MiniMax-M3 es el modelo fundacional de peso abierto insignia de MiniMax y el primero en combinar tres capacidades de vanguardia al mismo tiempo: rendimiento de codificación y agente de vanguardia, una ventana de contexto de 1M tokens y multimodalidad nativa. Acepta entradas de texto, imagen y video con salida de texto, y está impulsado por la arquitectura patentada MiniMax Sparse Attention (MSA), que sostiene hasta 1M tokens de contexto (con un mínimo garantizado de 512K) — la base para tareas de agente de largo alcance, codificación de largo horizonte y comprensión de video largo. La multimodalidad es una capacidad central nativa en lugar de un complemento: el pipeline de datos fue reconstruido para escalar el preentrenamiento a más de 100T tokens con entrenamiento multimodal desde el paso cero, alineando profundamente los espacios semánticos textual y visual. M3 logra resultados de primer nivel en benchmarks de codificación y agentes que abarcan ingeniería de software, ejecución en terminal y navegación autónoma (puntuando 83.5 en BrowseComp), con descomposición autónoma de tareas, invocación de herramientas y razonamiento multi-paso. Es muy adecuado para asistentes de codificación de IA, flujos de trabajo automatizados y pipelines de agentes asíncronos de larga duración donde la coherencia en sesiones prolongadas es importante.
MiniMax M3 es un modelo de lenguaje grande desarrollado por Minimax, accesible a través de la API compatible con OpenAI de OrcaRouter. Acepta entradas de texto, imagen y video, y tiene una ventana de…
MiniMax M3 puede procesar documentos largos de hasta 1,048,576 tokens en una sola pasada. Esto le permite realizar tareas como resumen, respuesta a preguntas y extracción de información en artículos de investigación completos, documentos legales o manuales técnicos sin perder contexto. El modelo también puede manejar entradas de varios documentos, como una colección de artículos, y generar una salida coherente. Para aplicaciones que requieren salidas muy largas, el límite de generación de 512,000 tokens permite la producción de informes completos o código. Esta capacidad es particularmente útil para el procesamiento de documentos empresariales y flujos de trabajo de análisis de datos.
MiniMax M3 acepta entradas de imagen y video junto con texto, lo que le permite razonar sobre el contenido visual. Las imágenes y los videos se tokenizan y se integran en el mismo contexto que el texto. El modelo puede responder preguntas sobre el contenido de una imagen, describir una escena de video o realizar reconocimiento óptico de caracteres. Para el video, puede procesar múltiples fotogramas o el video completo siempre que el recuento total de tokens se mantenga dentro de la ventana de 1,048,576 tokens. Este soporte multimodal lo hace adecuado para tareas como subtitulado, respuesta visual a preguntas y análisis de video, todo accesible a través de la API de OrcaRouter.
MiniMax M3 está optimizado para tareas que requieren una ventana de contexto muy grande (1,048,576 tokens) o entrada multimodal (texto, imagen, video). Si su aplicación implica procesar documentos largos, libros completos u horas de video en una sola llamada a la API, el tamaño de contexto de M3 es una ventaja importante. También se adapta a escenarios en los que necesita generar hasta 512,000 tokens de salida sin múltiples solicitudes. Para tareas más simples —como generación de texto de formato corto, resumen de unos pocos párrafos o descripciones de una sola imagen— un modelo más económico con una ventana de contexto más pequeña puede ser más rentable. Evalúe la longitud promedio de sus entradas y salidas para decidir.
MiniMax M3 es ideal para tareas que aprovechan su gran ventana de contexto y capacidades multimodales. Ejemplos incluyen: analizar documentos de investigación completos o documentos legales con preguntas y respuestas; extraer datos estructurados de formularios largos de varias páginas; generar informes extensos o código a partir de un gran conjunto de entradas; análisis de contenido de video, como resumir una conferencia o identificar objetos a través de muchos fotogramas; y construir aplicaciones que requieran almacenar y razonar sobre un gran historial de interacciones de usuario dentro de una sola conversación. Su precio—$0.30 por millón de tokens de entrada y $1.20 por millón de tokens de salida—lo hace económico para flujos de trabajo de alto volumen y contexto largo.
MiniMax M3 obtuvo una puntuación de 83.5 en el benchmark BrowseComp. BrowseComp evalúa la capacidad de un modelo para navegar por páginas web y extraer información relevante de ellas. Esta prueba generalmente implica simular un usuario que navega por una serie de páginas web y luego responde preguntas basadas en el contenido. Una puntuación más alta indica un mejor rendimiento en la comprensión de diseños web, el seguimiento de enlaces y la síntesis de información de múltiples páginas. La puntuación de 83.5 sitúa a MiniMax M3 en una posición competitiva entre los modelos probados en este benchmark, particularmente para tareas que implican recuperación de información y razonamiento basados en la web.
La fortaleza principal de MiniMax M3, demostrada por su puntuación de 83.5 en BrowseComp, es su capacidad para manejar tareas de búsqueda de información basada en la web. Esto indica una sólida comprensión lectora y habilidades de navegación. Sin embargo, el rendimiento del modelo en otros benchmarks comunes (como MMLU, HumanEval o GSM8K) no ha sido divulgado públicamente como parte de los hechos proporcionados. Por lo tanto, su rendimiento relativo en conocimiento general, generación de código o razonamiento matemático no está cuantificado aquí. Los usuarios deben evaluar el modelo en sus propias tareas. La gran ventana de contexto y el soporte multimodal son fortalezas adicionales que no son capturadas únicamente por BrowseComp.
La velocidad de inferencia y la latencia de MiniMax M3 dependen de varios factores, como la longitud de la entrada, la longitud de la salida y la carga del servidor. No se proporcionan cifras de latencia específicas en los hechos disponibles. En general, los modelos con ventanas de contexto grandes pueden tener una latencia más alta para entradas muy largas debido al costo computacional de procesar muchos tokens. El límite de salida de 512 000 tokens significa que generar respuestas muy largas tomará proporcionalmente más tiempo. Al usar la API de OrcaRouter, la latencia será similar a la de otros modelos grandes de tamaño comparable. Para aplicaciones casi en tiempo real que requieren baja latencia, considere modelos con ventanas de contexto más pequeñas.
MiniMax M3 tiene un precio de $0.30 por cada 1 millón de tokens de entrada y $1.20 por cada 1 millón de tokens de salida. Estas tarifas reflejan el precio del proveedor sin margen adicional de OrcaRouter. Los tokens de entrada incluyen todos los tokens del prompt, incluidos los mensajes del sistema, los mensajes del usuario y cualquier token de imagen o video. Los tokens de salida son los tokens generados en la respuesta. El costo se escala linealmente con el uso de tokens. Por ejemplo, una solicitud con 100,000 tokens de entrada y 10,000 tokens de salida costaría $0.03 por entrada y $0.012 por salida, totalizando $0.042. No hay tarifas adicionales de plataforma ni compromisos mínimos.
Los hechos proporcionados no mencionan ningún programa de descuento específico ni beneficios de almacenamiento en caché para MiniMax M3 en OrcaRouter. Los precios son directos por token según las tarifas anteriores. OrcaRouter no ofrece almacenamiento en caché automático ni tarifas reducidas para entradas repetidas según la información disponible. Los usuarios deben consultar la documentación de OrcaRouter o ponerse en contacto con su equipo de soporte para obtener los detalles más actualizados sobre posibles funciones de ahorro de costos. En ausencia de dichos programas, el costo es directamente proporcional a la cantidad de tokens de entrada y salida consumidos.
El precio de MiniMax M3 de $0.30 por millón de tokens de entrada y $1.20 por millón de tokens de salida es competitivo para un modelo que ofrece una ventana de contexto de 1,048,576 tokens y entrada multimodal. Sin precios específicos de la competencia proporcionados en los hechos, una comparación general: muchos modelos grandes con ventanas de contexto más pequeñas (por ejemplo, 128k o 200k tokens) tienen un precio similar por token, pero su límite de contexto requiere múltiples llamadas API para documentos muy largos. El contexto más grande de MiniMax M3 puede reducir el costo total para tareas que de otro modo requerirían fragmentación y múltiples solicitudes. Los usuarios deben calcular el uso total de tokens en su flujo de trabajo típico para comparar.
Para usar MiniMax M3 a través de OrcaRouter, envíe solicitudes a la URL base https://api.orcarouter.ai/v1. El identificador del modelo es "minimax/minimax-m3". La autenticación se realiza pasando su clave API de OrcaRouter en el encabezado Authorization como "Bearer YOUR_API_KEY". La API es compatible con el SDK de OpenAI, por lo que puede usar la misma biblioteca cliente actualizando la URL base y la clave API. Por ejemplo, en Python con el paquete openai, configure `client = OpenAI(base_url="https://api.orcarouter.ai/v1", api_key=YOUR_API_KEY)` y luego llame a `client.chat.completions.create(model="minimax/minimax-m3", messages=[...])`.
Al llamar a MiniMax M3 a través de la API compatible con OpenAI de OrcaRouter, puedes usar parámetros estándar como `messages`, `max_tokens`, `temperature`, `top_p`, `frequency_penalty`, `presence_penalty`, `stop` y `stream`. El parámetro `max_tokens` no debe exceder la salida máxima del modelo de 512,000 tokens. Los tokens de entrada (en `messages`) más los tokens de salida deben permanecer dentro de la ventana de contexto de 1,048,576 tokens. Para entradas multimodales, incluye imágenes o video en el array `content` usando el formato adecuado (p. ej., `image_url` para imágenes). Consulta la documentación de la API de OpenAI para descripciones completas de los parámetros.
Para migrar una aplicación existente que utiliza la API de OpenAI a MiniMax M3 en OrcaRouter, debe cambiar dos cosas: la URL base y el ID del modelo. Reemplace su URL base de OpenAI por "https://api.orcarouter.ai/v1". Cambie la cadena del modelo a "minimax/minimax-m3". También actualice su clave de API a una clave de API de OrcaRouter. El formato del mensaje permanece idéntico: compatible con OpenAI. No se requieren otros cambios en el código. Si su aplicación utiliza streaming, la interfaz de transmisión también es compatible. Pruebe primero con una solicitud pequeña para asegurar la conectividad y que el modelo responda como se espera.
La autenticación a la API de OrcaRouter se realiza mediante una clave API. Debe incluir su clave API de OrcaRouter en el encabezado Authorization de cada solicitud como "Bearer YOUR_API_KEY". Las claves API son emitidas por OrcaRouter; puede obtener una registrándose en su plataforma. Mantenga su clave segura y no la exponga en el código del lado del cliente. La API solo admite acceso basado en claves; no se documentan métodos OAuth ni otros métodos de autenticación para este endpoint. Si está utilizando la biblioteca Python de OpenAI, establezca el parámetro `api_key` en su clave de OrcaRouter al inicializar el cliente.
MiniMax M3 ofrece una ventana de contexto de 1 048 576 tokens, que se encuentra entre las más grandes disponibles. Muchos modelos competidores de contexto largo ofrecen 128K, 200K o 1M de tokens, pero pocos admiten también entrada de imágenes y video. La puntuación de 83.5 en BrowseComp sugiere un buen rendimiento en tareas de recuperación de información basada en web. Sin embargo, sin otros puntajes de referencia, una comparación integral es limitada. En cuanto al precio, con $0.30 por entrada / $1.20 por salida por millón de tokens, tiene un costo moderado para su tamaño de contexto. Los usuarios deben comparar el costo total según sus longitudes típicas de entrada y necesidades de generación de salida.
Elige MiniMax M3 cuando tu aplicación requiera una ventana de contexto muy grande (hasta 1M de tokens) o entrada multimodal (texto, imagen, video). Si necesitas procesar un documento largo o un video en una sola llamada API sin dividirlo en fragmentos, el tamaño de contexto de M3 es una ventaja clave. También es adecuado si necesitas generar hasta 512,000 tokens de salida. Para tareas puramente textuales con requisitos de contexto más pequeños (por ejemplo, menos de 100K tokens), un modelo más barato con una ventana de contexto más pequeña puede ser más rentable. Además, si necesitas la velocidad de inferencia más rápida, los modelos con ventanas de contexto más pequeñas pueden responder más rápido.
La privacidad de datos para MiniMax M3, cuando se accede a través de OrcaRouter, se rige por las políticas de manejo de datos de OrcaRouter. OrcaRouter no añade un margen al precio del proveedor, pero la infraestructura de procesamiento de datos es gestionada por OrcaRouter. El proveedor del modelo (Minimax) también puede tener sus propios términos de uso de datos. Los usuarios deben revisar tanto la política de privacidad de OrcaRouter como los términos de Minimax en cuanto a retención de datos, entrenamiento y cifrado. No se proporcionan certificaciones de seguridad específicas ni opciones de residencia de datos en los hechos disponibles. Para datos sensibles, considere contactar directamente a OrcaRouter para obtener detalles sobre el manejo de datos y el cumplimiento.
Compatible con OpenAI: conserva tu SDK actual
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="minimax/minimax-m3",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)include_reasoningmax_tokensreasoningresponse_formattemperaturetool_choicetoolstop_p| Entrada / 1M tokens | $0.300 |
| Salida / 1M tokens | $1.20 |
| Lectura caché / 1M | $0.060 |
| Moneda | USD |
Estimación según precio de lista
Solo una estimación: el número real de tokens depende del tokenizador del proveedor.
GET /api/public/models/minimax/minimax-m3Abrir @misc{orcarouter_minimax_m3,
title = {MiniMax M3 API},
author = {MiniMax},
year = {2026},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/minimax/minimax-m3}
}MiniMax. (2026). MiniMax M3 API. OrcaRouter. https://www.orcarouter.ai/models/minimax/minimax-m3