Bisakah saya menjalankan MiniMax M3 secara lokal?

Ya, bobotnya terbuka dan dihosting di MiniMaxAI/MiniMax-M3 di Hugging Face. MiniMax mendukung SGLang, vLLM, Transformers, KTransformers, unsloth, dan ATOM sebagai kerangka inferensi, meskipun dengan 428 miliar parameter total Anda memerlukan perangkat keras yang memadai.

Berapa biaya MiniMax M3 melalui API?

API dihargai $0,30 per juta token input dan $1,20 per juta token output, dengan jendela konteks 1.048.576 token.

Apa perbedaan M3 dengan M2?

M3 menggantikan full attention dengan MiniMax Sparse Attention, memberikan kecepatan prefill 9× dan decode 15× lebih cepat pada konteks 1 juta sambil mengurangi komputasi per token menjadi sekitar 1/20 dari M2; juga menambahkan input video asli dan mode penalaran yang dapat dikonfigurasi yang tidak tersedia di M2.

▲

29.0%

minggu ini

MiniMax M3

9051°

#llm #minimax #visi #video #penalaran #agen

Vision

Berjalan di Graydient

Jalankan model ini

Penawaran / Iklan

Easy Creator (Prism) Web

Tak terbatas · biaya tetap

Terbaik untuk pemula. Alur kerja yang kuat, kurva pembelajaran rendah.

PirateDiffusion Telegram

Tak terbatas · biaya tetap

Buat video, gambar, persona chat kustom, dan lainnya.

Pro studio (SpyGlass) Web

Tak terbatas · biaya tetap

Jelajahi model, render, dan perbaiki dari browser atau ponsel mana pun.

Discord bot (Vector)

Tak terbatas · biaya tetap

Tambahkan Vector ke servermu atau gabung Discord Vector. Buat apa saja!

Unified Editor Web

Tak terbatas · biaya tetap

Editor untuk gambar dan video: render, edit, tingkatkan kualitas, dan lainnya dalam satu halaman.

OpenRouter Terminal / API

Bayar per token

Ngobrol dengan model ini di browser atau panggil dari kode kamu dengan satu API key.

Aplikasi lokal

Perlu pengaturan

Install program lokal kalau komputermu punya hardware yang cukup.

ModelDuel Web

Bayar per penggunaan

Hasilkan prompt yang sama pada hingga 50 model checkpoint/base sekaligus.

Sewa GPU di cloud

Graydient Cloud GPU

Tak terbatas · biaya tetap

Biaya tetap, penggunaan tanpa batas. Model ini terpasang dengan satu klik.

RunPod Cloud GPU

Dikenakan per menit

Sewa GPU per menit dan atur model sendiri.

Panduan untuk model ini

Cara memilih model AI di Oktober 2026: berita sumber tertutup, lalu bobot terbuka yang layak diunduh

LLM lokal terbaik berdasarkan kasus penggunaan (Oktober 2026): model terbuka yang tepat untuk setiap pekerjaan

Berapa banyak VRAM yang sebenarnya saya butuhkan untuk AI lokal?

Bobot terbuka vs sumber terbuka vs hanya API: apa yang sebenarnya boleh kamu lakukan

Cara Menginstal Ollama dan Menjalankan AI Lokal (Windows, Mac, Linux)

Semua panduan

MiniMax | konteks 1.048.576 token | $0.30/M input, $1.20/M output. MiniMax-M3 adalah model fondasi multimodal dari MiniMax. Mendukung input teks, gambar, dan video dengan output teks, jendela konteks 1M token, dan cocok untuk pekerjaan agentik jangka panjang, coding, dan penggunaan alat. Dibangun di atas MiniMax Sparse Attention (MSA), yang menggantikan full attention dengan pemilihan blok KV untuk mengurangi komputasi per-token pada konteks panjang — sekitar 1/20 biaya generasi sebelumnya pada 1M token, dengan prefill dan decode yang jauh lebih cepat sambil mempertahankan kualitas di…MiniMax | konteks 1.048.576 token | $0.30/M input, $1.20/M output. MiniMax-M3 adalah model fondasi multimodal dari MiniMax. Mendukung input teks, gambar, dan video dengan output teks, jendela konteks 1M token, dan cocok untuk pekerjaan agentik jangka panjang, coding, dan penggunaan alat. Dibangun di atas MiniMax Sparse Attention (MSA), yang menggantikan full attention dengan pemilihan blok KV untuk mengurangi komputasi per-token pada konteks panjang — sekitar 1/20 biaya generasi sebelumnya pada 1M token, dengan prefill dan decode yang jauh lebih cepat sambil mempertahankan kualitas di sebagian besar tugas. Dilatih sebagai model multimodal native pada data interleaved dan disetel untuk kolaborasi multi-putaran seperti produksi melalui kerangka simulasi pengguna interaktif, model ini diarahkan untuk tugas berkelanjutan multi-langkah daripada eksekusi satu putaran.

Catatan Kapten

Ditulis oleh Captain, editor rumah

Catatan dari 2026-10-13

MiniMax M3 adalah model sparse mixture-of-experts 428 miliar parameter dari MiniMax, mengaktifkan sekitar 23 miliar parameter per token, dengan jendela konteks satu juta token dan dukungan asli untuk input teks, gambar, dan video. Arsitektur MiniMax Sparse Attention-nya memangkas komputasi per token menjadi sekitar 1/20 dari generasi sebelumnya pada konteks penuh, dengan kecepatan prefill 9× dan decode 15× lebih cepat. Bobot terbuka, API murah, dan desainnya menargetkan pekerjaan agen berkelanjutan daripada kueri sekali jalan.

Dikenal untuk

Konteks 1 juta token dengan biaya komputasi jauh lebih rendah dibanding model dense attention
Pelatihan multimodal asli meliputi teks, gambar, dan video sejak langkah pertama
Kecepatan prefill 9× dan decode 15× lebih cepat dibanding M2 pada konteks maksimum
Tiga mode penalaran yang dapat dipilih: selalu aktif, adaptif, atau nonaktif
Disetel untuk tugas agen multi-putaran dan penggunaan alat, bukan hanya prompt satu putaran

Waspadai

Dengan 428 miliar parameter total, penerapan lokal membutuhkan perangkat keras serius; periksa kebutuhan VRAM sebelum mengunduh.
Bobot terbuka, tapi periksa syarat lisensi untuk kasus penggunaan Anda sebelum membangun produk komersial di atasnya.
Kualitas input video dan gambar pada panjang konteks ekstrem belum diuji secara independen di sini.

Terbaik untuk

Agen dan penggunaan alat

Pemrograman

Konteks panjang

Penglihatan

Jalankan secara lokal

Prompt untuk dicoba

Tugas refaktor multi-file

Anda sedang mengerjakan web scraper Python yang terbagi dalam tiga file: fetcher.py menangani permintaan HTTP dengan retry, parser.py mengekstrak data terstruktur menggunakan BeautifulSoup, dan main.py mengatur pipeline. Scraper diam-diam menghilangkan item saat halaman mengembalikan 429. Diagnosa penyebab kemungkinan, usulkan perbaikan dengan exponential backoff, dan tulis ulang bagian relevan dari fetcher.py dan main.py untuk mengimplementasikannya.

Tanya jawab dokumen panjang

Saya akan menempelkan kontrak panjang di bawah ini. Baca seluruh dokumen, lalu jawab tiga pertanyaan ini: 1) Apa saja kondisi penghentian untuk masing-masing pihak? 2) Apakah ada klausul perpanjangan otomatis, dan jika ada berapa periode pemberitahuan yang berlaku? 3) Pihak mana yang menanggung tanggung jawab atas pelanggaran data? Cantumkan nomor klausul untuk setiap jawaban. [Tempel teks kontrak di sini]

Analisis berbasis gambar

Terlampir screenshot dashboard. Identifikasi setiap metrik yang terlihat, catat mana yang berada di luar rentang operasi normal berdasarkan apa yang Anda lihat, dan usulkan dua penyebab utama kemungkinan anomali. Kemudian tulis ringkasan tiga kalimat yang bisa dibaca oleh manajer non-teknis.

Bandingkan dengan

MiniMax M1
Model hanya API
konteks 1,000,000 token · $0.55/M input, $2.20/M output
MiniMax M2.5
Model dengan bobot terbuka
konteks 204,800 token · $0.27/M input, $0.95/M output
MiniMax-01
Model dengan bobot terbuka
konteks 1,000,192 token · $0.20/M input, $1.10/M output
MiniMax M2.1
Model dengan bobot terbuka
konteks 204,800 token · $0.30/M input, $1.20/M output

Model teks lain dari minimax

Pertanyaan yang sering diajukan

Bisakah saya menjalankan MiniMax M3 secara lokal?: Ya, bobotnya terbuka dan dihosting di MiniMaxAI/MiniMax-M3 di Hugging Face. MiniMax mendukung SGLang, vLLM, Transformers, KTransformers, unsloth, dan ATOM sebagai kerangka inferensi, meskipun dengan 428 miliar parameter total Anda memerlukan perangkat keras yang memadai.
Berapa biaya MiniMax M3 melalui API?: API dihargai $0,30 per juta token input dan $1,20 per juta token output, dengan jendela konteks 1.048.576 token.
Apa perbedaan M3 dengan M2?: M3 menggantikan full attention dengan MiniMax Sparse Attention, memberikan kecepatan prefill 9× dan decode 15× lebih cepat pada konteks 1 juta sambil mengurangi komputasi per token menjadi sekitar 1/20 dari M2; juga menambahkan input video asli dan mode penalaran yang dapat dikonfigurasi yang tidak tersedia di M2.

Putusan Kapten
Model bobot terbuka langka yang menganggap serius jendela konteks satu juta token sampai membangun ulang mekanisme attention di sekitarnya.

Kartu model di Hugging Face

Kapten menulis catatan ini dari deskripsi model dan kartu model itu sendiri. Harga dan ukuran konteks adalah milik penyedia pada saat penulisan dan dapat berubah.

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

Tren popularitas MiniMax M3

Skor panas sejak 31 May 2026

Skor panas

9,051°

Minggu ini

▲

29.0%

9,017° dulu, 9,051° sekarang

Bulan ini

▲

231%

8,892° dulu, 9,051° sekarang

Tahun lalu

n/a

Belum dirilis/dilacak

7,000°

Floor

Skala berjalan dari 0° sampai 9.999°. Semua yang di bawah 7,000° disimpan untuk model yang belum dilaporkan oleh sumber mana pun, yang memakai angka pengganti di sana supaya daftar tetap lengkap. 7,000° adalah titik awal data yang diukur: model dengan data nyata tapi hampir tidak ada unduhan berada di floor, dan pengukuran mengisi derajat di atasnya. Floor tidak mengatakan apa-apa tentang model; hanya derajat di atasnya yang berbicara, dan itu yang membedakan satu model dengan yang lain.

+1,727°

Token OpenRouter

5,730,756,128,120 token diproses model ini melalui OpenRouter dalam 30 hari terakhir, termasuk prompt dan jawaban. Setiap 10,000,000 token dihitung sebagai satu unduhan dalam istilah unduhan, total 573,075; token hari terakhir masuk ke tingkat adopsi. Sumber: OpenRouter (openrouter.ai/rankings).

+324°

Tingkat adopsi

Sekitar 20,825 unduhan per hari, diukur antara dua pembacaan sumber, tidak pernah ditebak dari rata-rata seumur hidup. Kecepatan dihitung seperempat dari istilah unduhan, jadi lonjakan baru terlihat tanpa membiarkan lonjakan satu hari mengalahkan penggunaan bertahun-tahun.

Tampilkan rincian

Setiap angka di situs ini bisa dicek. Skor heat model ini adalah 9,051°, dan ini dibangun satu bahan pada satu waktu, dengan total berjalan setelah setiap langkah: floor, derajat yang ditambahkan setiap sumber, bonus untuk jenis model dan pengurangan karena usia bobotnya. Warna-warna itu adalah rentang pada grafik di atas. Glosarium di akhir menjelaskan setiap istilah.

1
Mulai dari floor.
Kenapa 7,000° dan bukan nol: skala dari 0° sampai 9.999°, dan bagian di bawah 7,000° disediakan untuk model yang belum dilaporkan sumber mana pun, yang memakai angka pengganti supaya daftar tetap lengkap dan tidak pernah mengalahkan model dengan data. 7,000° adalah titik awal data yang diukur. Model dengan data nyata tapi hampir tidak ada unduhan berada di sini; semua yang berikutnya adalah pengukuran, dan ruang di atas floor memuat sepuluh langkah sepuluh kali lipat unduhan dengan 300° masing-masing. Floor sama untuk semua model, jadi tidak menentukan apa-apa; yang menentukan adalah derajat di atasnya.
7,000°
total berjalan
2
Tambahkan unduhan.
573,075 setara unduhan secara total, dari Token OpenRouter. Sepuluh kali unduhan menambah 300° yang sama, jadi ukuran penting tapi tidak pernah mendominasi skor.
+1,727°
8,727°
total berjalan
3
Tambahkan tingkat adopsi.
Sekitar 20,825 unduhan per hari sekarang, diukur antara dua pembacaan, dengan bobot seperempat.
+324°
9,051°
total berjalan
=
Skor heat.
Posisi model ini di setiap daftar di situs ini. Tidak ada yang mengubahnya selain ini.
9,051°

Glosarium: istilah yang dipakai di sini

Skor heat: Satu angka untuk seberapa banyak model dipakai dan diinginkan sekarang, dari 0° sampai 9.999°. Setiap daftar di situs ini yang bilang terpanas diurutkan berdasarkan ini dan tidak ada yang lain.
Lantai: 7.000° yang jadi titik awal semua model dengan data nyata. Skala dari 0° sampai 9.999°; bagian di bawah lantai untuk pengganti (model tanpa data), supaya model dengan data selalu di atas yang tanpa. Lantai sama untuk semua dan tidak menentukan apa-apa; derajat di atasnya yang dihitung.
Setara unduhan: Semua yang dihitung skor sebagai unduhan, dijumlahkan: unduhan itu sendiri, setiap torrent seeder dihitung 1.000, setiap gambar AI Horde dan setiap run di situs generasi dihitung satu.
Skala log: Menghitung per puluhan, bukan per satuan: naik dari 1.000 ke 10.000 unduhan menambah derajat yang sama dengan naik dari 10.000 ke 100.000. Ini mencegah raksasa mendominasi semuanya.
Suka: Jempol ke atas dan suka dari semua sumber, bernilai setengah unduhan di skala log.
Tingkat adopsi: Berapa banyak unduhan per hari yang didapat model sekarang, dari selisih dua pembacaan sumber. Bobot seperempat dari istilah unduhan.
Diukur dan diperkirakan: Diukur berarti ada dua pembacaan dari sumber dan perbedaannya nyata. Diperkirakan berarti hanya total hari ini yang diketahui dan masa lalu dibagi selama umur model; situs memberitahu mana yang sedang ditampilkan.
Seeder: Seseorang yang menyimpan salinan bobot secara online agar orang lain bisa mengunduh lewat torrent, atau mirror yang dihosting melakukan hal yang sama. Setiap satu dihitung sebagai 1.000 unduhan.
AI Horde: Jaringan sukarelawan yang menghasilkan gambar secara gratis di komputer yang disumbangkan. Jumlah gambar yang dibuat dengan model tertentu bersifat publik, dan setiap gambar dihitung sebagai satu unduhan.
Situs generasi: Situs yang menyimpan salinan model sendiri dan membiarkan orang menghasilkan gambar dengannya, seperti PixAI, SeaArt, dan Yodayo. Unduhan mereka dihitung seperti di Civitai dan setiap kali generasi dihitung sebagai satu unduhan.
Token OpenRouter: Model teks yang dilayani melalui API, seperti Claude atau GPT, tidak memiliki bobot untuk diunduh, jadi penggunaannya diukur dalam token: potongan teks yang dibaca dan ditulis melalui OpenRouter, gateway yang digunakan banyak aplikasi, selama 30 hari terakhir. Setiap 10,000,000 token dihitung sebagai satu unduhan. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Bobot itu sendiri, file yang bisa menghasilkan secara mandiri. Mendapat bonus karena add-on bergantung padanya.
LoRA dan embedding: File add-on kecil yang mengarahkan bobot orang lain ke gaya, karakter, atau konsep tertentu. Tidak bisa dijalankan sendiri.
Keluarga dan bobot: Dasar yang dipakai model, seperti SD 1.5, SDXL, Flux, atau Wan. Setiap model mewarisi tanggal rilis bobot keluarganya.
Usia: Pengurangan nilai berdasarkan seberapa lama bobot keluarga itu dirilis: 150° per tahun, sampai maksimal 750°. Ini menjaga unduhan lama yang sudah bertahun-tahun menumpuk agar tetap di atas daftar.
Dorongan keluarga: Dorongan kecil dan terbatas untuk LoRA dari keluarga yang sedang didorong situs ini sekarang, selalu tercantum dalam rincian.
Skor pengganti: Angka stabil di bawah batas yang diberikan pada model yang belum ada laporan sumbernya, supaya daftar tetap lengkap. Tidak pernah lebih tinggi dari model yang punya data.
Baru! (masa tenggang): Model yang berumur kurang dari 7 hari menunjukkan label Baru! bukan skor dan tidak masuk peringkat. Skornya dihitung sejak hari pertama, tapi model yang baru sehari tumbuh lebih cepat dari apa pun, jadi tanpa masa tunggu model #1 minggu ini selalu yang baru kemarin, bukan yang bertahan seminggu.
Tren: Bagaimana pertumbuhan model selama periode tertentu dibandingkan dengan pertumbuhan model biasa di periode yang sama. Lebih cepat dari biasanya berarti naik, lebih lambat berarti turun.
Model biasa: Tengah katalog: setengah model dengan angka tumbuh lebih cepat selama periode itu, setengahnya lebih lambat.

Bagaimana popularitas model ini bergerak dibandingkan dengan katalog lainnya: pertumbuhan unduhan, suka, dan penggunaan setiap periode, diukur terhadap pertumbuhan model biasa dalam periode yang sama, dengan skor panasnya saat itu. Di atas pertumbuhan biasa berarti naik, di bawahnya berarti turun. Masa lalu direkonstruksi dari total hari ini, hari pertama model, dan kecepatan unduhan yang diukur jika ada dua pembacaan; model yang belum ada di awal periode menunjukkan n/a.

Model Serupa

Model AI untuk Pembuatan Gambar, Video & Teks

MiniMax M3 adalah model teks untuk keluarga Text / LLM yang tercantum di ModelTrends.ai, katalog hanya-baca untuk model AI gambar, video, dan teks open source. Bandingkan dengan model Text / LLM lainnya, lihat skor popularitasnya untuk mengetahui trennya, dan buka di PirateDiffusion atau BitVector untuk mencobanya.

Model Text / LLM lainnya Teks / LLM Text / LLM lainnya llm minimax visi video penalaran agen pemrograman konteks panjang

Jelajahi berdasarkan Keluarga Model