Vad är MiniMax M3? MiniMaxs multimodala flaggskepp med 1M-kontext

MiniMax M3 är en nativt multimodal språkmodell med öppna vikter från det kinesiska labbet bakom M-seriens textmodeller, Hailuo-videomodellerna och Music-serien. Labbet tillkännagav den 1 juni 2026, och den övertog topplatsen i företagets egen modellista från MiniMax M2.7, med ett kontextfönster på en miljon tokens, nativ inmatning av text, bild och video samt en sparse-attention-arkitektur som labbet kallar MSA.

Fjorton artiklar i den här bloggens arkiv nämner MiniMax M3. Fram till nu har inte en enda av dem handlat om den. Modellen dyker upp som motståndaren i jämförelse efter jämförelse – den referenspunkt med öppna vikter som en nyare Gemini, Qwen, Grok eller GPT mäts mot – och det har inte funnits någon sida här som en läsare kunde landa på för att ta reda på vad MiniMax M3 faktiskt är. Det här är den sidan.

Specifikationsbladet

MiniMax M3 är en mixture-of-experts-modell med ungefär 428 miljarder parametrar totalt och ungefär 23 miljarder aktiverade per token, enligt modellkortet som MiniMax publicerar tillsammans med vikterna. Den är nativt multimodal snarare än enbart text med synen påklistrad: kortet beskriver träning på sammanflätade modaliteter från första steget, och modellen tar emot text-, bild- och videoindata och returnerar text.

• Kontextfönster: 1 048 576 token, med vår egen katalogpost som anger en garanterad minsta mängd på 512 000 token användbar kontext
• Maximal utdata: 512 000 token på vår katalogsida; MiniMax publicerar inte någon siffra för maximal utdata i sitt eget material, så betrakta 512K som vår siffra, inte leverantörens
• Modalitet: text, bild och video in; text ut
• Parametrar: ~428B totalt, ~23B aktiva per token
• Resonemangsstyrning: en tankeparameter med lägena aktiverat, adaptivt och inaktiverat
• Rekommenderad sampling: temperature 1,0, top_p 0,95
• Arkitektur: MiniMax Sparse Attention (MSA), ämnet för arXiv-artikeln 2606.13392
• Ändpunktsformat: OpenAI-kompatibla chattkompletteringar

Det huvudsakliga arkitektoniska påståendet handlar om uppmärksamhetskostnad vid lång kontext. MiniMax säger att MSA levererar mer än 9 gånger snabbare prefill och mer än 15 gånger snabbare avkodning än M2 vid ett fönster på en miljon token, vilket minskar beräkningskostnaden per token till ungefär en tjugondel av den tidigare generationen. Detta är leverantörens siffror och vi har inte sett dem oberoende reproducerade.

Var MiniMax M3 befinner sig i MiniMaxs egen produktlinje

Det är toppen av språklinjen, men det är värt att vara precis om vad den linjen innehåller, eftersom MiniMax behåller en längre svans av fortfarande listade modeller än de flesta labb. Tillverkarens egen modelldokumentation delar in dem i två.

• Aktuella modeller: MiniMax M3, MiniMax M2.7, MiniMax M2.7-highspeed
• Äldre modeller, fortfarande listade: MiniMax M2.5, MiniMax M2.5-highspeed, MiniMax M2.1, MiniMax M2.1-highspeed, MiniMax M2
• MiniMax M2, den äldsta av dem, har en kontext på 200 000 tokens och en maximal utdata på 128 000 tokens inklusive tankekedja
• MiniMax publicerar inte kontext- eller utdatagränser för M2.7 eller M2.1 i samma dokument

Generationsklyftan är verklig men inte enorm i det enda index där båda modellerna finns med. Artificial Analysis poängsätter MiniMax M3 till 29 på Intelligence Index revision v4.3.2, och MiniMax M2.7 till 23 på samma revision – 29 placerar M3 på plats 16 av 114 modeller i den revisionens tabell, och 23 placerar M2.7 på plats 36. M2.7 släpptes i mars 2026. Språnget är ett steg, inte en generation, och det är värt att läsa de två siffrorna från samma revision: detta index omkalibrerades den 7 september 2026, och poäng från före det datumet är inte jämförbara med poäng efter det.

Vad det kostar

MiniMax prissätter M3 efter begärans storlek på sin pay-as-you-go-prislista, och de publicerade priserna har en permanent rabatt på 50 % jämfört med ett högre listpris.

• Upp till 512K tokens indata: $0,30 per miljon indatatoken, $1,20 per miljon utdatatoken, $0,06 per miljon cacheläsningar — mot ett listpris på $0,60 / $2,40 / $0,12
• Över 512K tokens indata: $0,60 per miljon indata, $2,40 per miljon utdata, $0,12 per miljon cacheläsningar — mot ett listpris på $1,20 / $4,80 / $0,24
• Prioriterad servicenivå: 1,5x standardpriset, alltså $0,45 / $1,80 / $0,09 på nivån för små förfrågningar, väljs genom att ställa in service_tier till "priority"
• Ej publicerat: MiniMax listar inget pris för cacheskrivning för M3, endast ett pris för cacheläsning

OrcaRouter tillhandahåller MiniMax M3 till samma priser – 0,30 USD in, 1,20 USD ut – utan påslag ovanpå leverantörens pris. Det är en utvald modell i vår katalog, och trafiken är inte obetydlig: 153,7 miljoner tokens dirigerades under de senaste sju dagarna när detta skrivs, med en p50-tid till första token på 4,26 sekunder och en p95 på 10,00 sekunder.

Vad MiniMax M3 är mätbart bra på

Börja med de siffror som MiniMax rapporterar om sig själva – alla är leverantörsrapporterade, och ingen av dem har vi sett reproducerad av en tredje part.

• SWE-Bench Pro: 59,0 %
• Terminal-Bench 2.1: 66,0 %
• SWE-fficiency: 34,8 %
• MCP Atlas: 74,2 %
• BrowseComp: 83,5, siffran som leverantören framhåller för agentisk sökning
• Video-MME: 84,6 vid 512 bildrutor, där det externa API:et begränsar antalet bildrutor till 640
• KernelBench Hard: 28,8 %
• OSWorld-Verified: 68,70 % vid högst 100 steg, vilket stiger till 70,06 % vid 200

Den oberoende bilden instämmer i riktningen. Artificial Analysis placerar MiniMax M3 på ett Intelligence Index på 29 i revision v4.3.2, på plats 16 av 114 modeller, till en kostnad av $0,51 för att köra indexet per modell – plats 21 av 114 i det kostnadsmåttet. Utdatashastigheten är 106,4 tokens per sekund, jämfört med en median på 67,1, och tiden till första token är 1,25 sekunder, jämfört med en median på 2,33 sekunder. Båda dessa är bättre än typiskt för nivån, och priset ligger väl under det.

Tredjepartsåterpublicering av samma indexfamilj fyller i delpoängen: SWE-bench Verified vid 80,5 %, tau-squared-bench vid 88,9 %, AA-GPQA Diamond vid 92,9 %, AA-LCR vid 83,0 %, AA-IFBench vid 82,9 %, OmniDocBench 1.5 vid 91,6 % och USAMO 2026 vid 85,7 %. Dokumentförståelse och instruktionsföljning framstår som äkta styrkor, och poängen för långkontextresonemang matchar den arkitektoniska berättelsen.

Vad det är mätbart dåligt på

De ärliga svagheterna samlar sig på två ställen, och båda syns i offentliggjorda siffror.

• Det agentiska gapet är det stora: på samma tredjepartsåterpublicering får MiniMax M3 58,6 på AA Coding Index men bara 30,8 på AA Agentic Index. Den skriver kod mycket bättre än den driver en lång flerstegsuppgift autonomt.
• Kunskap och hallucination: ett AA-Omniscience Index på 1,4, noggrannhet på 16,7 % och en hallucineringsfrekvens på 18,4 %. Det här är en modell som svarar självsäkert om saker den inte känner till.
• OSWorld 2.0: 4,6 %
• CritPt: 3,7 %, den svagaste publicerade poängen vi hittade för M3 någonstans
• ResearchClawBench: 19,8 %
• Ordrikhet: 120 miljoner utdatatokens för att slutföra Intelligence Index, rang 11 av 114 — det är en pratsam modell, och på resonemangstunga prompter syns det på notan
• Det sammansatta golvet: en tredjepartsaggregator placerar den på 55,28 av 100, rang 60 av 505, men på delvis täckning av 50 benchmarks av 481, så den sammansatta poängen är ett golv snarare än ett utlåtande

Flera saker mäts helt enkelt inte, och vi säger hellre det än fyller luckan. Ingen utanför MiniMax har reproducerat leverantörens benchmarktabell ovan. Artificial Analysis publicerar ingen siffra för Coding Index eller Agentic Index för M3 i egen rätt — paret 58,6 och 30,8 kommer från en tredje part som återpublicerar samma indexfamilj. Artificial Analysis anger AA-Omniscience som en komponent i sitt index men publicerar ingen numerisk Omniscience-poäng för M3. MiniMax publicerar ingen siffra för maximal utdata, så 512K på vår egen modellsida är vår. Och det finns överhuvudtaget inget pris för cache-skrivning på leverantörens prislista.

Vem bör välja MiniMax M3, och vem bör välja något annat?

Välj MiniMax M3 när uppgiften är långkontext och multimodal samtidigt. En miljon tokens med videoinmatning, öppna vikter som du kan ladda ner och köra själv, och ett indatapris på 0,30 USD per miljon tokens är en kombination som inget annat inom området för öppna vikter matchar lika rent. Analys av långa dokument, videoförståelse, kodläsning i repositoriestorlek och pipelines för dokumentextrahering är där de uppmätta styrkorna ligger – 91,6 % på OmniDocBench och 83,0 % på AA-LCR är siffrorna som talar för det.

Välj något annat i tre fall. Om du inte behöver kontextfönstret eller bildinmatningen kostar MiniMax M2.7 samma $0,30/$1,20, får 23 mot M3:s 29 i den aktuella indexrevideringen och är en mindre sak att driva – M3:s fördel är inte gratis, den har bara samma prislapp. Om din arbetsbelastning är autonoma agenter snarare än kodning är den agentiska luckan anledningen att leta någon annanstans, och MiniMax egen jämförelsetabell pekar på samma ställe: på PostTrainBench rapporterar leverantören 0,37 för M3 mot 0,42 för Opus 4.7 och 0,39 för GPT-5.5, dess enda publicerade benchmark där M3 förlorar mot båda. Och om du behöver en licens utan villkor, läs nästa stycke innan du binder dig.

Licensen är haken som mycket av bevakningen hoppar över. MiniMax M3 släpps under MiniMax Community License, inte Apache eller MIT. Icke-kommersiell användning är gratis. Kommersiell användning är tillåten, men du måste tydligt visa "Built with MiniMax M3". Under 20 miljoner dollar i årlig intäkt lämnar du en engångsanmälan; över det behöver du skriftligt förhandsgodkännande från MiniMax, begärt via e-post med ämnet "M3 licensing - authorization request". Licensen har också en bilaga med förbjudna användningar. Om du lanserar en produkt är det en juridisk granskning, inte en formalitet.

Den praktiska sammanfattningen

MiniMax M3 är det nuvarande flaggskeppet i MiniMax språkliga modellinje: en mixture-of-experts-modell med ~428 miljarder parametrar, ~23 miljarder aktiva per token, en kontext på en miljon tokens, inbyggd video- och bildinmatning, och sparse attention som leverantören tillskriver en 20-faldig minskning av beräkningen per token vid full kontext. Den tillkännagavs den 1 juni 2026, så detta är en etablerad modell, inte en ny — den intressanta frågan i september 2026 är inte huruvida den är bra, utan vilken halva av din arbetsbelastning den är bra för.

Det avvägda svaret är att den är stark på kod och dokument, ordinär på kunskap och svag på autonomt agentiskt arbete. Den är billig för vad den gör, och det är den sällsynta modellen med öppna vikter där påståendet om lång kontext håller vid en oberoende granskning. Licensen är den del som de flesta team behöver förhandla med sig själva.

MiniMax M3 körs på OrcaRouter till leverantörens pris utan påslag, via samma OpenAI-kompatibla endpoint som allt annat här: en API-nyckel når 200+ modeller, med automatisk failover om en endpoint faller och ett routing-DSL när du vill låsa eller blanda. Om du vill jämföra det med resten av katalogen innan du bestämmer dig har modellsidan det aktuella priskortet, percentiler för tid till första token och trafik.