Bolehkah saya jalankan MiniMax M3 secara tempatan?

Ya, beratnya terbuka dan dihoskan di MiniMaxAI/MiniMax-M3 di Hugging Face. MiniMax menyokong SGLang, vLLM, Transformers, KTransformers, unsloth, dan ATOM sebagai rangka kerja inferens, walaupun dengan 428B parameter keseluruhan anda memerlukan perkakasan yang besar.

Berapa kos MiniMax M3 melalui API?

API berharga $0.30 setiap sejuta token input dan $1.20 setiap sejuta token output, dengan tetingkap konteks 1,048,576 token.

Bagaimana M3 berbeza daripada M2?

M3 menggantikan perhatian penuh dengan MiniMax Sparse Attention, memberikan 9× lebih pantas pra-isian dan 15× lebih pantas pengekodan pada konteks 1 juta sambil mengurangkan pengiraan per token kepada kira-kira 1/20 M2; ia juga menambah input video asli dan mod penaakulan boleh laras yang tidak didedahkan oleh M2.

▲

29.0%

minggu ini

MiniMax M3

9051°

#llm #minimax #penglihatan #video #penalaran #ejen

Vision

Berjalan di Graydient

Jalankan model ini

Tawaran / Iklan

Easy Creator (Prism) Web

Tanpa had · yuran tetap

Terbaik untuk pemula. Aliran kerja yang kuat, lengkung pembelajaran rendah.

PirateDiffusion Telegram

Tanpa had · yuran tetap

Cipta video, imej, persona sembang tersuai, dan banyak lagi.

Pro studio (SpyGlass) Web

Tanpa had · yuran tetap

Layari model, render dan perbaiki dari mana-mana pelayar atau telefon.

Discord bot (Vector)

Tanpa had · yuran tetap

Tambah Vector ke pelayan anda atau sertai Discord Vector. Cipta apa sahaja!

Unified Editor Web

Tanpa had · yuran tetap

Editor untuk imej dan video: render, sunting, tingkatkan dan banyak lagi dalam satu halaman.

OpenRouter Terminal / API

Bayar setiap token

Bual dengan model ini dalam pelayar atau panggil ia dari kod anda dengan satu kunci API.

Aplikasi tempatan

Perlu tetapan

Pasang program tempatan kalau komputer kau cukup kuat.

ModelDuel Web

Bayar ikut guna

Jana arahan yang sama pada sehingga 50 model checkpoint/asas sekaligus.

Sewa GPU di awan

Graydient Cloud GPU

Tanpa had · yuran tetap

Bayaran tetap, penggunaan tanpa had. Model ini dipasang dengan satu klik.

RunPod Cloud GPU

Caj mengikut minit

Sewa GPU mengikut minit dan pasang model sendiri.

Panduan untuk model ini

Cara memilih model AI pada Oktober 2026: berita sumber tertutup, kemudian berat terbuka yang patut dimuat turun

LLM tempatan terbaik mengikut kegunaan (Oktober 2026): model terbuka yang sesuai untuk setiap kerja

Berapa banyak VRAM yang saya perlukan untuk AI tempatan?

Berat terbuka vs sumber terbuka vs hanya API: apa yang sebenarnya kamu dibenarkan lakukan

Cara Pasang Ollama dan Jalankan AI Tempatan (Windows, Mac, Linux)

Semua panduan

MiniMax | konteks 1,048,576 token | $0.30/M input, $1.20/M output. MiniMax-M3 adalah model asas multimodal dari MiniMax. Ia menyokong input teks, imej, dan video dengan output teks, tetingkap konteks 1M-token, dan sesuai untuk kerja agen jangka panjang, pengkodan, dan penggunaan alat. Ia dibina atas MiniMax Sparse Attention (MSA), yang menggantikan perhatian penuh dengan pemilihan blok KV untuk mengurangkan pengiraan per-token pada konteks panjang — kira-kira 1/20 kos generasi sebelumnya pada 1M token, dengan pra-isian dan penyahkodan yang jauh lebih pantas sambil mengekalkan kualiti…MiniMax | konteks 1,048,576 token | $0.30/M input, $1.20/M output. MiniMax-M3 adalah model asas multimodal dari MiniMax. Ia menyokong input teks, imej, dan video dengan output teks, tetingkap konteks 1M-token, dan sesuai untuk kerja agen jangka panjang, pengkodan, dan penggunaan alat. Ia dibina atas MiniMax Sparse Attention (MSA), yang menggantikan perhatian penuh dengan pemilihan blok KV untuk mengurangkan pengiraan per-token pada konteks panjang — kira-kira 1/20 kos generasi sebelumnya pada 1M token, dengan pra-isian dan penyahkodan yang jauh lebih pantas sambil mengekalkan kualiti merentasi kebanyakan tugas. Dilatih sebagai model multimodal asli pada data berselang-seli dan disesuaikan untuk kerjasama berbilang pusingan seperti produksi melalui rangka kerja simulasi pengguna interaktif, model ini diorientasikan ke arah tugas berbilang langkah yang berterusan dan bukannya pelaksanaan satu pusingan.

Nota Kapten

Ditulis oleh Captain, editor rumah

Nota dari 2026-10-13

MiniMax M3 adalah model campuran pakar jarang 428B parameter dari MiniMax, mengaktifkan kira-kira 23B parameter setiap token, dengan tetingkap konteks satu juta token dan sokongan asli untuk input teks, imej, dan video. Seni bina MiniMax Sparse Attention memotong pengiraan per token kepada kira-kira 1/20 daripada generasi sebelumnya pada konteks penuh, dengan 9× lebih pantas pra-isian dan 15× lebih pantas pengekodan. Berat terbuka, API murah, dan reka bentuk menyasarkan kerja agen berterusan dan bukannya pertanyaan satu kali.

Dikenali untuk

Konteks 1 juta token pada sebahagian kecil kos pengiraan model perhatian padat
Latihan multimodal asli merangkumi teks, imej, dan video dari langkah pertama
9× kelajuan pra-isian dan 15× kelajuan pengekodan berbanding M2 pada konteks maksimum
Tiga mod penaakulan boleh tukar: sentiasa aktif, adaptif, atau dilumpuhkan
Disesuaikan untuk tugas agen berbilang pusingan dan penggunaan alat, bukan hanya arahan satu pusingan

Berhati-hati dengan

Dengan 428B parameter keseluruhan, penyebaran tempatan memerlukan perkakasan serius; semak keperluan VRAM sebelum memuat turun.
Berat terbuka, tetapi sahkan terma lesen untuk kes penggunaan anda sebelum membina produk komersial di atasnya.
Kualiti input video dan imej pada panjang konteks ekstrem tidak dinilai secara bebas di sini.

Terbaik untuk

Ejen dan penggunaan alat

Pengaturcaraan

Konteks panjang

Penglihatan

Jalankan secara tempatan

Arahan untuk cuba

Tugas refaktor berbilang fail

Anda sedang mengusahakan pengikis web Python yang dibahagikan kepada tiga fail: fetcher.py mengendalikan permintaan HTTP dengan cubaan semula, parser.py mengekstrak data berstruktur menggunakan BeautifulSoup, dan main.py mengatur saluran. Pengikis secara senyap membuang item apabila halaman mengembalikan 429. Diagnosis punca yang mungkin, cadangkan pembaikan dengan backoff eksponen, dan tulis semula bahagian fetcher.py dan main.py yang berkaitan untuk melaksanakannya.

Soal jawab dokumen panjang

Saya akan tampal kontrak panjang di bawah. Baca keseluruhan dokumen, kemudian jawab tiga soalan ini: 1) Apakah syarat penamatan untuk mana-mana pihak? 2) Adakah terdapat klausa pembaharuan automatik, dan jika ada, tempoh notis apa yang dikenakan? 3) Pihak mana yang menanggung liabiliti untuk pelanggaran data? Nyatakan nombor klausa untuk setiap jawapan. [Tampal teks kontrak di sini]

Analisis berpandukan imej

Disertakan tangkapan skrin papan pemuka. Kenal pasti setiap metrik yang kelihatan, catat yang mana berada di luar julat operasi normal berdasarkan apa yang anda lihat, dan cadangkan dua punca akar yang paling mungkin untuk sebarang anomali. Kemudian tulis ringkasan tiga ayat yang boleh dibaca oleh pengurus bukan teknikal.

Bandingkan dengan

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

Lebih banyak model teks dari minimax

Soalan yang sering ditanya

Bolehkah saya jalankan MiniMax M3 secara tempatan?: Ya, beratnya terbuka dan dihoskan di MiniMaxAI/MiniMax-M3 di Hugging Face. MiniMax menyokong SGLang, vLLM, Transformers, KTransformers, unsloth, dan ATOM sebagai rangka kerja inferens, walaupun dengan 428B parameter keseluruhan anda memerlukan perkakasan yang besar.
Berapa kos MiniMax M3 melalui API?: API berharga $0.30 setiap sejuta token input dan $1.20 setiap sejuta token output, dengan tetingkap konteks 1,048,576 token.
Bagaimana M3 berbeza daripada M2?: M3 menggantikan perhatian penuh dengan MiniMax Sparse Attention, memberikan 9× lebih pantas pra-isian dan 15× lebih pantas pengekodan pada konteks 1 juta sambil mengurangkan pengiraan per token kepada kira-kira 1/20 M2; ia juga menambah input video asli dan mod penaakulan boleh laras yang tidak didedahkan oleh M2.

Keputusan Kapten
Model berat terbuka yang jarang mengambil serius tetingkap konteks sejuta token sehingga membina semula mekanisme perhatian di sekelilingnya.

Kad model di Hugging Face

Kapten menulis nota ini berdasarkan penerangan model dan kad model itu sendiri. Harga dan saiz konteks adalah dari penyedia pada masa penulisan dan boleh 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

Trend populariti MiniMax M3

Skor panas sejak 31 May 2026

Skor haba

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 dikeluarkan/dipantau

7,000°

Lantai

Skala berjalan dari 0° hingga 9,999°. Apa sahaja di bawah 7,000° disimpan untuk model yang belum dilaporkan oleh mana-mana sumber, yang membawa nombor gantian di situ supaya senarai tetap lengkap. 7,000° adalah tempat data yang diukur bermula: model dengan data sebenar tapi hampir tiada muat turun berada di lantai, dan ukuran mengisi darjah di atasnya. Lantai tidak memberitahu apa-apa tentang model; hanya darjah di atasnya yang buat beza antara satu model dengan model lain.

+1,727°

Token OpenRouter

5,730,756,128,120 token diproses oleh model ini melalui OpenRouter dalam 30 hari terakhir, termasuk arahan dan jawapan. Setiap 10,000,000 token dikira sebagai satu muat turun dalam tempoh muat turun, 573,075 semuanya; token hari terakhir disertakan dalam kadar penggunaan. Sumber: OpenRouter (openrouter.ai/rankings).

+324°

Kadar penerimaan

Kira-kira 20,825 muat turun sehari, diukur antara dua bacaan sumber, tidak pernah dianggarkan dari purata sepanjang hayat. Kelajuan seberat suku istilah muat turun, jadi lonjakan baru kelihatan tanpa membiarkan lonjakan satu hari mengatasi penggunaan bertahun-tahun.

Tunjukkan pecahan terperinci

Setiap nombor di laman ini boleh diperiksa. Skor panas model ini adalah 9,051°, dan ia dibina satu bahan pada satu masa, dengan jumlah terkini selepas setiap langkah: lantai, darjah yang ditambah oleh setiap sumber, bonus untuk jenis model dan apa yang umur beratnya tolak. Warna-warna itu adalah jalur carta di atas. Glosari di akhir menerangkan setiap istilah.

1
Mula di lantai.
Kenapa 7,000° dan bukan sifar: skala dari 0° hingga 9,999°, dan bahagian di bawah 7,000° dikhaskan untuk model yang belum dilaporkan oleh mana-mana sumber, yang membawa nombor gantian supaya senarai tetap lengkap dan tidak pernah mengatasi model dengan data. 7,000° adalah tempat data yang diukur bermula. Model dengan data sebenar tapi hampir tiada muat turun berada di sini; semua yang berikut adalah ukuran, dan ruang di atas lantai ada sepuluh langkah muat turun sepuluh kali ganda pada 300° setiap satu. Lantai sama untuk setiap model, jadi ia tidak tentukan apa-apa; darjah di atasnya yang buat beza.
7,000°
jumlah berjalan
2
Tambah muat turun.
573,075 muat turun setara semuanya, dari Token OpenRouter. Sepuluh kali muat turun menambah 300° yang sama, jadi saiz penting tapi tidak pernah mengatasi skor.
+1,727°
8,727°
jumlah berjalan
3
Tambah kadar penerimaan.
Sekitar 20,825 muat turun sehari sekarang, diukur antara dua bacaan, dengan berat suku.
+324°
9,051°
jumlah berjalan
=
Skor heat.
Di mana model ini berdiri dalam setiap senarai laman ini. Tiada yang lain mengubahnya.
9,051°

Glosari: istilah yang digunakan di sini

Skor heat: Satu nombor untuk seberapa banyak model digunakan dan diingini sekarang, dari 0° hingga 9,999°. Setiap senarai di laman ini yang kata paling panas disusun mengikutnya dan tiada yang lain.
Lantai: 7,000° yang setiap model dengan data sebenar bermula. Skala dari 0° hingga 9,999°; bahagian bawah lantai untuk pengganti (model tanpa data), supaya model dengan data sentiasa lebih tinggi dari yang tiada. Lantai sama untuk semua dan tidak tentukan apa-apa; darjah di atasnya adalah ukuran.
Setara muat turun: Semua yang skor anggap sebagai muat turun, dijumlahkan: muat turun sendiri, setiap torrent seeder sebagai 1,000, setiap imej AI Horde dan setiap larian di laman generasi sebagai satu.
Skala log: Mengira dengan puluhan, bukan satuan: dari 1,000 ke 10,000 muat turun tambah darjah sama seperti dari 10,000 ke 100,000. Ini elak gergasi menindas yang lain.
Suka: Jempol dan suka dari semua sumber, bernilai separuh muat turun pada skala log.
Kadar penerimaan: Berapa banyak muat turun sehari model dapat sekarang, dari beza dua bacaan sumber. Berat suku dari terma muat turun.
Diukur dan dianggarkan: Diukur bermaksud ada dua bacaan dari satu sumber dan perbezaannya adalah nyata. Dianggarkan bermaksud hanya jumlah hari ini yang diketahui dan masa lalu diagihkan sepanjang hayat model; laman web akan memberitahu yang mana satu ia tunjukkan.
Seeder: Seseorang yang menyimpan salinan berat secara dalam talian untuk dimuat turun oleh orang lain melalui torrent, atau cermin yang dihoskan melakukan perkara yang sama. Setiap satu dikira sebagai 1,000 muat turun.
AI Horde: Rangkaian sukarelawan yang menjana imej secara percuma pada komputer yang didermakan. Bilangan imej yang telah dihasilkan dengan model adalah awam, dan setiap satu dikira sebagai satu muat turun.
Laman penjanaan: Laman yang menghoskan salinan model mereka sendiri dan membenarkan orang menjana dengannya, seperti PixAI, SeaArt dan Yodayo. Muat turun mereka dikira seperti Civitai dan setiap sesi penjanaan dikira sebagai satu muat turun.
Token OpenRouter: Model teks yang disediakan melalui API, seperti Claude atau GPT, tidak mempunyai berat untuk dimuat turun, jadi penggunaannya diukur dalam token: bahagian teks yang dibaca dan ditulis melalui OpenRouter, pintu masuk yang digunakan oleh banyak aplikasi, dalam 30 hari terakhir. Setiap 10,000,000 token dikira sebagai satu muat turun. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Berat itu sendiri, fail yang menjana secara sendiri. Ia mendapat bonus kerana add-on bergantung padanya.
LoRA dan embedding: Fail add-on kecil yang mengarahkan berat orang lain ke arah gaya, watak atau konsep. Ia tidak boleh dijalankan sendiri.
Keluarga dan berat: Asas yang model dibina, seperti SD 1.5, SDXL, Flux atau Wan. Setiap model mewarisi tarikh keluaran berat keluarganya.
Umur: Darjah yang ditolak berdasarkan berapa lama berat keluarga itu dikeluarkan: 150° setahun, sehingga 750°. Ia mengekalkan muat turun lama yang mempunyai masa bertahun-tahun untuk terkumpul dengan membekukan di bahagian atas senarai.
Peningkatan keluarga: Dorongan kecil dan terhad untuk LoRA dari keluarga yang laman ini sedang galakkan sekarang, sentiasa disenaraikan dalam pecahan.
Skor gantian: Nombor stabil di bawah paras yang diberikan kepada model yang belum ada laporan sumber, supaya senarai kekal lengkap. Ia tidak pernah mendahului model yang ada data.
Baru! (tempoh kelonggaran): Model yang berumur kurang dari 7 hari menunjukkan Baru! dan tidak mempunyai skor serta tidak menduduki tempat dalam kedudukan. Skornya dikira dari hari pertama, tetapi model yang berumur satu hari berkembang lebih cepat daripada apa pun, jadi tanpa menunggu, #1 minggu ini akan sentiasa menjadi apa sahaja yang keluar semalam dan bukan yang bertahan selama seminggu.
Trend: Bagaimana pertumbuhan model dalam tempoh tertentu dibandingkan dengan pertumbuhan model biasa dalam tempoh yang sama. Lebih cepat dari biasa bermaksud naik, lebih perlahan bermaksud turun.
Model biasa: Tengah katalog: separuh model dengan angka tumbuh lebih cepat dalam tempoh itu, separuh lagi lebih perlahan.

Bagaimana populariti model ini bergerak berbanding katalog lain: pertumbuhannya dalam muat turun, suka dan penggunaan setiap tempoh, diukur berbanding pertumbuhan model biasa dalam tempoh yang sama, dengan skor panasnya pada masa itu. Di atas pertumbuhan biasa dibaca sebagai kenaikan, di bawahnya sebagai penurunan. Masa lalu dibina semula dari jumlah hari ini, hari pertama model dan kelajuan muat turun yang diukur jika ada dua bacaan; model yang tidak wujud pada permulaan tempoh menunjukkan n/a.

Model serupa

Model AI untuk penjanaan imej, video dan teks

MiniMax M3 ialah model teks untuk keluarga Text / LLM yang disenaraikan di ModelTrends.ai, katalog baca sahaja untuk model AI imej, video dan teks sumber terbuka. Bandingkannya dengan model Text / LLM lain, semak skor habanya untuk melihat trendnya, dan bukanya di PirateDiffusion atau BitVector untuk mencubanya.

Lagi model Text / LLM Lagi Teks / LLM Text / LLM llm minimax penglihatan video penalaran ejen pengaturcaraan konteks panjang

Layari mengikut keluarga model