TL;DR
MiniMax M3 er MiniMax sin frontier-modell for koding, agentisk arbeid, langkontekstresonnering og multimodal forståelse. Den ble offisielt lansert 1. juni 2026 og kombinerer tre evner som MiniMax fremhevet som kjernen i lanseringen: opptil 1M tokens kontekstvindu, innebygd bilde-/videoforståelse og langsiktig agentutførelse.
Den åpne vektmodellen har omtrent 428 milliarder totale parametere og omtrent 23 milliarder aktiverte parametere. Det innebærer at bare rundt 5,4 % av den oppgitte parameterkapasiteten er aktiv per token, noe som forklarer hvordan en svært stor modell kan forbli praktisk ved inferens. M3 introduserer også MiniMax Sparse Attention (MSA), et blokkvis sparse-attention-design bygget for million-tokens kontekster.
For utviklere er M3 tilgjengelig gjennom MiniMax sitt API og som open-weight-distribusjon, og den er også tilgjengelig via CometAPI for team som ønsker ett grensesnitt for MiniMax og andre modelltilbydere.
Key Takeaways
- MiniMax lanserte M3 1. juni 2026 som en frontier-modell med fokus på koding, agenter, lang kontekst og multimodalitet.
- Den åpne vektutgivelsen oppgir ~428B totale parametere og ~23B aktiverte parametere.
- M3 støtter opptil 1M tokens kontekst, der MiniMax beskriver 512K som garantert minimumsnivå for API-et.
- MiniMax Sparse Attention erstatter full global oppmerksomhet med blokkvalg og eksakt sparsom oppmerksomhet over utvalgte kontekstdeler.
- M3 ble trent med blandede modaliteter fra Step 0 og støtter tekst-, bilde- og videoinndata.
- Offisielle lanseringsbenchmarker inkluderer 59,0 % SWE-Bench Pro, 66,0 % Terminal-Bench 2.1, 83,5 BrowseComp og 75,2 OSWorld-Verified.
- MiniMax demonstrerte nær 12 timer autonom papergjengivelse og omtrent 24 timer med CUDA-kernel-optimalisering med 1 959 verktøykall.
- API-et støtter konfigurerbart resonnement og tekst, bilde, video, funksjonsverktøy, standard-/prioritetsnivåer og langt-kontekst-prising.
What Is MiniMax M3?
MiniMax M3 er etterfølgeren til M2-generasjonen og representerer et større arkitektonisk skifte enn en vanlig punktoppdatering. MiniMax M2.7 var allerede posisjonert rundt reell programvareutvikling, kontorproduktivitet og agentarbeidsflyter, men M3 legger til en ny sparse-attention-arkitektur, innebygd multimodal pretrening og et mål om million-token-kontekst.
M3 som en frontier multimodal kodingsmodell med et 1M kontekstvindu. Det offisielle open-weight-repositoriet legger til de viktigste skalatallene: omtrent 428B parametere totalt og 23B aktiverte. Den tilknyttede MSA-rapporten beskriver også arkitekturen som opererende i en Mixture-of-Experts-innstilling, noe som er konsistent med forskjellen mellom totale og aktive parametere.
Dette gjør M3 mindre interessant som “en større M2.7” og mer interessant som en konvergensmodell. Den samler repositorie-skala kontekst, koding, multimodal persepsjon, datamaskinorienterte agenter og lokal/åpen distribusjon i ett system. MiniMax rammet eksplisitt inn den kombinasjonen som lanseringens hoveddifferensiator i stedet for å hevde at M3 vinner alle benchmarker.
MiniMax M3 Specifications
| Spesifikasjon | MiniMax M3 |
|---|---|
| Lanseringsdato | June 1, 2026 |
| Modellstørrelse | ~428B totale parametere; ~23B aktiverte |
| Arkitektur | Sparsom Mixture-of-Experts med MiniMax Sparse Attention (MSA) |
| Kontekstvindu | Opptil 1M tokens; API garantert minimum 512K |
| Inndata-modaliteter | Tekst, bilde, video |
| Utdata | Tekst |
| Styring av resonnement | Thinking på/adaptiv eller deaktivert gjennom API-parametere |
| Maksimal generering | Anbefalt 128K; API-dokumentasjon tillater opptil 512K max_completion_tokens |
| Verktøybruk | Funksjonsverktøy; agentorienterte arbeidsflyter |
| Vekter | Open-weight-utgivelse på Hugging Face / GitHub instruksjoner |
Konteksten, modalitetene og API-oppførselen over er dokumentert i MiniMax’ offisielle modell- og API-dokumentasjon; parametertallene og lenker for lokal distribusjon kommer fra det offisielle M3-repositoriet.
From MiniMax M2.7 to M3
| Dimensjon | MiniMax M2.7 | MiniMax M3 |
|---|---|---|
| Kontekstvindu | 204,800 tokens | Opptil 1M tokens |
| Innebygget bilde-/videoinndata | Nei; M2.x tekst-/verktøy-arbeidsflyter | Ja; tekst + bilde + video |
| Oppmerksomhetsretning | Konvensjonell M2-serie-serving | MSA sparsom oppmerksomhet |
| Tenkekontroll | Resonnement kan ikke deaktiveres i M2.x | Tenkning kan deaktiveres for lavere latens |
| Primær posisjonering | Koding, verktøykall, kontor-/agentarbeidsflyter | Koding + agenter + multimodalitet + million-token-kontekst |
| Fokus på åpne vekter | M2.7 økosystem for åpne modeller | M3-vekter + dedikert MSA-implementering |
MiniMax’ API-dokumentasjon lister M2.7 på et 204 800-tokens kontekstnivå mens M3 flytter til million-token-klassen. Den større forskjellen er kvalitativ: M3 aksepterer visuelle og video-inndata direkte, mens M2.x-API-et forblir tekst- og verktøyorientert.
What Is New in MiniMax M3?
En 428B-modell med omtrent 23B aktive parametere
Det offentlige M3-repositoriet oppgir at modellen har ~428B totale parametere og ~23B aktiverte parametere. I praktiske termer er den oppgitte aktive andelen omtrent 5,4 %. Det er den grunnleggende appellen ved en sparsom ekspertarkitektur: total kapasitet kan være svært stor, mens beregningsveien for et gitt token bare berører en brøkdel av modellen.
Parameterantall alene bestemmer ikke kvalitet, og “428B” bør ikke leses som 428B tette parametere som evalueres for hvert token. En mer nyttig tolkning er at M3 har en stor reserve av modellevne paret med betinget aktivering og et oppmerksomhetssystem designet for å holde kostnaden ved lang kontekst håndterbar.
MiniMax Sparse Attention: Gjøre 1M kontekst praktisk
Det sentrale arkitektoniske skiftet er MiniMax Sparse Attention (MSA). Full softmax-oppmerksomhet vokser kvadratisk med sekvenslengden, noe som blir kostbart når agenthistorikker, kodelagre, verktøyslogger, bilder og lange dokumenter akkumuleres til hundretusener av tokens.
MSA legger til en lettvekts Index Branch som scorer key-value-blokker og velger et Top-k-undermengde for hver gruppert spørringsoppmerksomhetsgruppe. Hovedgrenen utfører deretter eksakt blokk-sparsom oppmerksomhet kun på de utvalgte blokkene. MiniMax’ tekniske rapport beskriver dette som et maskinvareorientert design som skal bevare kvaliteten samtidig som mengden kontekst som må behandles med full oppmerksomhet reduseres.
Figur 1. MiniMax Sparse Attention (MSA)-arkitektur. Kilde: MiniMax offisiell MSA-figur
Ved 1M kontekst rapporterer MiniMax at M3 bruker omtrent 1/20 av forrige generasjons beregning per token og leverer mer enn 9× prefill-hastighetsøkning og mer enn 15× dekoderingshastighetsøkning sammenlignet med M2. Den separate MSA-artikkelen rapporterer flere kontrollerte eksperimenter på en 109B MoE-testmodell, så disse tallene fra artikkelen bør ikke forveksles med produksjonstallene M3-vs-M2.
Det skillet betyr noe. Artikkelen validerer oppmerksomhetsmekanismen i en forskningssetting; M3-lanseringstallene beskriver produksjonsmodellen. De to resultatene peker i samme retning, men de er ikke samme benchmark.
Innebygd multimodalitet fra Step 0
M3 presenteres ikke som en tekstmodell med en separat visuelt adapter lagt til på slutten. MiniMax sier at den gjennomgikk blandet-modalitetstrening fra Step 0 og bygde om pretreningsdatapipelinen for å øke sammenvevd multimodale data.
Produksjons-API-et støtter tekst-, bilde- og videoinndata. Dette er viktig for koding og agentarbeid fordi mange reelle oppgaver ikke er rent tekstbaserte: feilsøking kan kreve et skjermbilde, frontend-arbeid kan kreve sammenligning med et referansebilde, forskning kan inkludere grafer og ligninger, og datamaskin-bruksagenter opererer gjennom visuelle grensesnitt.
En nyttig måte å tenke på M3s multimodalitet er derfor ikke “den kan beskrive et bilde”, men “visuell tilstand kan forbli i samme langvarige resonnementssløyfe som kode, verktøyutdata, dokumenter og tilbakemelding fra brukeren”.
Interaktiv koding og agenttrening
MiniMax hevder at klassiske kodingsbenchmarker er for enkeltstående til å representere hvordan utviklere faktisk jobber. For M3 bygde de en interaktiv brukersimulator som eksponerer modellen for kravavklaringer, løsningsdiskusjon, tilbakemeldingsbasert korrigering, oppgaveskifte og prosjekter over flere runder.
Målet er å gå fra passiv instruksjonsutførelse til samarbeid. En effektiv kodingsagent må kunne dekomponere en oppgave, kalle verktøy, tolke feil, revidere en plan, bevare tidligere beslutninger og fortsette etter det første plausible svaret. M3s lange kontekst og verktøyorienterte trening er designet rundt nettopp den sløyfen.
Langhorisont autonom utførelse
MiniMax’ mest overbevisende M3-demonstrasjoner er ikke chatteeksempler. Det er langvarige oppgaver der modellen må opprettholde tilstand og fortsette å forbedre seg etter gjentatte verktøytilbakemeldinger.
| Oppgave | Autonom kjøretid | Bevis på utholdenhet | Rapportert resultat |
|---|---|---|---|
| ICLR-papergjengivelse | Nesten 12 timer | 18 commits; 23 eksperimentelle figurer | Kjerneeksperimenter gjengitt |
| FP8 GEMM-kerneloptimalisering | ~24 timer | 147 benchmark-innsendelser; 1 959 verktøykall | 7,6 % → 71,3 % topputnyttelse; 9,4× hastighetsøkning |
| PostTrainBench modelltrening | 12-timers oppgavevindu | Datasyntese → trening → evaluering → iterasjon | Score 0,37; bak Opus 4.7 og GPT-5.5, foran andre modeller i MiniMax-rapporten |
I papergjengivelsesoppgaven kjørte M3 i nær 12 timer og produserte 18 commits pluss 23 eksperimentelle figurer. Oppgaven kombinerte lesing av paper, forståelse av grafer/formler, kodeskriving, eksperimenter og iterativ tolkning.
.png)
Figur 2. M3s autonome papergjengivelsesforløp over omtrent 12 timer. Kilde: MiniMax offisiell M3-demonstrasjon
I CUDA-optimaliseringsoppgaven fullførte M3 147 benchmark-innsendelser og 1 959 verktøykall over omtrent 24 timer, og økte til slutt rapportert Hopper FP8 topputnyttelse fra 7,6 % til 71,3 % for en 9,4× hastighetsøkning uten menneskelig inngripen. Det bemerkelsesverdige er ikke bare den endelige hastighetsøkningen; MiniMax sier at modellens beste løsning dukket opp ved den 145. innsendingen, etter flere platåer.
Benchmark Performance of MiniMax M3
MiniMax’ lanseringsbenchmark-diagram sammenligner M3 med Claude Opus 4.7, GPT-5.5, og Gemini 3.1 Pro på tvers av koding, terminal, nettlesing, kontor, verktøybruk og datamaskinbruk. Dette er de mest nyttige direkte sammenligningene fordi de ble publisert i samme M3-lanseringspakke.
Figur 3. MiniMax’ offisielle M3-lanseringsbenchmark-sammenligning. Kilde: MiniMax offisielt benchmark-bilde
| 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 |
Alle score i denne tabellen er overført fra MiniMax’ offisielle M3-lanseringsdiagram. De bør leses som leverandørrapporterte lanseringsresultater, ikke som en ny uavhengig gjenkjøring utført av CometAPI.
Hva benchmark-resultatene faktisk viser
For det første er M3 genuint konkurransedyktig i programvareutvikling. På SWE-Bench Pro scorer den 59,0, over de 58,6 og 54,2 verdiene MiniMax rapporterer for GPT-5.5 og Gemini 3.1 Pro, men under Claude Opus 4.7 på 64,3. KernelBench Hard forteller en lignende historie: M3 på 28,8 er nær Opus 4.7 på 30,7 og betydelig over de to andre verdiene i MiniMax’ diagram.
For det andre er terminalutførelse ikke M3s sterkeste relative resultat. Terminal-Bench 2.1 plasserer M3 på 66,0, i praksis likt med Opus 4.7 på 66,1, men langt bak GPT-5.5 på 78,2 og Gemini 3.1 Pro på 70,0.
For det tredje er M3 sterk, men ikke dominerende på informasjonsinnhenting. BrowseComp er 83,5: høyere enn Opus 4.7s 79,3, men litt under GPT-5.5 på 84,4 og Gemini 3.1 Pro på 85,9. MCP Atlas på 74,2 ligger også nær GPT-5.5s 75,3 og Opus 4.7s 77,0.
For det fjerde gir lanseringsdiagrammet M3 et spesielt godt resultat på SVG-Bench: 63,7 versus 62,3 for Opus 4.7, 58,2 for GPT-5.5 og 59,2 for Gemini 3.1 Pro. Det passer med det bredere M3-designet: innebygd visuell forståelse er ment å delta direkte i kode- og agentarbeidsflyter snarere enn å forbli en separat visjonsfunksjon.
Den overordnede konklusjonen er derfor mer nyansert enn “M3 slår lukkede modeller.” M3 entrer samme ytelsesbånd på mange agentiske oppgaver, vinner utvalgte evalueringer og taper andre. Dens differensiator er hva som følger med disse score: åpne vekter, multimodal trening, et million-token kontekstdesign og aggressive serving-økonomier.
MiniMax M3 vs Claude Opus 5 vs GPT-5.6 Sol vs Gemini 3.7 Flash
MiniMax M3 ble lansert i et hurtig bevegende marked, og det opprinnelige sammenligningssettet er ikke lenger det mest nyttige referansepunktet. En mer relevant sammenligning i nåværende generasjon er Claude Opus 5, GPT-5.6 Sol og Gemini 3.7 Flash—nyere lukkede modeller som sikter på koding, agenter og multimodalt arbeid. Fordi disse modellene ikke evalueres under ett identisk rammeverk, vektlegger tabellen dokumenterte kapabiliteter og bruker benchmark-tall kun der metrikken er direkte rapportert.
| Dimensjon | MiniMax M3 | Claude Opus 5 | GPT-5.6 Sol | Gemini 3.7 Flash |
|---|---|---|---|---|
| Vekter | Åpne vekter | Lukket | Lukket | Lukket / hostet API |
| Offentlig parameterantall | ~428B totalt / ~23B aktiv | Ikke oppgitt | Ikke oppgitt | Ikke oppgitt |
| Kontekstvindu | Opptil 1M | 1M | 1,050,000 | 1M |
| Inndata-modaliteter | Tekst, bilde, video | Tekst, bilde, PDF | Tekst, bilde | Tekst, bilde, video, lyd, PDF |
| Fokus på koding/agenter | Koding + langtidsagenter + multimodalitet | Kompleks agentisk koding + virksomhetsarbeid | Frontier-koding + verktøytunge profesjonelle agenter | Rask agentisk koding + multimodale arbeidsflyter |
| Datamaskin-/verktøybruk | Funksjonsverktøy + MiniMax Code + datamaskinbruk | Server-/klientverktøy + datamaskinbruk | Nett-/filsøk, shell, datamaskinbruk, MCP | Funksjonskalling, søk, datamaskinbruk |
| Terminal-Bench 2.1* | 66.0 | Ikke rapportert i Opus 5-lansering | 88.8 | 85.8 |
| Representativt kodingssignal* | SWE-Bench Pro 59.0 | Frontier-Bench v0.1: SOTA i Anthropic-rapport | DeepSWE v1.1 72.7 | DeepSWE v1.1 65.3 |
| Beste grunn til å velge | Åpne vekter + lav kostnad + 1M multimodal kontekst | Dømmekraft + langhorisont autonomi | Rå koding/terminal ytelse + bred verktøystakk | Hastighet/kostnad + innebygd multimodalitet |
Disse benchmark-tallene kommer fra ulike leverandørevalueringspakker og bør ikke leses som en enkelt synkronisert resultatliste. M3s 66,0 Terminal-Bench 2.1-score kommer fra MiniMax’ lanseringsevaluering; OpenAI rapporterer 88,8 for GPT-5.6 Sol, mens Google rapporterer 85,8 for Gemini 3.7 Flash. Anthropics Opus 5-lansering vektlegger Frontier-Bench, GDPval-AA, AutomationBench og OSWorld 2.0 fremfor å publisere et direkte sammenlignbart Terminal-Bench 2.1-resultat. For modellvalg bør du benchmarke kandidatene under ett rammeverk på din egen arbeidsmengde i stedet for å behandle tverrleverandør-lanseringstall som en permanent rangering.
Hvor MiniMax M3 har den klareste fordelen
Den tydeligste M3-fordelen er distribusjonsvalg. Verken benchmark-diagrammet eller parameterantallet alene forklarer hvorfor utviklere kan bry seg om modellen. M3 kombinerer åpne vekter med et konteksts- og multimodalitetssett som normalt forbindes med hostede frontier-systemer. Det gjør den attraktiv når team trenger lokal distribusjon, leverandøruavhengighet, spesialisert serving eller dyp kontroll over inferensstakken.
Dens andre fordel er langkontekst kostnadsarkitektur. MSA er eksplisitt designet for å hindre at oppmerksomhetsberegning eksploderer i million-token-skala. Dette gjør ikke 1M-token-forespørsler billige i absolutt forstand—KV-cache, ekspertutførelse og multimodale inndata koster fortsatt ressurser—men det endrer skaleringen sammenlignet med full oppmerksomhet.
Hvor lukkede modeller fortsatt leder
Det samme offisielle benchmark-diagrammet viser hvorfor M3 ikke bør presenteres som en automatisk erstatning for alle lukkede frontier-modeller. Claude Opus 4.7 har sterkere resultater på SWE-Bench Pro, KernelBench Hard, GDPval, BankerToolBench, MCP Atlas og OSWorld-Verified i MiniMax’ egen sammenligning. GPT-5.5 er mye sterkere på Terminal-Bench 2.1 og leder GDPval. Gemini 3.1 Pro leder litt på BrowseComp.
For produksjonsteam kan lukkede plattformer også tilby modne sikkerhetskontroller, hostede verktøy, observabilitet, kapasitetsgarantier og integrasjoner som betyr mer enn åpne vekter. M3 blir mest overbevisende når distribusjons- og kostnadsfordelene er en del av kravene, ikke når benchmark-rangering er det eneste kriteriet.
MiniMax M3 API Pricing
MiniMax bruker for tiden to standard prisnivåer for kontekst. Deres offisielle prisside viser en “permanent 50 % rabatt”-sats på $0,30/M inndata og $1,20/M utdata for forespørsler på eller under 512K inndatatokens. Forespørsler over 512K vises til $0,60/M inndata og $2,40/M utdata. Prioritetstjeneste prises til 1,5× standardnivået.
| Rute / nivå | Inndatapris per 1M tokens | Utdata pris per 1M tokens | Kontekstmerknad |
|---|---|---|---|
| MiniMax offisiell Standard (nåværende rabattert sats) | $0.30 | $1.20 | ≤512K inndata |
| MiniMax offisiell Standard lang kontekst | $0.60 | $2.40 | >512K inndata |
| MiniMax offisiell Prioritet (rabattert sats) | $0.45 | $1.80 | ≤512K inndata; prioritetsopptak |
| CometAPI MiniMax-M3-side | $0.48 | $1.92 | Enhetlig gateway-prising vist av CometAPI |
* CometAPIs MiniMax-M3 er $0,48/M inndata og $1,92/M utdata og sammenligner det med MiniMax’ ikke-rabatterte listepris på $0,60/$2,40. Fordi MiniMax’ egen plattform for øyeblikket viser en separat 50 %-rabattert standardpris, bør utviklere sammenligne den faktiske gjeldende satsen de blir fakturert til i stedet for å stole kun på en overskriftsrabattprosent.
Grunnen til å bruke CometAPI i denne situasjonen er derfor ikke nødvendigvis den laveste direkte kampanjeprisen til enhver tid. Verdien er et enhetlig API- og fakturalag når en applikasjon trenger å rute mellom M3 og andre leverandører uten å opprettholde separate integrasjoner.
What Can MiniMax M3 Do?
Koding og utvikling i repositorie-skala
M3s mest åpenbare bruksområde er programvareutvikling på tvers av store repositorier. Et kontekstvindu på én million tokens kan romme langt mer kode, dokumentasjon, testutdata, historikk for issues og agenttilstand enn 204,8K-vinduet i forrige M2-generasjon. I praksis muliggjør det arbeidsflyter som flerfil-funksjonsimplementering, repositorie-omfattende refaktorering, feildiagnose, testreparasjon, build/terminal-sløyfer, PR-gjennomgang og ytelsesoptimalisering.
Nøkkelen er utholdenhet. En kodingsagent i repositorie-skala er bare nyttig hvis den kan beholde de opprinnelige kravene mens den akkumulerer verktøyutdata og revisjoner. 12-timers- og CUDA-demonstrasjonene antyder at M3 er designet for å fortsette arbeidet etter mellomliggende feil i stedet for å behandle hver verktøykall som en separat kort oppgave.
Autonom forskning og eksperimentering
Papergjengivelseseksemplet er en god mal for forskningsagenter. M3 kan lese et paper, inspisere figurer, resonnere om formler, generere kode, kjøre eksperimenter, evaluere om resultater samsvarer med forventninger og fortsette å forbedre implementeringen. Evnen til å beholde paper-tekst, kode og eksperimentlogger i én lang kontekst reduserer mengden tilstand som må oppsummeres eller rekonstrueres eksternt.
Dette er også grunnen til at PostTrainBench er relevant. MiniMax ba M3 syntetisere treningsdata, trene basismodeller, evaluere dem og iterere uten menneskelig inngripen. M3 kom ikke først—den endte bak Opus 4.7 og GPT-5.5 i MiniMax’ rapport—men eksperimentet demonstrerer en form for forskningsautomatisering som er mer kompleks enn vanlig spørsmål-svar.
Multimodal teknisk analyse
Fordi M3 aksepterer bilder og video nativt, kan tekniske arbeidsflyter kombinere visuelt bevis med tekst og kode. Eksempler inkluderer å sammenligne en frontend-implementering med et skjermbilde, analysere grafer i et forskningspaper, inspisere UI-tilstand under datamaskinbruk, hente informasjon fra diagrammer eller kombinere videoobservasjoner med en lang vedlikeholdslogg.
MiniMax’ OpenAI-kompatible API-dokumentasjon støtter eksplisitt image_url og video_url innholdssegmenter for M3, inkludert opplastede filer for større videoer. Dette gjør multimodal inndata til en utviklerrettet API-funksjon snarere enn bare en produktdemo.
Datamaskin- og kontorautomatisering
MiniMax Code er designet som et agent-rammeverk rundt M3. Selskapet sier at Agent Team kan splitte komplekse oppgaver i flertrinns samtidige arbeidsflyter og bruke en Produsent + Verifiserer-sløyfe for refleksjon og korrigering. M3s innebygde multimodalitet muliggjør også datamaskinbruks-arbeidsflyter som beveger seg på tvers av applikasjoner, filer, regneark og skrivebordsgrensesnitt.
Et offisielt eksempel er en instruks om å åpne en lokal ERP-klient og masse-registrere fakturainformasjon fra et Excel-regneark. Den viktige evnen er tverrapplikasjons-tilstand: agenten må forstå regnearket, operere i grensesnittet, bevare mapping mellom felter og gjenopprette hvis UI-et endres eller en handling feiler.
Dokument- og kunnskapsarbeid med lang kontekst
Et 1M kontekstvindu er nyttig for mer enn kode. Det kan støtte store samlinger av kontrakter, retningslinjer, tekniske spesifikasjoner, forskningsartikler, hendelsesrapporter eller kundedata i én arbeidskontekst. Fordelen er ikke bare “flere sider”; det er evnen til å resonnere på tvers av fjern evidens samtidig som en lang agenthistorikk bevares.
Det er fortsatt en praktisk advarsel: maksimal kontekstkapasitet garanterer ikke perfekt gjenkalling i hver posisjon, og svært store prompt øker latens og kostnad. Lang kontekst bør kombineres med gjenfinning, caching, strukturert minne eller oppgavesegmentering når disse tilnærmingene forbedrer påliteligheten.
Final Verdict: Is MiniMax M3 a Frontier Model?
Ja—men det sterkeste argumentet for den etiketten er ikke at M3 topper hvert diagram. Det gjør den ikke.
Det MiniMax M3 endrer er avveiningen. Den tilbyr konkurransedyktig frontier-ytelse ved lansering samtidig som den gir åpne vekter, et million-token sparse-attention-design, innebygd trening på tekst-bilde-video, langhorisont agentatferd og langt lavere per-token API-prising enn de lukkede flaggskipmodellene i det opprinnelige sammenligningssettet.
SEO-informasjon
Foreslått URL: /blog/minimax-m3-specs-benchmarks-pricing
Beskrivelse: Utforsk MiniMax M3s spesifikasjoner, 1M-token kontekst, sparse attention, multimodale kapabiliteter, benchmark-ytelse, API-prising, bruksområder og modellsammenligninger.
Nøkkelord: MiniMax M3, MiniMax M3 spesifikasjoner, MiniMax M3 benchmarker, MiniMax M3 API-prising, MiniMax Sparse Attention, 1M-token kontekstvindu, multimodal kodingsmodell, åpenvekt AI-modell, langhorisont AI-agenter, MiniMax M3 vs GPT-5.5