TL;DR
MiniMax M3 é o modelo de ponta da MiniMax para programação, trabalho agentivo, raciocínio com contexto longo e compreensão multimodal. Foi lançado oficialmente em 1º de junho de 2026 e combina três capacidades que a MiniMax tratou como o centro do lançamento: janela de contexto de até 1M tokens, compreensão nativa de imagem/vídeo e execução de agentes de longo horizonte.
O modelo com pesos abertos tem cerca de 428 bilhões de parâmetros totais e cerca de 23 bilhões de parâmetros ativados. Isso implica que apenas aproximadamente 5,4% de sua capacidade de parâmetros divulgada é ativada em um token típico, ajudando a explicar como um modelo muito grande pode permanecer prático no tempo de inferência. O M3 também introduz a MiniMax Sparse Attention (MSA), um design de atenção esparsa por blocos criado para contextos de milhões de tokens.
Para desenvolvedores, o M3 está disponível pela API da MiniMax e como pesos abertos, e também está disponível via CometAPI para equipes que desejam uma interface única para a MiniMax e outros provedores de modelos.
Principais destaques
- A MiniMax lançou o M3 em 1º de junho de 2026 como um modelo de ponta focado em programação, agentes, contexto longo e multimodalidade.
- O lançamento com pesos abertos divulga ~428B parâmetros totais e ~23B parâmetros ativados.
- O M3 suporta até 1M tokens de contexto, com a MiniMax descrevendo 512K como o nível mínimo garantido para a API.
- A MiniMax Sparse Attention substitui a atenção global completa por seleção de blocos e atenção esparsa exata sobre regiões de contexto selecionadas.
- O M3 foi treinado com modalidades mistas desde o Passo 0 e suporta entrada de texto, imagem e vídeo.
- Benchmarks oficiais de lançamento incluem 59.0% SWE-Bench Pro, 66.0% Terminal-Bench 2.1, 83.5 BrowseComp e 75.2 OSWorld-Verified.
- A MiniMax demonstrou quase 12 horas de reprodução autônoma de artigo e aproximadamente 24 horas de otimização de kernel CUDA com 1.959 chamadas de ferramentas.
- A API suporta controle de raciocínio configurável e texto, imagem, vídeo, ferramentas de função, camadas de serviço padrão/prioritária e preços para contexto longo.
O que é o MiniMax M3?
O MiniMax M3 é o sucessor da geração M2 e representa uma mudança arquitetural maior do que uma atualização pontual normal. O MiniMax M2.7 já estava posicionado em engenharia de software do mundo real, produtividade de escritório e fluxos de trabalho com agentes, mas o M3 adiciona uma nova arquitetura de atenção esparsa, pré-treinamento multimodal nativo e uma meta de contexto de um milhão de tokens.
O M3 como modelo multimodal de programação com janela de contexto de 1M. O repositório oficial de pesos abertos adiciona as cifras de escala mais importantes: aproximadamente 428B parâmetros no total e 23B ativados. O relatório técnico associado ao MSA também descreve a arquitetura como operando em um cenário de Mixture-of-Experts, o que é consistente com a divisão divulgada entre parâmetros totais e ativos.
Isso torna o M3 menos interessante como “um M2.7 maior” e mais interessante como um modelo de convergência. Ele reúne contexto em escala de repositório, programação, percepção multimodal, agentes orientados a computador e implantação local/aberta em um único sistema. A MiniMax explicitamente enquadrou essa combinação como o principal diferencial do lançamento, em vez de afirmar que o M3 vence todos os benchmarks.
Especificações do MiniMax M3
| 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 |
O contexto, as modalidades e o comportamento da API acima estão documentados na documentação oficial do modelo e da API da MiniMax; as cifras de parâmetros e os links para implantação local vêm do repositório oficial do M3.
Do MiniMax M2.7 ao 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 |
A documentação da API da MiniMax lista o M2.7 com nível de contexto de 204.800 tokens, enquanto o M3 migra para a classe de um milhão de tokens. A diferença maior é qualitativa: o M3 aceita entradas visuais e de vídeo diretamente, ao passo que a API M2.x permanece orientada a texto e ferramentas.
O que há de novo no MiniMax M3?
Um modelo de 428B com cerca de 23B parâmetros ativos
O repositório público do M3 afirma que o modelo possui ~428B parâmetros totais e ~23B parâmetros ativados. Em termos práticos, a fração ativa divulgada é de cerca de 5,4%. Esse é o apelo básico de uma arquitetura de especialistas esparsos: a capacidade total pode ser muito grande enquanto o caminho de computação para um dado token toca apenas uma fração do modelo.
A contagem de parâmetros por si só não determina a qualidade, e “428B” não deve ser lido como 428B parâmetros densos sendo avaliados para cada token. A interpretação mais útil é que o M3 possui um grande pool de capacidade de modelo pareado com ativação condicional e um sistema de atenção projetado para manter o custo de contexto longo gerenciável.
MiniMax Sparse Attention: tornando prático o contexto de 1M
A mudança arquitetural central é a MiniMax Sparse Attention (MSA). A atenção softmax completa cresce quadraticamente com o comprimento da sequência, o que se torna caro quando históricos de agentes, repositórios de código, logs de ferramentas, imagens e documentos longos se acumulam em centenas de milhares de tokens.
A MSA adiciona um ramo de índice leve que pontua blocos de chave-valor e seleciona um subconjunto Top-k para cada grupo de atenção de consultas agrupadas. O ramo principal então executa atenção esparsa exata por blocos apenas nesses blocos selecionados. O relatório técnico da MiniMax descreve isso como um design orientado a hardware destinado a preservar a qualidade enquanto reduz a quantidade de contexto que precisa ser processada por atenção completa.
Figura 1. Arquitetura MiniMax Sparse Attention (MSA). Fonte: figura oficial do MSA da MiniMax
Em contexto de 1M, a MiniMax relata que o M3 usa cerca de 1/20 do custo computacional por token da geração anterior e oferece mais de 9× de aceleração no prefill e mais de 15× na decodificação versus o M2. O artigo separado da MSA relata experimentos controlados adicionais em um modelo de teste MoE de 109B, portanto esses números do artigo não devem ser confundidos com as cifras de produção M3-vs-M2.
Essa distinção importa. O artigo valida o mecanismo de atenção em um ambiente de pesquisa; os números do lançamento do M3 descrevem o modelo de produção. Os dois resultados apontam na mesma direção, mas não são o mesmo benchmark.
Multimodalidade nativa desde o Passo 0
O M3 não é apresentado como um modelo de texto com um adaptador visual separado adicionado no final. A MiniMax diz que passou por treinamento de modalidades mistas desde o Passo 0 e reconstruiu seu pipeline de dados de pré-treinamento para aumentar dados multimodais intercalados.
A API de produção suporta entrada de texto, imagem e vídeo. Isso importa para programação e trabalho de agentes porque muitas tarefas reais não são apenas texto: depuração pode exigir uma captura de tela, trabalho de frontend pode requerer comparação com uma imagem de referência, pesquisas podem incluir gráficos e equações, e agentes de uso de computador operam por interfaces visuais.
Uma forma útil de pensar sobre a multimodalidade do M3, portanto, não é “ele pode descrever uma imagem”, mas “o estado visual pode permanecer dentro do mesmo loop de raciocínio de longa duração que código, saída de ferramentas, documentos e feedback do usuário”.
Programação interativa e treinamento de agentes
A MiniMax argumenta que benchmarks clássicos de programação são excessivamente single-turn para representar como desenvolvedores realmente trabalham. Para o M3, ela construiu um simulador de usuário interativo que expõe o modelo a esclarecimento de requisitos, discussão de soluções, correção baseada em feedback, troca de tarefas e iteração de projeto em múltiplas rodadas.
O objetivo é mover da execução passiva de instruções para a colaboração. Um agente de programação eficaz deve ser capaz de decompor uma tarefa, chamar ferramentas, interpretar falhas, revisar um plano, preservar decisões anteriores e continuar após a primeira resposta plausível. O contexto longo do M3 e o treinamento orientado a ferramentas foram desenhados exatamente para esse loop.
Execução autônoma de longo horizonte
As demonstrações mais persuasivas do M3 pela MiniMax não são exemplos de chat. São tarefas de longa duração nas quais o modelo deve manter estado e continuar melhorando após feedback repetido de ferramentas.
| 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 |
Na tarefa de reprodução de artigo, o M3 rodou por quase 12 horas e produziu 18 commits mais 23 figuras experimentais. A tarefa combinou leitura de artigo, entendimento de gráficos/fórmulas, escrita de código, experimentos e interpretação iterativa.
.png)
Figura 2. Trajetória autônoma do M3 na reprodução de artigo ao longo de aproximadamente 12 horas. Fonte: demonstração oficial do M3 da MiniMax
Na tarefa de otimização de CUDA, o M3 completou 147 submissões de benchmark e 1.959 chamadas de ferramentas ao longo de cerca de 24 horas, elevando por fim a utilização de pico FP8 no Hopper de 7.6% para 71.3% para um ganho de 9.4× sem intervenção humana. O ponto notável não é apenas o ganho final; a MiniMax diz que a melhor solução do modelo apareceu em sua 145ª submissão, após vários platôs.
Desempenho de benchmark do MiniMax M3
O gráfico de benchmark do lançamento da MiniMax compara o M3 com Claude Opus 4.7, GPT-5.5, e Gemini 3.1 Pro em tarefas de programação, terminal, navegação, escritório, uso de ferramentas e uso de computador. Essas são as comparações diretas mais úteis porque foram publicadas no mesmo pacote de lançamento do M3.
Figura 3. Comparação oficial de benchmark do lançamento do M3 pela MiniMax. Fonte: imagem oficial de benchmark da 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 |
Todas as pontuações nesta tabela foram transcritas do gráfico oficial de lançamento do M3 da MiniMax. Devem ser lidas como resultados de lançamento reportados pelo fornecedor, não como uma nova reexecução independente realizada pela CometAPI.
O que os resultados de benchmark realmente mostram
Primeiro, o M3 é genuinamente competitivo em engenharia de software. No SWE-Bench Pro ele marca 59.0, acima dos valores 58.6 e 54.2 que a MiniMax relata para GPT-5.5 e Gemini 3.1 Pro, mas abaixo de Claude Opus 4.7 com 64.3. O KernelBench Hard conta uma história semelhante: M3 com 28.8 fica próximo de Opus 4.7 com 30.7 e substancialmente acima dos outros dois valores no gráfico da MiniMax.
Segundo, execução em terminal não é o ponto forte relativo do M3. O Terminal-Bench 2.1 coloca o M3 em 66.0, essencialmente empatado com Opus 4.7 em 66.1, mas bem atrás de GPT-5.5 em 78.2 e Gemini 3.1 Pro em 70.0.
Terceiro, o M3 é forte, mas não dominante em coleta de informações. BrowseComp está em 83.5: maior que os 79.3 de Opus 4.7, mas ligeiramente abaixo de GPT-5.5 em 84.4 e Gemini 3.1 Pro em 85.9. MCP Atlas com 74.2 também fica próximo dos 75.3 de GPT-5.5 e 77.0 de Opus 4.7.
Quarto, o gráfico de lançamento dá ao M3 um resultado particularmente bom no SVG-Bench: 63.7 contra 62.3 para Opus 4.7, 58.2 para GPT-5.5 e 59.2 para Gemini 3.1 Pro. Isso se alinha ao desenho mais amplo do M3: a compreensão visual nativa pretende participar diretamente de fluxos de trabalho de programação e agentes, em vez de permanecer um recurso de visão separado.
A conclusão geral é, portanto, mais sutil do que “o M3 supera modelos fechados”. O M3 entra na mesma faixa de desempenho em muitas tarefas agentivas, vence algumas avaliações e perde outras. Seu diferencial é o que acompanha essas pontuações: pesos abertos, treinamento multimodal, um design de contexto de um milhão de tokens e economia agressiva de atendimento.
MiniMax M3 vs Claude Opus 5 vs GPT-5.6 Sol vs Gemini 3.7 Flash
O MiniMax M3 foi lançado em um mercado em rápida evolução, e seu conjunto original de comparação não é mais a referência mais útil. Uma comparação de geração mais atual é Claude Opus 5, GPT-5.6 Sol e Gemini 3.7 Flash—modelos fechados mais novos voltados para programação, agentes e trabalho multimodal. Como esses modelos não são avaliados sob um mesmo arnês idêntico, a tabela enfatiza capacidades documentadas e usa cifras de benchmark apenas quando a métrica é diretamente reportada.
| 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 |
Essas cifras de benchmarks vêm de pacotes de avaliação de diferentes provedores e não devem ser lidas como um ranking sincronizado único. A pontuação 66.0 do Terminal-Bench 2.1 do M3 vem da avaliação de lançamento da MiniMax; a OpenAI relata 88.8 para o GPT-5.6 Sol, enquanto o Google relata 85.8 para o Gemini 3.7 Flash. O lançamento do Opus 5 da Anthropic enfatiza Frontier-Bench, GDPval-AA, AutomationBench e OSWorld 2.0, em vez de publicar um resultado diretamente comparável do Terminal-Bench 2.1. Para seleção de modelo, avalie os candidatos sob um único arnês na sua própria carga de trabalho, em vez de tratar as cifras de lançamento entre provedores como um ranking permanente.
Onde o MiniMax M3 tem a vantagem mais clara
A vantagem mais clara do M3 é a escolha de implantação. Nem o gráfico de benchmarks nem a contagem de parâmetros por si só explicam por que desenvolvedores podem se importar com o modelo. O M3 combina pesos abertos com um comprimento de contexto e um conjunto de capacidades multimodais normalmente associados a sistemas de ponta hospedados. Isso o torna atraente quando equipes precisam de implantação local, independência de fornecedor, atendimento especializado ou controle profundo sobre a pilha de inferência.
Sua segunda vantagem é a arquitetura de custo para contexto longo. A MSA é explicitamente projetada para evitar que o custo de atenção exploda em escala de um milhão de tokens. Isso não torna requisições de 1M de tokens baratas em termos absolutos—KV cache, execução de especialistas e entradas multimodais ainda custam recursos—mas muda a curva de escala em comparação à atenção completa.
Onde modelos fechados ainda lideram
O mesmo gráfico oficial de benchmarks mostra por que o M3 não deve ser apresentado como um substituto automático para todo modelo de ponta fechado. Claude Opus 4.7 tem resultados mais fortes em SWE-Bench Pro, KernelBench Hard, GDPval, BankerToolBench, MCP Atlas e OSWorld-Verified na própria comparação da MiniMax. O GPT-5.5 é muito mais forte no Terminal-Bench 2.1 e lidera o GDPval. O Gemini 3.1 Pro lidera ligeiramente no BrowseComp.
Para equipes de produção, plataformas fechadas também podem fornecer controles de segurança maduros, ferramentas hospedadas, observabilidade, garantias de throughput e integrações que importam mais do que pesos abertos. O M3 torna-se mais convincente quando os benefícios de implantação e custo fazem parte do requisito, e não quando a classificação em benchmark é o único critério.
Preços da API do MiniMax M3
A MiniMax atualmente usa dois níveis padrão de preço por contexto. Sua página oficial de preços exibe uma taxa “permanente de 50% off” de $0.30/M de entrada e $1.20/M de saída para solicitações com até 512K tokens de entrada. Solicitações acima de 512K aparecem a $0.60/M de entrada e $2.40/M de saída. O serviço prioritário é precificado a 1,5× do nível padrão.
| 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 é $0.48/M de entrada e $1.92/M de saída e compara isso com a tarifa de tabela não descontada da MiniMax de $0.60/$2.40. Como a própria plataforma da MiniMax está atualmente exibindo uma taxa padrão separada com 50% de desconto, os desenvolvedores devem comparar a tarifa efetiva em vigor pela qual serão cobrados, em vez de confiar apenas em uma porcentagem de desconto de manchete.
A razão para usar a CometAPI nessa situação não é necessariamente o menor preço promocional direto em todo momento. Seu valor é uma camada unificada de API e faturamento quando um aplicativo precisa rotear entre o M3 e outros provedores sem manter integrações separadas.
O que o MiniMax M3 pode fazer?
Programação e engenharia em escala de repositório
O caso de uso mais evidente do M3 é engenharia de software em grandes repositórios. Uma janela de contexto de um milhão de tokens pode comportar muito mais código, documentação, saída de testes, histórico de issues e estado de agente do que a janela de 204,8K da geração M2 anterior. Na prática, isso viabiliza fluxos como implementação de funcionalidades multi-arquivo, refatoração em nível de repositório, diagnóstico de bugs, reparo de testes, loops de build/terminal, revisão de pull request e otimização de desempenho.
A chave é a persistência. Um agente de programação em escala de repositório só é útil se puder reter os requisitos originais enquanto acumula saída de ferramentas e revisões. As demonstrações de 12 horas e de CUDA sugerem que o M3 foi projetado para continuar trabalhando após falhas intermediárias, em vez de tratar cada chamada de ferramenta como uma tarefa curta separada.
Pesquisa e experimentação autônomas
O exemplo de reprodução de artigo é um bom modelo para agentes de pesquisa. O M3 pode ler um artigo, inspecionar figuras, raciocinar sobre fórmulas, gerar código, executar experimentos, avaliar se os resultados correspondem às expectativas e continuar refinando a implementação. A capacidade de manter texto do artigo, código e logs experimentais em um único contexto longo reduz a quantidade de estado que deve ser resumida ou reconstruída externamente.
Isso também explica por que o PostTrainBench é relevante. A MiniMax pediu ao M3 para sintetizar dados de treinamento, treinar modelos base, avaliá-los e iterar sem intervenção humana. O M3 não ficou em primeiro lugar—terminou atrás de Opus 4.7 e GPT-5.5 no relatório da MiniMax—mas o experimento demonstra uma forma de automação de pesquisa mais complexa do que perguntas e respostas comuns.
Análise técnica multimodal
Como o M3 aceita imagens e vídeos nativamente, fluxos de trabalho técnicos podem combinar evidências visuais com texto e código. Exemplos incluem comparar uma implementação de frontend com uma captura de tela, analisar gráficos em um artigo de pesquisa, inspecionar o estado de uma interface durante uso de computador, extrair informações de diagramas ou combinar observações em vídeo com um longo log de manutenção.
A documentação da API compatível com OpenAI da MiniMax suporta explicitamente partes de conteúdo image_url e video_url para o M3, incluindo arquivos enviados para vídeos maiores. Isso torna a entrada multimodal um recurso de API voltado ao desenvolvedor, e não apenas uma demo de produto.
Automação de computador e escritório
O MiniMax Code é projetado como um arnês de agente em torno do M3. A empresa diz que seu Agent Team pode dividir tarefas complexas em fluxos de trabalho concorrentes multiestágio e usar um loop Producer + Verifier para reflexão e correção. A multimodalidade nativa do M3 também permite fluxos de uso de computador que transitam por aplicativos, arquivos, planilhas e interfaces de desktop.
Um exemplo oficial é a instrução para abrir um cliente ERP local e lançar em lote informações de notas fiscais a partir de uma planilha do Excel. A capacidade importante é o estado entre aplicativos: o agente precisa entender a planilha, operar a interface, preservar o mapeamento entre campos e se recuperar se a UI mudar ou uma ação falhar.
Documento e trabalho de conhecimento com contexto longo
Uma janela de contexto de 1M é útil para mais do que código. Pode suportar grandes coleções de contratos, políticas, especificações técnicas, artigos de pesquisa, relatórios de incidentes ou registros de clientes em um único contexto de trabalho. A vantagem não é simplesmente “mais páginas”; é a capacidade de raciocinar sobre evidências distantes enquanto preserva um histórico longo do agente.
Há ainda uma cautela prática: capacidade máxima de contexto não garante recordação perfeita em cada posição, e prompts muito grandes aumentam latência e custo. Contexto longo deve ser pareado com recuperação, cache, memória estruturada ou segmentação de tarefas quando essas abordagens aumentarem a confiabilidade.
Veredito final: o MiniMax M3 é um modelo de ponta?
Sim—mas o argumento mais forte para esse rótulo não é que o M3 lidera todos os gráficos. Não lidera.
O que o MiniMax M3 muda é a troca. Ele oferece desempenho competitivo de modelo de ponta na era do lançamento ao mesmo tempo em que fornece pesos abertos, um design de atenção esparsa para um milhão de tokens, treinamento nativo texto-imagem-vídeo, comportamento de agentes de longo horizonte e preços por token de API muito mais baixos do que os modelos fechados carro-chefe em seu conjunto de comparação original.
Informações de SEO
Suggested URL: /blog/minimax-m3-specs-benchmarks-pricing
Description: Explore as especificações do MiniMax M3, contexto de 1M tokens, atenção esparsa, capacidades multimodais, desempenho em benchmarks, preços da API, casos de uso e comparações de modelos.
Keywords: MiniMax M3, especificações do MiniMax M3, benchmarks do MiniMax M3, preços da API do MiniMax M3, MiniMax Sparse Attention, janela de contexto de 1M tokens, modelo multimodal de programação, modelo de IA com pesos abertos, agentes de IA de longo horizonte, MiniMax M3 vs GPT-5.5