Was ist MiniMax M3? Neues MoE-Modell mit 1M Kontextfenster 2026

MiniMax M3 ist ein leistungsstarkes Mixture-of-Experts-Sprachmodell mit einer Gesamtkapazität von 428 Milliarden Parametern und 23 Milliarden aktiven Parametern pro Inferenzschritt. Das Modell zeichnet sich durch eine native Multimodalität sowie ein massives Kontextfenster von einer Million Token aus, was die Verarbeitung extrem umfangreicher Dokumente ermöglicht.

Wie funktioniert die Architektur von MiniMax M3?

Das Modell nutzt eine fortschrittliche Mixture-of-Experts-Struktur (MoE), um Effizienz und Leistung zu balancieren. Während die Gesamtzahl der Parameter bei 428 Milliarden liegt, werden pro Token nur 23 Milliarden Parameter aktiviert. Ein zentrales technisches Merkmal ist der eigens entwickelte MiniMax-Sparse-Attention-Mechanismus. Dieses Verfahren optimiert die Aufmerksamkeitsschicht des Modells, wodurch die Geschwindigkeit bei der lokalen Ausführung (Inferenz) sowie die allgemeine Aufgaben-Effizienz im Vergleich zu Standard-Attention-Mechanismen um ein Vielfaches steigt.

Durch die native Multimodalität kann MiniMax M3 unterschiedliche Datentypen wie Text und Bilder ohne externe Zusatzmodule verarbeiten. Das Kontextfenster von 1.000.000 Token erlaubt es Entwicklern, ganze Code-Repositories oder hunderte PDF-Dokumente in einem einzigen Prompt zu analysieren.

Welche Benchmarks erreicht MiniMax M3 im Vergleich?

In aktuellen Leistungstests zeigt MiniMax M3 eine überlegene Performance gegenüber etablierten Modellen der Branche. Besonders in spezialisierten Entwickler-Benchmarks wie SWE-Bench Pro oder BrowseComp erzielt das Modell Spitzenwerte, die teilweise über denen von Claude Opus 4.7 liegen.

Benchmark	MiniMax M3 Score	Vergleichsmodell (Claude Opus 4.7)
BrowseComp	83,5 %	79,3 %
Terminal Bench 2.1	66,0 %	N/A
SWE-Bench Pro	59,0 %	N/A

Die Ergebnisse verdeutlichen, dass MiniMax M3 insbesondere bei der Interaktion mit Browser-Umgebungen und komplexen Software-Engineering-Aufgaben im Jahr 2026 neue Standards setzt.

Wo ist MiniMax M3 verfügbar?

Die Modellgewichte von MiniMax M3 wurden kürzlich als Open-Source-Ressourcen für die Community bereitgestellt. Entwickler können auf die Daten über gängige Plattformen wie Hugging Face und GitHub zugreifen, um das Modell in eigene Workflows zu integrieren oder lokal zu hosten.

Folgende Ressourcen stehen zur Verfügung:

• Vollständige Modellgewichte für die Inferenz
• Dokumentation zur Sparse-Attention-Implementierung
• Beispiel-Skripte für das 1M-Kontext-Handling

Durch die Veröffentlichung auf GitHub wird die Barriere für den Einsatz hochperformanter KI-Modelle in privaten Infrastrukturen weiter gesenkt. github.com/MiniMax-AI/MiniMax-M3