Em 1º de junho de 2026, a MiniMax lançou oficialmente seu novo carro-chefe de código aberto, o MiniMax-M3. Este é o primeiro modelo de pesos abertos do setor a combinar três capacidades em um único modelo: programação de nível de ponta, uma janela de contexto de 1 milhão de tokens e entrada multimodal nativa. No benchmark SWE-Bench Pro, ele atingiu 59,0 pontos, superando diretamente o GPT-5.5 e o Gemini 3.1 Pro, aproximando-se do Claude Opus 4.7.
O que mais impressiona é o preço. O valor oficial padrão de US$ 0,60 para entrada / US$ 2,40 para saída por 1 milhão de tokens já representa apenas 5% a 10% do custo de modelos fechados equivalentes. Durante o período de lançamento, há um desconto adicional de 50%, reduzindo o custo para US$ 0,30 na entrada / US$ 1,20 na saída. O MiniMax-M3 já está disponível na plataforma APIYI (apiyi.com), alinhado ao preço promocional de 50% de desconto, com custos reais que podem chegar a cerca de 41% do valor original ao considerar bônus de recarga. A promoção vai até a meia-noite de 8 de junho (UTC+8).
Neste artigo, detalharemos os destaques da arquitetura, os resultados de referência, a estrutura de preços e o código de integração do MiniMax-M3, ajudando você a decidir se vale a pena migrar durante a janela promocional.
O que é o MiniMax-M3: O carro-chefe "três em um" do campo open source
O MiniMax-M3 é a nova geração de modelos de ponta da MiniMax, sucedendo a série M2, posicionado como um modelo de uso geral voltado para programação e cenários de agentes. Ele utiliza uma arquitetura MoE (Mistura de Especialistas) de granulação fina, com cerca de 229,9 bilhões de parâmetros totais, dos quais apenas 9,8 bilhões são ativados por token, distribuídos entre 256 especialistas. Isso significa que, em termos de custo de inferência, ele se aproxima de um modelo pequeno de 10B, mas com capacidades que rivalizam com o primeiro escalão.
O volume de dados de treinamento é de cerca de 100 trilhões de tokens, com dados de texto e imagem entrelaçados desde a fase de pré-treinamento. Por isso, a multimodalidade do MiniMax-M3 é "nativa" — as capacidades de compreensão de imagem e vídeo estão integradas diretamente no espaço semântico, e não adicionadas posteriormente via codificadores visuais externos. Além de entrada de imagens e vídeos, ele também suporta operação em computadores desktop (Computer Use), deixando interfaces prontas para cenários de agentes.
A empresa promete que os pesos do modelo e o relatório técnico serão totalmente abertos dentro de 10 dias após o lançamento, podendo ser obtidos no HuggingFace e GitHub, com suporte para implantação privada e ajuste fino (fine-tuning). Referenciando a licença MIT modificada usada na série M2, espera-se que a barreira para uso comercial seja muito baixa; os detalhes específicos dependerão da licença oficial.
Visão geral das especificações principais do MiniMax-M3
| Dimensão | Especificação do MiniMax-M3 |
|---|---|
| Data de lançamento | 1º de junho de 2026 |
| Arquitetura | MoE de granulação fina, 229,9B total / 9,8B ativado, 256 especialistas |
| Mecanismo de atenção | MSA (MiniMax Sparse Attention) |
| Janela de contexto | 1.000.000 tokens (aprox. 5x a série M2) |
| Suporte a modalidades | Entrada de texto + imagem + vídeo, saída de texto, suporte a operação desktop |
| Dados de treinamento | Aprox. 100T tokens, corpus multimodal de texto e imagem |
| Modo de raciocínio | Modo "Thinking" ativável, preço consistente |
| Plano open source | Pesos e relatório técnico abertos em até 10 dias |
🎯 Sugestão de teste rápido: Para verificar o nível real do MiniMax-M3 imediatamente, não é preciso esperar a liberação dos pesos para construir seu próprio cluster. Recomendamos a invocação direta via interface compatível com OpenAI da APIYI (apiyi.com), basta preencher o nome do modelo como
MiniMax-M3. Você pode realizar testes comparativos em poucos minutos e, durante o período promocional, o custo é reduzido pela metade.
O que significa a pontuação de 59,0 no SWE-Bench Pro do MiniMax-M3?
O SWE-Bench Pro é atualmente reconhecido como um dos benchmarks de engenharia de software mais rigorosos, avaliando a capacidade de ponta a ponta de um modelo para corrigir bugs e criar patches em repositórios reais. Com uma pontuação de 59,0, os dados oficiais mostram que o MiniMax-M3 superou o GPT-5.5 e o Gemini 3.1 Pro, ficando a apenas um passo do Claude Opus 4.7. Para um modelo prestes a ser de código aberto e com menos de 10B de parâmetros ativos, esta é a primeira vez que o campo open-source supera os modelos proprietários de elite neste benchmark.
Além da programação, os indicadores relacionados a agentes também são impressionantes. Ele obteve 66,0 pontos no Terminal-Bench 2.1, 74,2 no MCP Atlas e 83,5 na tarefa de navegação autônoma BrowseComp — este último superando ligeiramente o Claude Opus 4.7. No campo multimodal, o modelo superou o Opus 4.7 no SVG-Bench e obteve resultados superiores ao Gemini 3.1 Pro no benchmark de compreensão de documentos OmniDocBench.
Claro, ele não domina todas as áreas. No PostTrainBench, que avalia a capacidade de pós-treinamento científico, o MiniMax-M3 marcou 0,37, abaixo dos 0,42 do Claude Opus 4.7 e praticamente empatado com os 0,39 do GPT-5.5. Vale lembrar: estes números vêm do blog técnico oficial; testes independentes de terceiros ainda estão em andamento. Para aplicações críticas, recomendamos que você execute seus próprios testes para confirmar o desempenho.
Comparação do MiniMax-M3 com modelos líderes
| Benchmark | MiniMax-M3 | Conclusão |
|---|---|---|
| SWE-Bench Pro | 59.0 | Supera GPT-5.5 e Gemini 3.1 Pro, próximo ao Opus 4.7 |
| Terminal-Bench 2.1 | 66.0 | Primeiro escalão em tarefas de agente de terminal |
| BrowseComp | 83.5 | Supera ligeiramente o Claude Opus 4.7 |
| MCP Atlas | 74.2 | Forte capacidade de chamada de ferramentas e adaptação ao ecossistema MCP |
| SWE-fficiency | 34.8 | Equilibra qualidade do patch e eficiência |
| PostTrainBench | 0.37 | Abaixo do Opus 4.7 (0.42), igual ao GPT-5.5 (0.39) |
Se você quiser verificar esses números, pode usar a plataforma APIYI para invocar o MiniMax-M3, GPT-5.5 e Claude Opus 4.7 simultaneamente com o mesmo comando — a plataforma unifica o formato da interface, e alternar entre modelos exige apenas a alteração do parâmetro model, sendo ideal para testes A/B.
Análise da arquitetura do MiniMax-M3: Como a atenção esparsa MSA sustenta 1M de janela de contexto
Uma janela de contexto de 1 milhão de tokens não é novidade, mas torná-la economicamente viável é. A resposta do MiniMax-M3 é o MSA (MiniMax Sparse Attention), desenvolvido internamente. O cálculo da atenção total tradicional cresce quadraticamente com o comprimento do contexto, enquanto o MSA divide o cache KV em blocos, onde cada query recupera precisamente os blocos KV mais relevantes, alcançando uma cobertura de contexto efetiva muito maior.
Os dados técnicos oficiais são bastante agressivos: com uma janela de contexto de 1M de tokens, o custo computacional por token do MiniMax-M3 é apenas 1/20 do da geração anterior M2; a velocidade de pré-preenchimento (prefill) aumentou mais de 9 vezes, e a decodificação (decode) mais de 15 vezes; ao nível de operador, é 4 vezes mais rápido que o Flash-Sparse-Attention de código aberto. Em outras palavras, colocar todo o repositório de código, centenas de páginas de PDF ou uma hora de vídeo de reunião no contexto não é mais um problema de latência ou custo.
Para os desenvolvedores, isso significa que muitas tarefas de documentos longos que antes exigiam fragmentação RAG, busca vetorial ou resumos de várias rodadas agora podem ser processadas diretamente no comando. Tarefas de agentes de longo prazo também não precisam mais comprimir o histórico com frequência, melhorando significativamente a coerência da tarefa.
💡 Dica para testes de contexto longo: O faturamento para 1M de contexto possui duas faixas; o preço unitário dobra após exceder 512K de entrada. Recomendamos que você teste o desempenho com documentos reais na faixa de 200K-400K no painel da APIYI (apiyi.com) primeiro. Após confirmar que a qualidade atende aos requisitos, você pode aumentar a entrada. As estatísticas de uso da plataforma ajudarão você a calcular com precisão o custo de tokens de cada invocação.
Preço da API MiniMax-M3: 50% de desconto por tempo limitado + bônus de recarga para um custo efetivo de até 41% do valor original
O modelo de precificação do MiniMax-M3 utiliza uma estrutura escalonada baseada no tamanho da entrada. Entradas de 0-512K tokens seguem a faixa padrão, enquanto o que exceder 512K entra na categoria de janela de contexto longa. Durante o período de lançamento, todos os preços têm 50% de desconto. A APIYI (apiyi.com) já alinhou seus preços com o desconto oficial. A promoção é válida até a meia-noite de 8 de junho de 2026 (UTC+8); as políticas de desconto após essa data ainda serão definidas.
Tabela de Preços da API MiniMax-M3 (por 1M de tokens)
| Nível de Cobrança | Entrada (Preço com 50% desc.) | Saída (Preço com 50% desc.) | Preço Padrão (Entrada/Saída) |
|---|---|---|---|
| Entrada 0-512K | $0.30 | $1.20 | $0.60 / $2.40 |
| Entrada acima de 512K | $0.60 | $2.40 | $1.20 / $4.80 |
Para ter uma ideia clara deste preço: ao executar uma tarefa de revisão de código na casa de 1 milhão de tokens, um modelo proprietário de ponta pode custar mais de dez dólares, enquanto o MiniMax-M3, com o preço promocional, custa apenas alguns centavos de dólar — uma diferença de custo de 10 a 20 vezes. Para pipelines de agentes de alta frequência, migração de código em lote e cenários de processamento de documentos longos, essa economia pode pagar uma máquina de desenvolvimento em apenas um mês.
Na plataforma APIYI, você pode reduzir ainda mais os custos. As promoções de bônus de recarga da plataforma podem ser combinadas com o desconto de 50% do modelo, resultando em um custo efetivo de até 41% do valor original. Se sua equipe já possui um volume estável de invocação do modelo, realizar uma recarga antes de 8 de junho é a estratégia mais vantajosa.
Primeiros passos com a API MiniMax-M3: Integração em 5 minutos
O MiniMax-M3 na plataforma APIYI utiliza o protocolo padrão compatível com OpenAI; qualquer SDK, framework ou cliente que suporte base_url personalizado pode ser integrado sem problemas. O único detalhe importante: o nome do modelo MiniMax-M3 diferencia maiúsculas de minúsculas. O M deve ser maiúsculo; escrever minimax-m3 resultará em um erro de modelo inexistente.
A integração leva apenas três passos: registre-se na APIYI (apiyi.com) e crie uma chave API; aponte a base_url para https://api.apiyi.com/v1; e preencha o parâmetro model com MiniMax-M3. Abaixo está um exemplo simples em Python:
from openai import OpenAI
client = OpenAI(
api_key="sk-your-apiyi-key",
base_url="https://api.apiyi.com/v1" # Interface unificada da APIYI
)
response = client.chat.completions.create(
model="MiniMax-M3", # Atenção às maiúsculas, o M deve ser maiúsculo
messages=[
{"role": "user", "content": "Implemente uma função de Fibonacci com cache LRU em Python"}
]
)
print(response.choices[0].message.content)
Ao precisar transmitir imagens ou vídeos, basta seguir o formato de mensagem multimodal da OpenAI, alterando o content para um array que contenha image_url. O MiniMax-M3 realizará a compreensão visual e a geração de código na mesma sessão. Ferramentas de agente como Cline, Cursor e OpenClaw podem ter sua base de programação trocada diretamente para o MiniMax-M3, bastando alterar a base_url e o nome do modelo nas configurações.
Guia Rápido de Cenários para o MiniMax-M3
| Cenário | Adaptabilidade | Descrição |
|---|---|---|
| Programação por Agente / Correção de Bugs | ⭐⭐⭐⭐⭐ | SWE-Bench Pro 59.0, não perde o contexto em tarefas longas |
| Análise e Migração de Repositórios | ⭐⭐⭐⭐⭐ | 1M de janela de contexto acomoda repositórios médios completos |
| Análise de Documentos Longos / Multimodal | ⭐⭐⭐⭐⭐ | OmniDocBench supera o Gemini 3.1 Pro |
| Agente de Navegação e Chamada de Ferramentas | ⭐⭐⭐⭐ | BrowseComp 83.5, MCP Atlas 74.2 |
| Pós-treinamento Científico / Raciocínio de Fronteira | ⭐⭐⭐ | PostTrainBench inferior ao Opus 4.7, possível roteamento híbrido |
O roteamento híbrido é a abordagem mais realista: tarefas diárias de codificação e processamento de documentos de alta frequência consomem 80% do volume de chamadas com o MiniMax-M3, enquanto as tarefas de raciocínio mais complexas são reservadas para o Claude Opus 4.7 ou GPT-5.5. Através da interface unificada da APIYI para roteamento de modelos, um único código pode implementar essa estratégia de "custo-benefício estratificado", sem a necessidade de gerenciar chaves e SDKs de múltiplos fornecedores.
FAQ sobre o MiniMax-M3
P1: Quando termina a promoção de 50% de desconto do MiniMax-M3?
A promoção termina à meia-noite (UTC+8) do dia 8 de junho de 2026, sincronizada entre a plataforma APIYI e o site oficial da MiniMax. A política de descontos após essa data ainda não foi anunciada oficialmente e, seguindo a prática comum, é provável que os preços padrão sejam retomados. Se você tem planos de uso em larga escala, recomendamos realizar a recarga antes do prazo; ao combinar com os bônus de recarga, o custo efetivo pode chegar a cerca de 41% do valor original.
P2: O MiniMax-M3 é realmente open source? Já posso baixar os pesos?
A equipe oficial prometeu liberar os pesos do modelo e o relatório técnico dentro de 10 dias após o lançamento, com previsão de disponibilização na página da MiniMaxAI no HuggingFace. Até o momento desta publicação, os pesos ainda não foram carregados. Equipes que não podem esperar para fazer o deploy próprio podem validar os resultados via API primeiro e, após a liberação dos pesos, avaliar o investimento em hardware para a privatização — sendo um modelo MoE com 230B de parâmetros totais, os requisitos de VRAM para deploy local não são baixos.
P3: A janela de contexto de 1M é apenas marketing ou é realmente utilizável?
A arquitetura MSA torna a janela de contexto de 1M realmente utilizável na prática: a velocidade de prefill aumenta mais de 9 vezes, o decode acelera 15 vezes e o custo computacional por token cai para 1/20 da geração anterior. No entanto, fique atento às faixas de cobrança: o preço unitário dobra após exceder 512K de entrada. Recomendamos controlar o comprimento do contexto de acordo com a necessidade real da tarefa, em vez de preenchê-lo sem critério.
P4: Como escolher entre o MiniMax-M3, GPT-5.5 e Claude Opus 4.7?
Depende do tipo de tarefa e do orçamento. Para cenários de agentes de programação, contextos longos e documentos multimodais, o custo-benefício do MiniMax-M3 atualmente não tem concorrentes. Para as tarefas de raciocínio complexo e pesquisa científica de ponta, o Opus 4.7 ainda mantém uma vantagem. Sugerimos realizar testes comparativos em pequena escala na plataforma APIYI usando seus comandos reais; os dados serão mais convincentes do que qualquer ranking de avaliação.
Resumo: O MiniMax-M3 trouxe capacidades de elite a "preço de banana"
O lançamento do MiniMax-M3 foi uma verdadeira bomba no mercado de modelos de 2026: pesos open source + superação do GPT-5.5 no SWE-Bench Pro com 59.0 pontos + 1 milhão de contexto + multimodalidade nativa, tudo isso com um preço oficial que representa apenas 5% a 10% dos modelos fechados de elite. Mesmo que testes de terceiros façam algumas pontuações recuarem, sua dominância no quesito "custo-benefício" será difícil de abalar.
A ação mais inteligente a curto prazo é aproveitar a janela de preços: o desconto de 50% (US$ 0,30 por 1M de tokens de entrada / US$ 1,20 por 1M de tokens de saída) termina à meia-noite de 8 de junho. Na APIYI (apiyi.com), ao combinar com as promoções de recarga, é possível obter um custo efetivo de cerca de 41% do valor original. A estratégia mais segura agora é rodar seus testes com o menor custo possível antes de decidir migrar o tráfego de produção.
Para detalhes da promoção e as últimas atualizações sobre o modelo, confira o comunicado oficial da APIYI: docs.apiyi.com/news/minimax-m3-launch
Autor: Equipe APIYI
Focada em agregação de APIs de Modelos de Linguagem Grande e melhores práticas de IA. Para mais avaliações de modelos e guias de integração, visite APIYI em apiyi.com.
