MiniMax M3: Das erste Open-Weight-Modell mit drei Frontier-Fähigkeiten

Was lange als Privileg geschlossener Modelle galt – erstklassiges Coding, ein Kontextfenster von einer Million Token und native Multimodalität in einem einzigen System – beansprucht MiniMax nun für die Open-Weight-Welt. Am 1. Juni 2026 hat der Shanghaier KI-Anbieter sein neues Flaggschiff-Modell M3 veröffentlicht. Die Reaktion der Märkte war bezeichnend: Die MiniMax-Aktie an der Hongkonger Börse eröffnete über 5 Prozent im Plus – und schloss dann mehr als 12 Prozent im Minus. „Sell the news" auf dem Börsenparkett, echter Diskussionsstoff in der KI-Community.

Dieser Artikel ordnet ein, was M3 technisch leistet, wo die Herstellerangaben mit Vorsicht zu genießen sind – und was die Veröffentlichung für Unternehmen bedeutet, die Coding-Agenten oder agentic Workflows evaluieren.

Was ist MiniMax M3?

MiniMax M3 ist ein nativ multimodales Modell, das von Grund auf mit multimodalen Daten trainiert wurde. MiniMax hat dafür seine gesamte Datenpipeline neu aufgebaut und das Vortraining auf mehrere Hundert Terabyte skaliert (laut Hersteller: 100T+). Das Modell unterstützt Text-, Bild- und Video-Eingaben und kann laut MiniMax auch einen Computer-Desktop bedienen.

Kernstück ist die neue Aufmerksamkeitsarchitektur MSA (MiniMax Sparse Attention), die einen Ultra-Langkontext von bis zu einer Million Token unterstützt. MiniMax bezeichnet M3 als das erste chinesische Modell, das Frontier-Coding, Agentenfähigkeiten und native Multimodalität vereint – und als einziges Open-Weight-Modell dieser Art weltweit.

Die Architektur: Sparse Attention als Kern-Innovation

Das architektonische Herzstück von M3 ist der neue Sparse-Attention-Mechanismus MSA. Laut MiniMax ermöglicht er eine 15,6-fach schnellere Dekodierung und eine 9,7-fach schnellere Prefill-Geschwindigkeit im Vergleich zum Vorgänger M2 bei Millionen-Token-Kontexten. Im Unterschied zu DeepSeeks Multi-head Latent Attention arbeitet MSA auf unkomprimierten Key-Values – und umgeht damit laut Hersteller Präzisionsverluste bei der Langkontext-Inferenz.

Für Unternehmen, die KI-Agenten über große Codebasen oder umfangreiche Dokumentenbestände betreiben, ist das eine relevante infrastrukturelle Aussage – sofern die Zahlen unter unabhängiger Evaluation standhalten.

Benchmark-Performance: Wo M3 stark ist – und wo nicht

Agentic Capabilities: Zwölf Stunden autonom forschen

MiniMax demonstriert die Agentenfähigkeiten von M3 mit zwei ungewöhnlich konkreten Praxistests – beide unter kontrollierten Herstellerbedingungen durchgeführt:

Test 1 – Autonome Paper-Reproduktion (12 Stunden)

MiniMax beauftragte M3, ein mit dem ICLR-2025-Outstanding-Paper-Award ausgezeichnetes Paper zu „Learning Dynamics of LLM Finetuning" selbstständig zu reproduzieren. Das Modell lief knapp 12 Stunden autonom, erstellte laut Hersteller 18 Commits und 23 experimentelle Grafiken und schloss die Kernexperimente erfolgreich ab – inklusive Verifikation des im Paper beschriebenen „Squeezing Effect" in den DPO-Experimenten.

Test 2 – CUDA-Kernel-Optimierung (24 Stunden, 9,4-fache Beschleunigung)

MiniMax beauftragte M3, einen FP8-GEMM-Kernel auf NVIDIA-Hopper-GPUs zu optimieren – gestartet nur mit einer Aufgabenbeschreibung und einem nicht lauffähigen Triton-Skelett. Über rund 24 Stunden erstellte M3 laut Hersteller 147 Benchmark-Einreichungen und führte 1.959 Tool-Calls aus. Die Hardware-Auslastung stieg dabei von 7,6 auf 71,3 Prozent – eine 9,4-fache Beschleunigung ohne menschliches Eingreifen.

Preisgestaltung und Verfügbarkeit

Die API ist seit dem 1. Juni 2026 verfügbar und unterstützt „Thinking"- und „Non-Thinking"-Modus. Die Modell-Gewichte sollen laut Hersteller innerhalb von zehn Tagen nach Launch zum Download bereitstehen.

Was das für Unternehmen im DACH-Raum bedeutet

Relevante Einsatzszenarien

Software-Entwicklung & DevOps: M3 ist direkt adressierbar für Teams, die agentic Coding-Workflows evaluieren. Die SWE-Bench-Pro-Ergebnisse sind wettbewerbsfähig – aber noch nicht unabhängig verifiziert. Teams sollten eigene Workloads als Maßstab nutzen.

Dokumenten- und Vertragsanalyse: Ein garantierter Kontext von 512K Token (mit bis zu 1M Token) erlaubt die Verarbeitung umfangreicher Vertragsdokumente oder Codebasen in einem einzigen Request – ohne Chunking-Overhead.

Multimodale Workflows: Native Bild- und Video-Verarbeitung ohne Zusatzmodell reduziert Architektur-Komplexität und potenziell Betriebskosten.

Compliance-Hinweise für DACH

Kritische Einordnung

M3 ist das interessanteste Open-Weight-Modell seit Monaten – nicht weil es alle geschlossenen Frontier-Modelle schlägt, sondern weil es die Kombination aus Coding-Performance, Langkontext und Multimodalität erstmals außerhalb geschlossener Ökosysteme zugänglich macht. Der Preis ist überzeugend: Laut Listenpreis rund 12-mal günstiger pro Input-Token als vergleichbare Closed-Source-Frontier-Modelle.

Die Einschränkungen sind real: Die veröffentlichten Benchmark-Zahlen stammen vom Hersteller selbst. Die technische Community wird sie in den nächsten Tagen und Wochen unabhängig testen. Die Börsenkursreaktion – kurzer Anstieg, gefolgt von einem 12-Prozent-Einbruch – signalisiert, dass auch Investoren die Diskrepanz zwischen Ankündigung und belegter Realperformance einpreisen.

Fazit und Handlungsempfehlung

MiniMax M3 markiert einen echten Einschnitt: Das Modell bringt Fähigkeiten in die Open-Weight-Welt, die bislang geschlossenen Systemen vorbehalten waren. Für Unternehmen, die agentic Coding-Agenten oder Langkontext-Workflows aufbauen wollen, ist M3 ein ernstzunehmender Kandidat – mit dem klaren Vorbehalt, dass Herstellerbenchmarks keine unabhängige Evaluation ersetzen.

Quellen

• MiniMax – M3 Produktseite
• MiniMax Research Blog – MiniMax M3
• OfficeChai – MiniMax M3 Benchmark Analysis
• OpenRouter – MiniMax M3 API Pricing
• Open Source For You – MiniMax M3 Open Source Assessment