Fiche modèle
MiniMax-M3
MiniMax · poids ouverts · sorti le 01/06/2026
Date de sortie, éditeur et accès : Epoch AI, CC BY 4.0. Fiche régénérée le 07/10/2026.
Taille
428 Md
22 Md actifs
Scores
Rang parmi les 274 modèles de l’indice ECI évalués par la même source. Un nom de benchmark mène à son explication.
| Benchmark | Score | Rang | Réglage | Source |
|---|---|---|---|---|
| Indice de capacités ECI (Epoch AI)Capacités générales | 147,0142,6–149,4 | 68 / 274 | Epoch AI, CC BY 4.0, non daté par la source, vu publié le 07/10/2026 | |
| LMArena texte, contrôle du styleConversation (préférence humaine) | 1 4401 436–1 444 | 56 / 166 | « minimax-m3 » | LMArena, CC BY 4.0, publié le 02/10/2026 |
| GPQA Diamond (Epoch AI)Sciences | 90,9 %86,9–94,9 | 30 / 186 | réglage « MiniMax-M3 » | Epoch AI, CC BY 4.0, publié le 10/08/2026 |
| FrontierMath, niveaux 1 à 3 (Epoch AI) | non évalué par Epoch AI | |||
| OTIS Mock AIME 2024-2025 (Epoch AI)Maths de concours | 71,1 %57,7–84,5 | 89 / 176 | réglage « MiniMax-M3 » | Epoch AI, CC BY 4.0, publié le 10/08/2026 |
| SimpleQA Verified (Epoch AI) | non évalué par Epoch AI | |||
| SWE-bench Verified (Epoch AI) | non évalué par Epoch AI | |||
Sources : Epoch AI, « Capabilities & benchmarking », epoch.ai/benchmarks (CC BY 4.0) ; LMArena, leaderboard-dataset (Hugging Face), CC BY 4.0. Données adaptées : pourcentages, arrondis, meilleur réglage retenu, prix mélangé, rangs et frontière calculés ici.
Prix par fournisseur d’API
| Fournisseur | Entrée $/M | Sortie $/M | Mélangé | Clé LiteLLM |
|---|---|---|---|---|
| MiniMaxéditeur | 0,30 $ | 1,20 $ | 0,52 $ | minimax/MiniMax-M3 |
| Weights & Biases | 0,23 $ | 0,96 $ | 0,41 $ | wandb/MiniMaxAI/MiniMax-M3 |
| DeepInfra | 0,28 $ | 1,10 $ | 0,49 $ | deepinfra/MiniMaxAI/MiniMax-M3 |
| Fireworks AI | 0,30 $ | 1,20 $ | 0,52 $ | fireworks_ai/minimax-m3 |
| Nebius | 0,30 $ | 1,20 $ | 0,52 $ | nebius/MiniMaxAI/MiniMax-M3 |
| Novita AI | 0,30 $ | 1,20 $ | 0,52 $ | novita/minimax/minimax-m3 |
| Tencent Cloud | 0,30 $ | 1,20 $ | 0,52 $ | tencent/minimax-m3 |
| Together AI | 0,30 $ | 1,20 $ | 0,52 $ | together_ai/MiniMaxAI/MiniMax-M3 |
| Microsoft Azure AI Foundry | 0,33 $ | 1,32 $ | 0,58 $ | azure_ai/FW-MiniMax-M3 |
$ par million de jetons, tarif catalogue sans remise, sans cache ni traitement par lots. 9 offres rapprochées. Écart entre le moins cher (Weights & Biases, 0,41 $) et le plus cher : × 1,4. Relevé du 07/10/2026 ; vérifier chez le fournisseur avant de choisir. Sources : Prix : LiteLLM (BerriAI), licence MIT, © 2023 Berri AI. Données adaptées : pourcentages, arrondis, meilleur réglage retenu, prix mélangé, rangs et frontière calculés ici.
L’héberger soi-même
- Accès aux poids
- poids ouverts, usage restreint par la licence (Epoch AI, CC BY 4.0)
- Licence
- MiniMax Community License (carte du dépôt, déclaration de l’éditeur lue le 01/10/2026 ; lire la licence avant tout usage commercial)
- Taille
- 428 Md de paramètres, dont 22 Md actifs à chaque jeton (modèle à experts) (Epoch AI, CC BY 4.0 ; note : « 428B total, 22B active »)
- Poids
- huggingface.co/MiniMaxAI/MiniMax-M3 (dépôt rapproché par la table de correspondance, existence vérifiée auprès de Hugging Face le 01/10/2026)
Mémoire nécessaire
| Format des poids | Poids seuls | Ordre de grandeur du matériel |
|---|---|---|
| BF16 (pleine précision usuelle) | 856 Go | un serveur à huit cartes de 141 à 192 Go |
| FP8 / 8 bits | 428 Go | un serveur à huit cartes de 80 Go (640 Go) |
| 4 bits (GGUF Q4_K_M, environ 4,8 bits par paramètre) | 257 Go | un serveur à huit cartes de 80 Go (640 Go) |
Calcul du Crible : 428 Md de paramètres × 2 octets (BF16), × 1 (FP8), × 0,6 environ (4 bits). Ajouter le cache de contexte, qui grandit avec la longueur des conversations et le nombre d’utilisateurs. Un modèle à experts doit charger tous ses paramètres en mémoire, mais n’en calcule que 22 Md par jeton : il répond plus vite que sa taille ne le laisse penser.
Outils
- vLLM (serveur, cartes graphiques) :
vllm serve MiniMaxAI/MiniMax-M3sert le dépôt Hugging Face derrière une API compatible OpenAI. Le modèle doit être pris en charge par la version installée. - llama.cpp (ordinateur, processeur ou carte graphique) : lit les poids au format GGUF, souvent publiés en 4 bits par la communauté. Chercher une version GGUF (rien ne garantit qu’elle existe ni qu’elle est fidèle), puis
llama-server -hf <dépôt GGUF>. - Ollama (le plus simple sur un ordinateur) :
ollama run hf.co/<dépôt GGUF>lance une version GGUF publiée sur Hugging Face.
Commandes d’après la documentation de chaque outil (liens ci-dessus). Les tailles, l’accès et les liens viennent des sources citées ; de Hugging Face, Le Crible ne reprend que l’adresse du dépôt et l’identifiant de licence déclaré sur sa carte. Sources : Epoch AI, « Data on AI models », epoch.ai/data/ai-models (CC BY 4.0) ; LMArena, leaderboard-dataset (Hugging Face), CC BY 4.0. Données adaptées : pourcentages, arrondis, meilleur réglage retenu, prix mélangé, rangs et frontière calculés ici.
Évolution
Aucun changement de prix relevé depuis le début de nos relevés quotidiens.