สรุปสั้นๆ
MiniMax M3 คือโมเดลแนวหน้าของ MiniMax สำหรับงานเขียนโค้ด งานแบบเอเจนต์ การให้เหตุผลในบริบทยาว และความเข้าใจแบบมัลติโมดัล เปิดตัวอย่างเป็นทางการเมื่อ 1 มิถุนายน 2026 และผสานสามความสามารถที่เป็นหัวใจของการเปิดตัวครั้งนี้: หน้าต่างบริบทได้สูงสุด 1M โทเค็น ความเข้าใจภาพ/วิดีโอแบบเนทีฟ และการทำงานของเอเจนต์ระยะยาว
โมเดลแบบเปิดน้ำหนักนี้มีพารามิเตอร์รวมประมาณ 428 พันล้าน และพารามิเตอร์ที่ถูกเปิดใช้งานประมาณ 23 พันล้าน ซึ่งหมายความว่าโดยเฉลี่ยมีพียงราว 5.4% ของความจุพารามิเตอร์ที่เปิดเผยซึ่งถูกใช้งานต่อโทเค็นหนึ่งตัว ช่วยอธิบายว่าโมเดลขนาดใหญ่มากสามารถคงความเป็นไปได้ในการอนุมานได้อย่างไร M3 ยังแนะนำ MiniMax Sparse Attention (MSA) การออกแบบความสนใจแบบสแปร์สบล็อกเพื่อรองรับบริบทระดับล้านโทเค็น
สำหรับนักพัฒนา M3 ให้บริการผ่าน API ของ MiniMax และการแจกจ่ายน้ำหนักแบบเปิด และยังมีให้ใช้งานผ่าน CometAPI สำหรับทีมที่ต้องการอินเทอร์เฟซเดียวสำหรับ MiniMax และผู้ให้บริการโมเดลรายอื่น
ประเด็นสำคัญ
- MiniMax เปิดตัว M3 เมื่อ 1 มิถุนายน 2026 ในฐานะโมเดลแนวหน้าที่เน้นโค้ด เอเจนต์ บริบทยาว และมัลติโมดัล
- การเปิดน้ำหนักระบุ ~428B พารามิเตอร์รวม และ ~23B พารามิเตอร์ที่เปิดใช้งาน
- M3 รองรับ บริบทได้สูงสุด 1M โทเค็น โดย MiniMax ระบุ 512K เป็นชั้นขั้นต่ำที่รับประกันสำหรับ API
- MiniMax Sparse Attention แทนที่ความสนใจแบบ global เต็มรูปด้วยการคัดเลือกบล็อกและความสนใจแบบสแปร์สที่แม่นยำเฉพาะส่วนบริบทที่เลือก
- M3 ถูกฝึกด้วยหลายโมดัลตั้งแต่เริ่มต้น (Step 0) และรองรับอินพุตข้อความ ภาพ และวิดีโอ
- ผลทดสอบเปิดตัวอย่างเป็นทางการ รวม 59.0% SWE-Bench Pro, 66.0% Terminal-Bench 2.1, 83.5 BrowseComp, และ 75.2 OSWorld-Verified
- MiniMax สาธิตการทำงานอัตโนมัติเกือบ 12 ชั่วโมงสำหรับการทำซ้ำงานวิจัย และประมาณ 24 ชั่วโมงสำหรับการปรับแต่ง CUDA-kernel ด้วย 1,959 การเรียกใช้เครื่องมือ
- API รองรับการกำหนดค่าการให้เหตุผล และรองรับ ข้อความ ภาพ วิดีโอ ฟังก์ชันเครื่องมือ ชั้นบริการมาตรฐาน/ลำดับความสำคัญ และราคาแบบบริบทยาว
MiniMax M3 คืออะไร?
MiniMax M3 เป็นทายาทของรุ่น M2 และเป็นการเปลี่ยนสถาปัตยกรรมครั้งใหญ่กว่าการอัปเดตแบบจุด MiniMax M2.7 ถูกวางตำแหน่งไว้แล้วสำหรับวิศวกรรมซอฟต์แวร์ในโลกจริง ผลงานสำนักงาน และเวิร์กโฟลว์ของเอเจนต์ แต่ M3 เพิ่มสถาปัตยกรรมความสนใจแบบสแปร์ส การพรีเทรนมัลติโมดัลแบบเนทีฟ และเป้าหมายบริบทระดับล้านโทเค็น
M3 เป็น โมเดลโค้ดมัลติโมดัลแนวหน้า พร้อมหน้าต่างบริบท 1M ที่เก็บได้ โกดังน้ำหนักแบบเปิดเผยอย่างเป็นทางการเพิ่มตัวเลขสเกลที่สำคัญที่สุด: ประมาณ 428B พารามิเตอร์รวม และ 23B ถูกเปิดใช้งาน รายงานเทคนิคของ MSA ยังอธิบายว่าสถาปัตยกรรมทำงานในรูปแบบ Mixture-of-Experts ซึ่งสอดคล้องกับตัวเลขพารามิเตอร์รวมเทียบกับพารามิเตอร์ที่เปิดใช้งาน
สิ่งนี้ทำให้ M3 ไม่ได้เป็นเพียง “M2.7 ที่ใหญ่กว่า” แต่เป็นโมเดลแบบบรรจบที่น่าสนใจกว่า ซึ่งรวบรวมบริบทขนาดคลังเก็บโค้ด การเขียนโค้ด การรับรู้มัลติโมดัล เอเจนต์ที่เน้นคอมพิวเตอร์ และการดีพลอยแบบโลคัล/เปิด ในระบบเดียว MiniMax เน้นว่าการรวมกันนี้คือจุดต่างหลักของการเปิดตัว มากกว่าการอ้างว่า M3 ชนะทุกชุดทดสอบ
สเปกของ 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 |
บริบท โมดัล และพฤติกรรม API ข้างต้นได้รับการบันทึกใน เอกสารโมเดลและ API อย่างเป็นทางการของ MiniMax; ตัวเลขพารามิเตอร์และลิงก์สำหรับดีพลอยแบบโลคัลมาจาก รีโพ M3 อย่างเป็นทางการ
จาก MiniMax M2.7 สู่ 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 |
เอกสาร API ของ MiniMax แสดง M2.7 ที่ระดับบริบท 204,800 โทเค็น ในขณะที่ M3 ขยับสู่คลาสล้านโทเค็น ความแตกต่างที่ใหญ่กว่านั้นเป็นเชิงคุณภาพ: M3 รับอินพุตภาพและวิดีโอโดยตรง ในขณะที่ API ตระกูล M2.x ยังเน้นข้อความและเครื่องมือ
มีอะไรใหม่ใน MiniMax M3?
โมเดล 428B ที่เปิดใช้งานราว 23B พารามิเตอร์
รีโพสาธารณะของ M3 ระบุว่าโมเดลมี ~428B พารามิเตอร์รวม และ ~23B เปิดใช้งาน ในทางปฏิบัติ ส่วนที่เปิดใช้งานที่เปิดเผยมีประมาณ 5.4% นี่คือเสน่ห์พื้นฐานของสถาปัตยกรรมแบบผู้เชี่ยวชาญเชิงเงื่อนไข: ความจุรวมสามารถใหญ่มากในขณะที่เส้นทางคำนวณต่อโทเค็นแตะเพียงบางส่วนของโมเดล
จำนวนนับพารามิเตอร์เพียงอย่างเดียวไม่ได้กำหนดคุณภาพ และ “428B” ไม่ได้หมายถึงการประเมินพารามิเตอร์แบบ dense ทั้งหมดในทุกโทเค็น การตีความที่มีประโยชน์กว่าคือ M3 มีพูลความจุโมเดลขนาดใหญ่จับคู่กับการเปิดใช้งานแบบมีเงื่อนไขและระบบความสนใจที่ออกแบบมาเพื่อควบคุมต้นทุนบริบทยาว
MiniMax Sparse Attention: ทำให้บริบท 1M ใช้งานได้จริง
การเปลี่ยนสถาปัตยกรรมหลักคือ MiniMax Sparse Attention (MSA) ความสนใจแบบ softmax เต็มรูปเติบโตเป็นกำลังสองตามความยาวลำดับ ซึ่งมีค่าใช้จ่ายสูงเมื่อประวัติเอเจนต์ โค้ด คำสั่งเรียกเครื่องมือ ภาพ และเอกสารยาวสะสมเป็นหลายแสนโทเค็น
MSA เพิ่ม Index Branch แบบเบาที่ให้คะแนนบล็อก key-value และเลือก Top-k สำหรับแต่ละกลุ่ม grouped-query attention ส่วน Main จะทำความสนใจแบบ block-sparse อย่างแม่นยำเฉพาะกับบล็อกที่ถูกเลือก รายงานเทคนิคของ MiniMax อธิบายว่านี่เป็นการออกแบบเชิงฮาร์ดแวร์ที่มุ่งรักษาคุณภาพพร้อมลดส่วนของบริบทที่ต้องผ่านความสนใจเต็มรูป
รูปที่ 1. สถาปัตยกรรม MiniMax Sparse Attention (MSA) ที่มา: ภาพ MSA อย่างเป็นทางการของ MiniMax
ที่บริบท 1M MiniMax รายงานว่า M3 ใช้ ประมาณ 1/20 ของคอมพิวต์ต่อโทเค็นเมื่อเทียบกับรุ่นก่อน และให้ ความเร็วช่วง prefill มากกว่า 9× และช่วงถอดรหัสมากกว่า 15× เทียบกับ M2 งานวิจัย MSA แยกรายงานการทดลองควบคุมบนโมเดลทดสอบ MoE ขนาด 109B ดังนั้นตัวเลขในงานวิจัยไม่ควรถูกสับสนกับตัวเลข M3 เทียบกับ M2 ในการใช้งานจริง
ความแตกต่างนี้สำคัญ เอกสารวิจัยยืนยันกลไกความสนใจในบริบทงานวิจัย ส่วนตัวเลขเปิดตัวของ M3 อธิบายโมเดล production ผลลัพธ์ทั้งสองชี้ทิศทางเดียวกัน แต่ไม่ใช่ชุดทดสอบเดียวกัน
มัลติโมดัลแบบเนทีฟตั้งแต่ Step 0
M3 ไม่ได้ถูกนำเสนอเป็นโมเดลข้อความที่มีอะแดปเตอร์ภาพแยกต่างหากในภายหลัง MiniMax ระบุว่าถูก ฝึกด้วยหลายโมดัลตั้งแต่ Step 0 และสร้างท่อข้อมูลพรีเทรนใหม่เพื่อเพิ่มข้อมูลมัลติโมดัลแบบสลับสลับ
API production รองรับ อินพุตข้อความ ภาพ และวิดีโอ ซึ่งสำคัญสำหรับงานโค้ดและเอเจนต์เพราะงานจริงจำนวนมากไม่ใช่แค่ข้อความล้วน: การดีบักอาจต้องใช้ภาพหน้าจอ งานฝั่งหน้าบ้านอาจต้องเทียบกับภาพอ้างอิง งานวิจัยอาจมีกราฟและสมการ และเอเจนต์ที่ใช้คอมพิวเตอร์ทำงานผ่านอินเทอร์เฟซภาพ
วิธีคิดที่มีประโยชน์เกี่ยวกับมัลติโมดัลของ M3 จึงไม่ใช่ “บรรยายภาพได้” แต่คือ “สถานะเชิงภาพยังคงอยู่ในลูปให้เหตุผลระยะยาวเดียวกับโค้ด ผลลัพธ์เครื่องมือ เอกสาร และคำติชมผู้ใช้”
การโค้ดแบบโต้ตอบและการฝึกเอเจนต์
MiniMax โต้แย้งว่าชุดทดสอบโค้ดแบบคลาสสิกนั้นเป็นแบบเทิร์นเดียวเกินไปที่จะสะท้อนการทำงานจริงของนักพัฒนา สำหรับ M3 บริษัทได้สร้าง ซิมูเลเตอร์ผู้ใช้แบบโต้ตอบ ที่เปิดให้โมเดลเผชิญการขอความชัดเจนในข้อกำหนด การถกเถียงแนวทาง การแก้ไขจากคำติชม การสลับงาน และการทำโปรเจ็กต์หลายรอบ
เป้าหมายคือการขยับจากการทำตามคำสั่งแบบเฉยๆ ไปสู่การร่วมมือ เอเจนต์โค้ดที่มีประสิทธิภาพต้องแยกย่อยงาน เรียกใช้เครื่องมือ ตีความความล้มเหลว ปรับแผน รักษาการตัดสินใจก่อนหน้า และสานต่อหลังคำตอบแรกที่ดูใช่ หน้าต่างบริบทยาวและการฝึกที่เน้นเครื่องมือของ M3 ถูกออกแบบมาสำหรับลูปนี้โดยตรง
การทำงานอัตโนมัติระยะยาว
เดโมที่น่าเชื่อถือที่สุดของ MiniMax สำหรับ M3 ไม่ใช่ตัวอย่างแชต แต่เป็นงานระยะยาวที่โมเดลต้องรักษาสถานะและพัฒนาต่อหลังคำติชมจากเครื่องมือซ้ำๆ
| 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 |
ในงานทำซ้ำบทความ M3 ทำงาน เกือบ 12 ชั่วโมง และสร้าง 18 commits พร้อม 23 รูปการทดลอง งานนี้รวมการอ่านบทความ เข้าใจกราฟ/สูตร เขียนโค้ด ทำการทดลอง และตีความแบบวนซ้ำ
.png)
รูปที่ 2. เส้นทางการทำซ้ำบทความแบบอัตโนมัติของ M3 ตลอดราว 12 ชั่วโมง ที่มา: เดโม M3 อย่างเป็นทางการของ MiniMax
ในงานปรับแต่ง CUDA M3 ทำ การส่งทดสอบ 147 ครั้งและเรียกใช้เครื่องมือ 1,959 ครั้งในราว 24 ชั่วโมง สุดท้ายเพิ่มสัดส่วนการใช้งานสูงสุดของ Hopper FP8 ที่รายงานจาก 7.6% เป็น 71.3% ได้ความเร็วเพิ่ม 9.4× โดยไม่มีการแทรกแซงของมนุษย์ จุดสำคัญไม่ใช่แค่ผลลัพธ์สุดท้าย; MiniMax ระบุว่าคำตอบที่ดีที่สุดเกิดขึ้นในการส่งครั้งที่ 145 หลังผ่านช่วงที่ประสิทธิภาพทรงตัวหลายครั้ง
ผลทดสอบของ MiniMax M3
กราฟชุดทดสอบเปิดตัวของ MiniMax เปรียบเทียบ M3 กับ Claude Opus 4.7, GPT-5.5, และ Gemini 3.1 Pro ในงานโค้ด เทอร์มินัล การท่องเว็บ งานออฟฟิศ การใช้เครื่องมือ และการใช้คอมพิวเตอร์ ซึ่งเป็นการเปรียบเทียบที่มีประโยชน์ที่สุดเพราะถูกเผยพร้อมกันในการเปิดตัว M3
รูปที่ 3. กราฟเปรียบเทียบผลทดสอบ M3 อย่างเป็นทางการของ MiniMax ที่มา: ภาพผลทดสอบอย่างเป็นทางการของ 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 |
ค่าคะแนนทั้งหมดในตารางนี้ถอดมาจาก กราฟเปิดตัว M3 อย่างเป็นทางการของ MiniMax ควรอ่านเป็นผลที่ผู้ขายรายงานในการเปิดตัว ไม่ใช่การรันใหม่อย่างอิสระโดย CometAPI
ผลจริงจากชุดทดสอบสะท้อนอะไร
ประการแรก M3 แข่งขันได้จริงในวิศวกรรมซอฟต์แวร์ บน SWE-Bench Pro ได้ 59.0 สูงกว่า 58.6 และ 54.2 ที่ MiniMax รายงานสำหรับ GPT-5.5 และ Gemini 3.1 Pro แต่ต่ำกว่า Claude Opus 4.7 ที่ 64.3 KernelBench Hard ก็เล่าเรื่องคล้ายกัน: M3 ที่ 28.8 ใกล้กับ Opus 4.7 ที่ 30.7 และสูงกว่าสองรุ่นที่เหลือในกราฟของ MiniMax อย่างมีนัยสำคัญ
ประการที่สอง การทำงานผ่านเทอร์มินัลไม่ใช่จุดแข็งที่สุดของ M3 Terminal-Bench 2.1 ให้ M3 ที่ 66.0 เสมือนเสมอกับ Opus 4.7 ที่ 66.1 แต่ตามหลัง GPT-5.5 ที่ 78.2 และ Gemini 3.1 Pro ที่ 70.0
ประการที่สาม M3 แข็งแกร่งแต่ไม่ครองงานด้านการสืบค้นข้อมูล BrowseComp ที่ 83.5 สูงกว่า Opus 4.7 ที่ 79.3 แต่น้อยกว่า GPT-5.5 ที่ 84.4 และ Gemini 3.1 Pro ที่ 85.9 เล็กน้อย MCP Atlas ที่ 74.2 ก็อยู่ใกล้ GPT-5.5 ที่ 75.3 และ Opus 4.7 ที่ 77.0 เช่นกัน
ประการที่สี่ กราฟเปิดตัวให้ผล M3 เด่นชัดบน SVG-Bench: 63.7 เทียบกับ 62.3 สำหรับ Opus 4.7, 58.2 สำหรับ GPT-5.5 และ 59.2 สำหรับ Gemini 3.1 Pro ซึ่งสอดคล้องกับแนวทางการออกแบบของ M3: ความเข้าใจภาพแบบเนทีฟถูกทำให้มีส่วนร่วมโดยตรงในเวิร์กโฟลว์โค้ดและเอเจนต์ แทนที่จะเป็นฟีเจอร์ภาพแยกต่างหาก
ข้อสรุปโดยรวมจึงซับซ้อนกว่า “M3 ชนะโมเดลปิด” M3 เข้าสู่แถบประสิทธิภาพเดียวกันในงานเอเจนต์จำนวนมาก ชนะบางการประเมิน และแพ้บางการประเมิน จุดต่างคือสิ่งที่มาคู่กับคะแนนเหล่านั้น: น้ำหนักเปิด มัลติโมดัล การออกแบบบริบทล้านโทเค็น และเศรษฐศาสตร์การให้บริการที่ดุดัน
MiniMax M3 vs Claude Opus 5 vs GPT-5.6 Sol vs Gemini 3.7 Flash
MiniMax M3 เปิดตัวในตลาดที่เคลื่อนไหวเร็ว และชุดเปรียบเทียบเดิมไม่ใช่จุดอ้างอิงที่มีประโยชน์ที่สุดอีกต่อไป การเปรียบเทียบที่เกี่ยวข้องกับรุ่นปัจจุบันมากกว่าคือ Claude Opus 5, GPT-5.6 Sol และ Gemini 3.7 Flash—โมเดลปิดรุ่นใหม่ที่มุ่งเป้าไปที่โค้ด เอเจนต์ และงานมัลติโมดัล เนื่องจากโมเดลเหล่านี้ไม่ได้ประเมินภายใต้มาตรวัดเดียวกัน ตารางจึงเน้นความสามารถที่มีเอกสารกำกับ และใช้ตัวเลขชุดทดสอบเฉพาะเมื่อมีการรายงานโดยตรง
| 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 |
ตัวเลขชุดทดสอบเหล่านี้มาจากแพ็กเกจการประเมินของผู้ให้บริการแต่ละรายและไม่ควรอ่านเป็นกระดานจัดอันดับที่ซิงโครไนซ์เดียวกัน คะแนน 66.0 ของ M3 บน Terminal-Bench 2.1 มาจากการประเมินตอนเปิดตัวของ MiniMax; OpenAI รายงาน 88.8 สำหรับ GPT-5.6 Sol ขณะที่ Google รายงาน 85.8 สำหรับ Gemini 3.7 Flash การเปิดตัว Opus 5 ของ Anthropic เน้น Frontier-Bench, GDPval-AA, AutomationBench และ OSWorld 2.0 มากกว่าการเผยผลที่เปรียบเทียบได้ตรงกับ Terminal-Bench 2.1 สำหรับการเลือกโมเดล ควรประเมินผู้ท้าชิงภายใต้ฮาร์เนสเดียวกันบนเวิร์กโหลดของคุณเอง แทนการยึดตัวเลขเปิดตัวข้ามผู้ให้บริการเป็นการจัดอันดับถาวร
จุดที่ MiniMax M3 ได้เปรียบชัดที่สุด
ข้อได้เปรียบที่ชัดที่สุดของ M3 คือทางเลือกในการดีพลอย ชุดทดสอบหรือจำนวนพารามิเตอร์เพียงอย่างเดียวไม่ได้อธิบายว่าทำไมนักพัฒนาควรสนใจ M3 ผสานน้ำหนักเปิดเข้ากับความยาวบริบทและความสามารถมัลติโมดัลที่มักเห็นในระบบแนวหน้าที่โฮสต์ จึงน่าสนใจเมื่อทีมต้องการดีพลอยแบบโลคัล ความเป็นอิสระจากผู้ให้บริการ การให้บริการเฉพาะทาง หรือการควบคุมเชิงลึกเหนือสแตกอนุมาน
ข้อได้เปรียบที่สองคือสถาปัตยกรรมต้นทุนบริบทยาว MSA ถูกออกแบบมาอย่างชัดเจนเพื่อกันไม่ให้คอมพิวต์ความสนใจระเบิดเมื่อสเกลถึงล้านโทเค็น นี่ไม่ได้ทำให้คำขอ 1M โทเค็นถูกในเชิงสัมบูรณ์—KV cache การเรียกใช้ผู้เชี่ยวชาญ และอินพุตมัลติโมดัลยังคงใช้ทรัพยากร—แต่เปลี่ยนเส้นโค้งการสเกลเมื่อเทียบกับความสนใจเต็มรูป
จุดที่โมเดลปิดยังคงนำอยู่
กราฟผลทดสอบอย่างเป็นทางการเดียวกันแสดงเหตุผลว่าทำไม M3 ไม่ควรถูกเสนอเป็นตัวแทนแทนทุกโมเดลแนวหน้าปิด Claude Opus 4.7 ทำได้ดีกว่าบน SWE-Bench Pro, KernelBench Hard, GDPval, BankerToolBench, MCP Atlas และ OSWorld-Verified ในการเปรียบเทียบของ MiniMax เอง GPT-5.5 แข็งแกร่งกว่ามากบน Terminal-Bench 2.1 และนำบน GDPval ส่วน Gemini 3.1 Pro นำเล็กน้อยบน BrowseComp
สำหรับทีม production แพลตฟอร์มปิดอาจให้การควบคุมด้านความปลอดภัยที่ครบถ้วน เครื่องมือแบบโฮสต์ ระบบสังเกตการณ์ การันตีปริมาณงาน และการผสานระบบ ซึ่งสำคัญกว่าน้ำหนักเปิด M3 จะน่าดึงดูดที่สุดเมื่อประโยชน์ด้านการดีพลอยและต้นทุนเป็นข้อกำหนด ไม่ใช่เมื่ออันดับชุดทดสอบเป็นเกณฑ์เดียว
ราคา API ของ MiniMax M3
MiniMax ปัจจุบันใช้สองชั้นราคาตามบริบท หน้า ราคาทางการ แสดง อัตรา “ลด 50% ถาวร” ที่ $0.30/M อินพุต และ $1.20/M เอาต์พุตสำหรับคำขอที่≤512K โทเค็นอินพุต คำขอที่เกิน 512K แสดงที่ $0.60/M อินพุต และ $2.40/M เอาต์พุต บริการ Priority มีราคา 1.5× ของชั้นมาตรฐาน
| 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 |
*MiniMax-M3 บน CometAPI คือ $0.48/M อินพุต และ $1.92/M เอาต์พุต และเปรียบเทียบกับราคา list ที่ไม่ได้ลดของ MiniMax ที่ $0.60/$2.40 เนื่องจากแพลตฟอร์มของ MiniMax ขณะนี้แสดงอัตรามาตรฐานลด 50% แยกต่างหาก นักพัฒนาควรเปรียบเทียบอัตราจริงขณะใช้งานที่ถูกเรียกเก็บ แทนการอิงเพียงเปอร์เซ็นต์ส่วนลดพาดหัว
เหตุผลในการใช้ CometAPI ในสถานการณ์นี้จึงไม่จำเป็นต้องเพื่อราคาส่งเสริมการขายที่ต่ำที่สุดในทุกขณะ คุณค่าคือ API และเลเยอร์การเรียกเก็บเงินแบบรวมเมื่อแอปต้องการรูตระหว่าง M3 และผู้ให้บริการอื่นโดยไม่ต้องดูแลการผสานหลายชุด
MiniMax M3 ทำอะไรได้บ้าง?
การโค้ดและวิศวกรรมระดับคลังเก็บ
ยูสเคสที่เด่นชัดที่สุดของ M3 คือวิศวกรรมซอฟต์แวร์ข้ามคลังเก็บขนาดใหญ่ บริบทระดับล้านโทเค็นสามารถบรรจุโค้ด เอกสาร ผลทดสอบ ประวัติปัญหา และสถานะเอเจนต์ได้มากกว่าหน้าต่าง 204.8K ของรุ่น M2 อย่างมาก ในทางปฏิบัติ สิ่งนี้รองรับเวิร์กโฟลว์อย่างเช่นการทำฟีเจอร์หลายไฟล์ รีแฟกเตอร์ทั้งคลังเก็บ วินิจฉัยบั๊ก ซ่อมเทสต์ ลูปบิลด์/เทอร์มินัล รีวิว PR และปรับปรุงประสิทธิภาพ
หัวใจคือความคงอยู่ เอเจนต์โค้ดระดับคลังเก็บจะมีประโยชน์เมื่อสามารถรักษาข้อกำหนดดั้งเดิมไว้พร้อมสะสมผลลัพธ์เครื่องมือและการแก้ไข เดโม 12 ชั่วโมงและ CUDA บ่งชี้ว่า M3 ถูกออกแบบให้ทำงานต่อหลังความล้มเหลวระหว่างทาง แทนที่จะมองแต่ละการเรียกเครื่องมือเป็นงานสั้นแยกกัน
งานวิจัยและการทดลองแบบอัตโนมัติ
ตัวอย่างการทำซ้ำบทความเป็นแม่แบบที่ดีสำหรับเอเจนต์วิจัย M3 สามารถอ่านบทความ ตรวจรูป คิดเชิงสูตร สร้างโค้ด รันการทดลอง ประเมินผลลัพธ์เทียบกับความคาดหวัง และปรับปรุงการติดตั้งต่อไป ความสามารถในการเก็บข้อความบทความ โค้ด และล็อกการทดลองในบริบทยาวชุดเดียวช่วยลดภาระการสรุปหรือสร้างสถานะจากภายนอกใหม่
นี่คือเหตุผลที่ PostTrainBench เกี่ยวข้องด้วย MiniMax ให้ M3 สังเคราะห์ข้อมูลฝึก ฝึกโมเดลฐาน ประเมินผล และวนซ้ำโดยไม่มีมนุษย์ M3 ไม่ได้อันดับหนึ่ง—ตามหลัง Opus 4.7 และ GPT-5.5 ในรายงานของ MiniMax—แต่การทดลองนี้ชี้รูปแบบอัตโนมัติทางวิจัยที่ซับซ้อนกว่าคำถาม-คำตอบทั่วไป
การวิเคราะห์เชิงเทคนิคแบบมัลติโมดัล
เพราะ M3 รับภาพและวิดีโอแบบเนทีฟ เวิร์กโฟลว์เชิงเทคนิคสามารถผสมหลักฐานเชิงภาพเข้ากับข้อความและโค้ด ตัวอย่างเช่น เทียบงานฝั่งหน้าเว็บกับภาพอ้างอิง วิเคราะห์กราฟในงานวิจัย ตรวจสภาพ UI ระหว่างใช้คอมพิวเตอร์ ดึงข้อมูลจากไดอะแกรม หรือผสานข้อสังเกตจากวิดีโอกับล็อกบำรุงรักษายาว
เอกสาร API ที่เข้ากันกับ OpenAI ของ MiniMax รองรับ เนื้อหาประเภท image_url และ video_url สำหรับ M3 รวมถึงไฟล์อัปโหลดสำหรับวิดีโอขนาดใหญ่ ทำให้การอินพุตมัลติโมดัลเป็นความสามารถเชิงนักพัฒนา ไม่ใช่แค่เดโม
ระบบอัตโนมัติบนคอมพิวเตอร์และงานออฟฟิศ
MiniMax Code ถูกออกแบบเป็นฮาร์เนสเอเจนต์รอบ M3 บริษัทระบุว่า Agent Team สามารถแยกงานซับซ้อนเป็นเวิร์กโฟลว์หลายขั้นตอนแบบขนาน และใช้ลูป Producer + Verifier สำหรับการสะท้อนและแก้ไข มัลติโมดัลแบบเนทีฟของ M3 ยังรองรับเวิร์กโฟลว์การใช้คอมพิวเตอร์ที่เคลื่อนผ่านแอปต่างๆ ไฟล์ สเปรดชีต และอินเทอร์เฟซเดสก์ท็อป
ตัวอย่างหนึ่งคือคำสั่งให้เปิดไคลเอนต์ ERP ในเครื่องและกรอกข้อมูลใบแจ้งหนี้แบบแบตช์จาก Excel ความสามารถสำคัญคือสถานะข้ามแอป: เอเจนต์ต้องเข้าใจสเปรดชีต ใช้อินเทอร์เฟซ รักษาการจับคู่ฟิลด์ และฟื้นตัวเมื่อ UI เปลี่ยนหรือการกระทำล้มเหลว
เอกสารบริบทยาวและงานความรู้
หน้าต่างบริบท 1M มีประโยชน์เกินกว่าด้านโค้ด ช่วยรองรับชุดสัญญา นโยบาย สเปกเทคนิค งานวิจัย รายงานเหตุการณ์ หรือข้อมูลลูกค้าจำนวนมากในบริบทเดียว ข้อได้เปรียบไม่ใช่แค่ “หน้ามากขึ้น” แต่คือความสามารถให้เหตุผลข้ามหลักฐานที่ห่างกันพร้อมรักษาประวัติเวิร์กโฟลว์ยาว
อย่างไรก็ดีต้องระวังในทางปฏิบัติ: ความจุบริบทสูงสุดไม่ได้รับประกันการจดจำที่สมบูรณ์แบบทุกตำแหน่ง และพรอมป์ตขนาดใหญ่มากเพิ่มเวลาและต้นทุน ควรจับคู่บริบทยาวกับการดึงค้น (retrieval) แคช หน่วยความจำเชิงโครงสร้าง หรือการแบ่งงาน เมื่อแนวทางเหล่านั้นเพิ่มความน่าเชื่อถือ
บทสรุปสุดท้าย: MiniMax M3 คือโมเดลแนวหน้าหรือไม่?
ใช่—แต่เหตุผลที่แข็งแกร่งที่สุดไม่ใช่เพราะ M3 นำทุกกราฟ ซึ่งไม่ใช่
สิ่งที่ MiniMax M3 เปลี่ยนคือสมการของข้อแลกเปลี่ยน มันให้ประสิทธิภาพแนวหน้าที่แข่งขันได้ในยุคเปิดตัว พร้อมทั้งให้น้ำหนักเปิด การออกแบบความสนใจบริบทล้านโทเค็นแบบสแปร์ส การฝึกข้อความ-ภาพ-วิดีโอแบบเนทีฟ พฤติกรรมเอเจนต์ระยะยาว และราคา API ต่อโทเค็นที่ต่ำกว่ามากเมื่อเทียบกับโมเดลปิดระดับธงในชุดเทียบเดิม
ข้อมูล SEO
Suggested URL: /blog/minimax-m3-specs-benchmarks-pricing
Description: สำรวจสเปกของ MiniMax M3 บริบท 1M โทเค็น ความสนใจแบบสแปร์ส ความสามารถมัลติโมดัล ผลทดสอบ ราคา API ยูสเคส และการเปรียบเทียบโมเดล
Keywords: MiniMax M3, สเปก MiniMax M3, ผลทดสอบ MiniMax M3, ราคา API MiniMax M3, MiniMax Sparse Attention, หน้าต่างบริบท 1M โทเค็น, โมเดลโค้ดมัลติโมดัล, โมเดล AI เปิดน้ำหนัก, เอเจนต์ระยะยาว, MiniMax M3 vs GPT-5.5