Technische specificaties van MiniMax M3
| Item | MiniMax M3 |
|---|---|
| Modelfamilie | MiniMax M3 frontier-basismodel |
| Provider | MiniMax |
| Architectuur | MiniMax Sparse Attention (MSA) |
| Invoertypen | Tekst, Afbeelding, Video |
| Uitvoertypen | Tekst |
| Contextvenster | Tot wel 1,000,000 tokens (minimaal gegarandeerd 512K) |
| Belangrijkste sterke punten | Codering, agent-workflows, multimodale redenering, verwerking van lange contexten |
| Redeneermodus | Denkmodus aan/uit |
| Toolgebruik | Agent-workflows, toolaanroepen, uitvoering van terminaltaken |
| Implementatie | API, MiniMax Code, Token Plan, aankomende open-weight-release |
| Multimodale ondersteuning | Native multimodale pretraining vanaf stap nul |
| Releasedatum | juni 2026 |
Wat is MiniMax M3?
MiniMax M3 is een AI-model op frontier-schaal, ontworpen rond drie mogelijkheden die historisch beperkt waren tot closed-source systemen: geavanceerde codeerprestaties, verwerking van contexten van een miljoen tokens en native multimodaal begrip. In tegenstelling tot modellen die visie later als uitbreiding toevoegen, is M3 vanaf het begin als multimodaal model getraind, wat een diepere afstemming tussen visuele en tekstuele redenering mogelijk maakt.
Het model is gebouwd op MiniMax Sparse Attention (MSA), een sparse-attention-architectuur die is ontworpen om contexten van een miljoen tokens computationeel haalbaar te maken, terwijl prestaties op codeer-, redeneer- en agenttaken behouden blijven.
Belangrijkste functies van MiniMax M3
- 1M-token-contextvenster: Ondersteunt extreem grote repositories, omvangrijke onderzoekscorpora, analyse van meerdere documenten en langdurige agentsessies.
- Agent-georiënteerde architectuur: Ontworpen voor autonome taakdecompositie, toolaanroepen, iteratieve planning en meerstapsuitvoering.
- Native multimodaliteit: Verwerkt tekst, afbeeldingen, diagrammen, screenshots en video-invoer zonder afhankelijk te zijn van een aparte visiestack.
- Geavanceerde codeercapaciteit: Sterke prestaties op software-engineeringbenchmarks, waaronder SWE-Bench Pro, Terminal-Bench en KernelBench.
- Langetermijnuitvoering: Aangetoonde autonome workflows van meerdere uren, waaronder reproductie van onderzoek en CUDA-optimalisatieprojecten.
- Configureerbare redenering: Denkmodus kan worden ingeschakeld voor zwaardere redeneertaken of uitgeschakeld voor interacties met lagere latentie.
Benchmarkprestaties van MiniMax M3
MiniMax rapporteert benchmarkresultaten op frontier-niveau voor codering, agentische uitvoering en multimodale evaluatietaken. Gerapporteerde resultaten omvatten:
| Benchmark | Score |
|---|---|
| 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 |
Het bedrijf meldt ook dat M3 GPT-5.5 en Gemini 3.1 Pro overtreft op meerdere codegerichte benchmarks, terwijl het in geselecteerde evaluaties de prestaties van Claude Opus 4.7 benadert. Deze claims zijn afkomstig uit de interne benchmarkpublicaties van MiniMax en dienen te worden geïnterpreteerd naast onafhankelijke tests door derden zodra deze beschikbaar komen.
Lang-contextarchitectuur en MSA
MiniMax Sparse Attention (MSA) is de architecturale innovatie achter de mogelijkheid van M3 om een context van een miljoen tokens te verwerken. In plaats van volledige quadratische aandacht toe te passen over de hele sequentie, voert MSA routering op blokniveau en sparse attention uit over geselecteerde contextregio's.
Volgens MiniMax vermindert dit de rekenvereisten aanzienlijk bij grote contextlengtes en levert het:
- Meer dan 9× snellere prefill-prestaties bij 1M contextlengte
- Meer dan 15× snellere decodeerprestaties
- Ongeveer 1/20 van de per-token-rekenlast van de vorige generatie op 1M-contextschaal
Deze verbeteringen zijn bedoeld om codering op repository-schaal en agent-workflows met lange horizon praktisch te maken.
MiniMax M3 versus Claude Opus 4.7 versus Gemini 3.1 Pro
| Mogelijkheid | MiniMax M3 | Claude Opus 4.7 | Gemini 3.1 Pro |
|---|---|---|---|
| Contextvenster | Tot 1M | Kleinere publiek beschikbare contextniveaus | Multimodaal met grote context |
| Native multimodale training | Ja | Ja | Ja |
| Focus op agentische codering | Zeer sterk | Zeer sterk | Sterk |
| SWE-Bench Pro | 59.0% | Hoger volgens rapportage van MiniMax | Lager volgens rapportage van MiniMax |
| Beschikbaarheid van open-weight | Gepland | Nee | Nee |
| Agent-workflows met lange horizon | Belangrijk ontwerpaccent | Sterk | Sterk |
Bekende beperkingen
- De meeste benchmarkpublicaties zijn momenteel afkomstig van MiniMax en niet van onafhankelijke evaluatielabs.
- Open-weight-modelfiles en het volledige technische rapport zijn aangekondigd, maar bij de lancering nog niet breed vrijgegeven.
- Betrouwbaarheid in real-world productieomgevingen wordt nog gevalideerd door de ontwikkelaarscommunity.
- Workloads met contexten van een miljoen tokens kunnen hogere operationele kosten en latentie met zich meebrengen dan standaard inferentieworkloads.
Representatieve gebruiksscenario's
Software-engineering op repository-schaal
Analyseer grote codebases, voer refactors over meerdere bestanden uit, genereer patches, review pull requests en behoud langetermijncontext voor ontwikkeling.
Autonome onderzoeksagenten
Ondersteun literatuuronderzoek, documentsynthese, benchmarkanalyse en langdurige onderzoeksworkflows die honderden duizenden tokens vereisen.
Multimodale technische analyse
Interpreteer screenshots, architectuurdiagrammen, grafieken, technische documenten en videocontent binnen dezelfde redeneerworkflow.
Terminal- en DevOps-automatisering
Voer complexe engineeringworkflows uit met testen, deployment-orkestratie, dependencybeheer en iteratieve debugging.
Kennisystemen voor ondernemingen
Zoek en redeneer over grote collecties beleidsdocumenten, contracten, technische documentatie en interne kennisrepositories.
Modelversie en beschikbaarheid
MiniMax M3 werd officieel geïntroduceerd in juni 2026 als de vlaggenschipsuccessor binnen de MiniMax-modellijn. Het model is beschikbaar via het MiniMax API-ecosysteem en CometAPI.