Das MiniMax M3 KI-Modell mischt den Markt für offene Sprachmodelle auf. Es kombiniert einen riesigen Kontext, native Multimodalität und einen neuen Aufmerksamkeitsmechanismus. Dabei tritt es offen mit veröffentlichten Gewichten an. Dieser Beitrag ordnet die wichtigsten Fakten ein und zeigt, für wen sich das Modell lohnt.
MiniMax M3 KI-Modell: Architektur und Kontext
MiniMax veröffentlichte M3 am 1. Juni 2026. Wenige Tage später, am 7. Juni, folgten die Gewichte auf Hugging Face. Damit ist das Modell frei verfügbar und lässt sich selbst betreiben.
Klartext ins Postfach
KI, Security & Crypto – die wichtigsten Analysen, kein Spam. Jederzeit abbestellbar.
Technisch handelt es sich um ein Mixture-of-Experts-Modell mit rund 229,9 Milliarden Parametern. Pro Token sind davon nur etwa 9,8 Milliarden aktiv, verteilt auf 256 Experten. Diese Bauweise spart Rechenleistung, ohne die Größe zu opfern. Kern des Systems ist die neue MiniMax Sparse Attention (MSA). Sie ermöglicht einen Kontext von einer Million Token. Dazu kommt native Multimodalität für Text, Bild und Video.
Benchmarks: starke Coding-Werte, aber ein Vorbehalt
MiniMax positioniert M3 klar als Modell für lange Coding-Aufgaben. Auf SWE-Bench Pro erreicht es laut Hersteller 59,0 Prozent. Damit soll es GPT-5.5 und Gemini 3.1 Pro übertreffen und sich Claude Opus 4.7 nähern. Weitere Werte runden das Bild ab:
- 66,0 Prozent auf Terminal Bench 2.1
- 34,8 Prozent auf SWE-fficiency
- 74,2 Prozent auf MCP Atlas
- 70,06 Prozent auf OSWorld-Verified für Computer-Nutzung
Ein wichtiger Vorbehalt bleibt jedoch. Alle Zahlen stammen aus eigenen Tests des Herstellers. Unabhängige Prüfer haben die Vergleiche zu GPT-5.5 und Gemini 3.1 Pro noch nicht bestätigt. Solche Eigenangaben sollte man daher vorsichtig lesen. Ein ähnliches Muster zeigte zuletzt auch das offene GLM-5.2 KI-Modell.
Warum offene Gewichte den Unterschied machen
Der eigentliche Reiz liegt in der Offenheit. Wer die Gewichte selbst hostet, behält die Kontrolle über seine Daten. Zudem entfallen laufende Kosten pro Anfrage. Gerade für Firmen mit sensiblen Informationen ist das ein starkes Argument.
Native Multimodalität erweitert die Einsatzfelder zusätzlich. M3 verarbeitet Bilder und Videos direkt und punktet bei mehreren Multimodal-Tests. In Kombination mit dem großen Kontext eignet sich das Modell so für Agenten, die lange Abläufe eigenständig bearbeiten.
MiniMax M3 lokal betreiben
Ein 230-Milliarden-Modell stellt hohe Ansprüche an die Hardware. Ohne genug GPU-Speicher läuft M3 nicht flüssig. Wer ernsthaft mit offenen Modellen wie diesem experimentieren will, sollte die passende Ausstattung einplanen. Unser Ratgeber zur Hardware für lokale KI und LLMs hilft bei der Auswahl von GPU, RAM und Setup.
Für erste Tests genügt oft eine gemietete Cloud-GPU. So lässt sich das Modell ausprobieren, bevor man in eigene Hardware investiert.
Fazit
Das MiniMax M3 KI-Modell zeigt, wie schnell offene Modelle zur Spitze aufschließen. Großer Kontext, Multimodalität und starke Coding-Werte machen es attraktiv. Die Benchmark-Zahlen bleiben mit Vorsicht zu genießen, weil sie vom Hersteller stammen. Wer die Gewichte selbst betreibt, gewinnt aber unabhängig davon an Kontrolle und Flexibilität.
Quellen
- MarkTechPost: MiniMax releases M3 with MSA architecture
- DataNorth: MiniMax launches M3
- TechTimes: Frontier Claims, Unverified Benchmarks
Diese Analysen als Newsletter
Ein Mal pro Woche Klartext zu KI, Security & Crypto – direkt in dein Postfach.
Jetzt anmelden