MiniMax M3: открытая модель с миллионом токенов контекста обошла GPT-5.5 на SWE-Bench Pro

Вот важная новость с фронта ИИ: SpeShuNews 17 минут назад MiniMax M3: открытая модель с миллионом токенов контекста обошла GPT-5. 5 на SWE-Bench Pro 3 мин 382 Блог компании ЦНИС 1 июня вышла MiniMax M3 — и это первая open-weight модель, которая одновременно тянет агентный кодинг на уровне фронтира, держит миллион токенов контекста и работает с изображениями и видео нативно, а не через костыли поверх языковой базы. Разбираемся, что внутри и зачем это вообще нужно.

Что за модель MiniMax M3MiniMax M3 — флагман китайской лаборатории MiniMax, заточенный под два сценария: длинные автономные агентные сессии и кодинг. API доступен с сегодняшнего дня, веса и технический отчёт обещают выложить на HuggingFace и GitHub в течение десяти дней. Главное, чем M3 отличается от большинства конкурентов с открытыми весами: мультимодальность заложена в архитектуру с самого начала обучения.

Технические детали

Обучающая выборка — 100 триллионов токенов смешанных данных (текст + изображения + видео). БенчмаркиНа SWE-Bench Pro — тесте на реальные задачи из GitHub-репозиториев — M3 набрала 59,0%. 1 Pro, хотя и чуть ниже Claude Opus 4.

1 (работа в терминале) — 66,0%. На BrowseComp, где модель должна автономно искать информацию в интернете, — 83,5%, обогнав Claude Opus 4. Источник в заблокированной в России соцсети X: На KernelBench Hard модель пока уступает закрытым конкурентам — это честная картина без приукрашиваний.

Но самая показательная история — не бенчмарки, а демонстрации долгих прогонов. В одном тесте M3 поручили самостоятельно воспроизвести научную статью с ICLR 2025: модель работала почти 12 часов без вмешательства человека, сделала 18 коммитов и построила 23 экспериментальных графика. В другой проверке нейросеть оптимизировала вычислительное ядро для GPU NVIDIA: за ~24 часа выполнила 147 итераций и около двух тысяч вызовов инструментов, подняв загрузку оборудования с 7,6% до 71,3%, то есть ускорив работу в 9,4 раза.

Отраслевые последствия

Архитектура: почему миллион токенов не убивает скоростьГлавная техническая новинка — MiniMax Sparse Attention (MSA). Обычный attention при длинном контексте растёт квадратично по памяти и вычислениям. MSA решает это через двухшаговую схему: сначала быстрый индексный проход определяет, какие блоки контекста важны, затем attention считается только по отобранным блокам.

Результат на практике: при контексте в миллион токенов модель тратит в 20 раз меньше вычислений на токен по сравнению с предыдущим поколением. Prefill ускорился примерно в 9 раз, decode — в 15 раз. Это не маркетинговые цифры, а то, что позволяет загружать целые репозитории или большие базы знаний без построения внешних систем поиска.

Computer useЧерез агентную среду MiniMax Code модель умеет управлять десктопным интерфейсом по текстовым командам: открывать программы, работать с файлами, кликать по элементам интерфейса. Это не демонстрационная фича — агентный продукт доступен уже сейчас.

Этот прогресс даёт важные сигналы о будущем отрасли, и технологический мир внимательно наблюдает.