inserisce nel disegno più ampio di M3: la comprensione visiva nativa è pensata per partecipare direttamente ai flussi di lavoro di coding e agenti, invece di rimanere una funzione visiva separata.
La conclusione complessiva è quindi più sfumata di “M3 batte i modelli chiusi”. M3 entra nella stessa banda di prestazioni su molti task agentici, vince valutazioni selezionate e ne perde altre. Il suo differenziatore è ciò che accompagna quei punteggi: pesi aperti, training multimodale, un design per contesti da un milione di token ed economics di serving aggressivi.
MiniMax M3 vs Claude Opus 5 vs GPT-5.6 Sol vs Gemini 3.7 Flash
MiniMax M3 è stato lanciato in un mercato in rapido movimento, e il suo set di confronto originale non è più il punto di riferimento più utile. Un confronto più rilevante di generazione attuale è con Claude Opus 5, GPT-5.6 Sol e Gemini 3.7 Flash—modelli chiusi più recenti orientati a coding, agenti e lavoro multimodale. Poiché questi modelli non sono valutati sotto un unico harness identico, la tabella enfatizza le capacità documentate e usa cifre di benchmark solo dove la metrica è riportata direttamente.
| Dimension | MiniMax M3 | Claude Opus 5 | GPT-5.6 Sol | Gemini 3.7 Flash |
|---|---|---|---|---|
| Weights | Pesi aperti | Chiuso | Chiuso | Chiuso / API hosted |
| Public parameter count | ~428B totali / ~23B attivi | Non divulgato | Non divulgato | Non divulgato |
| Context window | Fino a 1M | 1M | 1,050,000 | 1M |
| Input modalities | Testo, immagini, video | Testo, immagini, PDF | Testo, immagini | Testo, immagini, video, audio, PDF |
| Coding / agent focus | Coding + agenti a lungo orizzonte + multimodalità | Coding agentico complesso + lavoro enterprise | Coding di frontiera + agenti professionali ricchi di tool | Coding agentico veloce + flussi multimodali |
| Computer / tool use | Function tools + MiniMax Code + uso del computer | Tool server/client + uso del computer | Ricerca web/file, shell, uso del computer, MCP | Function calling, ricerca, uso del computer |
| Terminal-Bench 2.1* | 66.0 | Non riportato nel lancio di Opus 5 | 88.8 | 85.8 |
| Representative coding signal* | SWE-Bench Pro 59.0 | Frontier-Bench v0.1: SOTA nel report Anthropic | DeepSWE v1.1 72.7 | DeepSWE v1.1 65.3 |
| Best reason to choose | Pesi aperti + basso costo + contesto multimodale da 1M | Giudizio + autonomia a lungo orizzonte | Prestazioni grezze su coding/terminale + ampia stack di tool | Velocità/costo + multimodalità nativa |
Queste cifre di benchmark provengono da pacchetti di valutazione di diversi provider e non vanno lette come una classifica sincronizzata unica. Il punteggio 66.0 di M3 su Terminal-Bench 2.1 proviene dalla valutazione di rilascio MiniMax; OpenAI riporta 88.8 per GPT-5.6 Sol, mentre Google riporta 85.8 per Gemini 3.7 Flash. Il lancio di Opus 5 di Anthropic enfatizza Frontier-Bench, GDPval-AA, AutomationBench e OSWorld 2.0 invece di pubblicare un risultato Terminal-Bench 2.1 direttamente comparabile. Per la selezione del modello, valutate i candidati sotto un unico harness sul vostro workload anziché trattare le cifre di lancio cross-provider come una classifica permanente.
Where MiniMax M3 Has the Clearest Advantage
Il vantaggio più chiaro di M3 è la scelta di deployment. Né il grafico dei benchmark né il conteggio dei parametri spiegano da soli perché gli sviluppatori possono interessarsi al modello. M3 combina pesi aperti con lunghezza di contesto e capacità multimodali normalmente associate a sistemi di frontiera hosted. Questo lo rende attraente quando i team necessitano di deployment locale, indipendenza dal provider, serving specializzato o controllo profondo sullo stack di inferenza.
Il suo secondo vantaggio è l’architettura di costo per contesti lunghi. MSA è esplicitamente progettata per impedire all’attenzione di esplodere in termini di compute alla scala del milione di token. Ciò non rende le richieste da 1M token economiche in senso assoluto—KV cache, esecuzione degli esperti e input multimodali richiedono comunque risorse—ma cambia la curva di scalabilità rispetto all’attenzione completa.
Where Closed Models Still Lead
Lo stesso grafico ufficiale dei benchmark mostra perché M3 non dovrebbe essere presentato come un sostituto automatico di ogni modello chiuso di frontiera. Claude Opus 4.7 ha risultati più forti su SWE-Bench Pro, KernelBench Hard, GDPval, BankerToolBench, MCP Atlas e OSWorld-Verified nel confronto di MiniMax. GPT-5.5 è molto più forte su Terminal-Bench 2.1 e guida GDPval. Gemini 3.1 Pro è leggermente avanti su BrowseComp.
Per i team di produzione, le piattaforme chiuse possono anche fornire controlli di sicurezza maturi, tool hosted, osservabilità, garanzie di throughput e integrazioni che contano più dei pesi aperti. M3 diventa più convincente quando i benefici di deployment e costo fanno parte dei requisiti, non quando il ranking nei benchmark è l’unico criterio.
MiniMax M3 API Pricing
MiniMax attualmente usa due livelli di prezzo per contesto standard. La sua pagina prezzi ufficiale mostra una tariffa “sconto permanente del 50%” di $0,30/M in input e $1,20/M in output per richieste con ≤512K token di input. Le richieste sopra 512K sono mostrate a $0,60/M in input e $2,40/M in output. Il servizio Priority è prezzato a 1,5× rispetto allo 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 su CometAPI è a $0,48/M in input e $1,92/M in output e lo confronta con la tariffa di listino non scontata di MiniMax di $0,60/$2,40. Poiché la piattaforma di MiniMax mostra attualmente una tariffa standard separata scontata del 50%, gli sviluppatori dovrebbero confrontare la tariffa effettiva applicata piuttosto che fare affidamento solo su una percentuale di sconto di copertina.
La ragione per usare CometAPI in questa situazione non è necessariamente il prezzo promozionale diretto più basso in ogni momento. Il suo valore è un livello unificato di API e fatturazione quando un’applicazione deve instradare tra M3 e altri provider senza mantenere integrazioni separate.
What Can MiniMax M3 Do?
Coding and Repository-Scale Engineering
Il caso d’uso più evidente di M3 è l’ingegneria del software su grandi repository. Un contesto da un milione di token può contenere molte più porzioni di codice, documentazione, output dei test, storico delle issue e stato dell’agente rispetto alla finestra da 204,8K della generazione M2. In pratica, ciò abilita flussi come implementazione di feature multi-file, refactoring a livello di repository, diagnosi di bug, riparazione di test, cicli build/terminale, revisione di pull request e ottimizzazione delle prestazioni.
La chiave è la persistenza. Un agente di coding a scala di repository è utile solo se può mantenere i requisiti originali mentre accumula output dei tool e revisioni. Le dimostrazioni da 12 ore e su CUDA suggeriscono che M3 è progettato per continuare a lavorare dopo fallimenti intermedi, invece di trattare ogni chiamata a tool come un compito breve separato.
Autonomous Research and Experimentation
L’esempio della riproduzione del paper è un buon modello per agenti di ricerca. M3 può leggere un paper, ispezionare figure, ragionare su formule, generare codice, eseguire esperimenti, valutare se i risultati corrispondono alle aspettative e continuare a rifinire l’implementazione. La capacità di mantenere testo del paper, codice e log sperimentali in un unico contesto lungo riduce la quantità di stato che deve essere riassunta o ricostruita esternamente.
Questo è anche il motivo per cui PostTrainBench è pertinente. MiniMax ha chiesto a M3 di sintetizzare dati di training, addestrare modelli base, valutarli e iterare senza intervento umano. M3 non è arrivato primo—è finito dietro Opus 4.7 e GPT-5.5 nel report di MiniMax—ma l’esperimento dimostra una forma di automazione della ricerca più complessa del normale question answering.
Multimodal Technical Analysis
Poiché M3 accetta nativamente immagini e video, i flussi tecnici possono combinare evidenze visive con testo e codice. Esempi includono confrontare un’implementazione frontend con uno screenshot, analizzare grafici all’interno di un paper di ricerca, ispezionare lo stato della UI durante l’uso del computer, estrarre informazioni da diagrammi o combinare osservazioni video con un lungo log di manutenzione.
La documentazione dell’API compatibile con OpenAI di MiniMax supporta esplicitamente content part image_url e video_url per M3, inclusi file caricati per video più grandi. Ciò rende l’input multimodale una caratteristica API per sviluppatori, non solo una demo di prodotto.
Computer and Office Automation
MiniMax Code è progettato come un harness per agenti attorno a M3. L’azienda afferma che il suo Agent Team può suddividere compiti complessi in flussi di lavoro concorrenti multi-stadio e utilizzare un loop Producer + Verifier per riflessione e correzione. La multimodalità nativa di M3 consente anche flussi di uso del computer che si muovono tra applicazioni, file, fogli di calcolo e interfacce desktop.
Un esempio ufficiale è un’istruzione per aprire un client ERP locale e inserire in batch informazioni di fattura da un foglio Excel. La capacità importante è lo stato cross-application: l’agente deve comprendere il foglio, operare l’interfaccia, preservare la mappatura tra i campi e recuperare in caso di cambi della UI o azioni fallite.
Long-Context Document and Knowledge Work
Una finestra di contesto da 1M è utile non solo per il codice. Può supportare grandi raccolte di contratti, policy, specifiche tecniche, paper di ricerca, report sugli incidenti o record clienti in un unico contesto di lavoro. Il vantaggio non è semplicemente “più pagine”; è la capacità di ragionare su evidenze distanti preservando uno storico lungo dell’agente.
Resta un’avvertenza pratica: la capacità massima di contesto non garantisce richiamo perfetto in ogni posizione, e prompt molto grandi aumentano latenza e costo. Il contesto lungo dovrebbe essere abbinato a retrieval, caching, memoria strutturata o segmentazione del task quando questi approcci migliorano l’affidabilità.
Final Verdict: Is MiniMax M3 a Frontier Model?
Sì—ma il motivo più forte per tale etichetta non è che M3 primeggi in ogni classifica. Non lo fa.
Ciò che MiniMax M3 cambia è il trade-off. Offre prestazioni da frontiera competitive all’epoca del lancio, fornendo al contempo pesi aperti, un design di attenzione sparsa per contesti da un milione di token, training nativo testo-immagini-video, comportamento agentico a lungo orizzonte e prezzi per token API molto più bassi rispetto ai modelli chiusi di punta nel suo set di confronto originale.
Informazioni SEO
URL suggerito: /blog/minimax-m3-specs-benchmarks-pricing
Descrizione: Esplora le specifiche di MiniMax M3, contesto da 1M token, attenzione sparsa, capacità multimodali, prestazioni nei benchmark, prezzi API, casi d’uso e confronti tra modelli.
Parole chiave: MiniMax M3, specifiche MiniMax M3, benchmark MiniMax M3, prezzi API MiniMax M3, MiniMax Sparse Attention, finestra di contesto da 1M token, modello di coding multimodale, modello AI a pesi aperti, agenti AI a lungo orizzonte, MiniMax M3 vs GPT-5.5