Kan ik MiniMax M3 lokaal draaien?

Ja, de weights zijn open en gehost op MiniMaxAI/MiniMax-M3 op Hugging Face. MiniMax ondersteunt SGLang, vLLM, Transformers, KTransformers, unsloth en ATOM als inferentiekaders, maar met 428 miljard parameters heb je aanzienlijke hardware nodig.

Wat kost MiniMax M3 via API?

De API kost $0,30 per miljoen inputtokens en $1,20 per miljoen outputtokens, met een contextvenster van 1.048.576 tokens.

Hoe verschilt M3 van M2?

M3 vervangt full attention door MiniMax Sparse Attention, wat 9× snellere prefill en 15× snellere decode oplevert bij 1 miljoen contexttokens, terwijl de rekentijd per token daalt tot ongeveer 1/20e van M2; het voegt ook native video-input toe en een configureerbare redeneermodus die M2 niet had.

▲

29.0%

deze week

MiniMax M3

9051°

#llm #minimax #visie #video #redeneren #agenten

Vision

Draait op Graydient

Voer dit model uit

Aanbiedingen / Advertenties

Easy Creator (Prism) Web

Onbeperkt · vast bedrag

Het beste voor beginners. Krachtige workflows, lage leercurve.

PirateDiffusion Telegram

Onbeperkt · vast bedrag

Maak video's, afbeeldingen, aangepaste chatpersonages en meer.

Pro studio (SpyGlass) Web

Onbeperkt · vast bedrag

Blader door modellen, render en verfijn vanaf elke browser of telefoon.

Discord bot (Vector)

Onbeperkt · vast bedrag

Voeg Vector toe aan je server of sluit je aan bij de Vector Discord. Maak alles wat je wilt!

Unified Editor Web

Onbeperkt · vast bedrag

Editor voor afbeeldingen en video: render, bewerk, schaal op en meer op één pagina.

OpenRouter Terminal / API

Betaal per token

Chat met dit model in de browser of roep het aan vanuit je code met één API-sleutel.

Lokale apps Lokaal

Installatie vereist

Installeer lokale programma's als je computer krachtig genoeg is.

ModelDuel Web

Betaal per gebruik

Genereer dezelfde prompt op maximaal 50 checkpoint-/basismodellen tegelijk.

Huur een GPU in de cloud

Graydient Cloud GPU

Onbeperkt · vast bedrag

Vast bedrag, onbeperkt gebruik. Dit model installeer je met één klik.

RunPod Cloud GPU

Per minuut afgerekend

Huur een GPU per minuut en stel het model zelf in.

Gidsen voor dit model

Hoe kies je een AI-model in oktober 2026: eerst het nieuws over gesloten modellen, dan de open modellen die het downloaden waard zijn

Beste lokale LLM per gebruik (oktober 2026): het juiste open model voor elke klus

Hoeveel VRAM heb ik eigenlijk nodig voor lokale AI?

Open weights vs open source vs alleen API: wat je eigenlijk mag doen

Hoe Ollama te installeren en een lokale AI te draaien (Windows, Mac, Linux)

Alle gidsen

MiniMax | 1.048.576 token context | $0,30/M input, $1,20/M output. MiniMax-M3 is een multimodaal funderingsmodel van MiniMax. Het ondersteunt tekst-, beeld- en video-invoer met tekstuitvoer, een contextvenster van 1M tokens, en is geschikt voor langlopende agentische taken, codering en toolgebruik. Het is gebouwd op MiniMax Sparse Attention (MSA), dat volledige aandacht vervangt door KV-blokselectie om de per-token rekencapaciteit bij lange context te verlagen — ongeveer 1/20 van de kosten van de vorige generatie bij 1M tokens, met aanzienlijk snellere prefill en decode terwijl de kwaliteit…MiniMax | 1.048.576 token context | $0,30/M input, $1,20/M output. MiniMax-M3 is een multimodaal funderingsmodel van MiniMax. Het ondersteunt tekst-, beeld- en video-invoer met tekstuitvoer, een contextvenster van 1M tokens, en is geschikt voor langlopende agentische taken, codering en toolgebruik. Het is gebouwd op MiniMax Sparse Attention (MSA), dat volledige aandacht vervangt door KV-blokselectie om de per-token rekencapaciteit bij lange context te verlagen — ongeveer 1/20 van de kosten van de vorige generatie bij 1M tokens, met aanzienlijk snellere prefill en decode terwijl de kwaliteit behouden blijft over de meeste taken. Getraind als een native multimodaal model op afgewisselde data en afgestemd op multi-turn, productieachtige samenwerking via een interactieve gebruikerssimulator, is het model gericht op langdurige, multi-stap taken in plaats van single-turn uitvoering.

Aantekeningen van de kapitein

Geschreven door Captain, de huisredacteur

Aantekeningen van 2026-10-13

MiniMax M3 is een 428 miljard parameter sparse mixture-of-experts model van MiniMax, dat per token ongeveer 23 miljard parameters activeert, met een contextvenster van 1 miljoen tokens en native ondersteuning voor tekst-, beeld- en video-input. De MiniMax Sparse Attention architectuur reduceert de rekentijd per token tot ongeveer 1/20e van de vorige generatie bij volledige context, met 9× snellere prefill en 15× snellere decode. Weights zijn open, de API is goedkoop, en het ontwerp richt zich op langdurig agentwerk in plaats van eenmalige queries.

Bekend om

1 miljoen token context tegen een fractie van de rekentijd van dense attention modellen
Native multimodale training over tekst, beeld en video vanaf het eerste moment
9× snellere prefill en 15× snellere decode dan M2 bij maximale context
Drie schakelbare redeneermodi: altijd aan, adaptief of uitgeschakeld
Afgesteld op multi-turn agenttaken en toolgebruik, niet alleen single-turn prompts

Let op

Met 428 miljard parameters vereist lokale inzet serieuze hardware; controleer VRAM-vereisten voor downloaden.
Open weights, maar controleer de licentievoorwaarden voor jouw gebruiksdoel voordat je een commercieel product bouwt.
Kwaliteit van video- en beeldinput bij extreme contextlengtes is hier niet onafhankelijk gebenchmarkt.

Het beste voor

Agenten en toolgebruik

Prompts om te proberen

Multi-bestand refactor taak

Je werkt aan een Python web scraper verdeeld over drie bestanden: fetcher.py handelt HTTP-verzoeken met retries af, parser.py extraheert gestructureerde data met BeautifulSoup, en main.py orkestreert de pipeline. De scraper laat items stilzwijgend vallen wanneer een pagina een 429 teruggeeft. Diagnoseer de waarschijnlijke oorzaak, stel een fix voor met exponentiële backoff, en herschrijf de relevante delen van fetcher.py en main.py om dit te implementeren.

Vragen over lang document

Ik ga hieronder een lang contract plakken. Lees het hele document, en beantwoord dan deze drie vragen: 1) Wat zijn de beëindigingsvoorwaarden voor beide partijen? 2) Zijn er automatische verlengingsclausules, en zo ja welke opzegtermijn geldt? 3) Welke partij draagt de aansprakelijkheid voor datalekken? Verwijs naar het clausulenummer voor elk antwoord. [Plak hier de contracttekst]

Afbeeldingsgebaseerde analyse

Bijgevoegd is een screenshot van een dashboard. Identificeer elke zichtbare metriek, noteer welke buiten het normale bereik vallen op basis van wat je ziet, en stel de twee meest waarschijnlijke oorzaken voor eventuele afwijkingen voor. Schrijf daarna een samenvatting van drie zinnen die een niet-technische manager kan lezen.

Vergelijk met

MiniMax M1
Alleen API-model
1,000,000 token context · $0.55/M invoer, $2.20/M uitvoer
MiniMax M2.5
Model met open gewichten
204,800 token context · $0.27/M invoer, $0.95/M uitvoer
MiniMax-01
Model met open gewichten
1,000,192 token context · $0.20/M invoer, $1.10/M uitvoer
MiniMax M2.1
Model met open gewichten
204,800 token context · $0.30/M invoer, $1.20/M uitvoer

Meer tekstmodellen van minimax

Veelgestelde vragen

Kan ik MiniMax M3 lokaal draaien?: Ja, de weights zijn open en gehost op MiniMaxAI/MiniMax-M3 op Hugging Face. MiniMax ondersteunt SGLang, vLLM, Transformers, KTransformers, unsloth en ATOM als inferentiekaders, maar met 428 miljard parameters heb je aanzienlijke hardware nodig.
Wat kost MiniMax M3 via API?: De API kost $0,30 per miljoen inputtokens en $1,20 per miljoen outputtokens, met een contextvenster van 1.048.576 tokens.
Hoe verschilt M3 van M2?: M3 vervangt full attention door MiniMax Sparse Attention, wat 9× snellere prefill en 15× snellere decode oplevert bij 1 miljoen contexttokens, terwijl de rekentijd per token daalt tot ongeveer 1/20e van M2; het voegt ook native video-input toe en een configureerbare redeneermodus die M2 niet had.

Oordeel van de kapitein
Een zeldzaam open-weights model dat het miljoen-token contextvenster serieus neemt en de attention-mechaniek eromheen herbouwt.

Modelkaart op Hugging Face

De kapitein schrijft deze aantekeningen op basis van de eigen beschrijving en modelkaart van het model. Prijzen en contextgroottes zijn die van de provider op het moment van schrijven en kunnen veranderen.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Also ranked: #19 Hottest Text / LLM model · #19 Hottest Text / LLM text model

Not this creator?

Get your own badge

Populariteitstrend van MiniMax M3

Heat score sinds 31 May 2026

Heat score

9,051°

Deze week

▲

29.0%

9,017° toen, 9,051° nu

Deze maand

▲

231%

8,892° toen, 9,051° nu

Afgelopen jaar

n.v.t.

Nog niet uitgebracht/getrackt

7,000°

Basis

De schaal loopt van 0° tot 9.999°. Alles onder 7,000° is gereserveerd voor modellen waar nog geen bron over rapporteert, die daar een tijdelijke waarde krijgen zodat de lijsten compleet blijven. 7,000° is waar gemeten data begint: een model met echte data maar bijna geen downloads zit op de basis, en de metingen vullen de graden erboven. De basis zegt niets over het model; alleen de graden erboven doen dat, en die maken het verschil tussen modellen.

+1,727°

OpenRouter tokens

5,730,756,128,120 tokens heeft dit model in de afgelopen 30 dagen verwerkt via OpenRouter, prompts en antwoorden samen. Elke 10,000,000 tokens telt als één download in de downloadterm, in totaal 573,075; de tokens van de laatste dag tellen mee voor het adoptiecijfer. Bron: OpenRouter (openrouter.ai/rankings).

+324°

Adoptiesnelheid

Ongeveer 20,825 downloads per dag, gemeten tussen twee metingen van de bronnen, nooit geschat op een levenslange gemiddelde. Snelheid weegt een kwart van de downloadterm, zodat een verse piek zichtbaar is zonder dat een dagpiek jaren gebruik overstemt.

Toon gedetailleerde uitsplitsing

Elk getal op deze site is te controleren. De heat-score van dit model is 9,051°, en hier wordt die stap voor stap opgebouwd, met de tussentijdse totalen na elke stap: de basis, de graden die elke bron toevoegt, de bonus voor het type model en wat de leeftijd van de gewichten eraf haalt. De kleuren zijn de banden van de grafiek hierboven. De woordenlijst achteraan legt elke term uit.

1
Begin bij de basis.
Waarom 7,000° en niet nul: de schaal loopt van 0° tot 9.999°, en het deel onder 7,000° is gereserveerd voor modellen waar nog geen bron over rapporteert, die daar een tijdelijke waarde krijgen zodat de lijsten compleet blijven en nooit hoger staan dan een model met data. 7,000° is waar gemeten data begint. Een model met echte data maar bijna geen downloads zit hier; alles wat volgt is meting, en de ruimte boven de basis bevat tien stappen van tien keer zoveel downloads, elk 300° waard. De basis is voor elk model hetzelfde, dus die zegt niets; de graden erboven wel.
7,000°
lopende totaal
2
Voeg de downloads toe.
573,075 download-equivalenten in totaal, van OpenRouter tokens. Tien keer de downloads voegt dezelfde 300° toe, dus grootte telt mee maar bepaalt niet alles.
+1,727°
8,727°
lopende totaal
3
Voeg de adoptiesnelheid toe.
Ongeveer 20,825 downloads per dag op dit moment, gemeten tussen twee metingen, met een kwart van het gewicht.
+324°
9,051°
lopende totaal
=
De heat-score.
Waar dit model staat op elke lijst van deze site. Niets anders beïnvloedt dit.
9,051°

Woordenlijst: de gebruikte termen

Heat-score: Één getal voor hoe veel een model nu gebruikt en gewenst wordt, van 0° tot 9.999°. Elke lijst op deze site die zegt heetste is gesorteerd op deze score en niets anders.
Vloer: De 7.000° waar elk model met echte data mee begint. De schaal loopt van 0° tot 9.999°; het deel onder de vloer is gereserveerd voor plaatsvervangers (modellen zonder data), zodat een model met data altijd hoger scoort dan een zonder. De vloer is voor iedereen gelijk en beslist niets; de graden erboven zijn de meting.
Download-equivalenten: Alles wat de score als een download telt, bij elkaar opgeteld: downloads zelf, elke torrent seeder als 1.000, elke AI Horde-afbeelding en elke run op een generatie-site als één.
Logaritmische schaal: Tellen per tien, niet per één: van 1.000 naar 10.000 downloads voegt evenveel graden toe als van 10.000 naar 100.000. Zo verdringen grote spelers niet alles.
Likes: Duimen omhoog en likes van elke bron, elk de helft van een download waard op de log-schaal.
Adoptiesnelheid: Hoeveel downloads een model nu per dag krijgt, uit het verschil tussen twee metingen van een bron. Een kwart van het gewicht van de downloadterm.
Gemeten en geschat: Gemeten betekent dat er twee metingen van een bron zijn en het verschil echt is. Geschat betekent dat alleen het totaal van vandaag bekend is en het verleden over de levensduur van het model wordt verdeeld; de site geeft aan welke het toont.
Seeder: Iemand die een kopie van de gewichten online houdt zodat anderen die via een torrent kunnen downloaden, of een gehoste mirror die hetzelfde doet. Elk telt als 1.000 downloads.
AI Horde: Een vrijwilligersnetwerk dat gratis beelden genereert op gedoneerde computers. Het aantal beelden dat het met een model heeft gemaakt is openbaar, en elk telt als één download.
Generatiesites: Sites die hun eigen kopieën van een model hosten en mensen laten genereren, zoals PixAI, SeaArt en Yodayo. Hun downloads tellen net als die van Civitai en elke generatie telt als één download.
OpenRouter tokens: Een tekstmodel dat via een API wordt aangeboden, zoals Claude of GPT, heeft geen gewichten om te downloaden, dus het gebruik wordt gemeten in tokens: de tekststukken die het las en schreef via OpenRouter, een gateway die veel apps gebruiken, in de afgelopen 30 dagen. Elke 10,000,000 tokens telt als één download. Bron: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Volledig model (checkpoint): De gewichten zelf, het bestand dat zelfstandig genereert. Het krijgt een bonus omdat add-ons ervan afhangen.
LoRA en embedding: Kleine add-on bestanden die iemands gewichten sturen naar een stijl, een personage of een concept. Ze kunnen niet zelfstandig draaien.
Familie en gewichten: De basis waarop een model is gebouwd, zoals SD 1.5, SDXL, Flux of Wan. Elk model erft de releasedatum van de gewichten van zijn familie.
Leeftijd: Graden afgetrokken voor hoe lang geleden de gewichten van de familie uitkwamen: 150° per jaar, tot 750°. Het houdt oude downloads die jaren hadden om op te lopen door de top van de lijst te bevriezen.
Familie boost: Een kleine, begrensde duw voor LoRA's van een familie die deze site nu naar voren schuift, altijd vermeld in de uitsplitsing.
Stand-in score: Een stabiel getal onder de vloer gegeven aan een model waar nog geen bron over rapporteert, zodat lijsten compleet blijven. Het staat nooit hoger dan een model met data.
Nieuw! (gratieperiode): Een model dat minder dan 7 dagen oud is, toont Nieuw! in plaats van een score en neemt geen plaats in de ranglijst in. De score wordt vanaf dag één berekend, maar een model van één dag oud groeit sneller dan wat dan ook, dus zonder de wachttijd zou de #1 van de week altijd het model zijn dat gisteren uitkwam in plaats van wat een week standhield.
Trend: Hoe de groei van een model over een periode zich verhoudt tot de typische groei van een model over dezelfde periode. Sneller dan typisch betekent stijging, langzamer betekent daling.
Typisch model: Het midden van de catalogus: de helft van de modellen met een cijfer groeide sneller over de periode, de andere helft langzamer.

Hoe de populariteit van dit model zich verhoudt tot de rest van de catalogus: de groei in downloads, likes en gebruik per periode, gemeten ten opzichte van de typische groei van modellen in dezelfde periode, met de heat score op dat moment. Boven de typische groei betekent stijging, eronder daling. Het verleden wordt herbouwd vanuit de huidige totalen, de eerste dag van het model en de gemeten downloadsnelheid als er twee metingen zijn; een model dat er aan het begin van een periode nog niet was, toont n.v.t.

Vergelijkbare modellen

Grok 4.20 Multi Agent

AI-modellen voor het genereren van afbeeldingen, video en tekst

MiniMax M3 is een tekstmodel voor de Text / LLM-familie, vermeld op ModelTrends.ai, een alleen-lezen catalogus van open source AI-modellen voor afbeeldingen, video en tekst. Vergelijk het met andere Text / LLM-modellen, bekijk de populariteitsscore om de trend te zien en open het op PirateDiffusion of BitVector om het te proberen.

Meer Text / LLM-modellen Meer Text / LLM Tekst / LLM llm minimax visie video redeneren agenten coderen lange context

Bladeren op modelfamilie