TL;DR — MiniMax M3는 프런티어 코딩(SWE-Bench Pro 59%), 100만 토큰 컨텍스트, 이미지·비디오 입력을 동시에 지원하는 첫 오픈웨이트 모델이다. 독자 개발 MSA(MiniMax Sparse Attention) 아키텍처로 디코딩 속도를 기존 대비 15배 끌어올렸으며, 모델 가중치를 Hugging Face에 공개 예정이다.

"세 가지 조건을 동시에 갖춘 유일한 오픈 모델"

MiniMax는 5월 31일(현지 시각) MiniMax M3를 공개했다. 발표 당시 MiniMax는 "100만 토큰 컨텍스트, 네이티브 멀티모달, 프런티어 코딩 세 가지를 동시에 갖춘 유일한 오픈웨이트 모델"이라고 강조했다. 폐쇄형 최상위 모델들만 이 조합을 구현해 왔던 상황에서, M3는 그 문을 오픈 소스 커뮤니티에 처음으로 열었다.

59.0% SWE-Bench Pro 점수
1M 토큰 컨텍스트 윈도우
15× MSA 아키텍처 디코딩 가속

MSA: 하드웨어 병목을 돌파하는 새 어텐션 아키텍처

M3의 핵심 기술은 **MiniMax Sparse Attention(MSA)**이다. 기존 트랜스포머의 어텐션 연산이 시퀀스 길이의 제곱에 비례해 메모리와 연산을 소모하는 데 반해, MSA는 KV 파티셔닝과 연산자 수준 최적화로 이를 획기적으로 줄였다.

  • 1M 컨텍스트에서 토큰당 연산 비용 = 이전 세대 대비 1/10
  • prefill 단계 9배, decoding 단계 15배 가속
  • 유사한 오픈소스 솔루션 대비 처리 속도 4배
💡
에이전트에서 100만 토큰이 왜 중요한가?
장기 에이전트 작업(24시간 이상 지속, 수천 번의 도구 호출)은 세션 중 누적되는 컨텍스트 때문에 자주 실패한다. M3는 전체 코드베이스, 수천 건의 로그, 또는 긴 비디오를 한 번에 넣어두고 일관성 있게 추론할 수 있다.

벤치마크: 상용 프런티어 모델과 어깨를 나란히

벤치마크 MiniMax M3 GPT-5.5 Claude Opus 4.7 Gemini 3.1 Pro
SWE-Bench Pro 59.0% 58.6% ~53% -
MCP Atlas 74.2% - - -
Terminal-Bench 2.1 66.0% 83.4% 69.7% -
VideoMME 84.6% - - -

SWE-Bench Pro에서 GPT-5.5를 소폭 앞서는 성능은 오픈웨이트 모델 최초다. 단, Terminal-Bench 2.1에서는 GPT-5.5에 뒤처져 있어 모든 영역에서 우세하지는 않다.

ℹ️
현재 이용 방법
모델 가중치는 아직 공개 전이지만, MiniMax API(platform.minimax.io), OpenRouter, MiniMax Code(code.minimax.io), Hermes 에이전트를 통해 지금 바로 사용할 수 있다. 출시 초기 50% 할인이 적용되어 입력 $0.30/1M, 출력 $1.20/1M 수준이다.

네이티브 멀티모달: 이미지·비디오·데스크톱 조작

M3는 텍스트 외에 이미지와 비디오 입력을 기본 지원하며, 데스크톱 조작(computer-use) 기능도 포함한다. 영상 이해 벤치마크 Video-MME에서 84.6%를 기록했다. MiniMax는 향후 이미지·오디오 출력 기능도 추가할 계획이다.

핵심 요약
  • MiniMax M3: 프런티어 코딩 + 1M 토큰 + 네이티브 멀티모달 = 오픈웨이트 최초 결합
  • MSA 아키텍처로 디코딩 15배 가속, 1M 컨텍스트에서 비용 1/10 절감
  • SWE-Bench Pro 59%로 GPT-5.5를 소폭 앞서는 코딩 성능
  • 현재 API/OpenRouter로 이용 가능, 모델 가중치는 곧 Hugging Face 공개 예정
  • Chinese AI lab들의 오픈소스 전략이 글로벌 LLM 시장 판도를 바꾸고 있다
🔗
관련 자료 · 공식 출처 · 사용 안내
— MiniMax M3 공식 발표 블로그
— MiniMax M3 모델 페이지 및 사용 안내
— MiniMax API 플랫폼 — 개발자 접근
— MiniMax Hugging Face 모델 저장소 (가중치 공개 예정)