Если раньше «миллион токенов» звучал как маркетинговая цифра в даташитах, то в 2026 году это уже рабочая единица измерения. Появилась открытая модель, которая действительно держит контекст такой длины — без кластера на восьми H100, без обвязки из RAG, без костылей с прокруткой внимания. Имя ей — MiniMax M3.

Это не «ещё одна большая языковая модель». M3 — первый открытый релиз, который одновременно тащит и frontier-кодинг, и контекст в миллион токенов, и нативную мультимодальность (текст, картинки, видео на входе). До него открытый мир так не умел: либо качество кодинга, либо длинный контекст, либо мультимодальность — что-то одно.

За счёт чего это стало возможным? За счёт собственного разреженного внимания MSA — MiniMax Sparse Attention. По данным вендора, MSA снижает вычислительную стоимость внимания примерно в 20 раз и ускоряет prefill в 9 раз на длинных контекстах. Это не «маленькая модель с припиской open source» — это 428 миллиардов общих параметров с 23 миллиардами активных, и веса уже лежат на Hugging Face.

Что это меняет для обычного разработчика? Появляется реальная альтернатива закрытым флагманам для задач, которые раньше требовали либо Anthropic, либо OpenAI. Длинные миграции, рефакторинги, агенты на много часов работы, разбор видео и PDF — всё это можно запускать локально или через API, с весами, которые можно скачать и развернуть у себя.

Ниже — практический справочник по M3: что внутри, как запускать, какое железо нужно для self-hosted, где у него сильные стороны и где грабли. Без хайпа, без «AI изменит всё» — только то, что подтверждено официальной документацией и репозиториями.

Что это

  • MiniMax M3 — текущий флагман, MSA, 1M контекст, мультимодальность, computer use.
  • MiniMax M2.7 / M2.5 / M2 — предыдущие поколения; M2.7 ещё актуален для локального запуска на Mac Studio с ограниченным железом.
  • Hailuo 2.3 — видеогенерация.
  • Speech & Music — TTS и музыкальная генерация.
  • MiniMax Agent — автономный универсальный агент.
  • MiniMax Code — кодинг-агент с CLI и интеграциями в IDE.
  • MiniMax Mavis — генерация презентаций.
  • MiniMax Teams — командное пространство поверх агентов.

MiniMax — китайская AI-лаборатория, которая делает упор на открытые веса и собственную линейку моделей. M-серия — это языковые модели с фокусом на агентные сценарии и кодинг: M2 → M2.5 → M2.7 → M3. Помимо языковых моделей, у лаборатории есть видеогенератор Hailuo, речевые модели и продуктовая обвязка в виде агентов и IDE-плагинов.

MiniMax M3 — флагман M-серии, выпущенный в июне 2026 года. Это первая открытая модель, в которой сразу три «взрослые» характеристики: 1 миллион токенов контекста, нативная мультимодальность (текст, изображения, видео на входе) и frontier-уровень на кодинге и агентных задачах. До неё так не умел никто в открытом доступе.

Ключевая инженерная деталь — собственная разреженная модификация внимания MSA (MiniMax Sparse Attention). Это «главная фишка» M3, которая и делает миллионный контекст практически применимым, а не только красивой цифрой в презентации.

Ключевое правило: открытые веса M3 уже опубликованы на Hugging Face — модель можно скачать и развернуть self-hosted. Но лицензия — MINIMAX COMMUNITY LICENSE: для коммерческого использования с доходом выше 20 миллионов долларов в год нужно отдельное письменное разрешение вендора. Подробности — в разделе «Ограничения».

Линейка моделей MiniMax

  • MiniMax M3 — текущий флагман, MSA, 1M контекст, мультимодальность, computer use.
  • MiniMax M2.7 / M2.5 / M2 — предыдущие поколения; M2.7 ещё актуален для локального запуска на Mac Studio с ограниченным железом.
  • Hailuo 2.3 — видеогенерация.
  • Speech & Music — TTS и музыкальная генерация.
  • MiniMax Agent — автономный универсальный агент.
  • MiniMax Code — кодинг-агент с CLI и интеграциями в IDE.
  • MiniMax Mavis — генерация презентаций.
  • MiniMax Teams — командное пространство поверх агентов.

Зачем нужно

M3 закрывает три практических задачи, которые раньше требовали либо закрытого API, либо сложной самосборной обвязки.

  • Длинные агенты без внешних зависимостей. Кодинг-агент или research-агент, который работает 12–24 часа и делает тысячи tool calls, раньше жёстко зависел от Anthropic или OpenAI. С M3 такой контур можно поднять полностью на своих весах.
  • Большой контекст без RAG-обвязки. Когда нужно держать в окне весь репозиторий, корпус документов или длинный лог — 1M токенов снимает необходимость в умной нарезке, эмбеддингах и векторном поиске. Не отменяет RAG как класс, но для многих задач делает его избыточным.
  • Мультимодальность из коробки. Модель принимает текст, картинки и видео одним и тем же вызовом. Не нужно подключать отдельный vision-модуль, отдельный OCR, отдельный видео-pipeline.
  • Запасной канал. Даже если вы не планируете мигрировать с Claude или GPT, M3 — это рабочая страховка: альтернативный провайдер, открытые веса, разные географические точки размещения. Если завтра поменяются тарифы у основного вендора или закроется регион — у вас есть план B.

Как устроено

Ниже — сводка по ключевым бенчмаркам M3 по данным вендора (карточка модели и пост-трейнинг-отчёт). Где есть прямое сравнение с конкурентами — указано явно.

БенчмаркMiniMax M3Контекст / комментарий
SWE-Bench Pro59.0выше GPT-5.5 и Gemini 3.1 Pro
Multi-SWE-Bench49.4лидер среди открытых моделей
Terminal Bench 2.166.0работа в терминале
BrowseComp83.5Opus 4.7 — 79.3
Claw-Eval (агент)74.5%долгие агентные траектории
MCP Atlas74.2%работа с MCP-серверами
OmniDocBench91.6%понимание документов
SVG-Benchвыше Opus 4.7генерация векторной графики
SpreadSheetBench89.35%работа с таблицами
BankerToolBench76.12%финансовые tool-цепочки
IMO 202535/42математическая олимпиада
USAMO 202536/42математическая олимпиада США
GDPval-AA11495 ELOагрегированный продуктовый бенч

Главный сигнал: M3 впервые в открытом доступе подтягивается к закрытым флагманам на «честных» бенчмарках — SWE-Bench Pro, MCP Atlas, Claw-Eval. На задачах с длинным контекстом и tool-цепочками это особенно заметно.

Архитектура MSA — MiniMax Sparse Attention

MSA — это собственный разреженный оператор внимания, построенный поверх Grouped Query Attention (GQA). Принцип простой: для каждой группы запросов модель выбирает top-k самых релевантных KV-блоков и считает точное attention только по ним. Остальные блоки игнорируются.

По данным Hugging Face, на M3 это даёт следующие эффекты на 1M контексте по сравнению с M2: ускорение prefill в 9 раз, ускорение декодирования в 15 раз, вычислительная стоимость внимания на токен — примерно 1/20 от плотной модели. Технический отчёт по MSA опубликован на arXiv (2606.13392): в нём на 109-миллиардной тестовой модели зафиксировано снижение compute внимания в 28.4 раза и ускорение в 14.2 раза по prefill и 7.6 раза по декодированию на H800 — цифры сопоставимого порядка, но на другой по размеру модели.

MSA — это не «магия разреженности». Это инженерный компромисс: модель отдаёт немного качества на коротких контекстах ради радикального удешевления длинных. На 1M это окупается, на 10K — может быть, нет.

Ключевые параметры

ПараметрЗначение
Общие параметры~428 миллиардов
Активные на токен~23 миллиарда (MoE-архитектура)
Контекстдо 1 000 000 токенов
Гарантированный минимум512 000 токенов
Модальности на входетекст, изображения, видео
Модальности на выходетекст, tool calls
Computer useнативно (браузер, GUI, терминал)
Tool usefunction calling, structured outputs, MCP
Лицензия весовMINIMAX COMMUNITY LICENSE (non-commercial + ограничения)

Режимы рассуждения

M3 поддерживает три режима работы параметра `thinking`: «enabled» — рассуждение всегда включено, «adaptive» — модель сама решает, когда включать рассуждение, «disabled» — режим минимальной задержки и максимальной пропускной способности. Выбор режима делается на стороне клиента, без перезапуска модели.

Рекомендованные параметры инференса от вендора: `temperature=1.0`, `top_p=0.95`. Это значения по умолчанию, при которых модель показывает лучшие результаты на бенчмарках. Для детерминированных задач разумно понижать температуру, но базовую отметку держите в голове.

Бенчмарки

Ниже — сводка по ключевым бенчмаркам M3 по данным вендора (карточка модели и пост-трейнинг-отчёт). Где есть прямое сравнение с конкурентами — указано явно.

БенчмаркMiniMax M3Контекст / комментарий
SWE-Bench Pro59.0выше GPT-5.5 и Gemini 3.1 Pro
Multi-SWE-Bench49.4лидер среди открытых моделей
Terminal Bench 2.166.0работа в терминале
BrowseComp83.5Opus 4.7 — 79.3
Claw-Eval (агент)74.5%долгие агентные траектории
MCP Atlas74.2%работа с MCP-серверами
OmniDocBench91.6%понимание документов
SVG-Benchвыше Opus 4.7генерация векторной графики
SpreadSheetBench89.35%работа с таблицами
BankerToolBench76.12%финансовые tool-цепочки
IMO 202535/42математическая олимпиада
USAMO 202536/42математическая олимпиада США
GDPval-AA11495 ELOагрегированный продуктовый бенч

Главный сигнал: M3 впервые в открытом доступе подтягивается к закрытым флагманам на «честных» бенчмарках — SWE-Bench Pro, MCP Atlas, Claw-Eval. На задачах с длинным контекстом и tool-цепочками это особенно заметно.

Долгие автономные сценарии

M3 заточен под траектории на десятки часов и сотни tool calls. Из стресс-тестов MiniMax:

  • 12-часовая репликация статьи с ICLR. Модель самостоятельно довела работу до 18 коммитов и 23 графиков без вмешательства человека.
  • 24-часовая оптимизация CUDA-ядра FP8 GEMM. За 147 итераций и 1959 tool calls прирост утилизации с 7.6% до 71.3% — ускорение ×9.4.
  • PostTrainBench (агентный пост-трейнинг). M3 — 37.1, третье место после Opus 4.7 (42.4) и GPT-5.5 (39.3). Среди открытых моделей — первое место с большим отрывом.

Это важно для длинных задач: миграций, рефакторингов, репликаций, research-сессий с большим числом шагов. Именно на таких траекториях M3 раскрывается сильнее всего — короткий вопрос-ответ не его сильная сторона.

Когда использовать

M3 — не универсальная замена любой модели на каждой задаче. Это специализированный инструмент для длинных и сложных сценариев. Вот где он действительно оправдан:

  • Кодинг-агент в команде. Долгие миграции, рефакторинги, задачи на десятки часов с сотнями tool calls. M3 заточен именно под такие траектории — на стресс-тестах вендора модель 24 часа оптимизировала CUDA-ядро и сделала 1959 tool calls без вмешательства человека.
  • Длинные research-сессии. Когда нужно держать в окне весь репозиторий или большой корпус документов — 1M токенов позволяет не возиться с RAG-обвязкой и работать с сырым материалом напрямую.
  • Computer use и автоматизация. Нативная поддержка GUI и браузера — для автоматизации форм, отчётов, скрейпинга с авторизацией, сценариев, где нужна работа «как человек».
  • Резервный канал к Claude/GPT. Дешевле, открытые веса в перспективе, заметно ниже vendor lock-in. Если завтра поменяются тарифы у основного вендора — у вас есть альтернатива с тем же классом качества.

Где M3 избыточен:

  • Короткие диалоги, простые вопросы-ответы, элементарные суммаризации — там любая маленькая модель справится, и платить за 428 миллиардов параметров смысла нет.
  • Задачи, где важна скорость первого ответа больше, чем качество рассуждения — для них есть M2.7-highspeed и компактные модели.
  • Сценарии, где нужен чистый диалог без tool calls и рассуждений — есть M2-her, специально обученный под ролевые и многокTurnовые сценарии.

Сценарии применения

  • Кодинг-агент в команде. M3 через MiniMax Code или собственная обвязка вокруг API — для миграций, рефакторингов, long-running PR.
  • Длинные research-сессии. Контекст 1M позволяет держать весь репозиторий или большой корпус документов без RAG.
  • Browser/Computer use агенты. Нативная поддержка GUI и браузера — для автоматизации форм, отчётов, скрейпинга с авторизацией.
  • Работа с документами. OmniDocBench 91.6% — реально вытаскивать структуру из PDF, сканов, таблиц.
  • Финансовые и продуктовые tool-цепочки. SpreadSheetBench и BankerToolBench — про реальные данные и инструменты.
  • Резервный канал к Claude/GPT. Дешевле, открытые веса в перспективе, заметно ниже vendor lock-in.

Пример

Ниже — три типовых способа запуска M3: через API, через Ollama Cloud и через открытые веса локально. Все примеры взяты из официальной документации вендора.

Подключение по API

M3 доступен через два совместимых эндпоинта: OpenAI-совместимый и Anthropic-совместимый. Anthropic-вариант рекомендуется как основной — он поддерживает thinking blocks и interleaved thinking из коробки.

from openai import OpenAI

client = OpenAI(
    api_key="<MINIMAX_API_KEY>",
    base_url="https://api.minimax.io/v1",
)

resp = client.chat.completions.create(
    model="MiniMax-M3",
    messages=[
        {"role": "system", "content": "You are a senior code reviewer."},
        {"role": "user", "content": "Review this diff and suggest fixes."},
    ],
)

print(resp.choices[0].message.content)

Function calling, structured outputs и streaming работают так же, как в OpenAI SDK — переключение на нового вендора сводится к замене `base_url` и `model`.

Запуск через Ollama Cloud

ollama run minimax-m3:cloud

Ollama Cloud для M3 — это управляемый коммерческий инференс: серверы в США, политика zero data retention, официальная лицензия от вендора. Подходит как промежуточный вариант, пока открытые веса не выложены или пока нет своего GPU.

Загрузка открытых весов

hf download MiniMaxAI/MiniMax-M3 --local-dir MiniMax-M3

После скачивания модель можно поднять через vLLM, SGLang, Transformers, KTransformers или unsloth. Все пять движков поддерживают M3 из коробки, у каждого есть своя инструкция и cookbook.

Сводная таблица способов запуска

СпособКому подходитОсобенности
MiniMax APIПрод и быстрый стартOpenAI- и Anthropic-совместимые эндпоинты
MiniMax CodeКодинг-агент в IDE/CLIГотовый агент без своей обвязки
Ollama CloudEdge / self-hosted-подобный режимminimax-m3:cloud, US-based, zero retention
OpenRouterУдобное переключение моделейМаршрут minimax/minimax-m3
Открытые весаSelf-hosted на GPUHF: MiniMaxAI/MiniMax-M3

Железо для self-hosted

Веса M3 уже выложены на HuggingFace, но независимых замеров памяти на vLLM пока мало. Ниже — оценка по аналогии с M2.5, для которого цифры подтверждены продакшеном; после первых деплоев M3 их стоит пересверить.

Размер модели

  • Общие параметры: ~428B (официальная карточка модели на HuggingFace).
  • Активные параметры на токен: ~23B (MoE-архитектура).
  • Сравнение: это примерно вдвое больше M2.5/M2.7 (229.9B total / ~10B active). MSA снижает compute на attention в ~20 раз, но все ~428B всё равно лежат в VRAM целиком — активная часть просто работает быстрее.

Расчёт памяти

Для M2.5 в FP8 подтверждённые цифры с vLLM: 220 GB на веса + ~240 GB на 1M токенов KV-кэша ≈ 460 GB. Для M3 пересчёт даёт такие оценки:

  • Только веса (FP8): ~430 GB (×2 от M2.5 по числу параметров).
  • KV-кэш на 1M токенов: MSA должен заметно ужать его относительно плотной модели, но конкретных цифр пока никто не приводил — точные данные будут после релиза весов и первых деплоев на vLLM.
  • Суммарно для комфортной работы с 1M: ориентируйтесь на ≥1 TB VRAM, реально с запасом — 1.5 TB.

Ниже — проверенные конфигурации, на которых M2.5 уже гоняли, и оценка пригодности под M3.

Возможные конфигурации

NVIDIA, серверная сборка

  • 8× H100 80GB (640 GB). Впритык на FP8 для средних контекстов, на 1M не хватит.
  • 8× H200 141GB (~1.1 TB) или 8× B200 192GB. Комфортно держат FP8 + 1M.
  • 8× RTX Pro 6000 (96 GB). На M2.5 такая сборка давала 70–122 tok/s; для M3 в FP8 подойдёт со средним контекстом.

AMD

  • 8× MI300X / MI325X (192–256 GB). По данным SemiAnalysis на M2.5/M2.7 они выгоднее H100 на 30–65% за токен. Для self-hosted M3 — самый интересный вариант по соотношению цена/качество.

Apple Silicon

  • Mac Studio M3 Ultra 512 GB в одиночку. Для FP8 уже маловато, но квантованную сборку (Q4/Q3) потянет. Для сравнения: Unsloth-сборка M2.5 Q3 умещалась в 101 GB на 128 GB Mac.
  • Кластер из 2–4× Mac Studio M3 Ultra 512 GB через Thunderbolt 5. Пока единственный реалистичный способ запустить FP8 на «домашнем» железе с миллионным контекстом. Скорость скромная (10–30 tok/s), но для research и долгих агентных задач рабочая.

Чего точно не хватит

  • Одной RTX 4090/5090 (24–32 GB).
  • DGX Spark (128 GB) — даже квантованная M3 на грани.
  • Mac Studio M2 Ultra 192 GB — только сильно ужатые кванты.

Если своего железа нет

  • Уже сегодня: API MiniMax, OpenRouter ($0.60 / $2.40 за 1M; стартовое промо −50% уже закончилось) или Ollama Cloud (коммерческая лицензия, серверы в США, zero retention).
  • Self-hosted: веса уже выложены на HuggingFace (MiniMaxAI/MiniMax-M3), есть официальный квант NVFP4 от NVIDIA — можно скачивать и собирать кластер.
  • Если железо ограничено: взять M2.7 — на Mac Studio M3 Ultra с Q3-квантизацией он стабильно работает и сильно проще в эксплуатации.

Тарифы и лимиты

ПараметрЗначение
Input (базовый тариф)$0.60 за 1M токенов
Output (базовый тариф)$2.40 за 1M токенов
Стартовое промо−50% → $0.30 / $1.20; действовало только первую неделю после релиза, сейчас закончилось
Контекстдо 1 000 000 токенов
Гарантированный минимум512K токенов

По цене M3 заметно дешевле Claude Opus 4.7 и GPT-5.5 при сопоставимом качестве на кодинге и агентных задачах. Это главный экономический аргумент в пользу миграции части нагрузок.

Цены и лимиты у провайдеров меняются быстро — перед запуском сверяйтесь с официальной страницей тарифов.

Особенности и подводные камни

  • MSA не равно «всё бесплатно». Compute на attention снижен в 20 раз, но активная часть параметров всё ещё крупная — для self-hosted нужен серьёзный кластер.
  • Открытые веса уже доступны. Веса M3 выложены на HuggingFace, есть и официальный квант NVFP4 от NVIDIA — модель можно скачать и развернуть self-hosted уже сейчас.
  • Computer use требует песочницы. Запускать агента с правом кликать и вводить — только в изолированной среде с логами и стоп-кнопкой.
  • 1M контекст ≠ бесплатный 1M. Длинный контекст дешевле, но всё равно платится; держите в голове бюджет на промпт-кэширование и реранжирование.
  • Промо уже закончилось. Стартовое −50% действовало только первую неделю; базовые тарифы — $0.60 / $2.40 за 1M токенов.
  • RU-качество. На технических текстах и диалогах работает хорошо, литературные жанры всё равно требуют пост-редактуры.

Ограничения

Ограничения

Сильных сторон у M3 много, но трезво оцените ограничения до того, как тащить модель в прод.

Лицензия для коммерции — MINIMAX COMMUNITY LICENSE разрешает некоммерческое использование свободно.

Для коммерческого — обязателен знак «Built with MiniMax M3», а при годовом доходе продукта выше 20 миллионов долларов нужно отдельное письменное разрешение вендора.

Лицензия Ollama Cloud — Коммерческая лицензия действует только в Ollama Cloud.

Если запускаете свои веса на своём железе — лицензионные условия применяются к ним напрямую.

MSA — не бесплатный билет — Разреженное внимание снижает стоимость attention в 20 раз, но активная часть параметров всё равно крупная.

Для self-hosted нужен серьёзный кластер.

1M контекст ≠ бесплатный 1M — Длинный контекст дешевле на токен, чем у плотной модели, но стоимость всего окна всё равно ощутима.

Держите в голове бюджет на prompt-кэширование и реранжирование.

Стартовое промо закончилось — Скидка 50% на тарифы действовала только первую неделю после релиза.

Базовые тарифы — на странице Token Plan вендора, актуальные цифры стоит проверять там же.

RU-качество

На технических текстах и диалогах модель работает хорошо, литературные жанры и длинные нарративы всё равно требуют пост-редактуры.

Антипаттерны

Антипаттерны

Что обычно идёт не так при первом внедрении M3.

Брать M3 ради open weights без железа

Без кластера на нескольких H100/H200 или MI300X self-hosted не получится — используйте API или Ollama Cloud, не обещайте команде «свои веса», если инфраструктуры нет.

Запускать computer use без песочницы — Агент с правом кликать и вводить в основной системе без изоляции и логов — это инцидент, а не продукт.

Поднимайте отдельную VM с журналированием и стоп-кнопкой.

Полагаться на 1M контекст вместо архитектуры

Большое окно не отменяет нормальный retrieval и структурирование данных — иначе платите за прокрутку мусора в KV-кэше.

Сравнивать только по одному бенчмарку — SWE-Bench Pro, BrowseComp, Terminal Bench — это разные задачи.

Гоняйте evals именно на ваших сценариях, прежде чем делать вывод о замене основной модели.

Игнорировать валидацию tool calls

На длинных траекториях даже сильная модель уходит в свободный формат — schema-валидация tool calls обязательна, иначе получите тихие сбои в проде.

Считать промо-цены базовыми — Скидка 50% действовала неделю и уже закончилась.

Закладывайте экономику на актуальные тарифы с Token Plan, а не на промо-цифры из пресс-материалов.

Чеклист

Чеклист

Что должно быть готово до того, как M3 поедет в прод.

Сценарий определён

Кодинг / агент / документы / computer use / research — выберите основной, остальные отложите.

Канал доступа выбран

API, Ollama Cloud, OpenRouter, MiniMax Code или self-hosted с открытыми весами — под ваше железо и процесс.

API-ключ получен

OpenAI- или Anthropic-совместимый эндпоинт проверен рабочим вызовом до старта разработки.

Tool calls и structured outputs настроены

Function calling + JSON Schema под ваши инструменты, не оставляйте модель в свободном формате.

Песочница для computer use поднята

Изолированная среда с логированием действий, стоп-кнопкой и доступом только к нужным ресурсам.

Evals на ваших задачах готовы

Сравнение с текущей основной моделью на репрезентативном наборе, не только публичные бенчмарки.

Бюджет посчитан

С учётом актуальных тарифов (промо 50% уже закончилось), prompt-кэширования, длины типичного контекста.

Решение по миграции принято

Часть нагрузок мигрируем, или M3 остаётся резервным каналом — фиксируется явно, без «посмотрим».

Ссылки

Ссылки

По теме

По теме