TL;DR
MiniMax M3 là mô hình tiên phong của MiniMax dành cho lập trình, công việc theo tác tử (agent), suy luận ngữ cảnh dài và hiểu đa phương thức. Mô hình được phát hành chính thức vào ngày 1 tháng 6, 2026 và kết hợp ba năng lực được MiniMax coi là trọng tâm của lần ra mắt: cửa sổ ngữ cảnh lên tới 1M token, hiểu hình ảnh/video gốc, và thực thi tác tử tầm dài.
Mô hình trọng số mở có khoảng 428 tỷ tổng tham số và khoảng 23 tỷ tham số được kích hoạt. Điều này ngụ ý chỉ khoảng 5,4% dung lượng tham số được công bố là hoạt động trên mỗi token điển hình, giúp giải thích cách một mô hình rất lớn vẫn có thể thực tế khi suy luận. M3 cũng giới thiệu MiniMax Sparse Attention (MSA), một thiết kế chú ý thưa theo khối phục vụ ngữ cảnh triệu token.
Đối với nhà phát triển, M3 khả dụng qua API của MiniMax và phân phối trọng số mở, đồng thời cũng có sẵn qua CometAPI cho các nhóm muốn dùng một giao diện duy nhất cho MiniMax và các nhà cung cấp khác.
Key Takeaways
- MiniMax ra mắt M3 vào ngày 1 tháng 6, 2026 như một mô hình tiên phong tập trung vào lập trình, tác tử, ngữ cảnh dài và đa phương thức.
- Bản phát hành trọng số mở công bố ~428B tổng tham số và ~23B tham số kích hoạt.
- M3 hỗ trợ ngữ cảnh lên tới 1M token, với MiniMax mô tả 512K là mức tối thiểu được đảm bảo cho API.
- MiniMax Sparse Attention thay thế chú ý toàn cục đầy đủ bằng lựa chọn khối và chú ý thưa chính xác trên các vùng ngữ cảnh được chọn.
- M3 được huấn luyện trộn đa phương thức từ Bước 0 và hỗ trợ đầu vào văn bản, hình ảnh và video.
- Official launch benchmarks bao gồm 59,0% SWE-Bench Pro, 66,0% Terminal-Bench 2.1, 83,5 BrowseComp và 75,2 OSWorld-Verified.
- MiniMax đã trình diễn gần 12 giờ tái lập bài báo tự động và khoảng 24 giờ tối ưu kernel CUDA với 1.959 lần gọi công cụ.
- API hỗ trợ cấu hình suy luận và văn bản, hình ảnh, video, công cụ hàm, các hạng dịch vụ tiêu chuẩn/ưu tiên, và định giá ngữ cảnh dài.
What Is MiniMax M3?
MiniMax M3 là thế hệ kế nhiệm của M2 và đại diện cho một bước chuyển kiến trúc lớn hơn một bản cập nhật điểm thông thường. MiniMax M2.7 vốn đã được định vị quanh kỹ nghệ phần mềm thực tế, năng suất văn phòng và quy trình tác tử, nhưng M3 bổ sung kiến trúc chú ý thưa mới, tiền huấn luyện đa phương thức gốc, và mục tiêu ngữ cảnh triệu token.
M3 là mô hình mã hóa đa phương thức tiên phong với cửa sổ ngữ cảnh 1M. Kho lưu trữ trọng số mở chính thức bổ sung các con số quy mô quan trọng nhất: xấp xỉ 428B tham số tổng và 23B được kích hoạt. Báo cáo kỹ thuật MSA liên quan cũng mô tả kiến trúc hoạt động trong thiết lập Mixture-of-Experts, phù hợp với phân tách tham số tổng so với tham số hoạt động được công bố.
Điều này khiến M3 ít thú vị như “một M2.7 lớn hơn” và thú vị hơn như một mô hình hội tụ. Nó kết hợp ngữ cảnh cấp kho mã, lập trình, tri giác đa phương thức, tác tử định hướng máy tính, và triển khai cục bộ/mở trong một hệ thống. MiniMax nêu rõ sự kết hợp đó là khác biệt chính của lần ra mắt thay vì khẳng định M3 thắng mọi điểm chuẩn.
MiniMax M3 Specifications
| 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 |
Ngữ cảnh, phương thức và hành vi API ở trên được ghi lại trong tài liệu mô hình và API chính thức của MiniMax; các con số tham số và liên kết triển khai cục bộ đến từ kho M3 chính thức.
From MiniMax M2.7 to 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 |
Tài liệu API của MiniMax liệt kê M2.7 ở mức ngữ cảnh 204.800 token trong khi M3 chuyển lên lớp triệu token. Khác biệt lớn hơn là định tính: M3 nhận đầu vào trực tiếp hình ảnh và video, trong khi API M2.x vẫn tập trung văn bản và công cụ.
What Is New in MiniMax M3?
A 428B Model with About 23B Parameters Active
Kho M3 công khai cho biết mô hình có ~428B tổng tham số và ~23B tham số kích hoạt. Về thực tế, tỷ lệ hoạt động được công bố khoảng 5,4%. Đó là điểm hấp dẫn cơ bản của kiến trúc chuyên gia thưa: tổng dung lượng có thể rất lớn trong khi đường tính toán cho một token chỉ chạm vào một phần mô hình.
Số lượng tham số không tự quyết định chất lượng, và “428B” không nên hiểu là 428B tham số dày được đánh giá cho mỗi token. Cách diễn giải hữu ích hơn là M3 có một kho năng lực mô hình lớn đi kèm kích hoạt có điều kiện và một hệ thống chú ý được thiết kế để giữ chi phí ngữ cảnh dài ở mức có thể quản lý.
MiniMax Sparse Attention: Making 1M Context Practical
Thay đổi kiến trúc trung tâm là MiniMax Sparse Attention (MSA). Chú ý softmax đầy đủ tăng theo bình phương độ dài chuỗi, trở nên đắt đỏ khi lịch sử tác tử, kho mã, nhật ký công cụ, hình ảnh và tài liệu dài tích lũy đến hàng trăm nghìn token.
MSA bổ sung một Nhánh Chỉ mục nhẹ tính điểm các khối key-value và chọn tập Top-k cho mỗi nhóm chú ý truy vấn gom cụm. Nhánh chính sau đó thực hiện chú ý thưa theo khối chính xác chỉ trên các khối được chọn. Báo cáo kỹ thuật của MiniMax mô tả đây là thiết kế định hướng phần cứng nhằm giữ chất lượng đồng thời giảm lượng ngữ cảnh cần xử lý bằng chú ý đầy đủ.
Hình 1. Kiến trúc MiniMax Sparse Attention (MSA). Nguồn: Hình MSA chính thức của MiniMax
Ở ngữ cảnh 1M, MiniMax báo cáo rằng M3 sử dụng khoảng 1/20 chi phí tính toán mỗi token so với thế hệ trước và mang lại tăng tốc prefill hơn 9× và tăng tốc giải mã hơn 15× so với M2. Bài báo MSA riêng công bố thêm các thí nghiệm có kiểm soát trên mô hình thử nghiệm MoE 109B, nên các con số trong bài không nên nhầm lẫn với kết quả M3-so-với-M2 sản xuất.
Sự phân biệt đó quan trọng. Bài báo xác thực cơ chế chú ý trong bối cảnh nghiên cứu; các con số ra mắt M3 mô tả mô hình sản xuất. Hai kết quả cùng hướng, nhưng không phải cùng một điểm chuẩn.
Native Multimodality from Step 0
M3 không được trình bày như một mô hình văn bản với bộ chuyển đổi thị giác riêng gắn cuối. MiniMax nói rằng mô hình đã trải qua huấn luyện đa phương thức trộn từ Bước 0 và xây lại đường ống dữ liệu tiền huấn luyện để tăng dữ liệu đa phương thức đan xen.
API sản xuất hỗ trợ đầu vào văn bản, hình ảnh và video. Điều này quan trọng với lập trình và công việc tác tử vì nhiều tác vụ thực tế không chỉ là văn bản: gỡ lỗi có thể cần ảnh chụp màn hình, công việc frontend cần so sánh với ảnh tham chiếu, nghiên cứu có thể gồm biểu đồ và phương trình, và tác tử sử dụng máy tính hoạt động qua giao diện thị giác.
Cách hữu ích để nghĩ về đa phương thức của M3 vì vậy không phải là “nó có thể mô tả hình ảnh”, mà là “trạng thái thị giác có thể tồn tại bên trong cùng một vòng suy luận chạy dài với mã, đầu ra công cụ, tài liệu và phản hồi người dùng.”
Interactive Coding and Agent Training
MiniMax cho rằng các điểm chuẩn lập trình cổ điển quá đơn lượt so với cách nhà phát triển thực sự làm việc. Với M3, họ xây dựng một trình mô phỏng người dùng tương tác phơi mô hình với làm rõ yêu cầu, thảo luận giải pháp, sửa dựa trên phản hồi, chuyển tác vụ, và lặp dự án nhiều vòng.
Mục tiêu là chuyển từ thực thi chỉ dẫn thụ động sang cộng tác. Một tác tử lập trình hiệu quả phải có khả năng phân rã tác vụ, gọi công cụ, diễn giải thất bại, sửa kế hoạch, giữ quyết định trước đó, và tiếp tục sau câu trả lời đầu tiên có vẻ hợp lý. Ngữ cảnh dài và huấn luyện hướng công cụ của M3 được thiết kế xoay quanh đúng vòng lặp đó.
Long-Horizon Autonomous Execution
Các màn trình diễn M3 thuyết phục nhất của MiniMax không phải là ví dụ chat. Đó là các tác vụ chạy dài trong đó mô hình phải duy trì trạng thái và tiếp tục cải thiện sau phản hồi công cụ lặp lại.
| 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 |
Trong tác vụ tái lập bài báo, M3 chạy gần 12 giờ và tạo 18 commit cùng 23 hình thí nghiệm. Tác vụ kết hợp đọc bài, hiểu biểu đồ/công thức, viết mã, chạy thí nghiệm và diễn giải lặp.
.png)
Hình 2. Quỹ đạo tái lập bài báo tự động của M3 trong khoảng 12 giờ. Nguồn: Màn trình diễn M3 chính thức của MiniMax
Trong tác vụ tối ưu CUDA, M3 hoàn tất 147 lần đệ trình điểm chuẩn và 1.959 lần gọi công cụ trong khoảng 24 giờ, cuối cùng tăng mức sử dụng đỉnh Hopper FP8 từ 7,6% lên 71,3% cho mức tăng tốc 9,4× mà không cần can thiệp con người. Điểm đáng chú ý không chỉ là tăng tốc cuối; MiniMax nói rằng lời giải tốt nhất của mô hình xuất hiện ở lần đệ trình thứ 145, sau vài đoạn bình nguyên.
Benchmark Performance of MiniMax M3
Biểu đồ điểm chuẩn ra mắt của MiniMax so sánh M3 với Claude Opus 4.7, GPT-5.5, và Gemini 3.1 Pro trên các tác vụ lập trình, terminal, duyệt web, văn phòng, dùng công cụ và sử dụng máy tính. Đây là các so sánh trực tiếp hữu ích nhất vì chúng được công bố trong cùng gói ra mắt M3.
Hình 3. So sánh điểm chuẩn ra mắt M3 chính thức của MiniMax. Nguồn: Hình điểm chuẩn chính thức của 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 |
Tất cả điểm trong bảng này được chép lại từ biểu đồ ra mắt M3 chính thức của MiniMax. Chúng nên được đọc là các kết quả ra mắt do nhà cung cấp báo cáo, không phải là một lần chạy lại độc lập mới do CometAPI thực hiện.
What the Benchmark Results Actually Show
Thứ nhất, M3 thực sự cạnh tranh trong kỹ nghệ phần mềm. Trên SWE-Bench Pro, M3 đạt 59,0, cao hơn 58,6 và 54,2 mà MiniMax báo cho GPT-5.5 và Gemini 3.1 Pro, nhưng thấp hơn Claude Opus 4.7 ở 64,3. KernelBench Hard cho câu chuyện tương tự: M3 ở 28,8 gần Opus 4.7 ở 30,7 và cao hơn đáng kể hai giá trị còn lại trong biểu đồ của MiniMax.
Thứ hai, thực thi terminal không phải là điểm mạnh tương đối nhất của M3. Terminal-Bench 2.1 đặt M3 ở 66,0, gần như hòa với Opus 4.7 ở 66,1 nhưng kém xa GPT-5.5 ở 78,2 và Gemini 3.1 Pro ở 70,0.
Thứ ba, M3 mạnh nhưng không thống trị về thu thập thông tin. BrowseComp là 83,5: cao hơn 79,3 của Opus 4.7, nhưng hơi thấp hơn GPT-5.5 ở 84,4 và Gemini 3.1 Pro ở 85,9. MCP Atlas ở 74,2 cũng gần với 75,3 của GPT-5.5 và 77,0 của Opus 4.7.
Thứ tư, biểu đồ ra mắt cho M3 kết quả đặc biệt tốt trên SVG-Bench: 63,7 so với 62,3 của Opus 4.7, 58,2 của GPT-5.5, và 59,2 của Gemini 3.1 Pro. Điều này phù hợp với thiết kế tổng thể của M3: hiểu thị giác gốc nhằm tham gia trực tiếp vào lập trình và quy trình tác tử thay vì là một tính năng thị giác tách biệt.
Kết luận tổng thể do đó tinh tế hơn “M3 đánh bại các mô hình đóng”. M3 bước vào cùng dải hiệu năng trên nhiều tác vụ tác tử, thắng một số đánh giá và thua những đánh giá khác. Khác biệt của nó là những gì đi kèm với các điểm số đó: trọng số mở, huấn luyện đa phương thức, thiết kế ngữ cảnh triệu token và kinh tế phục vụ tích cực.
MiniMax M3 vs Claude Opus 5 vs GPT-5.6 Sol vs Gemini 3.7 Flash
MiniMax M3 ra mắt trong một thị trường chuyển động nhanh, và tập so sánh ban đầu của nó không còn là điểm tham chiếu hữu ích nhất. Một so sánh thế hệ hiện tại phù hợp hơn là Claude Opus 5, GPT-5.6 Sol, và Gemini 3.7 Flash—các mô hình đóng mới hơn nhắm tới lập trình, tác tử và công việc đa phương thức. Vì các mô hình này không được đánh giá dưới cùng một bộ khung, bảng nhấn mạnh năng lực được ghi nhận và chỉ dùng số điểm chuẩn khi thước đo được báo cáo trực tiếp.
| 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 |
Các con số điểm chuẩn này đến từ các gói đánh giá của nhà cung cấp khác nhau và không nên được đọc như một bảng xếp hạng đồng bộ duy nhất. Điểm 66,0 Terminal-Bench 2.1 của M3 đến từ đánh giá khi ra mắt của MiniMax; OpenAI báo 88,8 cho GPT-5.6 Sol, trong khi Google báo 85,8 cho Gemini 3.7 Flash. Ra mắt Opus 5 của Anthropic nhấn mạnh Frontier-Bench, GDPval-AA, AutomationBench và OSWorld 2.0 thay vì công bố một kết quả Terminal-Bench 2.1 có thể so sánh trực tiếp. Để chọn mô hình, hãy đo các ứng viên dưới một bộ khung thống nhất trên khối lượng công việc của bạn thay vì coi các con số ra mắt giữa nhà cung cấp là xếp hạng cố định.
Where MiniMax M3 Has the Clearest Advantage
Lợi thế rõ nhất của M3 là lựa chọn triển khai. Cả biểu đồ điểm chuẩn lẫn số tham số không tự giải thích vì sao nhà phát triển có thể quan tâm đến mô hình. M3 kết hợp trọng số mở với độ dài ngữ cảnh và năng lực đa phương thức thường gắn với các hệ thống tiên phong được lưu trữ. Điều đó khiến nó hấp dẫn khi các nhóm cần triển khai cục bộ, độc lập nhà cung cấp, phục vụ chuyên biệt hoặc kiểm soát sâu chuỗi suy luận.
Lợi thế thứ hai là kiến trúc chi phí ngữ cảnh dài. MSA được thiết kế rõ ràng để ngăn chi phí chú ý bùng nổ ở quy mô triệu token. Điều này không khiến các yêu cầu 1M token rẻ theo nghĩa tuyệt đối—bộ đệm KV, thực thi chuyên gia và đầu vào đa phương thức vẫn tốn tài nguyên—nhưng nó thay đổi đường cong mở rộng so với chú ý đầy đủ.
Where Closed Models Still Lead
Cùng biểu đồ điểm chuẩn chính thức cho thấy vì sao M3 không nên được trình bày như là sự thay thế tự động cho mọi mô hình tiên phong đóng. Claude Opus 4.7 có kết quả mạnh hơn trên SWE-Bench Pro, KernelBench Hard, GDPval, BankerToolBench, MCP Atlas và OSWorld-Verified trong chính so sánh của MiniMax. GPT-5.5 mạnh hơn nhiều trên Terminal-Bench 2.1 và dẫn đầu GDPval. Gemini 3.1 Pro hơi nhỉnh hơn trên BrowseComp.
Đối với nhóm sản xuất, các nền tảng đóng cũng có thể cung cấp kiểm soát an toàn trưởng thành, công cụ lưu trữ, khả năng quan sát, cam kết thông lượng và tích hợp—những thứ quan trọng hơn trọng số mở. M3 trở nên thuyết phục nhất khi lợi ích về triển khai và chi phí là một phần yêu cầu, không phải khi hạng điểm chuẩn là tiêu chí duy nhất.
MiniMax M3 API Pricing
Hiện MiniMax dùng hai hạng giá ngữ cảnh tiêu chuẩn. Trang định giá chính thức hiển thị mức “giảm 50% vĩnh viễn” là $0,30/M đầu vào và $1,20/M đầu ra cho yêu cầu ở mức ≤512K token đầu vào. Yêu cầu trên 512K được hiển thị ở $0,60/M đầu vào và $2,40/M đầu ra. Dịch vụ ưu tiên có giá bằng 1,5× hạng tiêu chuẩn.
| 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 của CometAPI là $0,48/M đầu vào và $1,92/M đầu ra và so sánh điều đó với mức niêm yết không giảm của MiniMax là $0,60/$2,40. Bởi vì chính nền tảng của MiniMax hiện hiển thị mức hạng tiêu chuẩn giảm 50% riêng, nhà phát triển nên so sánh mức giá thực tế đang bị tính thay vì chỉ dựa vào phần trăm giảm giá tiêu đề.
Lý do sử dụng CometAPI trong tình huống này do đó không nhất thiết là mức giá khuyến mãi trực tiếp thấp nhất ở mọi thời điểm. Giá trị của nó là một lớp API và thanh toán thống nhất khi ứng dụng cần định tuyến giữa M3 và các nhà cung cấp khác mà không phải duy trì tích hợp riêng biệt.
What Can MiniMax M3 Do?
Coding and Repository-Scale Engineering
Trường hợp sử dụng rõ ràng nhất của M3 là kỹ nghệ phần mềm trên các kho mã lớn. Cửa sổ ngữ cảnh triệu token có thể chứa nhiều mã, tài liệu, đầu ra kiểm thử, lịch sử issue và trạng thái tác tử hơn nhiều so với cửa sổ 204,8K của thế hệ M2 trước. Trên thực tế, điều đó cho phép các quy trình như triển khai tính năng đa tệp, tái cấu trúc toàn kho, chẩn đoán lỗi, sửa kiểm thử, vòng lặp build/terminal, rà soát pull-request và tối ưu hiệu năng.
Chìa khóa là tính bền bỉ. Một tác tử lập trình cấp kho chỉ hữu ích nếu nó có thể giữ các yêu cầu ban đầu trong khi tích lũy đầu ra công cụ và các bản sửa. Các màn trình diễn 12 giờ và CUDA gợi ý rằng M3 được thiết kế để tiếp tục làm việc sau các thất bại trung gian thay vì coi mỗi lần gọi công cụ là một tác vụ ngắn tách biệt.
Autonomous Research and Experimentation
Ví dụ tái lập bài báo là một khuôn mẫu tốt cho tác tử nghiên cứu. M3 có thể đọc một bài, xem xét các hình, suy luận về công thức, sinh mã, chạy thí nghiệm, đánh giá liệu kết quả khớp kỳ vọng, và tiếp tục tinh chỉnh triển khai. Khả năng giữ văn bản bài, mã và log thí nghiệm trong một ngữ cảnh dài giảm lượng trạng thái phải tóm tắt hoặc tái dựng bên ngoài.
Đây cũng là lý do PostTrainBench có liên quan. MiniMax yêu cầu M3 tổng hợp dữ liệu huấn luyện, huấn luyện mô hình nền, đánh giá chúng, và lặp lại mà không cần can thiệp con người. M3 không xếp hạng nhất—nó về sau Opus 4.7 và GPT-5.5 trong báo cáo của MiniMax—nhưng thí nghiệm cho thấy dạng tự động hóa nghiên cứu phức tạp hơn hỏi-đáp thông thường.
Multimodal Technical Analysis
Vì M3 nhận hình ảnh và video gốc, các quy trình kỹ thuật có thể kết hợp chứng cứ thị giác với văn bản và mã. Ví dụ gồm so sánh triển khai frontend với ảnh chụp màn hình, phân tích biểu đồ trong một bài nghiên cứu, kiểm tra trạng thái UI khi sử dụng máy tính, trích xuất thông tin từ sơ đồ, hoặc kết hợp quan sát video với log bảo trì dài.
Tài liệu API tương thích OpenAI của MiniMax hỗ trợ rõ ràng các phần nội dung image_url và video_url cho M3, bao gồm tệp tải lên cho video lớn hơn. Điều này biến đầu vào đa phương thức thành tính năng API hướng nhà phát triển thay vì chỉ là một bản demo sản phẩm.
Computer and Office Automation
MiniMax Code được thiết kế như một khung tác tử xung quanh M3. Công ty nói Nhóm Agent của họ có thể chia tác vụ phức tạp thành các quy trình đa giai đoạn song song và dùng vòng Producer + Verifier để phản tư và sửa lỗi. Đa phương thức gốc của M3 cũng cho phép các quy trình sử dụng máy tính di chuyển qua ứng dụng, tệp, bảng tính và giao diện desktop.
Một ví dụ chính thức là chỉ dẫn mở một ứng dụng ERP cục bộ và nhập hàng loạt thông tin hóa đơn từ bảng tính Excel. Năng lực quan trọng là trạng thái xuyên ứng dụng: tác tử cần hiểu bảng tính, vận hành giao diện, giữ ánh xạ giữa các trường và phục hồi nếu UI thay đổi hoặc một hành động thất bại.
Long-Context Document and Knowledge Work
Cửa sổ ngữ cảnh 1M hữu ích không chỉ cho mã. Nó có thể hỗ trợ bộ sưu tập lớn hợp đồng, chính sách, đặc tả kỹ thuật, bài nghiên cứu, báo cáo sự cố hoặc hồ sơ khách hàng trong một ngữ cảnh làm việc duy nhất. Lợi thế không chỉ là “nhiều trang hơn”; đó là khả năng suy luận trên chứng cứ xa nhau trong khi giữ lịch sử tác tử dài.
Vẫn có một cảnh báo thực tế: dung lượng ngữ cảnh tối đa không đảm bảo ghi nhớ hoàn hảo ở mọi vị trí, và prompt rất lớn làm tăng độ trễ và chi phí. Ngữ cảnh dài nên đi kèm truy hồi, bộ nhớ đệm, bộ nhớ có cấu trúc hoặc phân đoạn tác vụ khi các cách tiếp cận đó cải thiện độ tin cậy.
Final Verdict: Is MiniMax M3 a Frontier Model?
Có—nhưng lý do mạnh nhất cho nhãn đó không phải là M3 đứng đầu mọi bảng. M3 không làm được điều đó.
Điều mà MiniMax M3 thay đổi là đánh đổi. Nó mang lại hiệu năng tiên phong cạnh tranh ở thời điểm ra mắt đồng thời cung cấp trọng số mở, thiết kế chú ý thưa cho ngữ cảnh triệu token, huấn luyện văn bản-hình ảnh-video gốc, hành vi tác tử tầm dài, và mức giá API theo token thấp hơn nhiều so với các mô hình đóng hàng đầu trong bộ so sánh ban đầu của nó.
SEO thông tin
Suggested URL: /blog/minimax-m3-specs-benchmarks-pricing
Description: Khám phá thông số kỹ thuật của MiniMax M3, ngữ cảnh 1M token, chú ý thưa, khả năng đa phương thức, hiệu năng điểm chuẩn, giá API, trường hợp sử dụng và so sánh mô hình.
Keywords: MiniMax M3, thông số MiniMax M3, điểm chuẩn MiniMax M3, giá API MiniMax M3, MiniMax Sparse Attention, cửa sổ ngữ cảnh 1M token, mô hình lập trình đa phương thức, mô hình AI trọng số mở, tác tử AI tầm dài, MiniMax M3 vs GPT-5.5