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

是。MiniMax M3 支援最高 1,000,000-token 的上下文視窗，使大型程式碼庫、文件集與長時間執行的代理工作階段都能在單一對話中加以分析。

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

M3 在多項程式設計與代理基準測試上已接近 Claude Opus 4.7，同時提供 1M-token 的上下文視窗，並計畫提供開放權重。獨立第三方的對比仍在陸續出現。

What makes MiniMax M3 different from previous MiniMax models?

MiniMax M3 引入 MiniMax Sparse Attention (MSA) 架構、原生多模態訓練、更強的代理能力，並且相比先前的 M2 系列模型大幅提升了上下文支援範圍。

Does the MiniMax M3 API support multimodal inputs?

是。MiniMax M3 原生支援多模態，除文字輸入外，亦支援圖片與影片理解。

What benchmark scores has MiniMax M3 achieved?

MiniMax 報告在 SWE-Bench Pro 取得 59.0%，在 Terminal-Bench 2.1 取得 66.0%，在 MCP Atlas 取得 74.2%，在 BrowseComp 取得 83.5，將 M3 定位於領先的程式設計與代理導向模型之列。

Is MiniMax M3 suitable for autonomous AI agents?

是。該模型特別針對長時程的代理工作流程進行優化，包括規劃、工具使用、任務分解、終端執行與多步驟問題解決。

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

當極長的上下文視窗、偏重程式設計的工作流程，或可採用開放權重的部署選項為優先時，MiniMax M3 具有特別吸引力。對於已在 Google 生態系統上標準化的團隊，Gemini 3.1 Pro 仍可能是更可取的選擇。

實惠的 MiniMax-M3 API | text-to-text

MiniMax M3 技術規格

項目	MiniMax M3
模型系列	MiniMax M3 前沿基礎模型
提供方	MiniMax
架構	MiniMax Sparse Attention (MSA)
輸入類型	文字、圖像、影片
輸出類型	文字
上下文視窗	最高可達 1,000,000 個 token（最低保證 512K）
主要強項	程式設計、代理式工作流程、多模態推理、長上下文處理
推理模式	思考開/關模式
工具使用	代理工作流程、工具調用、終端任務執行
部署	API、MiniMax Code、Token Plan、即將推出的開放權重版本
多模態支援	從零開始的原生多模態預訓練
發佈日期	2026 年 6 月

什麼是 MiniMax M3?

MiniMax M3 是一款前沿規模的 AI 模型，圍繞三項歷來主要受限於閉源系統的能力而設計：先進的程式表現、百萬 token 上下文處理，以及原生多模態理解。不同於後期將視覺作為擴展添加的模型，M3 從一開始就以多模態模型進行訓練，從而使視覺與文本推理實現更深度的對齊。

該模型基於 MiniMax Sparse Attention (MSA)，這是一種稀疏注意力架構，旨在在保有程式設計、推理與代理任務表現的同時，使百萬 token 上下文在計算上變得可行。

MiniMax M3 的主要特性

1M-token 上下文視窗： 支援超大型代碼庫、篇幅龐大的研究語料、多文件分析與長時間運行的代理會話。
面向代理的架構： 為自主任務分解、工具調用、迭代規劃與多步執行而設計。
原生多模態： 無需依賴獨立視覺棧，即可處理文字、圖像、圖表、截圖與影片輸入。
先進的程式能力： 在包括 SWE-Bench Pro、Terminal-Bench 和 KernelBench 在內的軟體工程基準上表現強勁。
長期執行： 已展示包含研究復現與 CUDA 最佳化等可持續多小時的自主工作流程。
可配置的推理： 可啟用思考模式以應對更深層推理工作負載，或關閉以獲得更低延遲的互動。

MiniMax M3 的基準表現

MiniMax 報告稱，其在程式、代理式執行與多模態評測任務上達到前沿級基準成績。已披露的結果包括：

基準	分數
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

該公司同時表示，M3 在多項面向程式的基準上超越 GPT-5.5 與 Gemini 3.1 Pro，並在部分評測中接近 Claude Opus 4.7 的表現。這些聲明源自 MiniMax 的內部基準披露，應結合獨立第三方測試加以理解，隨後續結果陸續發布而參照。

長上下文架構與 MSA

MiniMax Sparse Attention (MSA) 是 M3 百萬 token 上下文能力背後的架構創新。MSA 並非對整個序列施加完整二次方注意力，而是對上下文的選定區域進行區塊級路由與稀疏注意力。

據 MiniMax 稱，這在長上下文條件下大幅降低計算需求，並帶來：

在 1M 上下文長度下，預填速度提升逾 9×
解碼性能提升逾 15×
在 1M 上下文規模下，每 token 計算量約為上一代的 1/20

這些改進旨在使倉庫級程式開發與長期代理工作流程變得可行。

MiniMax M3 對比 Claude Opus 4.7 與 Gemini 3.1 Pro

能力	MiniMax M3	Claude Opus 4.7	Gemini 3.1 Pro
上下文視窗	最高 1M	公開可用的上下文層級較小	大上下文多模態
原生多模態訓練	是	是	是
代理式編碼側重	非常強	非常強	強
SWE-Bench Pro	59.0%	據 MiniMax 報告更高	據 MiniMax 報告更低
開放權重可用性	計劃中	否	否
長期代理工作流程	主要設計重點	強	強

已知限制

目前大多數基準披露來自 MiniMax，而非獨立評測機構。
開放權重模型文件與完整技術報告已宣布，但在發佈時尚未廣泛釋出。
在各種生產環境中的真實可靠性仍由開發者社群持續驗證。
百萬 token 上下文的工作負載可能比標準推理工作負載帶來更高的運行成本與延遲。

代表性用例

倉庫級軟體工程

分析大型程式碼庫、執行多文件重構、生成補丁、審查 Pull Request，並維持長期的開發上下文。

自主研究代理

支援文獻回顧、文件綜整、基準分析，以及需要數十萬 token 的長時間研究工作流程。

多模態技術分析

在同一推理流程中解讀截圖、架構圖、圖表、技術文件與影片內容。

終端與 DevOps 自動化

執行涉及測試、部署編排、相依管理與迭代除錯的複雜工程工作流程。

企業知識系統

搜尋並推理大量政策、合約、技術文件與內部知識庫集合。

模型版本與可用性

MiniMax M3 於 2026 年 6 月正式推出，作為 MiniMax 模型系列中的旗艦繼任者。該模型可通過 MiniMax API 生態與 CometAPI 使用。

MiniMax-M3 的定價

探索 MiniMax-M3 的競爭性定價，專為滿足各種預算和使用需求而設計。我們靈活的方案確保您只需為實際使用量付費，讓您能夠隨著需求增長輕鬆擴展。了解 MiniMax-M3 如何在保持成本可控的同時提升您的專案效果。

彗星價格 (USD / M Tokens)	官方價格 (USD / M Tokens)	折扣
輸入:$0.48/M 輸出:$1.92/M	輸入:$0.6/M 輸出:$2.4/M	-20%

MiniMax-M3 的範例程式碼和 API

存取完整的範例程式碼和 API 資源，以簡化您的 MiniMax-M3 整合流程。我們詳盡的文件提供逐步指引，協助您在專案中充分發揮 MiniMax-M3 的潛力。

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
  }'

MiniMax-M3