MiniMax M3 (428B multimodal)
Despliega MiniMax M3, un MoE nativamente multimodal de 428B con contexto de 1M tokens, en rigs multi-GPU de Clore.ai
La propiedad interesante de M3 no es su tamaño, sino su atención. MiniMax Sparse Attention (MSA) reduce el cómputo por token a 1M de contexto a aproximadamente 1/20 de la atención de consulta agrupada, lo que le da a MiniMax una supuesta prefill 9× más rápido y decodificación 15× más rápida que M2 en contexto completo. Para trabajos con documentos largos y vídeo largo, esa es la diferencia entre un modelo para el que puedes permitirte llenar la ventana y uno para el que no.
Con solo ~23B parámetros activos por token, la velocidad de decodificación en una compilación cuantizada se acerca más a la de un modelo de tamaño medio que a la de uno de 428B.
Especificaciones clave
Parámetros
428B en total, ~23B activos (MoE)
Arquitectura
60 capas, GQA + MiniMax Sparse Attention, codificador de visión nativo
Modalidad
Texto, imagen y vídeo de entrada → texto de salida
Contexto
1.000.000 tokens
Licencia
minimax-community (personalizada, con restricciones comerciales)
Fecha de lanzamiento
1 de junio de 2026
Pesos
BF16 854GB · Q2_K_XL GGUF 143GB · Q3_K_M GGUF 195GB
Herramientas principales
vLLM, SGLang, llama.cpp, Transformers
Requisitos
UD-IQ1_M
128GB
6× RTX 5090 (186GB) — cómodo
UD-Q2_K_XL
143GB
6× RTX 5090 o 8× RTX 4090 (192GB)
UD-Q3_K_M
195GB
8× RTX 5090 (248GB)
UD-Q4_K_S
248GB
10× RTX 5090 (310GB) o 4× RTX PRO 6000 (380GB)
En la última instantánea había 72 servidores con ≥167GB de VRAM (26 libres) y 54 con ≥192GB (14 libres) — suficiente para alojar una compilación Q2 o Q3, pero no tantos como para asumir que habrá una esperándote.
La entrada multimodal necesita que la torre de visión se cargue junto con el modelo de lenguaje. Reserva unos GB extra sobre el tamaño cuantizado si planeas alimentarlo con imágenes o vídeo, y prefiere equipos con mucha RAM del sistema para la decodificación de vídeo.
Desplegar con llama.cpp
Despliega con vLLM
Puntos de control precuantizados: MiniMaxAI/MiniMax-M3-MXFP8 (oficial), nvidia/MiniMax-M3-NVFP4 para Blackwell, cyankiwi/MiniMax-M3-AWQ-INT4 para stacks AWQ.
Recomendaciones de GPU para Clore.ai
6× RTX 5090
186GB
Q2_K_XL
~1,50–2,60 $/h
8× RTX 4090
192GB
Q2_K_XL
~1,12–3,36 $/h
8× RTX 5090
248GB
Q3_K_M
~$2.00–3.50/h
4× RTX PRO 6000
380GB
Q4_K_S
~5,00 $/h
Casos de uso
Comprensión de vídeo largo — entrada de vídeo nativa más la curva de coste de la atención dispersa
Análisis de documentos de un millón de tokens — contratos, bases de código, archivos en una sola pasada
Programación agéntica y tareas de "cowork" — para eso optimizó MiniMax M3
Decodificación barata a escala frontier — 23B parámetros activos significa que los tokens salen rápido para el tamaño del modelo
RAG multimodal — un solo modelo para texto, capturas de pantalla y fotogramas de vídeo
Comprueba la licencia antes de usarlo comercialmente. M3 se distribuye bajo minimax-community, no una licencia OSI. Si necesitas términos sin restricciones, GLM-5.2 es MIT y Qwen3.8-27B es Apache 2.0.
Solución de problemas
trust_remote_code errores
M3 incluye código de modelado personalizado — pasa --trust-remote-code en vLLM
Faltan kernels de atención dispersa
Actualiza vLLM/SGLang; el soporte de MSA llegó después del lanzamiento de junio
Falla la entrada de vídeo
Comprueba que el equipo tenga suficiente RAM del sistema y CPU para la decodificación; el vídeo se decodifica en el host
OOM en contexto de 1M
La caché KV es más pequeña que GQA, pero no es gratis — empieza en 262K y ve subiendo
Prefill lento
Activa el prefill por bloques; la ventaja de MSA se nota en contexto largo, no en prompts cortos
Siguientes pasos
Predecesor: MiniMax M2.7 — el MoE de programación de abril
Alternativa MIT a escala similar: GLM-5.2
Alternativa de una sola tarjeta: Qwen3.8-27B
Dimensionamiento del equipo: Precios y disponibilidad de GPU
Enlaces
Alquila una GPU: RTX 5090 · RTX 4090 · Marketplace
Última actualización
¿Te fue útil?