MiniMax M3: modelo open-weight com desempenho frontier em código e agentes

O MiniMax M3 não é só mais um modelo com janela de contexto grande: é o primeiro open-weight a entregar desempenho de ponta em duas frentes críticas ao mesmo tempo, codificação realista (SWE-Bench Pro 59,0%) e operação agêntica autônoma (BrowseComp 83,5%). Isso foi possível graças à MiniMax Sparse Attention (MSA), uma arquitetura nova que reduz o custo computacional por token para 1/20 do que era na série M2, o que explica os ganhos reais de velocidade: até 15,6× mais rápido em geração em contexto longo, sem comprometer precisão. Diferente de modelos que adicionam multimodalidade como camada pós-treinamento, o M3 foi treinado desde o 'Passo Zero' com dados mistos de texto, imagem e vídeo, o que explica sua coerência nativa em tarefas como navegação web autônoma ou otimização de kernels GPU sem intervenção humana.

A MiniMax também está mudando a economia da IA de ponta: US$ 0,30/milhão de tokens de entrada é menos de 10% do custo típico do Claude Opus 4.7 ou GPT-5.5. Mas há um trade-off oculto: a 'janela de 1 milhão de tokens' só é garantida em chamadas específicas, e usar mais de 512K tokens dispara uma cobrança adicional por 'contexto longo'. E apesar do rótulo 'open-weight', não há código de treinamento nem operadores de inferência disponíveis, o que limita a verificação independente até a liberação dos pesos no Hugging Face, prevista para 11 de junho.

Em 30 de maio, a MiniMax só antecipava o M3 com base em um relatório técnico preliminar sobre a nova sparse attention. Em 4 de junho, confirmou que os pesos seriam liberados 'em até 10 dias', mas ainda não havia dados de benchmark, preços ou integração prática. Agora, em 1º de junho (data oficial do lançamento), o modelo já está operacional via API e MiniMax Code, com resultados mensuráveis em SWE-Bench Pro, BrowseComp e Terminal-Bench 2.1, além de preços públicos, planos de tokens e detalhes concretos sobre limitações de contexto longo. O que era rumor virou produto com métricas comparáveis a modelos proprietários, e com um custo 90% menor.

O M3 acelera a convergência entre três pilares que antes estavam fragmentados: agentes autônomos, codificação de nível industrial e processamento multimodal nativo. Isso muda o jogo para startups e equipes internas que precisam de autonomia real, como navegar sistemas legados, depurar código em produção ou gerenciar fluxos de trabalho desktop, sem depender de APIs caras ou fechadas. Mas a soberania de dados permanece um ponto crítico: a Lei de Inteligência Nacional da China se aplica a todos os prompts enviados à API, mesmo de usuários fora do país. Para quem prioriza controle total, o M3 é um passo importante, mas ainda não o fim da jornada para IA verdadeiramente aberta e auditável.