MiniMax M3 API: Preise, Testumgebung und Beispiele

Projektcode: Bestehenden Code korrigieren und weiterentwickeln

Wir würden MiniMax M3 für klar abgegrenzte Iterationen priorisieren: bestehende Fehler beheben, Funktionen nach Schnittstellenverträgen ergänzen oder Implementierungen anhand von Tests anpassen. Thinkwrights öffentliches Experiment fand ähnliche Leistungen von M3 und GLM-5.2 bei Korrekturen und Erweiterungen vorhandenen Codes; deutlichere Unterschiede lagen im Projektaufbau von Grund auf.

Daher empfehlen wir M3 für laufende Verbesserungen und neue Funktionen bestehender Projekte zu testen.

Analyse langer Dokumente: Codebasis, Dokumente und Laufzeitprotokolle gemeinsam lesen

MiniMax M3 nutzt MSA Sparse Attention für langen Kontext. Die technische Arbeit beschreibt die Auswahl relevanter Informationsblöcke vor der Attention-Berechnung, was Rechenaufwand bei sehr langen Eingaben reduziert.

Wir konzentrieren uns auf materialübergreifende Analyse: Umsetzung gegen Anforderungen prüfen, Versionsverträge vergleichen oder Vorfälle aus Logs rekonstruieren. Wir empfehlen Dateinamen, Versionen und Zeitstempel zu behalten und konkrete Fundstellen für Schlussfolgerungen zu verlangen. Bei sehr langen Aufgaben kann das Modell vor Urteilen zuerst wichtige Belege auflisten.

Bild- und Videoverständnis: Oberflächen und visuelle Inhalte einbeziehen

Wir würden die visuellen Fähigkeiten von MiniMax M3 für Screenshot-Abgleich mit Implementierungen, Diagrammanalyse oder Ablaufdokumentation aus Bedienvideos nutzen. Wie die offizielle MiniMax API bietet API Hop Bild- und Videoeingaben mit image_url-Inhaltsblöcken für Bilder und video_url-Blöcken für Videos.

Formulieren Sie Anforderungen klar: Fokusbereiche bei Oberflächenprüfungen, Kennzahlen bei Diagrammen sowie Zeitbereich und Ereignisse bei Videos. Das erleichtert den Abgleich mit Originalmaterial und weitere Codeänderungen oder Erklärungen.

Toolzusammenarbeit: Mehrstufige Aufgaben mit Zwischenergebnissen fortsetzen

MiniMax M3 unterstützt Toolaufrufe und fortgesetztes Reasoning über mehrere Toolrunden. Stellt die Anwendung Suche, Codeausführung oder Dateiverarbeitung bereit, entscheidet das Modell anhand der Ergebnisse über nächste Schritte. Das offizielle Tutorial verlangt vollständige Modellantworten in Folgerunden zu erhalten, um Aufgabeninformationen fortzuführen.

Rückmeldungen zur M3-Agentenerfahrung sind gemischt: Einige schätzen die Ausführung, andere berichten Verwirrung in komplexen Abläufen. Beginnen Sie daher kurz und klar begrenzt, definieren Eingabe, Soll-Ergebnis und Fehlerbehandlung jedes Schritts und verlängern dann schrittweise.

Langfristige Optimierung: An überprüfbaren Zielen weiter verbessern

MiniMax demonstrierte eine FP8-Matrixmultiplikations-Kerneloptimierung, bei der M3 in etwa 24 Stunden 147 Benchmarkeinreichungen und 1,959 Toolaufrufe machte und die Implementierung laufend nach Feedback überarbeitete.

Diese Fähigkeit lohnt sich aus unserer Sicht für klare Ziele wie Codeoptimierung, Testkorrekturen und Experimentreproduktion. Legen Sie Korrektheitsprüfungen, Leistungsziele und Stoppbedingungen vorab fest; bei längerem Stillstand prüfen Sie Aufgabenbeschreibung, Toolfeedback oder Richtung statt nur mehr Aufrufe zu machen.

Softwareentwicklung: 59.0% auf SWE-bench Pro und 34.8 Punkte bei SWE-fficiency

Die offiziellen Veröffentlichungsergebnisse nennen 59.0% auf SWE-bench Pro und 34.8 auf SWE-fficiency für MiniMax M3. Sie dienen als Referenzen für Projektfehlerbehebung beziehungsweise Codeoptimierung.

SWE-fficiency misst Beschleunigung bei erhaltener Funktion, unter anderem relativ zu Expertenoptimierung. Wir belassen 34.8 als Benchmarkwert, damit er nicht als 34.8% Beschleunigung realer Projekte missverstanden wird. Prüfen Sie bei Optimierung Laufzeit, Ressourcen und Testergebnisse gemeinsam.

Terminalausführung: 66.0% auf Terminal-Bench 2.1

MiniMax meldete für M3 66.0%. Der Test nutzte Terminus 2, zwei Stunden Zeitlimit pro Aufgabe und maximal 128K Ausgabetoken. Diese Einstellungen erklären die Ausführungsbedingungen hinter dem Wert.

Wichtiger ist uns, ob das Modell nach Befehlen Feedback versteht und weiter korrigiert. Testen Sie Aufgaben mit Abhängigkeitsinstallation, Tests und Fehlerbehandlung; behalten Sie Fehlerlogs, um den tatsächlichen Abschluss zu prüfen.

Tools und Recherche: 74.2% auf MCP Atlas und etwa 83.5% auf BrowseComp

Der offizielle Bericht nennt 74.2% auf MCP Atlas und etwa 83.5% auf BrowseComp. Wir nutzen dies als Referenz für Toolzusammenarbeit und komplexe Recherche.

Bei Abläufen mit mehreren Quellen und Bedingungsprüfungen empfehlen wir „relevante Inhalte finden“ getrennt von „richtig antworten“ zu bewerten. Verlangen Sie Quelllinks, Erklärung der gestützten Bedingungen und offene Fragen. Entscheidend ist, ob Toolinformationen die Endantwort tatsächlich tragen.

Multimodales Verständnis: 91.6 auf OmniDocBench und 78.1% auf MMMU-Pro

Die vollständige offizielle Tabelle nennt 91.6 auf OmniDocBench mit v1.5-Datensatz und 78.1% auf MMMU-Pro. Dies ist aus unserer Sicht nützlich zur Einschätzung von Dokumentparsing beziehungsweise fachübergreifendem Bildverständnis.

OmniDocBench bewertet Text, Tabellen und Formeln in Dokumenten. Wir würden M3 zuerst an komplexen Layouts, verschachtelten Tabellen oder Formeln prüfen und die Zuordnung zum Seitenort kontrollieren. Bei weiterem Reasoning sollten auch die verwendeten Daten geprüft werden, nicht nur vollständige Texterkennung.

Unabhängige Evaluation und Antworttempo: Index 29 und etwa 100 Token/Sekunde Ausgabe

Artificial Analysis bewertete die Denkversion von MiniMax M3 im Intelligence Index v4.3.2 mit 29; über die MiniMax API betrug die Ausgabe etwa 100.4 Token pro Sekunde bei etwa 2.65 Sekunden bis zum ersten Token.

Gegenüber MiniMax M2.7: Größere Fortschritte bei Terminal- und Toolaufgaben

In der offiziellen Tabelle erreichten MiniMax M2.7 und M3 51.1% beziehungsweise 66.0% auf Terminal-Bench 2.1 und 49.4% beziehungsweise 74.2% auf MCP Atlas.

Teams mit M2.7 und Upgradeplänen sollten beim Ersatztest mehrstufige Toolaufrufe, Codekorrekturen und lange Gespräche priorisieren. Bei kurzen, bereits zuverlässig erledigten Aufgaben würden wir weiterhin Antwortqualität, Dauer und Aufrufkosten vergleichen, um den tatsächlichen Nutzen zu bewerten.

Gegenüber Claude Opus 4.7: Höhere Recherchewerte, aber Abstand in Softwareentwicklung

In derselben Tabelle erreichten M3 und Claude Opus 4.7 etwa 83.5% und 79.3% auf BrowseComp, gegenüber 59.0% und 64.3% auf SWE-bench Pro. M3s Recherche ist daher bemerkenswert, während Softwarefähigkeiten weiter aufgabenspezifisch verglichen werden müssen.

Testen Sie Recherche, Quellenabgleich und Projektkorrekturen getrennt. Bei überwiegender Recherche priorisieren Sie M3; für eine große Änderung in komplexem Code mit einem Versuch würden wir Opus 4.7 als Vergleich behalten und Erfolgsquote sowie Nacharbeit beobachten.

Gegenüber GPT-5.5: Ähnliche Codereparaturwerte, größerer Abstand im Terminal

In MiniMax’ Tabelle erzielten M3 und GPT-5.5 59.0% und 58.6% auf SWE-bench Pro, gegenüber 66.0% und 78.2% auf Terminal-Bench 2.1. GPT-5.5s Terminalwert stammt aus der offiziellen Rangliste; die Testumgebung war nicht vollständig mit M3 abgestimmt. Offizielle MiniMax M3-Veröffentlichung und Evaluationshinweise

Das erste Paar bedeutet für uns ähnliche Leistung in diesem Test; 0.4 Prozentpunkte allein belegen keinen klaren Vorsprung. Für Befehlsfolgen, Umgebungsdebugging und fertige Lieferung empfehlen wir Abschlussquoten zu vergleichen statt allein Codereparaturwerte.

Gegenüber GLM-5.2: Öffentliches Experiment zeigt Abwägung zwischen Tempo und vollständiger Lieferung

Im Thinkwright-Experiment von Brandon Huey vom 19. Juni 2026 wurden 60 bewertete Aufgaben je Modell dreimal ausgeführt. Genutzt wurde Fireworks Priority mit clientseitig deaktiviertem Denken. Die Ergebnisse folgen. Thinkwright-Engineeringexperiment aus erster Hand

Wir sehen darin innerhalb dieses Experiments einen Kompromiss zwischen Abschlussquote und Wartezeit: M3 war schneller, GLM-5.2 bestand häufiger vollständig. Größere Unterschiede lagen laut Autor beim Aufbau von Grund auf, einschließlich Paketstruktur und Oberflächenverhalten. Priorisieren Sie daher klar begrenzte Änderungen für M3 und prüfen bei neuen Projekten Einstiegspunkte, Verzeichnisstruktur und Randbedingungen.

Nutzungsbasierte Abrechnung und Optimierung der Modellkosten

Die Abrechnung folgt den aktuellen API Hop-Tarifen und der tatsächlichen Nutzung. Laden Sie Ihr Guthaben bei Bedarf auf.

KI-Modelle und Daten-APIs mit zentralem Zugriff auf mehrere Modelle

Ein API-Schlüssel verbindet mehrere KI-Modelle und Datendienste, senkt Integrationskosten und ermöglicht den Wechsel mit einem Klick. Geschäftsanwendungen benötigen sowohl KI als auch Daten.

Aufrufprotokolle und Zugriffskontrollen für transparente Anfragen

Jeder API-Aufruf wird in Ihrem Dashboard protokolliert. Erstellen Sie getrennte API-Schlüssel für verschiedene Anwendungen.

Ausgaben anhand Ihrer Aufgabe bewerten

Verwenden Sie über API Hop die dokumentierte Modell-ID und unterstützten Parameter. Bewerten Sie Ausgaben anhand Ihrer Abnahmekriterien und prüfen Sie vor dem Produktionseinsatz Nutzungsprotokolle und Antwortmetadaten. Ein Modellname oder Beispiel garantiert nicht jedes Ergebnis.

Konto vorbereiten und online testen

Melden Sie sich an, prüfen Sie Ihr Guthaben und erstellen Sie einen API-Schlüssel.

In der Testumgebung ausprobieren

Erkunden Sie die Fähigkeiten des Modells in der Testumgebung, um die beste Nutzung zu finden.

MiniMax M3 in Ihr Unternehmen integrieren

Folgen Sie unserer Entwicklerdokumentation, um MiniMax M3 in Ihr Unternehmen zu integrieren.

Künftige Modell-Upgrades

Prüfen Sie vor dem Wechsel auf ein neueres Modell, ob der Modellkatalog Ihres API-Schlüssels dessen exakte ID zurückgibt. Unterstützt es denselben Endpunkt und dieselben Anfragefelder, aktualisieren Sie die Modell-ID und testen Antwortformate, Streaming, Ausgabelimits und Abrechnung vor dem Produktionseinsatz. Prüfen Sie bei asynchronen Bild- oder Videoaufgaben auch Auftragserstellung, Statusabfrage und Ergebnisabruf.