Kennst du das? Du arbeitest an einem großen Codierungsprojekt, die Codebasis wächst und plötzlich musst du eine Funktion verstehen, die tief in der Historie steckt. Oder du analysierst ein langes Video und möchtest gleichzeitig den Text durchsuchen. Dafür gibt es jetzt das Modell MiniMax M3. MiniMax hat am Montag M3 veröffentlicht – zunächst als API. Die versprochenen offenen Gewichte und ein technischer Bericht sollen innerhalb von zehn Tagen folgen. Die Community ist skeptisch, wenn ein Modell als „open-weight“ beworben wird, aber kein Parameter herunterladbar ist.
Marcus Schuler von Implicator.ai beschreibt die Details: MiniMax M3 ist multimodal, verarbeitet Text, Bilder und Videos und gibt Text aus. Das Besondere: Es bietet ein Kontextfenster von einer Million Tokens. Eine enorme Menge – man könnte mehrere Romane durchsuchen oder eine ganze Codebasis auf einmal im Fokus haben. MiniMax nennt M3 das erste offene Modell, das Spitzenleistungen im Codieren, native Multimodalität und diesen großen Kontext kombiniert. Das klingt gut, aber Beweise fehlen noch.
Konkret: Entwickler können M3 über die MiniMax-Code-Plattform, Abonnement-Pläne oder die API testen. Die Preise liegen bei 0,60 US-Dollar pro Million Eingabe-Tokens und 2,40 US-Dollar pro Million Ausgabe-Tokens. Abos ab 20 Dollar im Monat umfassen rund 1,7 Milliarden M3-Tokens. Das ist wettbewerbsfähig mit Modellen von OpenAI oder Anthropic. Wer die Gewichte selbst hosten will, muss warten. MiniMax verspricht, Modellgewichte und technischen Bericht innerhalb von zehn Tagen auf Hugging Face und GitHub zu veröffentlichen – um den 11. Juni herum.
Technik im Detail: MiniMax Sparse Attention (MSA)
Damit das Modell mit einer Million Tokens effizient umgeht, hat MiniMax die MiniMax Sparse Attention (MSA) entwickelt. Vereinfacht: Die normale Attention vergleicht jedes Token mit jedem – das wird bei langen Texten rechenintensiv. MSA teilt den zwischengespeicherten KV-Cache in Blöcke und trifft eine Vorauswahl. Nur relevante Blöcke werden vollständig durchgerechnet. Laut MiniMax reduziert das die Rechenleistung pro Token bei einer Million Tokens auf ein Zwanzigstel im Vergleich zum Vorgänger. Ein Fortschritt, denn der Speicherbedarf explodiert sonst.
Die API-Endpunkte sind kompatibel zu Anthropic und OpenAI, der Einstieg fällt leichter. Das Modell akzeptiert Bilder und Videos, die Ausgabe bleibt textuell. Das ist nützlich für Coding-Agenten, die Screenshots, Diagramme oder Tool-Historien in einer Sitzung verarbeiten müssen. Ein KI-Assistent sieht einen Screenshot, liest den zugehörigen Code und schlägt eine Korrektur vor. Das ist die Idee hinter M3.
Benchmarks und eigene Tests
Wie schneidet M3 in Standardtests ab? MiniMax nennt Werte: 59,0 Prozent bei SWE-Bench Pro, 66,0 Prozent bei Terminal-Bench 2.1, 74,2 Prozent bei MCP Atlas – Benchmarks für selbstständiges Codieren. In einem eigenen Test auf Hopper-Hardware lief M3 24 Stunden mit FP8-Matrixmultiplikation, machte 147 Benchmark-Einsendungen und 1.959 Tool-Aufrufe. Die Hardware-Auslastung stieg von 7,6 auf 71,3 Prozent. Das Modell kann ressourceneffizient arbeiten. Solche unternehmenseigenen Tests sind mit Vorsicht zu betrachten. Schuler weist darauf hin: MiniMax nennt weder die Modellgröße noch die Recheninfrastruktur. Das erschwert den direkten Vergleich. Man weiß nicht, ob die Ergebnisse von einer cleveren Architektur oder massiver Rechenleistung kommen.
Marktreaktion und Börsengang
Unternehmerisch: Nach der Ankündigung von M3 und Plänen für einen Börsengang an der STAR-Market in Shanghai fielen die Aktien von MiniMax in Hongkong um 16 Prozent. Das könnte Skepsis an den Kosten oder dem Timing des Börsengangs zeigen. Der Börsengang wurde durch eine Vereinbarung mit Citic Securities und eine Einreichung bekannt. Das ist bei jungen KI-Firmen nicht ungewöhnlich. Die SCMP berichtet, dass MiniMax auch die Recheninfrastruktur nicht offenlegt. Diese Informationen braucht die Community, um das Modell nachzuvollziehen. Entwickler müssen sich vorerst mit der API begnügen. Der 10-Tage-Zeitraum ist ein Versprechen. Wird es nicht eingehalten, wäre das ein Vertrauensverlust.
Einordnung: Was bedeutet das für die KI-Landschaft?
M3 konkurriert mit OpenAI, Anthropic und DeepSeek. Der Fokus auf Coding-Agenten und lange Kontexte ist der aktuelle Trend. MiniMax verspricht offene Gewichte – das zählt nur, wenn sie es tun. Die Community wartet auf die Modell-Dateien und den technischen Bericht. Erst dann sieht man, ob M3 ein Meilenstein ist oder nur eine vermarktete API. Entwickler können die API testen. Entscheidend sind die Gewichte und der Bericht in zehn Tagen. Die KI-Branche ist schnelllebig, Transparenz schafft Vertrauen. MiniMax hat einen vielversprechenden Start hingelegt. Jetzt müssen sie liefern.
Ein neues Modell mit beeindruckenden Spezifikationen, das sich noch beweisen muss. Offene Gewichte und der Bericht sind der Test. Bis dahin ist M3 eine interessante API – nicht mehr. Die nächsten Tage zeigen, ob MiniMax liefert.
Quelle: implicator.ai
