Minimax
MiniMax M2.5
Contexte total
204.8K
Sortie max.
131.1K
Date de sortie
N/A
MiniMax-M3MiniMax M3 reprend les éléments mis en avant par les sources : 1M-token contexte, MiniMax Sparse Attention, native multimodal foundation model. Sa valeur principale se situe dans longue durée agents, programmation, utilisation d’outils and collaboration à grand contextee. La description doit donc insister sur ces caractéristiques propres au modèle, plutôt que le présenter comme un chatbot générique.
Context Window
512K tokens
Maximum Output
128K tokens
Release Date
1 juin 2026
Modalities
| Prix entrée | Prix sortie | Lecture cache |
|---|---|---|
| $0.6/M | $2.4/M | $0.12/M |
Reasoning
Tool calling
Temperature parameter
Attachments
Knowledge Base
Endpoint Protocols
MiniMax M3 associe ingénierie logicielle avancée, contexte d’un million de jetons et compréhension visuelle native pour les tâches prolongées de développement et d’agents.
Il prend en charge la correction de défauts, le développement frontend et backend, l’optimisation des performances et les collaborations répétées pendant de longues sessions.
MiniMax Sparse Attention permet un contexte atteignant un million de jetons tout en réduisant la charge de calcul liée aux séquences longues.
Entraîné dès le départ sur des modalités entremêlées, il traite le texte, les images et la vidéo pour produire un raisonnement ancré dans le contenu visuel.
MiniMax M3 convient à l’ingénierie à l’échelle d’un dépôt, aux recherches techniques prolongées et à l’analyse visuelle combinant documents, code et résultats expérimentaux.
Analyser une grande base de code, suivre l’évolution des exigences et réaliser en plusieurs cycles des modifications frontend, backend ou de performances.
Conserver un article, son code source et les journaux d’expérimentation dans un même contexte, puis reproduire les expériences, examiner les figures et comparer les résultats.
Interpréter des schémas, graphiques, captures d’écran ou vidéos avec du texte technique et du code afin d’identifier les problèmes et de proposer des modifications.
import OpenAI from "openai"
const client = new OpenAI({
apiKey: process.env.TOKENHUB_API_KEY,
baseURL: "https://us-api.tokenhub.com/v1",
})
const result = await client.chat.completions.create({})
console.log(result.choices[0]?.message?.content)MiniMax-M3
| Score d’indice | ||
|---|---|---|
| Artificial Analysis Intelligence Index | Synthèse générale des capacités par Artificial Analysis | 44.4 |
| Artificial Analysis Coding Index | Synthèse des tâches logicielles par Artificial Analysis | 43.4 |
| Connaissances et raisonnement | ||
| GPQA | Résolution avancée de problèmes scientifiques | 92.9% |
| HLE | Large ensemble d’examens de niveau expert | 37.1% |
| Programmation et ingénierie | ||
| SciCode | Défis de programmation scientifique | 45.4% |
| Terminal-Bench Hard | Exécution de tâches complexes dans un terminal | 42.4% |
| Respect des instructions et tâches d’agent | ||
| IFBench | Respect des contraintes du prompt | 82.9% |
| AA-LCR | Raisonnement en contexte long | 74% |
| τ²-Bench | Tâches de workflow agentique | 88.9% |
Mesures provenant de Artificial Analysis
Réponses aux questions fréquentes sur l’API MiniMax M3, les tarifs, le développement, les workflows d’agents, les limites de long contexte et les comparaisons de modèles.
MiniMax M3 est un modèle multimodal de MiniMax pour les tâches d’agents longues, le code et l’utilisation d’outils. Il convient aux charges de travail qui mobilisent beaucoup d’informations de projet, un long contexte et des tâches logicielles de production.
MiniMax M3 mérite d’être évalué pour les workflows de code et d’agents qui nécessitent un long contexte, des appels d’outils répétés ou une collaboration sur plusieurs étapes. Avant la production, testez-le avec des tâches de dépôt, des appels d’outils et des critères de réussite représentatifs de votre workflow.
Créez une clé API TokenHub, copiez l’identifiant exact du modèle MiniMax M3 affiché sur cette page, puis choisissez un endpoint pris en charge dans la section API. Utilisez l’exemple de requête généré comme point de départ pour une intégration avec un client compatible OpenAI ou un autre client pris en charge.
Consultez les prix d’entrée, de sortie et de lecture de cache affichés sur cette page, puis estimez le coût selon la taille habituelle de vos prompts, la longueur des réponses, le volume de requêtes et le taux de cache. Les workflows à long contexte et les agents peuvent avoir un profil de coût très différent d’une courte requête textuelle.
Vérifiez la fenêtre de contexte actuelle, la sortie maximale, les modalités d’entrée, les endpoints pris en charge et les prix indiqués dans les spécifications. Un grand contexte ne dispense pas de structurer les documents, de contrôler les boucles d’outils et de tester le modèle avec vos données de projet réelles.
Comparez MiniMax M3 et Kimi K3 par rapport à la charge de travail que vous devez livrer. Consultez les prix API actuels, les limites de contexte et de sortie, les modalités, les endpoints pris en charge et les benchmarks, puis effectuez une petite évaluation avec vos propres tâches de code, de raisonnement ou d’agent avant de choisir.
Créez une clé API dans l’espace de travail TokenHub, puis copiez l’identifiant exact du modèle MiniMax M3 affiché sur cette page. Avant d’envoyer du trafic de production, vérifiez ici l’endpoint pris en charge et les spécifications actuelles, car la disponibilité et les informations du modèle peuvent évoluer.
Accédez à MiniMax M3 et à d’autres modèles d’IA avec une seule clé API TokenHub.
Medias Et Discussions
Selection de videos et publications publiques liees a ce modele.
X (Twitter)
Reddit
YouTube