Slik bruker du MiniMax M3 API

TLDR MiniMax M3 kombinerer et kontekstvindu på 1 000 000 tokens, native tekst–bilde–video-forståelse, sterk ytelse for koding og agenter, og MiniMax Sparse Attention (MSA). Utviklere kan kalle MiniMax M3 via CometAPI sin OpenAI-kompatible gateway på https://api.cometapi.com/v1 med modell-ID minimax-m3.

Denne veiledningen dekker modellspesifikasjoner, offisielle benchmark-data, API-oppsett, strømming, resonneringskontroller, multimodale forespørsler, verktøykall, priser og sammenligninger med andre grensemodeller i 2026.

Viktige punkter

• MiniMax M3 støtter opptil 1M tokens kontekst, som muliggjør koding i repository-størrelse og langvarige agentsesjoner.
• Modellen er nativt multimodal fra treningssteg null og aksepterer tekst-, bilde- og videoinndata.
• Arkitekturen MiniMax Sparse Attention er utformet for å gjøre million-token-kontekst mer beregningsmessig praktisk. Offisielle resultater inkluderer 59.0% på SWE-Bench Pro og 66.0% på Terminal-Bench 2.1, sammen med sterke agent- og verktøybruksresultater.
• MiniMax sin OpenAI-kompatible API støtter adaptiv eller deaktivert thinking, strømming, verktøy og reasoning_split.
• På CometAPI er gjeldende modell-ID minimax-m3 og hovedendepunktet er /v1/chat/completions.

Hva er MiniMax M3?

MiniMax M3 er designet rundt tre arbeidsbelastninger som i økende grad definerer grensemodellene for utviklere: storskala programvareutvikling, autonom agentyting og multimodal langkontekstresonnering. MiniMax beskriver M3 som en modell som når grensenivå på koding og agentoppgaver samtidig som den kombinerer 1M kontekst, native multimodalitet og MSA. Det praktiske resultatet er en modell som er mindre rettet mot isolerte chat-turer og mer mot arbeidsflyter som over tid akkumulerer filer, verktøyresultater, skjermbilder, kodeendringer og resonneringstilstand.

M3 er tilgjengelig gjennom MiniMax sitt eget API-økosystem og gjennom CometAPI sitt MiniMax M3-endepunkt. For utviklere som allerede bruker OpenAI SDK, holder CometAPI-veien den velkjente Chat Completions-formen og gjør det lettere å sammenligne M3 med modeller fra Anthropic, Google, Moonshot AI og andre leverandører.

MiniMax M3 tekniske spesifikasjoner

Tallene for kontekst og modalitet ovenfor er bekreftet i MiniMax sin API-dokumentasjon, mens modellarkitekturen og lanseringsposisjoneringen kommer fra den offisielle M3-annonseringen.

Hva gjør MiniMax M3 annerledes?

MiniMax Sparse Attention og 1M kontekst

Et kontekstvindu på én million tokens er kun nyttig hvis serveringsarkitekturen kan prosessere det med akseptabel hastighet og kostnad. M3 adresserer dette med MiniMax Sparse Attention (MSA), som først identifiserer relevante KV-blokker og deretter utfører sparsom oppmerksomhet over utvalgte regioner i stedet for å bruke full kvadratisk oppmerksomhet overalt.

MiniMax rapporterer at ved 1M kontekstkjedelengde bruker M3 omtrent 1/20 av forrige generasjons beregning per token, med mer enn 9x raskere prefill og mer enn 15x raskere dekoding. Dette er leverandørrapporterte ingeniørresultater snarere enn tredjeparts målinger av servering, men de forklarer hvorfor MSA er sentral i M3 sin langkontekstdesign.

Figur 1. MiniMax Sparse Attention-arkitektur. Kilde: MiniMax offisiell M3-lansering

Native multimodalitet

MiniMax sier at M3 gjennomgikk blandet-modalitetstrening fra steg null, i stedet for å legge til et separat visjonslag etter tekstfortrening. I den OpenAI-kompatible API-en aksepterer M3 tekst-, bilde- og videoinnholdsblokker. Bilder kan sendes med image_url og videoer med video_url; støttede bildeformater inkluderer JPEG, PNG, GIF og WEBP, mens støttede videoformater inkluderer MP4, AVI, MOV og MKV.

For utviklere gjør det én modell brukbar til oppgaver som skjermbildebasert feilsøking, tolkning av diagrammer, UI-gjennomgang, analyse av tekniske dokumenter og videoforståelse uten å måtte rute hver visuell inndata gjennom en separat modell.

Koding og agentiske arbeidsflyter

M3 sin sterkeste offentlige posisjonering er ikke generisk chat. MiniMax fokuserer på feilretting, frontend- og backend-utvikling, terminalkjøring, ytelsesoptimalisering, verktøyinvokasjon og langhorisont-samarbeid. Det offisielle M3-benchmarksettet vektlegger derfor programvareingeniør- og agent-benchmarks fremfor kun akademiske QA-tester.

Konfigurerbar tenkning

I den OpenAI-kompatible API-en til MiniMax støtter M3 eksplisitt kontroll av resonnement: thinking kan settes til adaptive eller disabled. Hvis feltet utelates på MiniMax sin OpenAI-kompatible endepunkt, er thinking på som standard. For produksjonsintegrasjoner er det tryggere å sette feltet eksplisitt fordi det gjør latens og atferd enklere å reprodusere på tvers av miljøer.

Langsiktig agentytelse

MiniMax publiserte også to langvarige casestudier som viser hvorfor M3 sin kontekstdesign er viktig. I en oppgave for reproduksjon av en forskningsartikkel kjørte M3 autonomt i nesten 12 timer, med 18 commits og 23 eksperimentelle figurer mens den reproduserte kjerneeksperimentene i en ICLR 2025 Outstanding Paper. Oppgaven krevde lesing av figurer og formler, redigering av kode, sporing av eksperimenter og opprettholdelse av en lang kjørelogg.

I en separat CUDA-kjerneoptimaliseringsøvelse rapporterer MiniMax 147 benchmark-innsendelser og 1 959 verktøykall over omtrent 24 timer, med Hopper FP8-maskinvare topputnyttelse som økte fra 7.6% til 71.3%, tilsvarende en rapportert 9.4x oppfart. Disse eksemplene er kontrollerte demonstrasjoner snarere enn garantier for enhver produksjonsagent, men de illustrerer den tiltenkte bruken: vedvarende verktøysløyfer der fremgang kan komme først etter mange iterasjoner.

Hvorfor bruke MiniMax M3 API via CometAPI?

CometAPI eksponerer M3 gjennom det samme generelle API-miljøet som brukes for hundrevis av andre modeller. Det er viktig når et team vil benchmarke flere leverandører, beholde én faktureringsflate eller opprettholde fallback-ruter uten å bygge om applikasjonen rundt hver leverandørspesifikke SDK.

• OpenAI-kompatibel integrasjon: eksisterende OpenAI SDK-klienter kan gjenbrukes ved å endre base-URL, API-nøkkel og modell-ID.
• Én nøkkel for flere modellleverandører, som gjør A/B-tester og fallback-ruting lettere å implementere.
• Sentralisert bruk og kostnadssporing på modellenivå i stedet for separate leverandørdashbord.
• Rask modellbytte når en arbeidsbelastning trenger en annen balanse mellom kvalitet, latens, modalitetsstøtte eller pris.

Den levende MiniMax M3-siden på CometAPI oppgir for tiden modell-ID minimax-m3, POST /v1/chat/completions og eksempler for OpenAI SDK.

Slik bruker du MiniMax M3 API med CometAPI

Trinn 1: Opprett en CometAPI-konto og hent en API-nøkkel

Opprett eller logg inn på din CometAPI-konto, og generer deretter et API-token fra token-konsollen. Lagre tokenet i en miljøvariabel i stedet for å sjekke det inn i kildekoden.

export COMETAPI_KEY="your-key-here"

Trinn 2: Konfigurer OpenAI-klienten

CometAPI sin OpenAI-kompatible base-URL er:

https://api.cometapi.com/v1

Installer OpenAI SDK og pek klienten mot CometAPI:

pip install openai

   from openai import OpenAI
   import os

   client = OpenAI(
      api_key=os.environ["COMETAPI_KEY"],
      base_url="https://api.cometapi.com/v1",
   )

Trinn 3: Send din første MiniMax M3-forespørsel

Bruk CometAPI-modell-ID minimax-m3. En minimal cURL-forespørsel ser slik ut:

curl   https://api.cometapi.com/v1/chat/completions \
  -H "Authorization: Bearer   $COMETAPI_KEY" \
  -H "Content-Type:   application/json" \
  -d '{
    "model":   "minimax-m3",
    "messages": [
      {
        "role":   "system",
        "content": "Du er en presis programvareingeniør-assistent."
      },
      {
        "role":   "user",
        "content":   "Gå gjennom denne migrasjonsplanen og list tre høyrisiko feiltyper."
      }
    ],
    "max_completion_tokens":   1200,
    "reasoning_split": true
  }' 

Python:

completion = client.chat.completions.create(
    model="minimax-m3",
    messages=[
        {"role":   "system", "content": "Du er en presis teknisk assistent."},
        {"role":   "user", "content": "Forklar hvordan sparse attention hjelper langkontekst-kodingsagenter."},
    ],
    max_completion_tokens=1200,
      extra_body={"reasoning_split": True},
   )

   print(completion.choices[0].message.content)

CometAPI sin live M3-side bruker samme reasoning_split-mønster i sitt Python-eksempel. Denne bryteren endrer hvordan resonnementinnhold returneres; den slår ikke i seg selv thinking av eller på.

Trinn 4: Aktiver strømming

Strømming er nyttig for chatgrensesnitt, kodeassistenter og lange svar fordi brukere kan se utdata etter hvert som de kommer. MiniMax sin OpenAI-kompatible dokumentasjon bekrefter strømmestøtte for M3.

stream = client.chat.completions.create(
    model="minimax-m3",
    messages=[{"role":   "user", "content": "Lag en fasevis plan for migrering av en monolitt til tjenester."}],
    stream=True,
    max_completion_tokens=3000,
   )

   for chunk in stream:
    delta = chunk.choices[0].delta
    if delta.content:
        print(delta.content,   end="", flush=True)

Trinn 5: Slå på eller av thinking

MiniMax definerer adaptive og disabled thinking-moduser for M3. Bruk adaptiv thinking for krevende koding, planlegging og agentoppgaver; deaktiver den for enkel ekstraksjon, klassifisering eller svar der latens er kritisk. Når du bruker leverandørspesifikke felt gjennom en OpenAI-kompatibel ruter, valider dem i CometAPI sitt playground før produksjon fordi pass-through-atferd kan utvikle seg.

# Dypere resonnement
   completion = client.chat.completions.create(
    model="minimax-m3",
    messages=[{"role":   "user", "content": "Finn rotårsaken til denne feilen i distribuert transaksjon."}],
    extra_body={"thinking":   {"type": "adaptive"}},
   )

   # Raskere direkte svar
   completion = client.chat.completions.create(
    model="minimax-m3",
    messages=[{"role":   "user", "content": "Ekstraher fakturanummeret fra denne teksten."}],
    extra_body={"thinking":   {"type": "disabled"}},
   )

Trinn 6: Bruk bildeenndata

M3 sin OpenAI-kompatible API aksepterer image_url-innholdsblokker. Det samme typed-content-mønsteret er den naturlige måten å sende skjermbilder, diagrammer eller grafer gjennom en OpenAI-stil rute.

response = client.chat.completions.create(
    model="minimax-m3",
    messages=[{
        "role":   "user",
        "content": [
            {"type":   "text", "text": "Gå gjennom dette dashbord-skjermbildet og identifiser sannsynlige UI-problemer."},
            {
                "type":   "image_url",
                "image_url":   {
                    "url":   "https://example.com/dashboard.png",
                    "detail":   "default"
                }
            }
        ]
    }]
   )

MiniMax dokumenterer støtte for JPEG, PNG, GIF og WEBP, med bilde-detaljnivåer low, default eller high. Leverandøren publiserer også begrensninger for forespørselsstørrelse, så sjekk siste multimodale API-grenser før du sender store vedlegg.

Trinn 7: Bruk videoenndata

M3 støtter også video_url-innholdsblokker. MiniMax dokumenterer MP4, AVI, MOV og MKV, og støtter større videoer via sin Files API.

response = client.chat.completions.create(
    model="minimax-m3",
    messages=[{
        "role":   "user",
        "content": [
            {"type":   "text", "text": "Oppsummer arbeidsflyten i denne produktdemoen og list alle synlige feilstater."},
            {
                "type":   "video_url",
                "video_url":   {"url": "mm_file://your_file_id", "detail":   "default"}
            }
        ]
    }]
   )

Hvis applikasjonen din ruter multimodale forespørsler gjennom CometAPI, bekreft den eksakte filtransporten som støttes av den aktive M3-ruten; den leverandør-native identifikatoren mm_file:// tilhører MiniMax sin Files-arbeidsflyt.

Trinn 8: Legg til funksjons- og verktøykall

MiniMax M3 støtter verktøydefinisjoner i den OpenAI-kompatible API-en. En produksjonsagent bør utføre forespurt verktøy, legge ved den komplette assistentmeldingen for verktøykall til samtalehistorikken, og deretter returnere verktøyresultatet til modellen. MiniMax advarer eksplisitt om at bevaring av den komplette responsen er viktig for kontinuitet i resonnementet.

tools = [{
    "type":   "function",
    "function": {
        "name":   "get_build_status",
        "description":   "Hent gjeldende CI-byggstatus for et repository.",
        "parameters": {
            "type":   "object",
            "properties": {
                "repo":   {"type": "string"},
                "branch":   {"type": "string"}
            },
            "required":   ["repo", "branch"]
        }
    }
   }]

   response = client.chat.completions.create(
    model="minimax-m3",
    messages=[{"role":   "user", "content": "Sjekk om main-branchen til acme/payments består CI."}],
    tools=tools,
   )

Trinn 9: Bruk lang kontekst og prompt-caching fornuftig

Et kontekstvindu på 1M tokens betyr ikke at hver forespørsel bør inneholde 1M tokens. Pakk kun filer, logger, dokumenter og verktøyutdata som er relevante for oppgaven. MiniMax sin automatiske prompt-caching kan redusere kostnad og prosesseringstid når gjentatte prefikser som systemprompter, verktøy-lister eller samtalehistorikk går igjen på tvers av forespørsler.

For agenter i repository-skala er et godt mønster å beholde en stabil prosjektsammendrag og verktøyskjema, hente kun filer som er relevante for gjeldende steg, og periodisk komprimere foreldet historikk i stedet for å la sesjonen vokse uten grenser.

Viktige MiniMax M3 API-parametere

Parameterdefinisjonene ovenfor følger MiniMax sin gjeldende OpenAI-kompatible API-referanse. Noen leverandørspesifikke felt kan kreve pass-through-støtte når de rutes gjennom en aggregator, så test ikke-standard felt mot gjeldende CometAPI-endepunkt før utrulling.

MiniMax offisiell API vs CometAPI

MiniMax støtter offisielt både Anthropic-kompatibel og OpenAI-kompatibel invokasjon. Den direkte Anthropic-veien anbefales av MiniMax for avansert thinking-atferd; CometAPI sin M3-modellside vektlegger for tiden OpenAI-stilen /v1/chat/completions-integrasjon.

MiniMax M3 API-priser

Prising fortjener nøye behandling fordi den effektive direkte MiniMax-prisen og listeprisen vist på CometAPI-sammenligningen for øyeblikket ikke er den samme. Per 10. august 2026 oppgir CometAPI M3 til $0.48/M inndata og $1.92/M utdata. Den samme CometAPI-siden sammenligner disse satsene med en MiniMax listepris på $0.60/M inndata og $2.40/M utdata.

Imidlertid viser MiniMax sin gjeldende pay-as-you-go-prisside en permanent 50% rabatt på standard M3-trafikk: for forespørsler med ikke mer enn 512K inndatatokens er den effektive direkteprisen $0.30/M inndata, $1.20/M utdata og $0.06/M cache-lesing. Over 512K inndata er de rabatterte direkte satsene $0.60/M inndata, $2.40/M utdata og $0.12/M cache-lesing.

Dette betyr at CometAPI for øyeblikket ligger under MiniMax sin nominelle listepris, men ikke under leverandørens rabatterte direkte <=512K-rate. For distribusjoner med høyt volum, sammenlign live-priser i stedet for å stole på et fast «20% billigere»-utsagn. Priser kan endres uavhengig på begge plattformer.

Kostnadseksempel

Med CometAPI sin nåværende M3-rate vil en forespørsel med 100 000 inndatatokens og 5 000 utdatatokens koste omtrent:

Den samme forespørselen kan koste mindre på MiniMax direkte hvis den kvalifiserer for leverandørens gjeldende rabatterte <=512K-nivå, men team med flere modeller kan fortsatt verdsette den operative enkelheten ved en samlet gateway.

MiniMax M3 vs Claude Sonnet 5 vs Gemini 3.6 Flash vs Kimi K3

Alle fire modellene retter seg mot agentiske og koding-arbeidsbelastninger, og alle tilbyr svært store kontekstvinduer. Forskjellene er mer synlige i modalitetsstøtte, resonneringskontroller, leverandørøkosystemer og gjeldende CometAPI-priser. Offisiell leverandørdokumentasjon bekrefter 1M kontekstvindu for Claude Sonnet 5, en multimodal API med stor kontekst for Gemini 3.6 Flash, og en 1M-token flaggskip Kimi K3.

Gjeldende CometAPI tokenpriser i tabellen er hentet fra de levende modelsidene for MiniMax M3, Claude Sonnet 5, Gemini 3.6 Flash, og Kimi K3.

Figur 4. Gjeldende tokenprissammenligning på CometAPI, sjekket 10. august 2026. Kilder til modelsider: M3, Gemini 3.6 Flash, Claude Sonnet 5, og Kimi K3.

Hvilken modell bør du velge?

• MiniMax M3 hvis din prioritet er lav tokenpris på CometAPI, 1M kontekst, native bilde-/videoforståelse og langvarige koding- eller verktøybruk-agenter.
• Claude Sonnet 5 når du prioriterer polerte kodingagenter, profesjonelt kunnskapsarbeid og modne Anthropic-stil verktøyarbeidsflyter.
• Gemini 3.6 Flash når multimodalitet, raske agentløkker, Google-native verktøy, lyd/PDF-inndata og gjennomstrømning betyr mest.
• Kimi K3 når arbeidsbelastningen dreier seg om langhorisont-koding, dypt kunnskapsarbeid og en modell som alltid resonerer med et 1M kontekstvindu.

Ikke velg kun basert på én benchmark eller tokenpris. Bygg et lite evalueringssett fra ditt eget repository, dokumenter, verktøykall og feilsaker, og sammenlign suksessrate per oppgave, latens, totalt antall tokens, retry-forsøk og tid for menneskelig korreksjon.

Beste praksis for MiniMax M3 API

• Sett thinking eksplisitt. Bruk adaptive for genuint krevende arbeid og disabled for enkle oppgaver der latens betyr mest. Eksplisitte innstillinger er enklere å benchmarke og reprodusere.
• Bruk 1M-vinduet selektivt. Et stort kontekstvindu er en kapasitetsgrense, ikke et mål. Hent og komprimer før du sender store repositories eller dokumentmengder.
• Bevar historikken for verktøykall. For flerturn-funksjonskalling, behold hele assistentresponsen og verktøykall-objekter slik at kontinuiteten i resonnement ikke brytes.
• Strøm lange svar. Strømming forbedrer opplevd latens for koding, forskning og agentapplikasjoner selv når total tid til fullføring er uendret.
• Utnytt caching for gjentatt kontekst. Stabile systemprompter, verktøyskjemaer og gjentatt historikk er gode kandidater for prompt-caching når den aktive ruten støtter det.
• Mål kostnad per vellykket oppgave. Tokenpris betyr noe, men retry-forsøk, verktøysløyfer, lange resonneringsspor og feilretting dominerer ofte den endelige økonomien til en agent.
• Retest leverandørspesifikke parametere. OpenAI-kompatible gateways kan variere i hvordan de passerer ikke-standard felt. Valider thinking, reasoning_split, multimodale payloads og verktøyatferd før produksjon.

Konklusjon

MiniMax M3 er et sterkt API-alternativ for utviklere som trenger koding, agentisk kjøring, native visuell forståelse og svært lang kontekst i én modell. Den tekniske historien er uvanlig sammenhengende: MSA adresserer serveringsutfordringen ved 1M kontekst, native multimodal trening utvider inndataspekter, og det offentlige benchmarksettet er fokusert på programvareingeniør- og verktøybruk-arbeidsflyter som utviklere faktisk bryr seg om.

For de fleste CometAPI-brukere er det raskeste startpunktet enkelt: opprett en nøkkel, sett base-URL til https://api.cometapi.com/v1, kall modellen minimax-m3, og benchmark den mot dine ekte produksjonsoppgaver. Bestem deretter om du vil aktivere dypere thinking, legge til multimodal inndata eller bygge en verktøysløyfe. Fordi prising og ruteatferd kan endres, sjekk den levende M3-siden på CometAPI og MiniMax sin API-dokumentasjon på nytt før endelig produksjonsutrulling.