API MiniMax M3: Harga, Ruang Uji, dan Contoh

Pemrograman proyek: perbaiki dan iterasikan kode yang ada

Kami akan memprioritaskan MiniMax M3 untuk iterasi yang terdefinisi jelas, seperti memperbaiki masalah yang ada, menambah fitur sesuai kontrak antarmuka, atau menyesuaikan implementasi berdasarkan hasil pengujian. Eksperimen rekayasa publik Thinkwright menemukan M3 dan GLM-5.2 berkinerja serupa pada perbaikan serta penambahan fitur ke kode yang ada, dengan kesenjangan lebih nyata terkonsentrasi pada pembangunan proyek dari awal.

Berdasarkan hal tersebut, kami menyarankan mencoba M3 untuk perbaikan berkelanjutan dan iterasi fitur baru dalam proyek yang ada.

Analisis dokumen panjang: baca basis kode, dokumen, dan log runtime bersama-sama

MiniMax M3 menggunakan sparse attention MSA untuk menangani konteks panjang. Makalah teknisnya menjelaskan pemilihan blok informasi relevan sebelum menghitung attention, sehingga mengurangi beban komputasi masukan sangat panjang.

Kami lebih berfokus pada nilainya untuk analisis lintas materi, seperti memeriksa kesesuaian implementasi dengan persyaratan, membandingkan kontrak antarmuka antar versi, atau merekonstruksi insiden dari log. Kami menyarankan mempertahankan nama berkas, versi, dan cap waktu, serta mewajibkan kesimpulan merujuk lokasi tertentu. Untuk tugas sangat panjang, model dapat terlebih dahulu mencantumkan bukti utama yang ditemukan sebelum membuat penilaian.

Pemahaman gambar dan video: sertakan antarmuka dan materi visual dalam analisis

Kami akan menggunakan kemampuan visual MiniMax M3 untuk pekerjaan yang memerlukan pemahaman visual, seperti memeriksa kesesuaian tangkapan layar halaman web dengan implementasi, menganalisis isi grafik, atau mendokumentasikan alur dari video operasi. Seperti API resmi MiniMax, API Hop menyediakan masukan gambar dan video, menggunakan blok konten image_url untuk gambar dan blok konten video_url untuk video.

Kami menyarankan membuat persyaratan eksplisit: tandai area yang difokuskan saat memeriksa antarmuka, tentukan metrik yang diverifikasi saat menganalisis grafik, dan batasi rentang waktu serta peristiwa yang diidentifikasi saat memproses video. Ini mempermudah penyelarasan keluaran model dengan materi asli serta kelanjutan perubahan kode atau penambahan penjelasan.

Kolaborasi alat: lanjutkan tugas bertahap menggunakan hasil antara

MiniMax M3 mendukung pemanggilan alat dan dapat terus menalar melalui beberapa putaran interaksi alat. Setelah aplikasi menyediakan alat pengambilan informasi, eksekusi kode, atau pemrosesan berkas, model dapat menentukan langkah selanjutnya berdasarkan hasilnya. Tutorial alat resmi juga mewajibkan mempertahankan respons model lengkap pada giliran berikutnya untuk menjaga kesinambungan informasi tugas.

Umpan balik pelanggan tentang pengalaman agen M3 beragam: sebagian menghargai kemampuan eksekusinya, sementara lainnya melaporkan kebingungan dalam alur kompleks. Karena itu, kami menyarankan memulai dengan alur singkat berbatasan jelas, menetapkan masukan, hasil harapan, dan penanganan kegagalan setiap langkah sebelum memperpanjang tugas secara bertahap.

Optimalisasi jangka panjang: terus tingkatkan hasil terhadap tujuan yang dapat diverifikasi

MiniMax mendemonstrasikan kasus optimalisasi kernel perkalian matriks FP8 ketika M3 melakukan 147 pengajuan tolok ukur dan 1,959 panggilan alat selama sekitar 24 jam, terus merevisi implementasinya berdasarkan umpan balik.

Menurut kami, kemampuan ini layak diterapkan pada pekerjaan dengan tujuan jelas, seperti optimalisasi performa kode, perbaikan pengujian, dan reproduksi eksperimen. Kami menyarankan menetapkan pemeriksaan kebenaran, sasaran performa, dan kondisi berhenti sebelumnya; ketika hasil lama tidak membaik, periksa deskripsi tugas, umpan balik alat, atau arah implementasi, bukan sekadar menambah jumlah panggilan.

Rekayasa perangkat lunak: 59.0% pada SWE-bench Pro dan skor SWE-fficiency 34.8

Dalam hasil rilis resmi, MiniMax M3 mendapat 59.0% pada SWE-bench Pro dan 34.8 pada SWE-fficiency. Kami menggunakan keduanya sebagai referensi perbaikan masalah proyek dan optimalisasi performa kode secara berurutan.

SWE-fficiency berfokus pada peningkatan kecepatan sambil mempertahankan kebenaran fungsional, dengan metrik yang melibatkan performa relatif optimalisasi model dan pakar. Kami mempertahankan 34.8 sebagai skor tolok ukur agar tidak disalahartikan sebagai percepatan 34.8% dalam proyek nyata. Untuk tugas optimalisasi performa, kami menyarankan memeriksa waktu eksekusi, penggunaan sumber daya, dan hasil pengujian bersama-sama.

Eksekusi terminal: 66.0% pada Terminal-Bench 2.1

MiniMax melaporkan skor M3 sebesar 66.0%. Pengujian menggunakan Terminus 2, batas waktu dua jam per tugas, dan anggaran keluaran maksimum 128K token. Pengaturan evaluasi ini membantu menjelaskan kondisi eksekusi di balik skor.

Kami lebih berfokus pada kemampuan model memahami umpan balik setelah menjalankan perintah dan terus melakukan koreksi. Untuk evaluasi praktis, kami menyarankan tugas yang memerlukan instalasi dependensi, pengujian, dan penanganan kesalahan, dengan menyimpan log langkah gagal untuk memeriksa apakah tugas akhirnya selesai.

Alat dan pengambilan informasi: 74.2% pada MCP Atlas dan sekitar 83.5% pada BrowseComp

Dalam laporan resmi, MiniMax M3 mendapat 74.2% pada MCP Atlas dan sekitar 83.5% pada BrowseComp. Kami menggunakan hasil ini sebagai referensi kemampuan kolaborasi alat dan pengambilan informasi kompleks.

Untuk alur yang menelusuri beberapa materi dan memverifikasi kondisi sebelum menghasilkan kesimpulan, kami menyarankan memeriksa "menemukan konten relevan" dan "menjawab pertanyaan dengan benar" secara terpisah. Misalnya, wajibkan model mempertahankan tautan sumber, menjelaskan kondisi yang didukung bukti, dan menandai pertanyaan yang belum terjawab. Kami memprioritaskan pemeriksaan apakah informasi yang dikembalikan alat benar-benar mendukung jawaban akhir.

Pemahaman multimodal: 91.6 pada OmniDocBench dan 78.1% pada MMMU-Pro

Dalam tabel evaluasi resmi lengkap, MiniMax M3 mendapat 91.6 pada OmniDocBench menggunakan dataset v1.5 dan 78.1% pada MMMU-Pro. Menurut kami, hasil ini berguna untuk meneliti penguraian dokumen dan pemahaman visual multidisiplin secara berurutan.

OmniDocBench mengevaluasi elemen dokumen termasuk teks, tabel, dan rumus. Kami akan memprioritaskan pengujian M3 pada materi dengan tata letak kompleks, tabel bertingkat, atau rumus, sambil memeriksa kesesuaian konten hasil ekstraksi dengan lokasi halamannya. Untuk pertanyaan yang memerlukan penalaran lanjutan, kami menyarankan juga memverifikasi data yang digunakan dalam penalaran, bukan hanya memeriksa kelengkapan pengenalan teks.

Evaluasi independen dan kecepatan respons: skor indeks 29 dan keluaran sekitar 100 token/detik

Artificial Analysis memberi versi pemikiran MiniMax M3 skor 29 pada Intelligence Index v4.3.2; kecepatan keluaran melalui API MiniMax sekitar 100.4 token per detik, dengan waktu hingga token pertama sekitar 2.65 detik.

Dibandingkan MiniMax M2.7: peningkatan lebih besar pada tugas terminal dan alat

Dalam tabel rilis resmi, MiniMax M2.7 dan M3 masing-masing mendapat 51.1% dan 66.0% pada Terminal-Bench 2.1, serta 49.4% dan 74.2% pada MCP Atlas.

Bagi tim yang sudah menggunakan M2.7 dan berencana meningkatkan ke M3, kami menyarankan memprioritaskan panggilan alat beberapa giliran, perbaikan kode, dan percakapan panjang dalam evaluasi penggantian. Untuk tugas singkat yang sudah diselesaikan alur lama secara andal, kami akan terus membandingkan kualitas respons, durasi, dan biaya panggilan untuk menilai manfaat nyata peningkatan.

Dibandingkan Claude Opus 4.7: skor pengambilan informasi lebih tinggi, tetapi kesenjangan rekayasa perangkat lunak tetap ada

Dalam tabel rilis yang sama, M3 dan Claude Opus 4.7 masing-masing mendapat sekitar 83.5% dan 79.3% pada BrowseComp, dibandingkan 59.0% dan 64.3% pada SWE-bench Pro. Karena itu, kami menilai performa pengambilan informasi M3 menarik, sementara kemampuan rekayasa perangkat lunak tetap memerlukan perbandingan khusus tugas.

Kami menyarankan menguji pengambilan informasi, verifikasi lintas sumber, dan perbaikan proyek secara terpisah. Jika pekerjaan terutama bergantung pada pengambilan informasi, prioritaskan evaluasi M3; jika memerlukan penyelesaian perubahan besar dalam basis kode kompleks dalam satu percobaan, kami akan mempertahankan Opus 4.7 sebagai pembanding serta mengamati tingkat kelulusan dan pengerjaan ulang berikutnya.

Dibandingkan GPT-5.5: skor perbaikan kode serupa, dengan kesenjangan eksekusi terminal lebih besar

Dalam tabel rilis MiniMax, M3 dan GPT-5.5 masing-masing mendapat 59.0% dan 58.6% pada SWE-bench Pro, dibandingkan 66.0% dan 78.2% pada Terminal-Bench 2.1. Skor terminal GPT-5.5 dikutip dari papan peringkat resmi tolok ukur, dan lingkungan pengujiannya tidak sepenuhnya selaras dengan M3. Catatan rilis dan evaluasi resmi MiniMax M3

Kami mengartikan pasangan pertama sebagai performa serupa pada evaluasi tersebut; selisih 0.4 poin persentase saja tidak mendukung klaim keunggulan jelas. Untuk tugas yang memerlukan perintah berurutan, debugging lingkungan, dan penyelesaian lengkap, kami menyarankan membandingkan lebih lanjut tingkat penyelesaian akhir, bukan memilih model hanya dari skor perbaikan kode.

Dibandingkan GLM-5.2: eksperimen rekayasa publik menunjukkan kompromi antara kecepatan dan penyelesaian lengkap

Dalam eksperimen Thinkwright yang dipublikasikan Brandon Huey pada 19 Juni 2026, 60 tugas bernilai dijalankan tiga kali per model. Eksperimen menggunakan layanan prioritas Fireworks dengan pemikiran dinonaktifkan pada klien. Hasilnya sebagai berikut. Eksperimen rekayasa langsung Thinkwright

Kami menafsirkan hasil ini sebagai kompromi tingkat penyelesaian dan waktu tunggu dalam eksperimen tersebut: M3 lebih cepat, sedangkan GLM-5.2 memiliki tingkat kelulusan penuh lebih tinggi. Kesenjangan lebih besar yang dicatat penulis terkonsentrasi pada tugas pembangunan dari awal, termasuk struktur paket dan perilaku antarmuka. Karena itu, kami menyarankan memprioritaskan tugas modifikasi berbatasan jelas untuk M3 dan menambahkan pemeriksaan titik masuk, struktur direktori, serta kondisi batas saat menyerahkan proyek baru.

Penagihan berdasarkan penggunaan dan optimasi biaya model

Biaya mengikuti tarif API Hop saat ini dan penggunaan sebenarnya. Isi saldo sesuai kebutuhan.

Model AI dan API data terpadu, dengan akses banyak model di satu tempat

Satu kunci API menghubungkan banyak model AI dan layanan data, mengurangi biaya integrasi serta memungkinkan pergantian dengan satu klik. Aplikasi bisnis membutuhkan AI dan data.

Log panggilan dan kontrol akses aplikasi, dengan kejelasan setiap panggilan

Setiap panggilan API dicatat di dasbor Anda. Buat kunci API terpisah untuk aplikasi berbeda.

Evaluasi keluaran berdasarkan tugas Anda

Gunakan ID model yang didokumentasikan dan parameter yang didukung melalui API Hop. Evaluasi keluaran berdasarkan kriteria penerimaan Anda sendiri, lalu periksa catatan penggunaan serta metadata respons sebelum penggunaan produksi. Nama model atau contoh tidak menjamin setiap hasil.

Siapkan akun Anda dan uji secara daring

Masuk, pastikan saldo Anda, dan buat kunci API.

Coba di ruang uji

Jelajahi kemampuan model di ruang uji untuk menemukan cara terbaik menggunakannya.

Integrasikan MiniMax M3 ke bisnis Anda

Ikuti dokumentasi pengembang kami untuk mengintegrasikan MiniMax M3 ke bisnis Anda.

Peningkatan model mendatang

Untuk beralih ke model lebih baru, pastikan dahulu ID tepatnya dikembalikan katalog model untuk kunci API Anda. Jika model mendukung endpoint dan bidang permintaan yang sama, perbarui ID model, lalu uji format respons, streaming, batas keluaran, dan penagihan sebelum mengirim lalu lintas produksi. Untuk tugas gambar atau video asinkron, verifikasi juga pengiriman tugas, polling status, dan pengambilan hasil.