MiniMax: MiniMax M3

Суть

MiniMax M3 — мультимодальная языковая модель компании MiniMax. Разработчик выделяет среди её задач программирование, работу агентных систем и длительное выполнение сложных задач. Модель также обучалась на смешанных мультимодальных данных, чтобы работать с текстовой и визуальной информацией в единой системе.

Сильные стороны

M3 рассчитана на задачи, где нужно не только подготовить ответ, но и последовательно планировать действия, обращаться к инструментам и продолжать работу по мере появления промежуточных результатов. В программировании это может быть полезно для анализа и доработки проектов, поиска ошибок и итеративной реализации требований. MiniMax связывает работу с длинным контекстом с обработкой больших материалов и длительными агентными сценариями.

Для масштабирования контекста разработчик применяет MiniMax Sparse Attention (MSA) — разреженную архитектуру внимания. По описанию MiniMax, она предназначена для более эффективной обработки длинных последовательностей. Модель заявлена как нативно мультимодальная: изображения и видео являются входными данными, а результат работы в каталоге представлен текстом.

Контекст и модальности

В каталоге указано окно контекста 1 048 576 токенов и лимит генерации до 512 000 токенов. Модель принимает текст, изображения и видео и генерирует текст. Это позволяет сочетать инструкции с визуальными материалами и использовать модель для анализа протяжённых текстовых и мультимодальных входов.

Типовые сценарии

M3 подходит для программирования с несколькими этапами работы, анализа кода и документов, а также агентных процессов, в которых модель должна разбирать задачу, планировать шаги и взаимодействовать с инструментами. Видеовход может быть полезен для понимания визуального содержания роликов, а изображения — для анализа схем, интерфейсов и других визуальных материалов. Фактическая доступность инструментов и функций зависит от конкретного интерфейса или интеграции.

Ограничения

Каталожный формат указывает текстовый выход: модель не предназначена здесь для непосредственной генерации видео или изображений. Поддержка входных модальностей сама по себе не гарантирует точность интерпретации любого материала. Для агентных сценариев выполнение действий зависит от доступных инструментов и настроек среды; модель не заменяет проверку результатов человеком.

Отличие от соседей по семейству

В анонсе MiniMax описывает M3 как развитие по сравнению с M2 в задачах программирования и агентной работы. Среди особенностей M3 разработчик отдельно указывает архитектуру MSA для длинного контекста и нативную обработку изображений и видео. Это позволяет позиционировать M3 как вариант семейства для сочетания программирования, мультимодального анализа и продолжительных рабочих процессов.