Can MiniMax M3 process a full software repository in a single context window?

Có. MiniMax M3 hỗ trợ cửa sổ ngữ cảnh lên đến 1,000,000 token, cho phép các kho mã lớn, bộ tài liệu và các phiên tác nhân kéo dài được phân tích trong một cuộc trò chuyện duy nhất.

How does MiniMax M3 compare to Claude Opus 4.7 for coding tasks?

M3 tiệm cận Claude Opus 4.7 trên một số điểm chuẩn về lập trình và tác nhân, đồng thời cung cấp cửa sổ ngữ cảnh 1M token và khả dụng trọng số mở theo kế hoạch. Các so sánh độc lập từ bên thứ ba vẫn đang xuất hiện.

What makes MiniMax M3 different from previous MiniMax models?

MiniMax M3 giới thiệu kiến trúc MiniMax Sparse Attention (MSA), huấn luyện đa phương thức nguyên sinh, năng lực tác nhân mạnh hơn và hỗ trợ ngữ cảnh lớn hơn đáng kể so với các mô hình dòng M2 trước đây.

Does the MiniMax M3 API support multimodal inputs?

Có. MiniMax M3 là đa phương thức nguyên sinh và hỗ trợ hiểu hình ảnh và video bên cạnh các đầu vào dựa trên văn bản.

What benchmark scores has MiniMax M3 achieved?

MiniMax báo cáo 59.0% trên SWE-Bench Pro, 66.0% trên Terminal-Bench 2.1, 74.2% trên MCP Atlas và 83.5 trên BrowseComp, đưa M3 vào nhóm các mô hình hàng đầu tập trung vào lập trình và tác nhân.

Is MiniMax M3 suitable for autonomous AI agents?

Có. Mô hình được tối ưu hóa chuyên biệt cho các quy trình tác nhân dài hạn, bao gồm lập kế hoạch, sử dụng công cụ, phân rã nhiệm vụ, thực thi trên terminal và giải quyết vấn đề nhiều bước.

When should developers choose MiniMax M3 instead of Gemini 3.1 Pro?

MiniMax M3 đặc biệt hấp dẫn khi ưu tiên là các cửa sổ ngữ cảnh cực lớn, quy trình công việc nặng về mã hóa hoặc tùy chọn triển khai trọng số mở. Gemini 3.1 Pro có thể vẫn phù hợp hơn cho các đội ngũ đã tiêu chuẩn hóa trên hệ sinh thái của Google.

API MiniMax-M3 Giá Phải Chăng | text-to-text

Thông số kỹ thuật của MiniMax M3

Hạng mục	MiniMax M3
Dòng mô hình	Mô hình nền tảng cấp độ tiên phong MiniMax M3
Nhà cung cấp	MiniMax
Kiến trúc	MiniMax Sparse Attention (MSA)
Loại đầu vào	Văn bản, Hình ảnh, Video
Loại đầu ra	Văn bản
Cửa sổ ngữ cảnh	Lên đến 1,000,000 token (tối thiểu được đảm bảo 512K)
Thế mạnh chính	Lập trình, quy trình làm việc tác tử, suy luận đa phương thức, xử lý ngữ cảnh dài
Chế độ suy luận	Chế độ suy nghĩ bật/tắt
Sử dụng công cụ	Quy trình làm việc tác tử, gọi công cụ, thực thi tác vụ terminal
Triển khai	API, MiniMax Code, Token Plan, bản phát hành open-weight sắp ra mắt
Hỗ trợ đa phương thức	Tiền huấn luyện đa phương thức gốc ngay từ bước đầu
Ngày phát hành	Tháng 6 năm 2026

MiniMax M3 là gì?

MiniMax M3 là một mô hình AI ở quy mô tiên phong, được thiết kế xoay quanh ba năng lực vốn trước đây chủ yếu giới hạn ở các hệ thống đóng nguồn: hiệu năng lập trình nâng cao, xử lý ngữ cảnh hàng triệu token, và khả năng hiểu đa phương thức gốc. Khác với các mô hình bổ sung thị giác như một phần mở rộng về sau, M3 được huấn luyện như một mô hình đa phương thức ngay từ đầu, cho phép căn chỉnh sâu hơn giữa lập luận thị giác và văn bản.

Mô hình được xây dựng trên MiniMax Sparse Attention (MSA), một kiến trúc chú ý thưa được thiết kế để làm cho ngữ cảnh hàng triệu token khả thi về mặt tính toán đồng thời vẫn giữ vững hiệu năng trong các tác vụ lập trình, suy luận và tác tử.

Tính năng chính của MiniMax M3

Cửa sổ ngữ cảnh 1M-token: Hỗ trợ các kho mã cực lớn, tập hợp tư liệu nghiên cứu dài, phân tích đa tài liệu và các phiên tác tử kéo dài.
Kiến trúc định hướng tác tử: Được thiết kế cho tự động phân rã nhiệm vụ, gọi công cụ, lập kế hoạch lặp và thực thi nhiều bước.
Đa phương thức gốc: Xử lý văn bản, hình ảnh, sơ đồ, ảnh chụp màn hình và video mà không cần một ngăn xếp thị giác tách biệt.
Khả năng lập trình nâng cao: Hiệu năng mạnh trên các benchmark kỹ nghệ phần mềm bao gồm SWE-Bench Pro, Terminal-Bench và KernelBench.
Thực thi tầm dài: Đã chứng minh các quy trình tự động kéo dài nhiều giờ, bao gồm tái hiện nghiên cứu và các dự án tối ưu hóa CUDA.
Suy luận có thể cấu hình: Có thể bật chế độ suy nghĩ cho khối lượng suy luận sâu hơn hoặc tắt để có độ trễ thấp hơn.

Hiệu năng benchmark của MiniMax M3

MiniMax báo cáo các kết quả benchmark cấp độ tiên phong trên các tác vụ lập trình, thực thi tác tử và đánh giá đa phương thức. Các kết quả được báo cáo gồm:

Benchmark	Điểm
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

Công ty cũng báo cáo rằng M3 vượt GPT-5.5 và Gemini 3.1 Pro trên một số benchmark định hướng lập trình, đồng thời tiệm cận hiệu năng của Claude Opus 4.7 trong một số đánh giá chọn lọc. Các tuyên bố này xuất phát từ công bố benchmark nội bộ của MiniMax và nên được diễn giải cùng với các thử nghiệm độc lập từ bên thứ ba khi có sẵn.

Kiến trúc ngữ cảnh dài và MSA

MiniMax Sparse Attention (MSA) là đổi mới kiến trúc đằng sau khả năng ngữ cảnh hàng triệu token của M3. Thay vì áp dụng chú ý bậc hai đầy đủ trên toàn bộ chuỗi, MSA thực hiện định tuyến cấp khối và chú ý thưa trên các vùng ngữ cảnh được chọn.

Theo MiniMax, cách tiếp cận này giảm đáng kể yêu cầu tính toán ở độ dài ngữ cảnh lớn và mang lại:

Hiệu suất prefill nhanh hơn trên 9× tại độ dài ngữ cảnh 1M
Hiệu suất giải mã nhanh hơn trên 15×
Xấp xỉ 1/20 chi phí tính toán trên mỗi token so với thế hệ trước ở quy mô ngữ cảnh 1M

Các cải tiến này nhằm biến lập trình ở quy mô kho mã và các quy trình tác tử tầm dài trở nên khả thi.

MiniMax M3 so với Claude Opus 4.7 và Gemini 3.1 Pro

Năng lực	MiniMax M3	Claude Opus 4.7	Gemini 3.1 Pro
Cửa sổ ngữ cảnh	Lên đến 1M	Các bậc ngữ cảnh công khai nhỏ hơn	Đa phương thức ngữ cảnh lớn
Huấn luyện đa phương thức gốc	Có	Có	Có
Trọng tâm lập trình tác tử	Rất mạnh	Rất mạnh	Mạnh
SWE-Bench Pro	59.0%	Cao hơn theo báo cáo của MiniMax	Thấp hơn theo báo cáo của MiniMax
Khả dụng open-weight	Đã lên kế hoạch	Không	Không
Quy trình tác tử tầm dài	Trọng tâm thiết kế chính	Mạnh	Mạnh

Hạn chế đã biết

Phần lớn công bố benchmark hiện đến từ MiniMax thay vì các phòng thí nghiệm đánh giá độc lập.
Tệp mô hình open-weight và báo cáo kỹ thuật đầy đủ đã được công bố nhưng chưa được phát hành rộng rãi tại thời điểm ra mắt.
Độ tin cậy trong thực tế trên các môi trường sản xuất vẫn đang được cộng đồng nhà phát triển thẩm định.
Khối lượng công việc ngữ cảnh hàng triệu token có thể phát sinh chi phí vận hành và độ trễ cao hơn so với các khối lượng suy luận tiêu chuẩn.

Trường hợp sử dụng tiêu biểu

Kỹ nghệ phần mềm ở quy mô kho mã

Phân tích các codebase lớn, thực hiện tái cấu trúc nhiều tệp, tạo bản vá, rà soát pull request và duy trì ngữ cảnh phát triển dài hạn.

Tác tử nghiên cứu tự động

Hỗ trợ tổng quan tài liệu, tổng hợp tài liệu, phân tích benchmark và các quy trình nghiên cứu chạy dài cần hàng trăm nghìn token.

Phân tích kỹ thuật đa phương thức

Diễn giải ảnh chụp màn hình, sơ đồ kiến trúc, biểu đồ, tài liệu kỹ thuật và nội dung video trong cùng một quy trình suy luận.

Tự động hóa Terminal và DevOps

Thực thi các quy trình kỹ thuật phức tạp bao gồm kiểm thử, điều phối triển khai, quản lý phụ thuộc và gỡ lỗi lặp.

Hệ thống tri thức doanh nghiệp

Tìm kiếm và suy luận trên các tập hợp lớn về chính sách, hợp đồng, tài liệu kỹ thuật và kho tri thức nội bộ.

Phiên bản mô hình và tính khả dụng

MiniMax M3 được giới thiệu chính thức vào Tháng 6 năm 2026 như người kế nhiệm chủ lực trong dòng mô hình MiniMax. Mô hình khả dụng thông qua hệ sinh thái MiniMax API và CometAPI.

Giá cả cho MiniMax-M3

Khám phá mức giá cạnh tranh cho MiniMax-M3, được thiết kế để phù hợp với nhiều ngân sách và nhu cầu sử dụng khác nhau. Các gói linh hoạt của chúng tôi đảm bảo bạn chỉ trả tiền cho những gì bạn sử dụng, giúp dễ dàng mở rộng quy mô khi yêu cầu của bạn tăng lên. Khám phá cách MiniMax-M3 có thể nâng cao các dự án của bạn trong khi vẫn kiểm soát được chi phí.

Giá Comet (USD / M Tokens)	Giá Chính Thức (USD / M Tokens)	Giảm giá
Đầu vào:$0.48/M Đầu ra:$1.92/M	Đầu vào:$0.6/M Đầu ra:$2.4/M	-20%

Mã mẫu và API cho MiniMax-M3

Truy cập mã mẫu toàn diện và tài nguyên API cho MiniMax-M3 để tối ưu hóa quy trình tích hợp của bạn. Tài liệu chi tiết của chúng tôi cung cấp hướng dẫn từng bước, giúp bạn khai thác toàn bộ tiềm năng của MiniMax-M3 trong các dự án của mình.

Python
JavaScript
Curl

from openai import OpenAI
import os

# Get your CometAPI key from https://www.cometapi.com/console/token, and paste it here
COMETAPI_KEY = os.environ.get("COMETAPI_KEY") or "<YOUR_COMETAPI_KEY>"
BASE_URL = "https://api.cometapi.com/v1"

client = OpenAI(base_url=BASE_URL, api_key=COMETAPI_KEY)

completion = client.chat.completions.create(
    model="minimax-m3",
    messages=[
        {
            "role": "system",
            "content": (
                "You are a senior backend reviewer focused on correctness, "
                "reliability, and maintainability."
            ),
        },
        {
            "role": "user",
            "content": (
                "Task: review the API migration plan and identify the "
                "highest-impact improvements.

"
                "Context: the team is moving a customer support workflow from "
                "blocking chat calls to an async job queue. Prioritize data "
                "safety, retry behavior, observability, and rollback.

"
                "Output format:
"
                "Return a table with columns: Area, Risk, Recommendation, "
                "Priority. Keep each recommendation actionable and under 40 words."
            ),
        },
    ],
    max_completion_tokens=800,
    extra_body={"reasoning_split": True},
)

if not completion.choices:
    print(completion.model_dump_json(indent=2))
    raise SystemExit

message = completion.choices[0].message

reasoning_details = getattr(message, "reasoning_details", None)
if reasoning_details:
    print("Thinking:")
    print(reasoning_details[0]["text"])
    print()

print("Response:")
print(message.content)

Python Code Example

from openai import OpenAI
import os

# Get your CometAPI key from https://www.cometapi.com/console/token, and paste it here
COMETAPI_KEY = os.environ.get("COMETAPI_KEY") or "<YOUR_COMETAPI_KEY>"
BASE_URL = "https://api.cometapi.com/v1"

client = OpenAI(base_url=BASE_URL, api_key=COMETAPI_KEY)

completion = client.chat.completions.create(
    model="minimax-m3",
    messages=[
        {
            "role": "system",
            "content": (
                "You are a senior backend reviewer focused on correctness, "
                "reliability, and maintainability."
            ),
        },
        {
            "role": "user",
            "content": (
                "Task: review the API migration plan and identify the "
                "highest-impact improvements.\n\n"
                "Context: the team is moving a customer support workflow from "
                "blocking chat calls to an async job queue. Prioritize data "
                "safety, retry behavior, observability, and rollback.\n\n"
                "Output format:\n"
                "Return a table with columns: Area, Risk, Recommendation, "
                "Priority. Keep each recommendation actionable and under 40 words."
            ),
        },
    ],
    max_completion_tokens=800,
    extra_body={"reasoning_split": True},
)

if not completion.choices:
    print(completion.model_dump_json(indent=2))
    raise SystemExit

message = completion.choices[0].message

reasoning_details = getattr(message, "reasoning_details", None)
if reasoning_details:
    print("Thinking:")
    print(reasoning_details[0]["text"])
    print()

print("Response:")
print(message.content)

JavaScript Code Example

import OpenAI from "openai";

// Get your CometAPI key from https://www.cometapi.com/console/token, and paste it here
const api_key = process.env.COMETAPI_KEY || "<YOUR_COMETAPI_KEY>";
const base_url = "https://api.cometapi.com/v1";

const openai = new OpenAI({
  apiKey: api_key,
  baseURL: base_url,
});

const completion = await openai.chat.completions.create({
  model: "minimax-m3",
  messages: [
    {
      role: "system",
      content:
        "You are a senior backend reviewer focused on correctness, reliability, and maintainability.",
    },
    {
      role: "user",
      content:
        "Task: review the API migration plan and identify the highest-impact improvements.\n\n" +
        "Context: the team is moving a customer support workflow from blocking chat calls " +
        "to an async job queue. Prioritize data safety, retry behavior, observability, and rollback.\n\n" +
        "Output format:\n" +
        "Return a table with columns: Area, Risk, Recommendation, Priority. " +
        "Keep each recommendation actionable and under 40 words.",
    },
  ],
  max_completion_tokens: 800,
  reasoning_split: true,
});

if (!completion.choices?.length) {
  console.log(JSON.stringify(completion, null, 2));
  process.exit(0);
}

const message = completion.choices[0].message;

if (message.reasoning_details?.length) {
  console.log("Thinking:");
  console.log(message.reasoning_details[0].text);
  console.log();
}

console.log("Response:");
console.log(message.content);

Curl Code Example

# Get your CometAPI key from https://www.cometapi.com/console/token
# Export it as: export COMETAPI_KEY="your-key-here"
curl https://api.cometapi.com/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $COMETAPI_KEY" \
  -d '{
    "model": "minimax-m3",
    "messages": [
      {
        "role": "system",
        "content": "You are a senior backend reviewer focused on correctness, reliability, and maintainability."
      },
      {
        "role": "user",
        "content": "Task: review the API migration plan and identify the highest-impact improvements.\n\nContext: the team is moving a customer support workflow from blocking chat calls to an async job queue. Prioritize data safety, retry behavior, observability, and rollback.\n\nOutput format:\nReturn a table with columns: Area, Risk, Recommendation, Priority. Keep each recommendation actionable and under 40 words."
      }
    ],
    "max_completion_tokens": 800,
    "reasoning_split": true
  }'

Các phiên bản của MiniMax-M3

Lý do MiniMax-M3 có nhiều snapshot có thể bao gồm các yếu tố tiềm năng như: sự thay đổi đầu ra sau các bản cập nhật cần các snapshot cũ để đảm bảo tính nhất quán, cung cấp cho nhà phát triển thời gian chuyển tiếp để thích ứng và di chuyển, cũng như các snapshot khác nhau tương ứng với các endpoint toàn cầu hoặc khu vực nhằm tối ưu hóa trải nghiệm người dùng. Để biết chi tiết về sự khác biệt giữa các phiên bản, vui lòng tham khảo tài liệu chính thức.

version
minimax-m3