TL;DR
MiniMax M3 ialah model barisan hadapan MiniMax untuk pengaturcaraan, kerja berasaskan agen, penaakulan konteks panjang, dan pemahaman multimodal. Ia dilancarkan secara rasmi pada 1 Jun 2026 dan menggabungkan tiga keupayaan yang menjadi pusat keluaran MiniMax: tetingkap konteks sehingga 1M token, pemahaman imej/video natif, dan pelaksanaan agen jangka panjang.
Model open-weight ini mempunyai kira-kira 428 bilion jumlah parameter dan kira-kira 23 bilion parameter diaktifkan. Ini membayangkan hanya sekitar 5.4% daripada kapasiti parameter yang didedahkan aktif bagi token tipikal, menjelaskan bagaimana model yang sangat besar boleh kekal praktikal pada waktu inferens. M3 turut memperkenalkan MiniMax Sparse Attention (MSA), reka bentuk perhatian jarang berasaskan blok yang dibina untuk konteks sejuta token.
Untuk pembangun, M3 tersedia melalui API MiniMax dan pengedaran open-weight, dan ia juga tersedia melalui CometAPI untuk pasukan yang mahukan satu antara muka bagi MiniMax dan penyedia model lain.
Key Takeaways
- MiniMax melancarkan M3 pada 1 Jun 2026 sebagai model barisan hadapan yang memfokuskan pada pengaturcaraan, agen, konteks panjang, dan multimodaliti.
- Keluaran open-weight mendedahkan ~428B jumlah parameter dan ~23B parameter diaktifkan.
- M3 menyokong sehingga 1M token konteks, dengan MiniMax menerangkan 512K sebagai peringkat minimum yang dijamin untuk API.
- MiniMax Sparse Attention menggantikan perhatian global penuh dengan pemilihan blok dan perhatian jarang tepat ke atas rantau konteks terpilih.
- M3 dilatih dengan modaliti bercampur dari Step 0 dan menyokong input teks, imej, dan video.
- Penanda aras pelancaran rasmi termasuk 59.0% SWE-Bench Pro, 66.0% Terminal-Bench 2.1, 83.5 BrowseComp, dan 75.2 OSWorld-Verified.
- MiniMax menunjukkan hampir 12 jam replikasi kertas secara autonomi dan kira-kira 24 jam pengoptimuman kernel CUDA dengan 1,959 panggilan alat.
- API menyokong penaakulan boleh dikonfigurasi serta teks, imej, video, alat fungsi, peringkat perkhidmatan standard/keutamaan, dan harga konteks panjang.
What Is MiniMax M3?
MiniMax M3 ialah pengganti generasi M2 dan mewakili perubahan seni bina yang lebih besar berbanding kemas kini titik biasa. MiniMax M2.7 telah pun diposisikan untuk kejuruteraan perisian dunia sebenar, produktiviti pejabat, dan aliran kerja agen, tetapi M3 menambah seni bina perhatian jarang yang baharu, pra-latihan multimodal natif, dan sasaran konteks sejuta token.
M3 sebagai model pengaturcaraan multimodal barisan hadapan dengan tetingkap konteks 1M. Repositori open-weight rasmi menambah angka skala terpenting: kira-kira 428B parameter keseluruhan dan 23B diaktifkan. Laporan teknikal MSA yang berkaitan juga menerangkan seni bina ini beroperasi dalam tetapan Mixture-of-Experts, sejajar dengan perpecahan parameter jumlah vs aktif yang didedahkan.
Ini menjadikan M3 kurang menarik sebagai “M2.7 yang lebih besar” dan lebih menarik sebagai model konvergens. Ia menghimpunkan konteks skala repositori, pengaturcaraan, persepsi multimodal, agen berorientasikan komputer, dan penggunaan setempat/open dalam satu sistem. MiniMax dengan jelas membingkai gabungan itu sebagai pembeza utama keluaran ini dan bukannya mendakwa M3 memenangi setiap penanda aras.
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 |
Konteks, modaliti, dan kelakuan API di atas didokumenkan dalam dokumentasi model dan API rasmi MiniMax; angka parameter dan pautan penggunaan setempat datang daripada repositori rasmi 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 |
Dokumentasi API MiniMax menyenaraikan M2.7 pada peringkat konteks 204,800 token manakala M3 beralih ke kelas sejuta token. Perbezaan yang lebih besar adalah kualitatif: M3 menerima input visual dan video secara langsung, sedangkan API M2.x kekal berorientasikan teks dan alat.
What Is New in MiniMax M3?
A 428B Model with About 23B Parameters Active
Repositori awam M3 menyatakan bahawa model ini mempunyai ~428B jumlah parameter dan ~23B parameter diaktifkan. Dalam istilah praktikal, pecahan aktif yang didedahkan adalah sekitar 5.4%. Itulah tarikan asas seni bina pakar jarang: kapasiti keseluruhan boleh sangat besar sementara laluan pengiraan bagi token tertentu hanya menyentuh sebahagian kecil model.
Kiraan parameter sahaja tidak menentukan kualiti, dan “428B” tidak harus dibaca sebagai 428B parameter padat dinilai untuk setiap token. Tafsiran yang lebih berguna ialah M3 mempunyai kolam kapasiti model yang besar dipadankan dengan pengaktifan bersyarat dan sistem perhatian yang direka untuk mengekalkan kos konteks panjang pada tahap terkawal.
MiniMax Sparse Attention: Making 1M Context Practical
Perubahan seni bina teras ialah MiniMax Sparse Attention (MSA). Perhatian softmax penuh berkembang secara kuadratik dengan panjang jujukan, yang menjadi mahal apabila sejarah agen, repositori kod, log alat, imej, dan dokumen panjang terkumpul hingga ratusan ribu token.
MSA menambah Index Branch ringan yang memarkah blok kekunci-nilai dan memilih subset Top-k untuk setiap kumpulan grouped-query attention. Cawangan utama kemudian melaksanakan perhatian jarang blok yang tepat hanya pada blok terpilih tersebut. Laporan teknikal MiniMax menerangkan ini sebagai reka bentuk berorientasikan perkakasan yang bertujuan mengekalkan kualiti sambil mengurangkan jumlah konteks yang perlu diproses oleh perhatian penuh.
Rajah 1. Seni bina MiniMax Sparse Attention (MSA). Sumber: Rajah MSA rasmi MiniMax
Pada konteks 1M, MiniMax melaporkan bahawa M3 menggunakan sekitar 1/20 daripada pengiraan per token generasi sebelumnya dan memberikan >9× pemecutan prefill dan >15× pemecutan penyahkodan berbanding M2. Kertas MSA berasingan melaporkan eksperimen terkawal tambahan pada model ujian MoE 109B, jadi angka kertas itu tidak harus dikelirukan dengan angka pengeluaran M3-vs-M2.
Perbezaan itu penting. Kertas tersebut mengesahkan mekanisme perhatian dalam tetapan penyelidikan; nombor pelancaran M3 menerangkan model produksi. Kedua-dua hasil menunjuk ke arah yang sama, tetapi ia bukan penanda aras yang sama.
Native Multimodality from Step 0
M3 tidak dibentangkan sebagai model teks dengan penyesuai visual berasingan yang ditambah di akhir. MiniMax menyatakan ia menjalani latihan modaliti bercampur dari Step 0 dan membina semula saluran data pra-latihannya untuk meningkatkan data multimodal berselang-seli.
API produksi menyokong input teks, imej, dan video. Ini penting untuk kerja pengaturcaraan dan agen kerana banyak tugas sebenar bukan hanya teks: penyahpepijatan mungkin memerlukan tangkapan skrin, kerja frontend mungkin memerlukan perbandingan dengan imej rujukan, penyelidikan mungkin termasuk plot dan persamaan, dan agen penggunaan komputer beroperasi melalui antara muka visual.
Cara yang berguna untuk memikirkan multimodaliti M3 bukanlah “ia boleh menerangkan imej,” tetapi “keadaan visual boleh kekal dalam gelung penaakulan jangka panjang yang sama seperti kod, output alat, dokumen, dan maklum balas pengguna.”
Interactive Coding and Agent Training
MiniMax berhujah bahawa penanda aras pengaturcaraan klasik terlalu satu pusingan untuk mewakili cara pembangun sebenar bekerja. Untuk M3 ia membina simulator pengguna interaktif yang mendedahkan model kepada penjelasan keperluan, perbincangan penyelesaian, pembetulan berasaskan maklum balas, pertukaran tugas, dan iterasi projek berbilang pusingan.
Matlamatnya adalah beralih daripada pelaksanaan arahan pasif kepada kolaborasi. Agen pengaturcaraan yang berkesan mesti boleh menguraikan tugas, memanggil alat, mentafsir kegagalan, menyemak rancangan, mengekalkan keputusan terdahulu, dan meneruskan selepas jawapan munasabah pertama. Konteks panjang dan latihan berorientasikan alat M3 direka sekitar gelung itu.
Long-Horizon Autonomous Execution
Demonstrasi M3 yang paling meyakinkan bukan contoh sembang. Ia adalah tugas berjalan lama di mana model mesti mengekalkan keadaan dan terus bertambah baik selepas maklum balas alat berulang.
| Tugas | Masa jalan autonomi | Bukti ketekalan | Hasil yang dilaporkan |
|---|---|---|---|
| Replikasi kertas ICLR | Hampir 12 jam | 18 commit; 23 rajah eksperimen | Eksperimen teras direplikasi |
| Pengoptimuman kernel FP8 GEMM | ~24 jam | 147 penyerahan penanda aras; 1,959 panggilan alat | 7.6% → 71.3% penggunaan puncak; pemecutan 9.4× |
| Latihan model PostTrainBench | Tetingkap tugas 12 jam | Sintesis data → latihan → penilaian → iterasi | Skor 0.37; di belakang Opus 4.7 dan GPT-5.5, mendahului model lain dalam laporan MiniMax |
Dalam tugas replikasi kertas, M3 berjalan hampir 12 jam dan menghasilkan 18 commit serta 23 rajah eksperimen. Tugas ini menggabungkan pembacaan kertas, pemahaman carta/formula, penulisan kod, eksperimen, dan interpretasi berulang.
.png)
Rajah 2. Trajektori replikasi kertas autonomi M3 selama kira-kira 12 jam. Sumber: Demonstrasi M3 rasmi MiniMax
Dalam tugas pengoptimuman CUDA, M3 menyiapkan 147 penyerahan penanda aras dan 1,959 panggilan alat selama kira-kira 24 jam, akhirnya meningkatkan penggunaan puncak Hopper FP8 yang dilaporkan daripada 7.6% kepada 71.3% untuk pemecutan 9.4× tanpa campur tangan manusia. Titik yang ketara bukan hanya pemecutan akhir; MiniMax menyatakan penyelesaian terbaik model muncul pada penyerahan ke-145, selepas beberapa dataran.
Benchmark Performance of MiniMax M3
Carta penanda aras pelancaran MiniMax membandingkan M3 dengan Claude Opus 4.7, GPT-5.5, dan Gemini 3.1 Pro merentasi tugas pengaturcaraan, terminal, pelayaran, pejabat, penggunaan alat, dan penggunaan komputer. Ini adalah perbandingan langsung paling berguna kerana ia diterbitkan dalam pakej keluaran M3 yang sama.
Rajah 3. Perbandingan penanda aras pelancaran M3 rasmi MiniMax. Sumber: Imej penanda aras rasmi 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 jadual ini ditranskripsi daripada carta pelancaran M3 rasmi MiniMax. Ia harus dibaca sebagai hasil pelancaran yang dilaporkan vendor, bukan sebagai kajian semula bebas baharu yang dilakukan oleh CometAPI.
What the Benchmark Results Actually Show
Pertama, M3 benar-benar kompetitif dalam kejuruteraan perisian. Pada SWE-Bench Pro ia mencatat 59.0, di atas nilai 58.6 dan 54.2 yang MiniMax laporkan untuk GPT-5.5 dan Gemini 3.1 Pro, tetapi di bawah Claude Opus 4.7 pada 64.3. KernelBench Hard menceritakan kisah yang sama: M3 pada 28.8 hampir dengan Opus 4.7 pada 30.7 dan jauh di atas dua nilai lain dalam carta MiniMax.
Kedua, pelaksanaan terminal bukan hasil relatif terkuat M3. Terminal-Bench 2.1 meletakkan M3 pada 66.0, pada asasnya terikat dengan Opus 4.7 pada 66.1 tetapi jauh ketinggalan GPT-5.5 pada 78.2 dan Gemini 3.1 Pro pada 70.0.
Ketiga, M3 kuat tetapi tidak dominan dalam pengumpulan maklumat. BrowseComp ialah 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 hampir dengan 75.3 milik GPT-5.5 dan 77.0 milik Opus 4.7.
Keempat, carta pelancaran memberikan M3 hasil yang sangat baik pada SVG-Bench: 63.7 berbanding 62.3 untuk Opus 4.7, 58.2 untuk GPT-5.5, dan 59.2 untuk Gemini 3.1 Pro. Itu sepadan dengan reka bentuk M3 yang lebih luas: pemahaman visual natif bertujuan untuk turut serta secara langsung dalam aliran kerja pengaturcaraan dan agen dan bukannya kekal sebagai ciri visi yang berasingan.
Kesimpulan keseluruhan oleh itu lebih bernuansa daripada “M3 mengatasi model tertutup.” M3 memasuki jalur prestasi yang sama pada banyak tugas beragensi, memenangi penilaian terpilih, dan tewas pada yang lain. Pembeza utamanya ialah apa yang mengiringi skor tersebut: pemberat terbuka, latihan multimodal, reka bentuk konteks sejuta token, dan ekonomi penyajian yang agresif.
MiniMax M3 vs Claude Opus 5 vs GPT-5.6 Sol vs Gemini 3.7 Flash
MiniMax M3 dilancarkan ke dalam pasaran yang bergerak pantas, dan set perbandingan asalnya tidak lagi menjadi rujukan paling berguna. Perbandingan generasi semasa yang lebih relevan ialah Claude Opus 5, GPT-5.6 Sol, dan Gemini 3.7 Flash—model tertutup baharu yang disasarkan pada pengaturcaraan, agen, dan kerja multimodal. Memandangkan model ini tidak dinilai di bawah abah-abah yang sama, jadual menekankan keupayaan yang didokumenkan dan menggunakan angka penanda aras hanya apabila metrik dilaporkan secara langsung.
| 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 |
Angka penanda aras ini datang daripada pakej penilaian penyedia yang berbeza dan tidak harus dibaca sebagai papan pendahulu diselaraskan tunggal. Skor 66.0 Terminal-Bench 2.1 M3 datang daripada penilaian keluaran MiniMax; OpenAI melaporkan 88.8 untuk GPT-5.6 Sol, manakala Google melaporkan 85.8 untuk Gemini 3.7 Flash. Pelancaran Opus 5 Anthropic menekankan Frontier-Bench, GDPval-AA, AutomationBench, dan OSWorld 2.0 berbanding menerbitkan hasil Terminal-Bench 2.1 yang setanding secara langsung. Untuk pemilihan model, jalankan penanda aras calon di bawah abah-abah yang sama pada beban kerja anda sendiri dan bukannya menganggap angka pelancaran silang penyedia sebagai kedudukan kekal.
Where MiniMax M3 Has the Clearest Advantage
Kelebihan M3 paling jelas ialah pilihan penggunaan. Baik carta penanda aras mahupun kiraan parameter sahaja menerangkan mengapa pembangun mungkin ambil peduli tentang model ini. M3 menggabungkan pemberat terbuka dengan panjang konteks dan set keupayaan multimodal yang biasanya dikaitkan dengan sistem barisan hadapan dihoskan. Ini menjadikannya menarik apabila pasukan memerlukan penggunaan setempat, kebebasan penyedia, penyajian khusus, atau kawalan mendalam ke atas timbunan inferens.
Kelebihan keduanya ialah seni bina kos konteks panjang. MSA direka secara eksplisit untuk menghalang pengiraan perhatian daripada meletup pada skala sejuta token. Ini tidak menjadikan permintaan 1M token murah dalam erti mutlak—cache KV, pelaksanaan pakar, dan input multimodal masih menelan sumber—tetapi ia mengubah lengkung penskalaan berbanding perhatian penuh.
Where Closed Models Still Lead
Carta penanda aras rasmi yang sama menunjukkan mengapa M3 tidak harus dibentangkan sebagai pengganti automatik untuk setiap model barisan hadapan tertutup. Claude Opus 4.7 mempunyai 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 mendahului GDPval. Gemini 3.1 Pro sedikit mendahului BrowseComp.
Untuk pasukan produksi, platform tertutup juga mungkin menyediakan kawalan keselamatan matang, alat dihoskan, kebolehcerapan, jaminan throughput, dan integrasi yang lebih penting daripada pemberat terbuka. M3 menjadi paling menarik apabila manfaat penggunaan dan kos adalah sebahagian daripada keperluan, bukan apabila kedudukan penanda aras adalah satu-satunya kriteria.
MiniMax M3 API Pricing
MiniMax kini menggunakan dua peringkat harga konteks standard. Halaman harga rasminya](https://platform.minimax.io/docs/guides/pricing-paygo) memaparkan kadar “diskaun 50% kekal” sebanyak $0.30/M input dan $1.20/M output untuk permintaan pada atau di bawah 512K token input. Permintaan melebihi 512K ditunjukkan pada $0.60/M input dan $2.40/M output. Perkhidmatan keutamaan berharga 1.5× peringkat 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 |
*CometAPI’s MiniMax-M3 ialah $0.48/M input dan $1.92/M output dan membandingkannya dengan kadar senarai tidak-diskaun MiniMax $0.60/$2.40. Memandangkan platform MiniMax sendiri pada masa ini memaparkan kadar standard diskaun 50% yang berasingan, pembangun harus membandingkan kadar langsung sebenar yang akan dibilkan dan bukannya bergantung semata-mata pada peratus diskaun tajuk utama.
Sebab untuk menggunakan CometAPI dalam situasi ini oleh itu bukan semestinya harga promosi langsung terendah pada setiap masa. Nilainya ialah lapisan API dan pengebilan terpadu apabila aplikasi perlu merutekan antara M3 dan penyedia lain tanpa mengekalkan integrasi berasingan.
What Can MiniMax M3 Do?
Coding and Repository-Scale Engineering
Kes penggunaan M3 paling jelas ialah kejuruteraan perisian merentasi repositori besar. Tetingkap konteks sejuta token boleh memuatkan jauh lebih banyak kod, dokumentasi, output ujian, sejarah isu, dan keadaan agen berbanding tetingkap 204.8K generasi M2 sebelumnya. Dalam praktiknya, itu membolehkan aliran kerja seperti pelaksanaan ciri berbilang fail, pengubahsuaian seluruh repositori, diagnosis pepijat, pembaikan ujian, gelung bina/terminal, semakan permintaan tarik, dan pengoptimuman prestasi.
Kuncinya ialah ketekalan. Agen pengaturcaraan skala repositori hanya berguna jika ia dapat mengekalkan keperluan asal sambil mengumpul output alat dan semakan. Demonstrasi 12 jam dan CUDA mencadangkan M3 direka untuk terus bekerja selepas kegagalan perantaraan dan bukannya menganggap setiap panggilan alat sebagai tugas pendek berasingan.
Autonomous Research and Experimentation
Contoh replikasi kertas adalah templat yang baik untuk agen penyelidikan. M3 boleh membaca kertas, memeriksa rajah, menaakul tentang formula, menjana kod, menjalankan eksperimen, menilai sama ada hasil sepadan jangkaan, dan terus memperhalusi pelaksanaan. Keupayaan untuk mengekalkan teks kertas, kod, dan log eksperimen dalam satu konteks panjang mengurangkan jumlah keadaan yang mesti diringkaskan atau dibina semula secara luaran.
Inilah juga sebabnya PostTrainBench relevan. MiniMax meminta M3 mensintesis data latihan, melatih model asas, menilai, dan berulang tanpa campur tangan manusia. M3 tidak menduduki tempat pertama—ia berada di belakang Opus 4.7 dan GPT-5.5 dalam laporan MiniMax—tetapi eksperimen itu menunjukkan bentuk automasi penyelidikan yang lebih kompleks daripada soal jawab biasa.
Multimodal Technical Analysis
Memandangkan M3 menerima imej dan video secara natif, aliran kerja teknikal boleh menggabungkan bukti visual dengan teks dan kod. Contohnya termasuk membandingkan pelaksanaan frontend dengan tangkapan skrin, menganalisis plot dalam kertas penyelidikan, memeriksa keadaan UI semasa penggunaan komputer, mengekstrak maklumat daripada rajah, atau menggabungkan pemerhatian video dengan log penyelenggaraan panjang.
Dokumentasi API serasi OpenAI MiniMax secara jelas menyokong bahagian kandungan image_url dan video_url untuk M3, termasuk fail yang dimuat naik untuk video lebih besar. Ini menjadikan input multimodal satu ciri API berorientasikan pembangun dan bukan sekadar demo produk.
Computer and Office Automation
MiniMax Code direka sebagai abah-abah agen sekitar M3. Syarikat menyatakan Pasukan Agennya boleh membahagi tugas kompleks kepada aliran kerja berbilang peringkat serentak dan menggunakan gelung Producer + Verifier untuk refleksi dan pembetulan. Multimodaliti natif M3 juga membolehkan aliran kerja penggunaan komputer yang bergerak merentas aplikasi, fail, hamparan, dan antara muka desktop.
Satu contoh rasmi ialah arahan untuk membuka klien ERP setempat dan memasukkan maklumat invois secara kelompok daripada hamparan Excel. Keupayaan penting ialah keadaan rentas aplikasi: agen perlu memahami hamparan, mengoperasikan antara muka, mengekalkan pemetaan antara medan, dan pulih jika UI berubah atau tindakan gagal.
Long-Context Document and Knowledge Work
Tetingkap konteks 1M berguna untuk lebih daripada kod. Ia boleh menyokong koleksi besar kontrak, polisi, spesifikasi teknikal, kertas penyelidikan, laporan insiden, atau rekod pelanggan dalam satu konteks kerja. Kelebihannya bukan sekadar “lebih banyak halaman”; ia ialah keupayaan menaakul merentasi bukti jauh sambil mengekalkan sejarah agen yang panjang.
Masih ada amaran praktikal: kapasiti konteks maksimum tidak menjamin ingatan sempurna pada setiap kedudukan, dan prompt yang sangat besar meningkatkan kependaman dan kos. Konteks panjang harus dipasangkan dengan pengambilan, caching, memori berstruktur, atau segmentasi tugas apabila pendekatan tersebut meningkatkan kebolehpercayaan.
Final Verdict: Is MiniMax M3 a Frontier Model?
Ya—tetapi hujah terkuat untuk label itu bukanlah M3 berada di puncak setiap carta. Ia tidak.
Apa yang MiniMax M3 ubah ialah pertukaran. Ia menawarkan prestasi barisan hadapan era pelancaran yang kompetitif sambil turut menyediakan pemberat terbuka, reka bentuk perhatian jarang konteks sejuta token, latihan teks-imej-video natif, gelagat agen jangka panjang, dan harga API per token yang jauh lebih rendah berbanding model tertutup utama dalam set perbandingan asalnya.
SEO信息
Suggested URL: /blog/minimax-m3-specs-benchmarks-pricing
Description: Terokai spesifikasi MiniMax M3, konteks 1M token, perhatian jarang, keupayaan multimodal, prestasi penanda aras, harga API, kes penggunaan, dan perbandingan model.
Keywords: MiniMax M3, spesifikasi MiniMax M3, penanda aras MiniMax M3, harga API MiniMax M3, MiniMax Sparse Attention, tetingkap konteks 1M token, model pengaturcaraan multimodal, model AI open-weight, agen AI jangka panjang, MiniMax M3 vs GPT-5.5