آیا میتوانم MiniMax M3 را محلی اجرا کنم؟

بله، وزنها باز هستند و در MiniMaxAI/MiniMax-M3 روی Hugging Face میزبانی شدهاند. MiniMax از چارچوبهای SGLang، vLLM، Transformers، KTransformers، unsloth و ATOM برای استنتاج پشتیبانی میکند، اما با ۴۲۸ میلیارد پارامتر کل به سختافزار قابل توجهی نیاز دارید.

هزینه MiniMax M3 از طریق API چقدر است؟

API با قیمت ۰.۳۰ دلار به ازای هر میلیون توکن ورودی و ۱.۲۰ دلار به ازای هر میلیون توکن خروجی، با پنجره زمینه ۱,۰۴۸,۵۷۶ توکن ارائه میشود.

M3 چه تفاوتی با M2 دارد؟

M3 توجه کامل را با MiniMax Sparse Attention جایگزین میکند، سرعت پیشپر کردن را ۹ برابر و رمزگشایی را ۱۵ برابر در زمینه ۱ میلیون توکنی افزایش میدهد و محاسبات به ازای هر توکن را به حدود ۱/۲۰ M2 کاهش میدهد؛ همچنین ورودی ویدئو بومی و حالت استدلال قابل تنظیم اضافه میکند که در M2 نبود.

▲

29.0%

این هفته

MiniMax M3

9051°

#llm #minimax #بینایی #ویدیو #استدلال #عامل‌ها

بینایی

روی Graydient اجرا می‌شود

اجرای مدل

پیشنهادها / تبلیغات

Easy Creator (Prism) وب

نامحدود · هزینه ثابت

بهترین برای مبتدی‌ها. گردش کار قدرتمند، یادگیری آسان.

PirateDiffusion Telegram

نامحدود · هزینه ثابت

ویدیو، تصویر، شخصیت‌های چت سفارشی و بیشتر بسازید.

Pro studio (SpyGlass) وب

نامحدود · هزینه ثابت

مدل‌ها را مرور کنید، رندر بگیرید و از هر مرورگر یا گوشی اصلاح کنید.

Discord bot (Vector)

نامحدود · هزینه ثابت

Vector را به سرور خود اضافه کنید یا به Discord Vector بپیوندید. هر چیزی بسازید!

Unified Editor وب

نامحدود · هزینه ثابت

ویرایشگر تصاویر و ویدیو: رندر، ویرایش، ارتقا و بیشتر در یک صفحه.

OpenRouter ترمینال / API

پرداخت به ازای هر توکن

با این مدل در مرورگر چت کنید یا با یک کلید API از کد خود به آن دسترسی داشته باشید.

برنامه‌های محلی

نیاز به راه‌اندازی

اگه کامپیوترت سخت‌افزار خوبی داره، برنامه‌ها رو به صورت محلی نصب کن.

ModelDuel وب

پرداخت به ازای مصرف

همزمان تا ۵۰ مدل چک‌پوینت/پایه را با همان پرامپت تولید کن.

اجاره GPU در فضای ابری

Graydient Cloud GPU

نامحدود · هزینه ثابت

هزینه ثابت، استفاده نامحدود. این مدل با یک کلیک نصب می‌شود.

RunPod Cloud GPU

هزینه به ازای هر دقیقه

اجاره GPU به صورت دقیقه‌ای و راه‌اندازی مدل توسط خودتان.

راهنماهای این مدل

چطور در اکتبر ۲۰۲۶ یک مدل هوش مصنوعی انتخاب کنیم: اخبار مدل‌های بسته و سپس وزن‌های باز که ارزش دانلود دارند

بهترین مدل محلی LLM بر اساس کاربرد (اکتبر ۲۰۲۶): مدل باز مناسب برای هر کار

واقعاً چقدر VRAM برای هوش مصنوعی محلی نیاز دارم؟

وزن‌های باز در مقابل متن‌باز در مقابل فقط API: واقعاً چه کاری مجاز هستید انجام دهید

چگونه Ollama را نصب کنیم و یک هوش مصنوعی محلی را اجرا کنیم (ویندوز، مک، لینوکس)

همه راهنماها

MiniMax | زمینه 1,048,576 توکن | ورودی $0.30/M، خروجی $1.20/M. MiniMax-M3 یک مدل پایه چندرسانه‌ای از MiniMax است. ورودی‌های متن، تصویر و ویدئو با خروجی متنی، پنجره زمینه 1 میلیون توکن را پشتیبانی می‌کند و برای کار عاملی بلندمدت، برنامه‌نویسی و استفاده از ابزار مناسب است. بر پایه MiniMax Sparse Attention (MSA) ساخته شده که توجه کامل را با انتخاب بلوک‌های KV جایگزین می‌کند تا محاسبات هر توکن در زمینه طولانی کاهش یابد — تقریباً 1/20 هزینه نسل قبلی در 1 میلیون توکن، با پیش‌بارگذاری و رمزگشایی بسیار سریع‌تر در حالی که کیفیت را در اکثر وظایف حفظ می‌کند. به عنوان یک مدل چندرسانه‌ای بومی بر روی داده‌های درهم‌آمیخته آموزش دیده و برای همکاری چندمرحله‌ای و تولیدی از طریق چارچوب شبیه‌ساز کاربر تعاملی تنظیم شده است، مدل به سمت وظایف پایدار و چندمرحله‌ای به جای اجرای تک‌مرحله‌ای متمایل است.

یادداشت‌های کاپیتان

نوشته شده توسط Captain، ویراستار خانه

یادداشت‌ها از 2026-10-13

MiniMax M3 یک مدل مخلوط متخصصان پراکنده با ۴۲۸ میلیارد پارامتر از MiniMax است که حدود ۲۳ میلیارد پارامتر را به ازای هر توکن فعال می‌کند، با پنجره زمینه یک میلیون توکنی و پشتیبانی بومی از ورودی‌های متن، تصویر و ویدئو. معماری MiniMax Sparse Attention محاسبات به ازای هر توکن را به حدود ۱/۲۰ نسل قبلی در زمینه کامل کاهش می‌دهد، با سرعت ۹ برابر سریع‌تر در پیش‌پر کردن و ۱۵ برابر سریع‌تر در رمزگشایی. وزن‌ها باز هستند، API ارزان است و طراحی برای کارهای عاملی مداوم به جای پرسش‌های یک‌باره است.

معروف به

پنجره زمینه ۱ میلیون توکنی با کسری از هزینه محاسباتی مدل‌های توجه چگال
آموزش چندرسانه‌ای بومی از ابتدا روی متن، تصویر و ویدئو
سرعت ۹ برابر در پیش‌پر کردن و ۱۵ برابر در رمزگشایی نسبت به M2 در حداکثر زمینه
سه حالت استدلال قابل تغییر: همیشه روشن، تطبیقی یا غیرفعال
بهینه‌شده برای وظایف عاملی چندمرحله‌ای و استفاده از ابزار، نه فقط پرامپت‌های تک‌مرحله‌ای

مراقب باشید

با ۴۲۸ میلیارد پارامتر کل، استقرار محلی نیازمند سخت‌افزار جدی است؛ قبل از دانلود نیازمندی‌های VRAM را بررسی کنید.
وزن‌ها باز هستند، اما شرایط مجوز را برای استفاده تجاری بررسی کنید.
کیفیت ورودی ویدئو و تصویر در طول‌های زمینه بسیار بلند به طور مستقل ارزیابی نشده است.

بهترین برای

عامل‌ها و استفاده از ابزار

دستورات برای امتحان

وظیفه بازسازی چندفایلی

شما روی یک وب‌اسکرپر پایتون کار می‌کنید که در سه فایل تقسیم شده است: fetcher.py درخواست‌های HTTP با تلاش مجدد را مدیریت می‌کند، parser.py داده‌های ساختاریافته را با BeautifulSoup استخراج می‌کند و main.py خط لوله را هماهنگ می‌کند. اسکرپر وقتی صفحه ۴۲۹ برمی‌گرداند، موارد را به‌طور خاموش حذف می‌کند. علت محتمل را تشخیص دهید، راه‌حلی با بازگشت نمایی پیشنهاد دهید و بخش‌های مربوطه در fetcher.py و main.py را بازنویسی کنید.

پرسش و پاسخ سند بلند

قرارداد طولانی‌ای را در ادامه می‌چسبانم. کل سند را بخوانید، سپس به این سه سوال پاسخ دهید: ۱) شرایط خاتمه برای هر طرف چیست؟ ۲) آیا بندهای تمدید خودکار وجود دارد و در صورت وجود، دوره اطلاع‌رسانی چقدر است؟ ۳) کدام طرف مسئولیت نقض داده‌ها را بر عهده دارد؟ شماره بند هر پاسخ را ذکر کنید. [متن قرارداد را اینجا بچسبانید]

تحلیل مبتنی بر تصویر

تصویر صفحه داشبورد پیوست شده است. هر معیار قابل مشاهده را شناسایی کنید، مواردی که خارج از محدوده عملیاتی عادی هستند را یادداشت کنید و دو علت ریشه‌ای محتمل برای هر ناهنجاری را پیشنهاد دهید. سپس خلاصه‌ای سه جمله‌ای بنویسید که یک مدیر غیرتخصصی بتواند بخواند.

مقایسه با

MiniMax M1
مدل فقط API
متن زمینه 1,000,000 توکن · ورودی $0.55/M، خروجی $2.20/M
MiniMax M2.5
مدل با وزن‌های باز
متن زمینه 204,800 توکن · ورودی $0.27/M، خروجی $0.95/M
MiniMax-01
مدل با وزن‌های باز
متن زمینه 1,000,192 توکن · ورودی $0.20/M، خروجی $1.10/M
MiniMax M2.1
مدل با وزن‌های باز
متن زمینه 204,800 توکن · ورودی $0.30/M، خروجی $1.20/M

مدل‌های متنی بیشتر از minimax

سؤالات متداول

آیا می‌توانم MiniMax M3 را محلی اجرا کنم؟: بله، وزن‌ها باز هستند و در MiniMaxAI/MiniMax-M3 روی Hugging Face میزبانی شده‌اند. MiniMax از چارچوب‌های SGLang، vLLM، Transformers، KTransformers، unsloth و ATOM برای استنتاج پشتیبانی می‌کند، اما با ۴۲۸ میلیارد پارامتر کل به سخت‌افزار قابل توجهی نیاز دارید.
هزینه MiniMax M3 از طریق API چقدر است؟: API با قیمت ۰.۳۰ دلار به ازای هر میلیون توکن ورودی و ۱.۲۰ دلار به ازای هر میلیون توکن خروجی، با پنجره زمینه ۱,۰۴۸,۵۷۶ توکن ارائه می‌شود.
M3 چه تفاوتی با M2 دارد؟: M3 توجه کامل را با MiniMax Sparse Attention جایگزین می‌کند، سرعت پیش‌پر کردن را ۹ برابر و رمزگشایی را ۱۵ برابر در زمینه ۱ میلیون توکنی افزایش می‌دهد و محاسبات به ازای هر توکن را به حدود ۱/۲۰ M2 کاهش می‌دهد؛ همچنین ورودی ویدئو بومی و حالت استدلال قابل تنظیم اضافه می‌کند که در M2 نبود.

حکم کاپیتان
یک مدل نادر با وزن‌های باز که پنجره زمینه یک میلیون توکنی را جدی گرفته و مکانیزم توجه را حول آن بازسازی کرده است.

کارت مدل در Hugging Face

کاپیتان این یادداشت‌ها را از توضیحات مدل و کارت مدل نوشته است. قیمت‌ها و اندازه متن زمینه مربوط به ارائه‌دهنده در زمان نوشتن است و ممکن است تغییر کند.

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

روند محبوبیت MiniMax M3

امتیاز حرارتی از 31 May 2026

امتیاز داغی

9,051°

این هفته

▲

29.0%

9,017° آن زمان، 9,051° الان

این ماه

▲

231%

8,892° آن زمان، 9,051° الان

سال گذشته

n/a

هنوز منتشر/ردیابی نشده

7,000°

کف

مقیاس از 0° تا 9,999° است. هر چیزی زیر 7,000° برای مدل‌هایی است که هیچ منبعی هنوز گزارشی درباره‌شان نداده و یک عدد جایگزین آنجا دارند تا فهرست‌ها کامل بمانند. 7,000° جایی است که داده‌های اندازه‌گیری شده شروع می‌شود: مدلی با داده واقعی ولی تقریباً بدون دانلود روی کف قرار می‌گیرد و اندازه‌گیری‌ها درجه‌های بالاتر را پر می‌کنند. کف درباره مدل چیزی نمی‌گوید؛ فقط درجه‌های بالاتر این کار را می‌کنند و آنها هستند که مدل‌ها را از هم جدا می‌کنند.

+1,727°

توکن‌های OpenRouter

5,730,756,128,120 توکن این مدل در ۳۰ روز گذشته از طریق OpenRouter پردازش شده است، شامل درخواست‌ها و پاسخ‌ها. هر 10,000,000 توکن به عنوان یک دانلود در دوره دانلود حساب می‌شود، مجموعاً 573,075؛ توکن‌های روز آخر به نرخ پذیرش اضافه می‌شوند. منبع: OpenRouter (openrouter.ai/rankings).

+324°

نرخ پذیرش

حدود 20,825 دانلود در روز، اندازه‌گیری شده بین دو خوانش از منابع، هرگز حدس زده نشده از میانگین عمر. سرعت یک چهارم عامل دانلود وزن دارد، پس یک جهش تازه نشان داده می‌شود بدون اینکه یک جهش یک روزه بالاتر از سال‌ها استفاده قرار بگیرد.

نمایش جزئیات

هر عدد در این سایت قابل بررسی است. امتیاز حرارت این مدل 9,051° است و اینجا به صورت مرحله به مرحله ساخته شده، با مجموع جاری بعد از هر مرحله: کف، درجه‌هایی که هر منبع اضافه می‌کند، جایزه برای نوع مدل و چیزی که سن وزن‌ها کم می‌کند. رنگ‌ها همان بازه‌های نمودار بالاست. واژه‌نامه در انتها هر اصطلاح را تعریف می‌کند.

1
از کف شروع کن.
چرا 7,000° و نه صفر: مقیاس از 0° تا 9,999° است و بخش زیر 7,000° برای مدل‌هایی است که هیچ منبعی هنوز گزارشی درباره‌شان نداده و یک عدد جایگزین آنجا دارند تا فهرست‌ها کامل بمانند و هیچ‌وقت بالاتر از مدلی با داده قرار نگیرند. 7,000° جایی است که داده‌های اندازه‌گیری شده شروع می‌شود. مدلی با داده واقعی ولی تقریباً بدون دانلود اینجا قرار می‌گیرد؛ هر چیزی که بعد از آن می‌آید اندازه‌گیری است و فضای بالای کف ده مرحله ده برابر در دانلودها دارد که هر کدام 300° است. کف برای همه مدل‌ها یکسان است، پس تصمیم‌گیرنده نیست؛ درجه‌های بالاتر این کار را می‌کنند.
7,000°
جمع جاری
2
دانلودها را اضافه کن.
573,075 معادل دانلود در کل، از توکن‌های OpenRouter. ده برابر کردن دانلودها همان 300° را اضافه می‌کند، پس اندازه مهم است اما هرگز امتیاز را به خودش نمی‌برد.
+1,727°
8,727°
جمع جاری
3
نرخ پذیرش را اضافه کن.
حدود 20,825 دانلود در روز همین الان، اندازه‌گیری شده بین دو خوانش، با یک چهارم وزن.
+324°
9,051°
جمع جاری
=
امتیاز حرارت.
جایی که این مدل در هر فهرست این سایت قرار دارد. هیچ چیز دیگری آن را تنظیم نمی‌کند.
9,051°

واژه‌نامه: اصطلاحات استفاده شده اینجا

امتیاز حرارت: یک عدد برای اینکه چقدر یک مدل الان استفاده و خواسته می‌شود، از 0° تا 9,999°. هر فهرستی در این سایت که می‌گوید داغ‌ترین‌ها بر اساس آن مرتب شده‌اند و هیچ چیز دیگری.
کف: 7,000° که هر مدل با داده واقعی از آن شروع می‌کند. مقیاس از 0° تا 9,999° است؛ بخشی که زیر کف است برای جایگزین‌ها (مدل‌هایی بدون داده) محفوظ است، تا مدلی با داده همیشه بالاتر از مدلی بدون داده باشد. کف برای همه یکسان است و هیچ تصمیمی نمی‌گیرد؛ درجه‌های بالاتر اندازه‌گیری هستند.
معادل‌های دانلود: هر چیزی که امتیاز به عنوان دانلود حساب می‌کند، جمع شده: خود دانلودها، هر تورنت سیدر به عنوان 1,000، هر تصویر AI Horde و هر اجرا روی سایت تولید به عنوان یکی.
مقیاس لگاریتمی: شمارش به صورت ده‌تایی، نه یکی‌یکی: رفتن از 1,000 به 10,000 دانلود همان درجه‌ها را اضافه می‌کند که رفتن از 10,000 به 100,000. این باعث می‌شود غول‌ها همه چیز را نبلعند.
لایک‌ها: تایید و لایک از هر منبع، هر کدام نصف وزن یک دانلود در مقیاس لگاریتمی.
نرخ پذیرش: چند دانلود در روز یک مدل همین الان می‌گیرد، از تفاوت بین دو خوانش یک منبع. یک چهارم وزن بخش دانلود.
اندازه‌گیری شده و تخمینی: اندازه‌گیری شده یعنی دو خوانش از یک منبع وجود دارد و تفاوت واقعی است. تخمینی یعنی فقط مجموع امروز معلوم است و گذشته به صورت مدل در طول عمر آن پخش شده؛ سایت می‌گوید کدام را نشان می‌دهد.
سیدر: کسی که یک نسخه از وزن‌ها را به صورت آنلاین نگه می‌دارد تا دیگران از طریق تورنت دانلود کنند، یا یک آینه میزبانی شده که همین کار را می‌کند. هر کدام به اندازه ۱۰۰۰ دانلود حساب می‌شود.
AI Horde: یک شبکه داوطلبانه که تصاویر را به صورت رایگان روی کامپیوترهای اهدایی تولید می‌کند. تعداد تصاویری که با یک مدل ساخته شده عمومی است و هر کدام به عنوان یک دانلود حساب می‌شود.
سایت‌های تولید: سایت‌هایی که نسخه‌های خودشان از یک مدل را میزبانی می‌کنند و به مردم اجازه می‌دهند با آن تولید کنند، مثل PixAI، SeaArt و Yodayo. دانلودهای آن‌ها مثل Civitai حساب می‌شود و هر بار تولید به عنوان یک دانلود محسوب می‌شود.
توکن‌های OpenRouter: یک مدل متنی که از طریق API ارائه می‌شود، مانند Claude یا GPT، وزن‌هایی برای دانلود ندارد، بنابراین استفاده آن بر اساس توکن‌ها اندازه‌گیری می‌شود: قطعات متنی که در ۳۰ روز گذشته از طریق OpenRouter خوانده و نوشته است. هر 10,000,000 توکن به عنوان یک دانلود حساب می‌شود. منبع: OpenRouter (openrouter.ai/rankings)، CC BY 4.0.
مدل کامل (چک‌پوینت): خود وزن‌ها، فایلی که به تنهایی تولید می‌کند. یک امتیاز اضافی می‌گیرد چون افزونه‌ها به آن وابسته‌اند.
LoRA و امبدینگ: فایل‌های کوچک افزونه که وزن‌های دیگران را به سمت یک سبک، شخصیت یا مفهوم هدایت می‌کنند. نمی‌توانند به تنهایی اجرا شوند.
خانواده و وزن‌ها: پایه‌ای که مدل روی آن ساخته شده، مثل SD 1.5، SDXL، Flux یا Wan. هر مدل تاریخ انتشار وزن‌های خانواده‌اش را به ارث می‌برد.
سن: درجه‌هایی که به خاطر مدت زمان گذشته از انتشار وزن‌های خانواده کم می‌شود: ۱۵۰ درجه در سال، تا ۷۵۰ درجه. دانلودهای قدیمی که سال‌ها فرصت جمع شدن داشتند را نگه می‌دارد تا بالای لیست ثابت بمانند.
تقویت خانواده: یک فشار کوچک و محدود برای LoRAهای یک خانواده که این سایت الان به جلو می‌برد، همیشه در جزئیات لیست شده.
امتیاز جایگزین: یک عدد پایدار زیر حداقل که به مدلی داده می‌شود که هنوز هیچ منبعی درباره‌اش گزارش نداده، تا لیست‌ها کامل بمانند. هیچ‌وقت بالاتر از مدلی با داده رتبه نمی‌گیرد.
جدید! (دوره گذار): مدلی که کمتر از 7 روز از عمرش گذشته باشد، به جای امتیاز، عبارت جدید! را نشان می‌دهد و در رتبه‌بندی جایگاهی ندارد. امتیاز آن از روز اول محاسبه می‌شود، اما مدلی که یک روزه است سریع‌تر از هر چیز دیگری رشد می‌کند، بنابراین بدون این انتظار، مدل #1 هفته همیشه مدلی بود که دیروز منتشر شده بود نه مدلی که یک هفته دوام آورده باشد.
روند: رشد یک مدل در یک دوره چطور نسبت به رشد معمول مدل‌ها در همان دوره است. سریع‌تر از معمول یعنی افزایش، کندتر یعنی کاهش.
مدل معمولی: وسط فهرست: نصف مدل‌ها با عددی که دارند سریع‌تر رشد کردند و نصف کندتر.

چطور محبوبیت این مدل نسبت به بقیه کاتالوگ تغییر کرده: رشد دانلودها، لایک‌ها و استفاده در هر دوره، نسبت به رشد معمول مدل‌ها در همان دوره، همراه با امتیاز حرارت آن زمان. بالاتر از رشد معمول یعنی افزایش، پایین‌تر یعنی کاهش. گذشته از روی مجموع‌های امروز، روز اول مدل و سرعت دانلود اندازه‌گیری شده وقتی دو داده وجود دارد بازسازی شده؛ مدلی که در شروع دوره وجود نداشته باشد n/a نشان می‌دهد.

مدل‌های مشابه

Qwen3 Coder 30B A3B Instruct

TEXT / LLM

GPT 5 Image Mini

TEXT / LLM

مدل‌های هوش مصنوعی برای تولید تصویر، ویدئو و متن

MiniMax M3 یک مدل متنی برای خانواده Text / LLM است که در ModelTrends.ai، کاتالوگ فقط‌خواندنی مدل‌های هوش مصنوعی متن‌باز تصویر، ویدئو و متن، فهرست شده است. آن را با دیگر مدل‌های Text / LLM مقایسه کنید، امتیاز داغی آن را ببینید و برای امتحان آن را در PirateDiffusion یا BitVector باز کنید.

مدل‌های بیشتر Text / LLM متن / LLM بیشتر Text / LLM llm minimax بینایی ویدیو استدلال عامل‌ها کدنویسی متن زمینه بلند

مرور بر اساس خانواده مدل