MiniMax M3 เป็นโมเดล Open-weight แบบ Multimodal ที่มี Context 1 ล้าน Token สถาปัตยกรรม MiniMax Sparse Attention (MSA) เลือก Block จาก KV Cache ที่ไม่บีบอัด ทำให้ต้นทุนต่อ Token ของหน้าต่าง 1M เหลือประมาณ 1/20 ของ Full Attention แบบเดิม
ความสามารถ
โมเดลระบุว่าสามารถ Recall ได้สมบูรณ์ที่ 512K รับ Text, Image ความละเอียดสูง และ Video โดยฝึก Multimodal แบบสลับมาตั้งแต่เริ่มต้น พร้อม Computer Use ผลที่เผยแพร่ระบุว่าเหนือ GPT-5.5 และ Gemini 3.1 Pro ใน SWE-Bench Pro, Claude Opus 4.7 ใน SVG-Bench และ Gemini 3.1 Pro ใน OmniDocBench ควรทดสอบ Benchmark กับงานจริงของคุณอีกครั้ง
ทดลองฟรีใน OpenCode
OpenCode เป็น Coding Agent แบบ Open Source มี TUI อ่านไฟล์ รันคำสั่ง และรองรับหลาย Provider โดยประกาศให้ใช้ MiniMax M3 ฟรีโดยไม่ต้องมี API Key ส่วนตัว ติดตั้งแล้วรัน opencode เปิด /models เลือก MiniMax M3 และใช้ @plan หรือ @build สำหรับงานใน Repository
API ทางการ
MiniMax มี Endpoint ที่เข้ากันได้กับ OpenAI ที่ https://api.minimax.io/v1 ตัวอย่าง cURL และ Python ต้นฉบับถูกรักษาไว้ด้านล่าง การใช้ฟรีผ่าน OpenCode กับ API ทางการเป็นคนละช่องทาง โปรดตรวจราคาและ Limit ก่อนใช้ Production
Code
curl -fsSL https://opencode.ai/install | bashbrew install opencode-ai/tap/opencodenpm i -g opencode-ai@latestopencodecurl https://api.minimax.io/v1/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $MINIMAX_API_KEY" \
-d '{
"model": "minimax-m3",
"messages": [
{"role": "user", "content": "Write a concurrent web scraper in Python."}
],
"max_tokens": 1024
}'from openai import OpenAI
client = OpenAI(
api_key="your-minimax-api-key",
base_url="https://api.minimax.io/v1"
)
response = client.chat.completions.create(
model="minimax-m3",
messages=[
{"role": "user", "content": "Analyze the performance differences between MSA and traditional Transformer attention."}
]
)
print(response.choices[0].message.content)References
https://x.com/opencode/status/2061233503337906187

ความคิดเห็นจากชุมชน
ความคิดเห็นผูกกับบัญชี GitHub ของคุณ — เข้าสู่ระบบเพื่อร่วมพูดคุย