MiniMax-M3 är MiniMax flaggskepps öppna viktgrunder och den första modellen som kombinerar tre frontkapaciteter samtidigt: front-nivå kodning och agentprestanda, ett kontextfönster på 1M token samt inbyggd multimodalitet. Den accepterar text-, bild- och videoinmatning med textutdata och drivs av den proprietära MiniMax Sparse Attention (MSA)-arkitekturen, som upprätthåller upp till 1M token kontext (med en garanterad miniminivå på 512K) – grunden för långväga agentuppgifter, långsiktig kodning och långvideoförståelse. Multimodalitet är en inbyggd kärnkapacitet snarare än ett tillägg: datapipelinen byggdes om för att skala förträning till 100T+ token med multimodal träning från steg noll, vilket djupt anpassar text- och visuella semantiska rum. M3 uppnår toppresultat inom kodning och agentiska riktmärken som omfattar programvaruteknik, terminalexekvering och autonom surfning (med 83,5 på BrowseComp), med autonom uppgiftsnedbrytning, verktygsanrop och flerstegsresonemang. Den är väl lämpad för AI-kodningsassistenter, automatiserade arbetsflöden och långvariga asynkrona agentpipeliner där koherens över utdragna sessioner är viktig.
MiniMax M3 är en stor språkmodell utvecklad av Minimax, tillgänglig via OrcaRouters OpenAI-kompatibla API. Den accepterar text-, bild- och videoinmatningar och har ett kontextfönster på 1 048 576…
MiniMax M3 kan bearbeta långa dokument upp till 1 048 576 tokens i en enda genomgång. Detta gör att den kan utföra uppgifter som sammanfattning, frågebesvarande och informationsutvinning på hela forskningsartiklar, juridiska dokument eller tekniska manualer utan att tappa sammanhanget. Modellen kan även hantera indata från flera dokument, såsom en samling artiklar, och generera ett sammanhängande resultat. För applikationer som kräver mycket långa utdata möjliggör gränsen på 512 000 tokens produktion av fullständiga rapporter eller kod. Denna förmåga är särskilt användbar för dokumentbehandling och dataanalysflöden inom företag.
MiniMax M3 accepterar bild- och videoinmatningar tillsammans med text, vilket gör att den kan resonera om visuellt innehåll. Bilder och videor tokeniseras och bäddas in i samma kontext som text. Modellen kan svara på frågor om innehållet i en bild, beskriva en videoscen eller utföra optisk teckenigenkänning. För video kan den bearbeta flera bildrutor eller hela videon så länge den sammanlagda token-räkningen håller sig inom fönstret på 1 048 576 token. Detta multimodala stöd gör den lämplig för uppgifter som bildtextning, visuell frågebesvarande och videoanalys, allt tillgängligt via OrcaRouter API.
MiniMax M3 är optimerad för uppgifter som kräver ett mycket stort kontextfönster (1 048 576 token) eller multimodal indata (text, bild, video). Om din applikation innefattar bearbetning av långa dokument, hela böcker eller timmar av video i ett enda API-anrop, är M3:s kontextstorlek en stark fördel. Den passar även scenarier där du behöver generera upp till 512 000 token utdata utan flera förfrågningar. För enklare uppgifter – såsom kort textgenerering, sammanfattning av några stycken eller beskrivning av en enstaka bild – kan en billigare modell med ett mindre kontextfönster vara mer kostnadseffektiv. Utvärdera dina genomsnittliga in- och utdatalängder för att bestämma.
MiniMax M3 är bäst lämpad för uppgifter som utnyttjar dess stora kontextfönster och multimodala kapacitet. Exempel inkluderar: att analysera hela forskningsartiklar eller juridiska dokument med frågebesvarande; extrahera strukturerad data från långa flersidiga formulär; generera omfattande rapporter eller kod från en stor uppsättning indata; videoinnehållsanalys, såsom att sammanfatta en föreläsning eller identifiera objekt över många bildrutor; och bygga applikationer som kräver lagring och resonemang över en stor historik av användarinteraktioner inom en enda konversation. Dess prissättning—$0.30 per miljon inmatningstokens och $1.20 per miljon utmatningstokens—gör den ekonomisk för högvolym-, långkontextarbetsflöden.
MiniMax M3 uppnådde ett resultat på 83,5 på BrowseComp-riktmärket. BrowseComp utvärderar en modells förmåga att navigera på webbsidor och extrahera relevant information från dem. Detta test innebär vanligtvis att simulera en användare som bläddrar igenom en serie webbsidor och sedan svarar på frågor baserat på innehållet. Ett högre resultat indikerar bättre prestanda när det gäller att förstå webbdesign, följa länkar och syntetisera information från flera sidor. Resultatet på 83,5 placerar MiniMax M3 i en konkurrenskraftig position bland modeller som testats på detta riktmärke, särskilt för uppgifter som involverar webbaserad informationshämtning och resonemang.
Den främsta styrkan hos MiniMax M3 som visas av dess 83.5 BrowseComp-poäng är dess förmåga att hantera webbaserade informationssökningsuppgifter. Detta indikerar stark läsförståelse och navigationsförmåga. Dock har modellens prestanda på andra vanliga riktmärken (som MMLU, HumanEval eller GSM8K) inte offentliggjorts som en del av de angivna fakta. Därför kvantifieras inte dess relativa prestanda inom allmänkunskap, kodgenerering eller matematiskt resonemang här. Användare bör utvärdera modellen på sina egna uppgifter. Det stora kontextfönstret och multimodal support är ytterligare styrkor som inte fångas av enbart BrowseComp.
Inferenshastighet och latens för MiniMax M3 beror på flera faktorer, inklusive indatalängd, utdatalängd och serverbelastning. Inga specifika latenssiffror anges i tillgänglig fakta. Generellt sett kan modeller med stora kontextfönster ha högre latens för mycket långa indata på grund av den beräkningskostnad som krävs för att bearbeta många tokens. Utdatabegränsningen på 512 000 tokens innebär att generering av mycket långa svar tar proportionerligt längre tid. Vid användning av OrcaRouters API kommer latensen att vara liknande andra stora modeller av jämförbar storlek. För nästan-realtidsapplikationer som kräver låg latens, överväg modeller med mindre kontextfönster.
MiniMax M3 är prissatt till $0.30 per 1 miljon indatokens och $1.20 per 1 miljon utdatokens. Dessa priser återspeglar leverantörens prissättning utan någon påslag från OrcaRouter. Indatokens inkluderar alla tokens i prompten, inklusive systemmeddelanden, användarmeddelanden och eventuella bild- eller videotokens. Utdatokens är de tokens som genereras i svaret. Kostnaden ökar linjärt med tokenanvändning. Till exempel skulle en förfrågan med 100 000 indatokens och 10 000 utdatokens kosta $0.03 för indata och $0.012 för utdata, totalt $0.042. Det finns inga extra plattformsavgifter eller minimiåtaganden.
De angivna fakta nämner inga specifika rabattprogram eller cachelagringsförmåner för MiniMax M3 på OrcaRouter. Prissättningen är enkel per token till ovanstående priser. OrcaRouter erbjuder inte automatisk cachelagring eller reducerade priser för upprepade indata baserat på tillgänglig information. Användare bör konsultera OrcaRouters dokumentation eller kontakta deras supportteam för de senaste detaljerna om eventuella kostnadsbesparande funktioner. I avsaknad av sådana program är kostnaden direkt proportionell mot antalet inmatnings- och utmatningstokens som förbrukas.
MiniMax M3:s prissättning på $0,30 per miljon inmatningstokens och $1,20 per miljon utmatningstokens är konkurrenskraftig för en modell som erbjuder ett kontextfönster på 1 048 576 tokens och multimodal inmatning. Utan specifika konkurrentpriser i faktaunderlaget, en allmän jämförelse: många stora modeller med mindre kontextfönster (t.ex. 128k eller 200k tokens) prissätts liknande per token, men deras kontextgräns kräver flera API-anrop för mycket långa dokument. MiniMax M3:s större kontext kan minska den totala kostnaden för uppgifter som annars skulle kräva uppdelning och flera förfrågningar. Användare bör beräkna total tokenanvändning över sitt typiska arbetsflöde för att jämföra.
För att använda MiniMax M3 via OrcaRouter, skicka förfrågningar till bas-URL:en https://api.orcarouter.ai/v1. Modellidentifieraren är "minimax/minimax-m3". Autentisering görs genom att skicka din OrcaRouter API-nyckel i Authorization-huvudet som "Bearer YOUR_API_KEY". API:et är kompatibelt med OpenAI SDK, så du kan använda samma klientbibliotek genom att uppdatera bas-URL och API-nyckel. Till exempel, i Python med openai-paketet, sätt `client = OpenAI(base_url="https://api.orcarouter.ai/v1", api_key=YOUR_API_KEY)` och anropa sedan `client.chat.completions.create(model="minimax/minimax-m3", messages=[...])`.
När du anropar MiniMax M3 via OrcaRouters OpenAI-kompatibla API kan du använda standardparametrar som `messages`, `max_tokens`, `temperature`, `top_p`, `frequency_penalty`, `presence_penalty`, `stop` och `stream`. Parametern `max_tokens` får inte överskrida modellens maximala utdata på 512 000 tokens. Indatatokens (i `messages`) plus utdatatokens måste hålla sig inom kontextfönstret på 1 048 576 tokens. För multimodala inmatningar, inkludera bilder eller video i `content`-arrayen med lämpligt format (t.ex. `image_url` för bilder). Se OpenAI API-dokumentationen för fullständiga parameterbeskrivningar.
För att migrera en befintlig applikation som använder OpenAI:s API till MiniMax M3 på OrcaRouter behöver du ändra två saker: bas-URL:en och modell-ID:t. Ersätt din OpenAI-bas-URL med "https://api.orcarouter.ai/v1". Ändra modellsträngen till "minimax/minimax-m3". Uppdatera även din API-nyckel till en OrcaRouter API-nyckel. Meddelandeformatet förblir identiskt – OpenAI-kompatibelt. Inga andra kodändringar krävs. Om din applikation använder streaming är gränssnittet också kompatibelt. Testa först med en liten förfrågan för att säkerställa anslutning och att modellen svarar som förväntat.
Autentisering till OrcaRouter:s API sker via en API-nyckel. Du måste inkludera din OrcaRouter API-nyckel i Authorization-huvudet för varje begäran som "Bearer YOUR_API_KEY". API-nycklar utfärdas av OrcaRouter; du kan få en genom att registrera dig på deras plattform. Håll din nyckel säker och exponera den inte i klientsidans kod. API:et stödjer endast nyckelbaserad åtkomst; inga OAuth eller andra autentiseringsmetoder är dokumenterade för denna slutpunkt. Om du använder OpenAI Python-biblioteket, ställ in parametern `api_key` till din OrcaRouter-nyckel när du initialiserar klienten.
MiniMax M3 erbjuder ett kontextfönster på 1,048,576 tokens, vilket är bland de största som finns. Många konkurrerande långkontextmodeller erbjuder 128K, 200K eller 1M tokens, men få stöder även bild- och videoinmatning. Poängen 83.5 på BrowseComp indikerar stark prestanda vid webbaserade informationshämtningsuppgifter. Men utan andra benchmarkpoäng är en omfattande jämförelse begränsad. När det gäller prissättning, med $0.30 inmatning / $1.20 utmatning per miljon tokens, är den måttligt prissatt för sin kontextstorlek. Användare bör jämföra total kostnad för sina typiska inmatningslängder och utmatningsbehov.
Välj MiniMax M3 när din applikation kräver ett mycket stort kontextfönster (upp till 1M tokens) eller multimodal input (text, bild, video). Om du behöver bearbeta ett långt dokument eller en video i ett enda API-anrop utan att dela upp det, är M3:s kontextstorlek en viktig fördel. Den är även lämplig om du behöver generera upp till 512,000 tokens utdata. För uppgifter som är rent textbaserade med mindre kontextkrav (t.ex. under 100K tokens), kan en billigare modell med ett mindre kontextfönster vara mer kostnadseffektiv. Dessutom, om du behöver snabbast möjliga inferenshastighet, kan modeller med mindre kontextfönster svara snabbare.
Dataintegritet för MiniMax M3, när den nås via OrcaRouter, styrs av OrcaRouters policyer för datahantering. OrcaRouter lägger ingen påslag på leverantörens prissättning, men infrastrukturen för databehandling hanteras av OrcaRouter. Modellleverantören (Minimax) kan också ha egna användningsvillkor för data. Användare bör granska både OrcaRouters integritetspolicy och Minimax villkor gällande datalagring, träning och kryptering. Inga specifika säkerhetscertifieringar eller alternativ för dataresidens finns angivna i tillgängliga fakta. För känsliga data, överväg att kontakta OrcaRouter direkt för detaljer om datahantering och efterlevnad.
OpenAI-kompatibel — behåll det SDK du redan använder
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$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| Inmatning / 1M token | $0.300 |
| Utdata / 1M tokens | $1.20 |
| Cacheläsning / 1M | $0.060 |
| Valuta | USD |
Uppskattning baserad på listpris
Endast en uppskattning — faktiskt antal token beror på leverantörens tokenizer.
GET /api/public/models/minimax/minimax-m3Öppna @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