MiniMax M3: el modelo de pesos abiertos con 1 millón de tokens de contexto supera a GPT-5.5 en programación a una fracción del coste
El laboratorio chino MiniMax lanzó M3 el 1 de junio, combinando codificación de frontera, un contexto de 1 millón de tokens y multimodalidad nativa en un solo modelo abierto — con el 59% en SWE-Bench Pro y un coste por token 20 veces menor.
MiniMax M3 se lanzó el 1 de junio de 2026 y la propuesta es directa: es el primer modelo de pesos abiertos que combina codificación de nivel frontera, un contexto de 1 millón de tokens y multimodalidad nativa al mismo tiempo. La promesa resultó ser real. M3 obtiene un 59,0% en SWE-Bench Pro —superando a GPT-5.5 y a Gemini 3.1 Pro, y acercándose a Claude Opus 4.7—, mientras usa una vigésima parte del cómputo por token que la generación anterior de MiniMax a 1M de contexto.
La arquitectura MSA
La historia de eficiencia viene de MiniMax Sparse Attention (MSA), una arquitectura diseñada específicamente para manejar contextos muy largos sin el coste cuadrático de la atención completa estándar. MSA ofrece más de 9x más velocidad en prefill y más de 15x en decodificación con 1 millón de tokens frente a la arquitectura anterior. Esa es la diferencia entre que el contexto de 1M sea una capacidad teórica y una práctica.
Para referencia: ejecutar modelos de clase GPT-4 con atención completa a 1M de contexto es prohibitivamente caro para la mayoría de casos de uso. MSA lo hace viable a escala de producción.
Qué hace realmente M3
Tres cosas en combinación, que ningún otro modelo de pesos abiertos había ofrecido juntas hasta ahora:
-
Codificación de frontera: el 59,0% en SWE-Bench Pro lo sitúa por delante de GPT-5.5 y Gemini 3.1 Pro. SWE-Bench Pro es el estándar actual para medir la resolución real de tareas de ingeniería de software.
-
Contexto de 1M tokens: suficiente para cargar múltiples bases de código grandes, documentos de investigación completos o historiales de conversación largos sin fragmentar. La mayoría de modelos abiertos llegan como máximo a 128K–256K tokens.
-
Multimodalidad nativa: M3 maneja texto, imágenes y vídeo de forma nativa en el mismo modelo, sin un pipeline separado para visión.
Disponibilidad y pesos abiertos
M3 ya está disponible en la API de MiniMax y a través de suscripciones a MiniMax Code. Los pesos abiertos estaban comprometidos desde el lanzamiento, con MiniMax apuntando a publicarlos en Hugging Face y GitHub aproximadamente diez días después del lanzamiento del 1 de junio —es decir, alrededor del 11 de junio.
Hasta entonces, la verificación independiente de los números de benchmark no es posible. MiniMax ejecutó las evaluaciones en su propia infraestructura con scaffolding de agentes, lo cual es práctica estándar pero también la condición bajo la que más frecuentemente ocurre la inflación de benchmarks. El 59,0% en SWE-Bench Pro merece escrutinio una vez que los pesos sean públicos.
Perfil de costes
MiniMax posiciona M3 de forma competitiva frente a los modelos propietarios de segundo nivel, no frente a los precios de GPT-5.5 o Claude Opus. El posicionamiento explícito de la empresa: aproximadamente el 5–10% del coste por llamada de los modelos propietarios de frontera competidores a escala. Para equipos que construyen sobre LLMs, esa es la diferencia entre que una función sea económicamente viable o no.
Por qué importa para los desarrolladores
El compromiso con pesos abiertos es la parte importante. Los modelos propietarios de frontera pueden ser modificados, limitados en tasa o repreciados por sus propietarios en cualquier momento. Un modelo de pesos abiertos con el 59% en SWE-Bench Pro que puedes alojar tú mismo o ajustar para tu dominio es una propuesta cualitativamente diferente —especialmente con un contexto de 1M de tokens que no requiere estrategias de fragmentación para bases de código grandes.
Si los números se mantienen tras la verificación independiente el 11 de junio, M3 será la recomendación predeterminada para equipos que necesiten capacidad de codificación de frontera sin depender de una API propietaria.