Laster katalogen …
Laster katalogen …
En modell med åpne vekter og 428 milliarder parametere (~23 milliarder aktive) med mixture-of-experts-arkitektur fra MiniMax, et kontekstvindu på 1 million token, multimodal inndata og en konfigurerbar tenkemodus – egnet til arbeidsflyter med lange kontekster, agentiske oppgaver og kodehjelp.
Oversikt. MiniMax M3 er en modell med åpne vekter og sparse mixture-of-experts-arkitektur fra MiniMax, med totalt rundt 428 milliarder parametere og omtrent 23 milliarder aktive per token. Den tar imot tekst, bilder og video som inndata og produserer tekstutdata, med et kontekstvindu på 1 million token og opptil 512k token som utdata. Utviklere velger den når de trenger resonnering over lange kontekster med multimodal inndata og muligheten til å følge modellens trinnvise tankegang – uten å være låst til en leverandør med lukkede vekter.
Viktigste styrker. Uavhengige målinger fra Artificial Analysis gir MiniMax M3 en kodeindeks på 58,6 – det sterkeste målte området – en intelligensindeks på 45,4 og en agentindeks på 36,1. Det er et moderat og troverdig profil, ikke en frontmodellprofil. MiniMax sin egen dokumentasjon beskriver støtte for agentisk verktøybruk og en konfigurerbar tenkemodus (aktivert, adaptiv eller deaktivert), som gir utviklere kontroll over når modellen viser resonneringssporet sitt. Modellen tar også imot bilder og video som inndata ved siden av tekst, og MiniMax rapporterer betydelige hastighetsgevinster for prefill og dekoding sammenlignet med forgjengeren M2, takket være et nytt design med sparse attention.
Når du bør bruke den. Bruk MiniMax M3 til arbeidsflyter med mange steg og verktøykall, til kodehjelp der den målte kodeindeksen er et meningsfylt signal, og til oppgaver som faktisk trenger kontekstvinduet på 1 million token – store kodebaser, lange dokumenter eller multimodal inndata som blander tekst, bilder og video. Den valgfrie tenkemodusen er verdt å slå på for oppgaver som drar nytte av et synlig resonneringsspor, og av for forespørsler der svartid er kritisk og oppgaven er enkel. Den passer best i den «komplekse» enden av oppgaveruting – vedvarende arbeid med mange steg eller verktøybruk – snarere enn enkle spørsmål med én runde.
Begrensninger. MiniMax har ikke oppgitt når treningsdataene slutter, og modellen bruker en proprietær tokenizer som ikke er dokumentert som en vanlig standard. Agentindeksen og den generelle intelligensindeksen ligger i et moderat sjikt, ikke på toppnivå, så den bør ikke behandles som en frontmodell for resonnering selv med tenkemodus aktivert. Det er heller ikke publisert noen uavhengig evaluering av sikkerhet eller innholdsmoderering for bruk i sensitive domener.
Suverenitetsnotat. MiniMax M3 er laget av MiniMax, en modellskaper med base i Kina. Ingen detaljer om CLOUD Act-eksponering, policy for trening på inndata eller datalokasjon for endepunktet er verifisert for denne modellen. Siden vektene er åpent publisert under MiniMax sin fellesskapslisens, kan selskaper som trenger full kontroll over hvor inferensen kjøres, drifte modellen selv i stedet for å bruke et tredjeparts endepunkt.
| Inferensleverandør | Suverenitet | Kjører i | Inn / ut per 1M | Status | Lås |
|---|---|---|---|---|---|
| L0 | 0,27 / 1,08€ | Tilkoblet |
38 bruksområder klassifisert av kuratoren. Notatet forklarer hvorfor.
Resonneringsnivå som kan slås av og på, kombinert med et kontekstvindu på 1M token, støtter syntese på tvers av mange lange kilder i én kontekst – men et kvalitetsindeks på 45,4 betyr at utdata bør verifiseres før produksjonsbruk.
Et kontekstvindu på 1 048 576 token lar modellen lese inn hele store dokumenter eller dokumentsett i én omgang uten inndeling – en klar fordel for spørsmål og svar over langt materiale.
Kontekstvinduet på én million token er bygget for å svare på spørsmål over store dokumentkorpus uten tap fra inndelingsbiter.
Et kontekstvindu på 1 million token dekker hele regulatoriske dokumenter uten inndeling; status med åpne vekter muliggjør suveren drift på egne servere, noe som passer for regulerte bransjer.
Kodingsindeks på 58,6 og et kontekstvindu på 1 million token støtter agentiske kodingsoppgaver med mange filer, men dette ligger under de beste kodingsspesialistmodellene.
Det store kontekstvinduet kan holde store datasett i kontekst, men en kvalitetsindeks på 44,4 tyder på at analytisk nøyaktighet ligger etter toppmodellene.
Visjoninndata kombinert med et kontekstvindu på 1 million token er godt egnet til å behandle lange skannede dokumenter, selv om OCR-spesifikk nøyaktighet ikke er dokumentert.
Det utvidede kontekstvinduet støtter sporing av feil på tvers av store kodebaser; en kodingsindeks på 58,6 tyder på rimelig, men ikke toppnivå, diagnostisk nøyaktighet.
Visjonsegenskapen støtter tolkning av skjermbilder, men det finnes ingen dedikert referansetest som bekrefter nøyaktigheten.
Lang kontekst lar modellen forklare kode i sammenheng med en hel fil eller et helt repo; kodingsindeks på 58,6 er midtnivå.
Ingen eksplisitt støtte for verktøykall eller funksjonskall er oppgitt på kortet (kun visjon og promptbufring), noe som gjør dette til et svakere valg enn modeller med bekreftet støtte for funksjonskall.
Visjonsegenskapen finnes, men ingen diagramspesifikke referansemålinger er dokumentert, og den lave kvalitetsindeksen gir grunn til tvil om presis visuell resonnering.
Utkaststatus og en kvalitetsindeks på 45,4 gjør dette til et dårlig valg for kundestøtte i produksjon, der pålitelighet betyr mer enn kontekstlengde.
Ingen egenskaper for lydgenerering eller talesyntese er dokumentert for MiniMax M3; dette faller utenfor modellens arkitektur.
Ingen dokumentert egenskap for lydinndata eller -utdata; brukstilfeller for stemmeagenter krever ASR- og TTS-integrasjon som ikke finnes i denne modellen.
MiniMax M3 har ingen dokumentert TTS-egenskap; talesyntese krever en dedikert modell for lydgenerering.
Innhentede tall, ikke våre egne evalueringer. Persentilene er mot hele Stav-katalogen.
Beregnet fra aa-intelligence-index, gpqa-diamond, aa-engineering-index, aa-coding-index, livecodebench, terminal-bench-v4, ifbench, aa-lcr.
curl https://api.stav.ai/v1/chat/completions \
-H "Authorization: Bearer $STAV_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "minimaxai/minimax-m3",
"reasoning_effort": "high",
"messages": [{"role": "user", "content": "Hello!"}]
}'→ X-Stav-Request-Id · X-Stav-Model · X-Stav-Provider → X-Stav-Sovereignty-Level – nivået forespørselen ble betjent på