Pada 1 Juni, MiniMax merilis M3. Singkatnya: model open-weight yang menggabungkan konteks 1 juta token, kemampuan coding mutakhir, dan multimodalitas native. MiniMax mengatakan ini adalah yang pertama menggabungkan ketiganya.
Pekerjaan sesungguhnya ada pada 'sparse attention'
M3 dibangun di atas arsitektur baru bernama MSA (MiniMax Sparse Attention).
Untuk memahami apa yang dipecahkannya, perlu diketahui masalah lama: attention penuh standar membutuhkan komputasi yang meningkat secara kuadratik seiring panjang konteks—semakin panjang konteks, semakin mahal biayanya. Itulah mengapa 'konteks sejuta token' sudah lama dibicarakan tetapi tetap mahal untuk digunakan.
MSA menargetkan hal ini secara langsung. Angka dari MiniMax: pada 1 juta token, M3 hanya menggunakan seperdua puluh komputasi per token dibandingkan pendahulunya M2; prefilling 9 kali lebih cepat, decoding 15 kali lebih cepat.
Dengan kata lain, konteks sejuta token kini tidak hanya 'bisa digunakan' tetapi 'terjangkau'.
Tolok ukur: dilaporkan sendiri, mengesankan
Coding adalah fokus utama M3. MiniMax merilis skor berikut:
- SWE-Bench Pro: 59,0% (melampaui GPT-5.5, Gemini 3.1 Pro, mendekati Opus 4.7)
- Terminal-Bench 2.1: 66,0%
- MCP Atlas: 74,2%
- OSWorld (kontrol komputer): 70,06%
Jika angka-angka ini benar, cukup kompetitif untuk model open-weight.
Tapi perlu hati-hati: semua ini dilaporkan sendiri oleh MiniMax dan belum diverifikasi pihak ketiga. Beberapa media luar negeri sudah menggunakan judul 'Klaim Frontier, Tolok Ukur Belum Terverifikasi.' Langkah cerdas adalah menunggu bobot dan laporan teknis—diharapkan dalam sepuluh hari—dan biarkan komunitas mengujinya.
Harga juga diumumkan
MiniMax juga merinci paket harga:
- Plus: ~1,7 miliar token per bulan, $20
- Max: ~5,1 miliar token per bulan, $50
- Ultra: ~9,8 miliar token per bulan, $120
API sudah tersedia. Bobot model dan laporan teknis diharapkan di Hugging Face dan GitHub dalam waktu sekitar sepuluh hari.
Dalam konteks yang lebih luas, ini adalah dorongan lain dari LLM sumber terbuka Tiongkok menuju 'konteks panjang + agen yang mampu.' DeepSeek, Qwen, dan Kimi telah bersaing di bidang ini selama setahun. Diferensiasi MiniMax terletak pada efisiensi arsitektur—bukan siapa yang memiliki parameter lebih besar, tetapi siapa yang dapat menghitung lebih cepat dan lebih murah pada skala sejuta token.
Ini memotong parit model proprietary: 'konteks panjang terlalu mahal.'
Sumber: CocoLoop, MiniMax Releases MiniMax M3 with MSA Architecture Supporting 1M-Token Context (MarkTechPost); MiniMax M3: Open-weight model with a million-token context challenges proprietary leaders (The Decoder); MiniMax M3 Open-Weight Coding Model: Frontier Claims, Unverified Benchmarks (TechTimes)