MiniMaxAI오픈소스

MiniMax M3

Name: MiniMax M3
Author: MiniMaxAI

이 모델 비교

MiniMax가 개발한 최신 고성능 MoE 모델. 428B 파라미터(23B 활성화), 100만 토큰 컨텍스트 지원. MSA 아키텍처를 채택하고 네이티브 멀티모달을 지원합니다.

공유:X Hatena LINE

파라미터

Undisclosed

컨텍스트

라이선스

https://github.com/MiniMax-AI/MiniMax-M2.7/blob/main/LICENSE

출시일

2026-06-01

일본어 처리 능력

✅High-Quality JP

Multilingual model with strong Japanese language processing capabilities.

API 가격

입력 가격 (1M 토큰당)

$2.1

출력 가격 (1M 토큰당)

과금 모드: standard

강점

약점

활용 사례

심층 분석

Artificial Analysis Intelligence Index

Kimi K2.6(54) 및 MiMo-V2.5-Pro(54)와 동급. 가중치 공개 전 최고 오픈 모델

SWE-Bench Verified

80.5%

BenchLM 리더보드 49개 모델 중 8위

SWE-Bench Pro

59.0%

Opus 4.7: 64.3%, GPT-5.5: 58.6% 대비

GPQA Diamond

93%

M2.7의 87%에서 +6점 상승

Context Window

1M 토큰

MSA 아키텍처. M2 대비 프리필 9배, 디코드 15배 가속

Input/Output Price

$0.30/$1.20 per 1M

512K 이하 컨텍스트 기준. 512K–1M은 $0.60/$2.40

강점

・프론티어급 코딩, 1M 컨텍스트, 네이티브 멀티모달을 단일 패키지로 갖춘 최초의 오픈 가중치 모델
・클로즈드 프론티어 모델 대비 압도적으로 저렴(Claude Opus나 GPT-5.5의 약 1/10~1/20 수준)
・MiniMax Sparse Attention(MSA)으로 1M 토큰 컨텍스트를 실용적으로 구현, 풀 어텐션 대비 9~15배 가속

약점

・일부 작업에서 품질 편차 존재 — 테스트 작성 및 추론 결과가 Claude Opus 4.8이나 GPT-5.5보다 변동이 큼
・출시 시점에 오픈 가중치 미공개. 상업 라이선스 조건 미정이며 M2.7 사례에 비추어 제한적일 가능성 높음
・추상·유체 추론 약세(ARC-AGI-2 한 자릿수 점수). AA-Omniscience에서 과도한 거부(질문의 30.9%만 시도)

경쟁사 비교

Model	GPQA	Price
Claude Opus 4.7	~95%	~$15/$75 per 1M
GPT-5.5	~93%	~$10/$30 per 1M
Gemini 3.1 Pro	~90%	~$1.25/$5 per 1M
Kimi K2.6	~88%	similar range

개요

MiniMax M3는 2026년 6월 1일 출시된 428B 파라미터 Mixture-of-Experts 모델(활성 23B)로, MiniMax M 시리즈의 큰 도약을 의미합니다. 가장 두드러진 혁신은 MiniMax Sparse Attention(MSA)으로, 전체 어텐션을 선택 영역에만 적용하기 전 키-값 블록을 사전 필터링하는 2단계 메커니즘입니다. 이를 통해 전작 대비 1/20의 토큰 연산량으로 실용적인 1M 토큰 컨텍스트를 가능하게 합니다. M3는 프론티어급 코딩 성능, 백만 토큰 컨텍스트, 네이티브 멀티모달 입력(텍스트·이미지·비디오)을 동시에 제공하는 최초의 오픈 가중치 모델로 자리합니다. 벤치마크에서 M3는 경쟁적인 중간 지대에 있습니다. SWE-Bench Pro에서 GPT-5.5(58.6%)를 근소하게 앞서고(59.0%), GPQA Diamond 93%, BrowseComp 83.5%(Claude Opus 4.7의 79.3% 상회)를 기록합니다. SWE-Bench Verified 80.5%, Artificial Analysis Intelligence Index 55점으로 Kimi K2.6 등 주요 오픈 모델과 동급입니다. 다만 시스템·에이전트 벤치마크 대부분에서 Claude Opus 4.7에 뒤처지고 추상 추론 작업에서는 약세를 보입니다. 상업 전략은 공격적인 가격입니다. API 비용은 입력/출력 백만 토큰당 $0.30/$1.20(표준, 512K 이하 컨텍스트)으로 클로즈드 프론티어 모델의 약 1/10~1/20 수준입니다. Token Plan 구독은 월 $20~$120이며 넉넉한 토큰 할당량을 제공합니다. 모델은 MiniMax API와 OpenRouter를 통해 이용 가능하고, 가중치가 Hugging Face에 공개되면(출시 약 10일 내 약속) 셀프 호스팅도 계획되어 있습니다. 개발자에게 M3는 새로운 가성비 트레이드오프를 제시합니다. 절대 최강은 아니지만 코딩·장문 컨텍스트·에이전트 작업에서 최고의 가치를 제공합니다.

벤치마크 및 성능

MiniMax M3의 벤치마크 성능은 코딩, 에이전트, 멀티모달, 장문 컨텍스트 영역을 포괄합니다. 아래는 주요 경쟁 모델과의 상세 비교입니다(별도 표기 없으면 MiniMax 공식 보고서 기준, Artificial Analysis와 LLMReference의 제3자 검증 포함). ### 코딩 및 소프트웨어 공학 | 벤치마크 | MiniMax M3 | Claude Opus 4.7 | GPT-5.5 | Gemini 3.1 Pro | |---|---|---|---|---| | SWE-Bench Verified | 80.5% | 87.6% | ~84% | ~78% | | SWE-Bench Pro | 59.0% | 64.3% | 58.6% | 54.2% | | Terminal-Bench 2.1 | 66.0% | 66.1% | 78.2% | 70.0% | | KernelBench Hard | 28.8% | 30.7% | 20.9% | 18.6% | | SWE-fficiency | 34.8% | — | — | — | ### 에이전트 및 브라우징 | 벤치마크 | MiniMax M3 | Claude Opus 4.7 | GPT-5.5 | Gemini 3.1 Pro | |---|---|---|---|---| | BrowseComp | 83.5% | 79.3% | 84.4% | 85.9% | | MCP Atlas | 74.2% | 77.0% | 75.3% | 69.2% | | OSWorld-Verified | 70.0% | 82.8% | 78.7% | 76.2% | | PostTrainBench | 0.37 | 0.42 | 0.39 | — | ### 멀티모달 및 추론 | 벤치마크 | MiniMax M3 | Claude Opus 4.7 | GPT-5.5 | Gemini 3.1 Pro | |---|---|---|---|---| | GPQA Diamond | 93% | ~95% | ~93% | ~90% | | MMMU Pro | 78.1% | ~80% | 79.9% | ~77% | | Video-MME v2 | 85.4 | — | — | — | | GDPval-AA | ~1670 | ~1890 (Opus 4.8) | 1769 | ~1500 | ### 일반 지능 | 지표 | MiniMax M3 | 비고 | |---|---|---| | AA Intelligence Index | 55 | 가중치 공개 전 최고 오픈 모델 | | HLE | 37% | M2.7의 28%에서 상승 | | IFBench | 83% | M2.7의 76%에서 상승 | | AA-Omniscience | 정확도 15.0% | 질문의 30.9%만 시도(과도한 거부) | ### 효율성 향상(MSA vs 풀 어텐션, 1M 컨텍스트) - 토큰당 연산량: M2의 1/20 - 프리필 가속: 9배 이상 - 디코드 가속: 15배 이상 - 오픈소스 Flash-Sparse-Attention 대비: 4배 이상 빠름

상세 비교

### MiniMax M3 vs Claude Opus 4.7/4.8 Claude Opus는 시스템 추론, OS 상호작용, 고위험 코딩 워크플로에서 가장 강력한 클로즈드 모델입니다. SWE-Bench Verified 87.6%(M3 80.5% 대비), OSWorld-Verified 82.8%(M3 70.0% 대비)에서 우위입니다. 다만 Opus는 백만 토큰당 약 $15/$75로 M3 표준 가격의 50~60배 비쌉니다. 고볼륨 에이전트 루프를 도는 팀에게 M3는 Opus 코딩 능력의 약 85~90%를 확보하면서 획기적으로 저렴한 대안입니다. ### MiniMax M3 vs GPT-5.5 GPT-5.5는 터미널 실행(Terminal-Bench 2.1 78.2% vs M3 66.0%)과 대화형 환경에서 앞섭니다. M3는 SWE-Bench Pro(59.0% vs 58.6%)에서 GPT-5.5를 근소하게 앞서고 SVG 생성(SVG-Bench 63.7% vs 58.2%)에서 우위입니다. GPT-5.5는 GDPval 루브릭에서 더 강합니다(80.6% vs 74.7%). 가격은 M3가 유리합니다. GPT-5.5는 백만 토큰당 약 $10/$30입니다. 최선의 접근은 모델 라우팅 — 터미널 중심·엄격한 대화형 작업은 GPT-5.5, 장문 컨텍스트·저장소 규모·비용 민감 작업은 M3. ### MiniMax M3 vs Gemini 3.1 Pro / 3.5 Flash Gemini 3.1 Pro는 브라우징 작업(BrowseComp 85.9% vs M3 83.5%)과 강력한 멀티모달에서 앞섭니다. Gemini 3.5 Flash는 MMMU Pro 84.3%로 M3의 78.1%를 앞섭니다. Gemini 가격도 경쟁력 있습니다(Pro 기준 약 $1.25/$5 per 1M). 하지만 M3의 MSA 효율 1M 컨텍스트는 진짜 장문 작업에서 우위를 줍니다. Gemini는 웹 디자인·브라우징 중심 에이전트 작업의 최고 선택입니다. ### MiniMax M3 vs Kimi K2.6 둘 다 유사한 Intelligence Index(K3: 55, K2.6: 54)의 오픈 가중치 모델입니다. K2.6은 MMMU Pro 79.4%로 M3의 78.1%와 비슷합니다. M3는 네이티브 비디오 입력과 MSA 아키텍처로 실용적 1M 토큰 사용을 가능하게 합니다. K2.6은 Moonshot 플랫폼을 통해 다른 가격 구조로 제공됩니다. ### 컨텍스트 창 및 가격 요약 | 모델 | 컨텍스트 | 입력/1M | 출력/1M | |---|---|---|---| | MiniMax M3 | 1M | $0.30 | $1.20 | | Claude Opus 4.7 | 1M | ~$15 | ~$75 | | GPT-5.5 | 1M | ~$10 | ~$30 | | Gemini 3.1 Pro | 1M | ~$1.25 | ~$5 |

커뮤니티 평가

개발자와 연구 커뮤니티는 MiniMax M3에 신중하면서도 진정한 열광을 보였습니다. 풀스택 엔지니어이자 모델 리뷰어인 Thomas Wiegold는 표준 웹사이트 구축·포커 시뮬레이션·코드 감사 테스트를 거친 후 '올해 테스트한 모델 중 진짜로 흥미로운 모델 중 하나'라 불렀습니다. 그는 커피 로스터 웹사이트 프롬프트에서 M3가 '다른 everything else를 완벽히 해냈고' '클로즈드 프론티어 모델과 어깨를 나란히 했다'며, 코드 감사가 GPT-5.5 품질에 '놀랍도록 가까웠고' '꾸밈없고 채우기 없고 바쁜 척 문제를 지어내지 않았다'고 했습니다. 다만 복잡한 추론 작업에서 과도한 토큰 소비(30~40분 포커 시뮬레이션)를 지적하고 제한적 라이선스 우려를 표했습니다. Binary Verse AI는 M3를 단순한 벤치마크 릴리스가 아닌 진지한 '시스템 제안'으로 보았으며, 희소 어텐션 아키텍처가 '박수가 아닌 배포를 위해 만들어졌다'고 강조했습니다. 그들은 검색 레이어와 M3의 확장 워크스페이스를 결합하는 '투 레인 설정'을 권장했습니다. Stackademic 리뷰어(TensAI)는 M3가 기능 작성에서 '완전히 경쟁력 있다'고 했고, 에이전트 워크플로 테스트에서 '가장 상세한 취약점 보고서'를 만들었다고 했으나 테스트 작성 결과는 세 모델 중 '가장 들쭉날쭉'했습니다. 결론은 '확립된 리더와 실제 코딩·디버깅·리팩터링·에이전트 작업에서 맞먹는 새 모델은 벤치마크 성취 그 이상'이었습니다. Artificial Analysis는 M3를 '가중치 공개 시 최고 오픈 가중치 모델'로 positioning하며, 대부분 평가에서 M2.7 대비 향상(HLE +9점, GPQA Diamond +6점)되었다고 했습니다. 커뮤니티는 가중치 공개와 라이선스 조건을 주시하며, 많은 개발자가 M3를 대량·비용 민감·장문 컨텍스트 작업에, 클로즈드 프론티어 모델은 고위험 작업에 예약하는 하이브리드 라우팅 전략을 채택하고 있습니다.

활용 사례

### 1. 저장소 규모 코드 이해와 에이전트 코딩 M3의 1M 토큰 컨텍스트와 높은 SWE-Bench 점수는 코드베이스 전체를 한 번에 이해해야 하는 작업에 이상적입니다. 저장소 Q&A, 파일 간 리팩터링, 보안 감사, 멀티파일 코드 생성이 여기에 해당합니다. CUDA 커널 최적화 데모(147회 반복, 9.4배 가속, 인간 개입 0회)는 장시간 자율 코딩 능력을 보여줍니다. 비용이 큰 요소이고 작업이 방대한 컨텍스트를 필요로 할 때 Opus 대신 M3를 선택하세요. 예: 전체 모노레포를 M3에 주고 50개 이상 파일에 걸친 횡단 관심사 식별·수정 요청. ### 2. 장문 문서 분석과 연구 논문 처리 MSA 효율로 실용적인 1M 토큰을 활용해 책 전체, 그림 포함 긴 논문, 방대한 로그 파일을 한 프롬프트에 넣을 수 있습니다. 논문 재현 데모(12시간, 18 커밋, 23 그림)가 이 능력을 보여줍니다. 200K 토큰을 넘는 문서를 청크·요약해야 하는 다른 모델 대신 M3를 쓰세요. 예: 실사 분석을 위해 500K+ 토큰 법률 계약 모음 로드, 또는 코드와 데이터를 포함한 완전한 ICLR 논문에서 실험 재현. ### 3. 규모의 비용 민감 에이전트 워크플로 매일 수천 건의 작업을 도는 프로덕션 에이전트 시스템(코드 리뷰 봇, 자동화 테스트 파이프라인, 고객 지원 에이전트)에서 M3 가격($0.30/$1.20 per 1M)은 Opus나 GPT-5.5가 감당 안 되는 볼륨에서 경제적입니다. 프롬프트 캐싱($0.06/1M read)은 반복 컨텍스트 비용을 더 낮춥니다. 예: 모든 PR을 리뷰하고 보안 스캔을 돌리며 테스트 제안을 생성하는 CI/CD 에이전트가 프론티어 모델 비용의 일부로 매일 수백 건의 PR 처리. ### 4. 멀티모달 문서와 비디오 이해 M3의 네이티브 멀티모달(텍스트 + 이미지 + 비디오)은 스크린샷·다이어그램·녹화 영상이 포함된 문서 워크플로에 적합합니다. 예: UI 모킹 이미지와 함께 주어진 버그 리포트에서 근본 원인 분석, 또는 교육 비디오에서 단계별 요약 추출.