MiniMax-M3 是 MiniMax 旗舰级开源基础模型，也是首个同时融合三项前沿能力的模型：达到前沿水平的编码与智能体性能、100万词元的上下文窗口，以及原生多模态能力。它支持文本、图像和视频输入，并输出文本；其背后是专有的 MiniMax 稀疏注意力（MSA）架构，可维持高达100万词元的上下文（最低保证512K），为长程智能体任务、长期编码任务及长视频理解提供基础支撑。 多模态作为原生核心能力而非附加功能：数据管线经过重构，使预训练从第零步起就扩展到100万亿+词元的多模态训练，深度对齐文本与视觉语义空间。M3 在涵盖软件工程、终端执行和自主浏览的编码及智能体基准测试中均取得顶尖成绩（在 BrowseComp 上获得83.5分），具备自主任务分解、工具调用和多步推理能力。它非常适合 AI 编码助手、自动化工作流，以及需要长时间保持上下文连贯性的异步智能体管线。
MiniMax M3 是由 Minimax 开发的大型语言模型，可通过 OrcaRouter 的 OpenAI 兼容 API 访问。它支持文本、图像和视频输入，上下文窗口为 1,048,576 个 token，最大输出为 512,000 个 token。这使得它非常适合需要处理长文档、多模态内容或在单次 API 调用中生成大量响应的开发者和研究人员。该模型定价为每百万输入 token 0.30…
MiniMax M3能够一次性处理长达1,048,576个token的长文档。这使得它可以在不丢失上下文的情况下，对整篇研究论文、法律简报或技术手册执行摘要、问答和信息提取等任务。该模型还能处理多文档输入（例如多篇文章的集合），并生成连贯的输出。对于需要超长输出的应用，512,000个token的生成限制使其能够生成完整长度的报告或代码。这一能力对于企业文档处理和数据分工作流程尤为实用。
MiniMax M3 可同时接受图像、视频和文本输入，从而对视觉内容进行推理。图像和视频会被标记化，并嵌入到与文本相同的上下文中。该模型能够回答关于图像内容的问题、描述视频场景，或执行光学字符识别。对于视频，它可以处理多个帧或整个视频，只要组合的令牌数量保持在 1,048,576 令牌窗口内。这种多模态支持使其适用于字幕生成、视觉问答和视频分析等任务，所有这些功能均可通过 OrcaRouter API 访问。
MiniMax M3 针对需要极大上下文窗口（1,048,576 个 token）或多模态输入（文本、图像、视频）的任务进行了优化。如果你的应用涉及在一次 API 调用中处理长文档、整本书籍或数小时的视频，M3 的上下文大小将是一个显著优势。它也适用于需要在单次请求中生成多达 512,000 个 token 输出的场景。对于更简单的任务——如短文本生成、几个段落的摘要或单张图片描述——使用上下文窗口较小的便宜模型可能更具成本效益。请评估你的平均输入和输出长度来做出决定。
MiniMax M3 最适合利用其大上下文窗口和多模态能力的任务。例如：通过问答分析整篇研究论文或法律文件；从长篇多页表单中提取结构化数据；基于大量输入生成详尽的报告或代码；视频内容分析，如总结讲座或跨帧识别物体；以及构建需要在单次对话中存储和推理大量用户交互历史的应用。其定价——每百万输入令牌0.30美元，每百万输出令牌1.20美元——使其在高吞吐量、长上下文的场景中具有经济性。
MiniMax M3在BrowseComp基准测试中获得了83.5分。BrowseComp评估模型浏览网页并从中提取相关信息的能力。该测试通常模拟用户浏览一系列网页，然后根据内容回答问题。分数越高，表示在理解网页布局、跟随链接以及综合多页信息方面的表现越好。83.5分的成绩使MiniMax M3在该基准测试的模型中处于有竞争力的位置，特别是在涉及基于网络的信息检索和推理任务上。
MiniMax M3 的主要优势体现在其 83.5 的 BrowseComp 得分上，这表明它能够有效处理基于网页的信息检索任务，具备强大的阅读理解与导航能力。然而，根据已公开信息，该模型在其他常见基准测试（如 MMLU、HumanEval 或 GSM8K）上的表现尚未披露。因此，其在通用知识、代码生成或数学推理方面的相对性能在此无法量化。用户应根据自身任务对模型进行评估。此外，大上下文窗口与多模态支持也是 BrowseComp 评测无法完全覆盖的其他优势。
MiniMax M3的推理速度和延迟取决于多个因素，包括输入长度、输出长度及服务器负载。现有资料未提供具体的延迟数据。通常，长上下文窗口的模型在处理极长输入时，因需要处理大量token而导致延迟较高。512,000 token的输出限制意味着生成长度非常大的响应时，耗时将按比例增加。使用OrcaRouter的API时，其延迟与其他同等规模的大模型相近。若需要低延迟的近实时应用，建议考虑采用较小上下文窗口的模型。
MiniMax M3的定价为每100万输入令牌0.30美元，每100万输出令牌1.20美元。这些价格反映了提供商的费率，OrcaRouter不添加任何加价。输入令牌包括提示中的所有令牌，包括系统消息、用户消息以及任何图像或视频令牌。输出令牌是响应中生成的令牌。成本随令牌使用量线性增长。例如，一个包含10万输入令牌和1万输出令牌的请求，输入成本为0.03美元，输出成本为0.012美元，总计0.042美元。无额外平台费用或最低消费要求。
提供的事实未提及 MiniMax M3 在 OrcaRouter 上的任何特定折扣计划或缓存优惠。定价按上述费率直接以每令牌计费。根据现有信息，OrcaRouter 不提供自动缓存或对重复输入降低费率的功能。用户应查阅 OrcaRouter 的文档或联系其支持团队，以获取关于任何潜在成本节省功能的最新详细信息。在缺乏此类计划的情况下，成本与消耗的输入和输出令牌数量成正比。
MiniMax M3 的定价为每百万输入 token 0.30 美元和每百万输出 token 1.20 美元，对于一款提供 1,048,576 token 上下文窗口和多模态输入的模型来说，具有竞争力。由于事实中未提供具体竞品定价，进行一般性比较：许多上下文窗口较小（例如 128k 或 200k tokens）的大型模型在每 token 定价上类似，但它们的上下文限制要求对超长文档进行多次 API 调用。MiniMax M3 的更大上下文可能降低那些原本需要分块和多次请求的任务的总成本。用户应计算其典型工作流程中的总 token 使用量以进行比较。
要通过OrcaRouter使用MiniMax M3，请将请求发送至基础URL https://api.orcarouter.ai/v1。模型标识符为"minimax/minimax-m3"。认证方式是通过在Authorization头中传递您的OrcaRouter API密钥，格式为"Bearer YOUR_API_KEY"。该API与OpenAI SDK兼容，因此您可以通过更新基础URL和API密钥来使用相同的客户端库。例如，在Python中使用openai包时，设置`client = OpenAI(base_url="https://api.orcarouter.ai/v1", api_key=YOUR_API_KEY)`，然后调用`client.chat.completions.create(model="minimax/minimax-m3", messages=[...])`。
通过OrcaRouter的OpenAI兼容API调用MiniMax M3时，可以使用标准参数，例如`messages`、`max_tokens`、`temperature`、`top_p`、`frequency_penalty`、`presence_penalty`、`stop`和`stream`。`max_tokens`参数不得超过模型的最大输出512,000个token。输入token（在`messages`中）加上输出token的总和必须保持在上下文窗口1,048,576个token以内。对于多模态输入，请使用适当的格式（例如图像的`image_url`）将图像或视频包含在`content`数组中。完整的参数说明请参考OpenAI API文档。
要将使用 OpenAI 的 API 的现有应用程序迁移到 OrcaRouter 上的 MiniMax M3，您需要更改两处：基础 URL 和模型 ID。将 OpenAI 基础 URL 替换为 "https://api.orcarouter.ai/v1"。将模型字符串改为 "minimax/minimax-m3"。同时将您的 API 密钥更新为 OrcaRouter API 密钥。消息格式保持不变——与 OpenAI 兼容。无需更改其他代码。如果您的应用程序使用流式传输，流接口也是兼容的。请先用一个小请求进行测试，以确保连接正常且模型按预期响应。
OrcaRouter 的 API 认证通过 API 密钥完成。您必须在每个请求的 Authorization 头部中包含您的 OrcaRouter API 密钥，格式为 "Bearer YOUR_API_KEY"。API 密钥由 OrcaRouter 颁发；您可以在其平台上注册以获取密钥。请确保密钥安全，不要在客户端代码中暴露。该 API 仅支持基于密钥的访问；此端点未记录其他认证方式（如 OAuth）。如果您使用 OpenAI Python 库，请在初始化客户端时将 `api_key` 参数设置为您的 OrcaRouter 密钥。
MiniMax M3 提供了 1,048,576 个 token 的上下文窗口，属于目前最大的之一。许多竞品的长上下文模型支持 128K、200K 或 1M 个 token，但能同时处理图像和视频输入的模型较少。83.5 的 BrowseComp 分数表明其在基于网页的信息检索任务上表现强劲。然而，由于缺少其他基准测试分数，难以进行全面的比较。定价方面，每百万 token 输入 0.30 美元、输出 1.20 美元，按其上下文规模来看价格适中。用户应根据自身典型输入长度和输出生成需求来比较总成本。
当您的应用需要极大的上下文窗口（最高达100万token）或多模态输入（文本、图像、视频）时，请选择MiniMax M3。如果您需要在单次API调用中处理长文档或视频而无需分块，M3的上下文规模是一大关键优势。它也适用于需要生成高达512,000个token输出的场景。对于纯文本且上下文需求较小（例如低于10万token）的任务，使用上下文窗口更小的廉价模型可能更具成本效益。此外，如果您需要最快的推理速度，上下文窗口较小的模型可能响应更快。
通过OrcaRouter访问MiniMax M3时的数据隐私，受OrcaRouter数据处理政策的约束。OrcaRouter不会在提供商的定价上添加加价，但数据处理基础设施由OrcaRouter管理。模型提供商（Minimax）也可能有自己的数据使用条款。用户应同时查阅OrcaRouter的隐私政策以及Minimax关于数据保留、训练和加密的条款。现有信息中未提供具体的安全认证或数据驻留选项。对于敏感数据，建议直接联系OrcaRouter以获取数据处理和合规性的详细信息。
兼容 OpenAI——沿用你现有的 SDK
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| 输入 / 1M tokens | $0.300 |
| 输出 / 1M tokens | $1.20 |
| 缓存读取 / 1M | $0.060 |
| 货币 | USD |
基于标价的估算
仅为估算——实际 Token 数取决于提供商的分词器。
@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