Kan jag köra MiniMax M3 lokalt?

Ja, vikterna är öppna och finns hos MiniMaxAI/MiniMax-M3 på Hugging Face. MiniMax stödjer SGLang, vLLM, Transformers, KTransformers, unsloth och ATOM som inferensramverk, men med 428 miljarder parametrar krävs betydande hårdvara.

Vad kostar MiniMax M3 via API?

API:t kostar $0.30 per miljon inmatningstokens och $1.20 per miljon utmatningstokens, med ett kontextfönster på 1 048 576 tokens.

Hur skiljer sig M3 från M2?

M3 ersätter full uppmärksamhet med MiniMax Sparse Attention, vilket ger 9× snabbare förfyllning och 15× snabbare avkodning vid 1M kontext samtidigt som beräkningen per token minskas till ungefär 1/20 av M2; den lägger också till inbyggd videoinmatning och en konfigurerbar resonemangsmodus som M2 inte exponerade.

▲

29.0%

den här veckan

MiniMax M3

9051°

#llm #minimax #vision #video #resonemang #agenter

Vision

Körs på Graydient

Kör modellen

Erbjudanden / annonser

Easy Creator (Prism) Webb

Obegränsat · fast avgift

Bäst för nybörjare. Kraftfulla arbetsflöden, låg inlärningströskel.

PirateDiffusion Telegram

Obegränsat · fast avgift

Skapa videor, bilder, anpassade chattpersonligheter med mera.

Pro studio (SpyGlass) Webb

Obegränsat · fast avgift

Bläddra bland modeller, rendera och förbättra från vilken webbläsare eller telefon som helst.

Discord bot (Vector)

Obegränsat · fast avgift

Lägg till Vector till din server eller gå med i Vector Discord. Skapa vad som helst!

Unified Editor Webb

Obegränsat · fast avgift

Redigerare för bilder och video: rendera, redigera, förstora och mer på en sida.

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

Lokala appar

Kräver installation

Installera lokala program om din dator har tillräcklig prestanda.

ModelDuel Webb

Betala per användning

Generera samma prompt på upp till 50 checkpoint-/basmodeller samtidigt.

Hyra GPU i molnet

Graydient Cloud GPU

Obegränsat · fast avgift

Fast avgift, obegränsad användning. Denna modell installeras med ett klick.

RunPod Cloud GPU

Debiteras per minut

Hyra GPU per minut och installera modellen själv.

Guider för denna modell

Hur du väljer en AI-modell i oktober 2026: nyheter om stängd källkod och öppna vikter värda att ladda ner

Bästa lokala LLM efter användningsområde (oktober 2026): rätt öppna modell för varje jobb

Hur mycket VRAM behöver jag egentligen för lokal AI?

Öppna vikter vs öppen källkod vs endast API: vad du faktiskt får göra

Hur man installerar Ollama och kör en lokal AI (Windows, Mac, Linux)

Alla guider

MiniMax | 1 048 576 tokens kontext | $0.30/M input, $1.20/M output. MiniMax-M3 är en multimodal grundmodell från MiniMax. Den stödjer text-, bild- och videoinmatningar med textutmatning, ett kontextfönster på 1 miljon tokens och är lämpad för långsiktigt agentarbete, kodning och verktygsanvändning. Den bygger på MiniMax Sparse Attention (MSA), som ersätter full uppmärksamhet med KV-blockval för att minska beräkningen per token vid lång kontext – ungefär 1/20 av kostnaden för föregående generation vid 1 miljon tokens, med avsevärt snabbare förfyllning och avkodning samtidigt som kvaliteten…MiniMax | 1 048 576 tokens kontext | $0.30/M input, $1.20/M output. MiniMax-M3 är en multimodal grundmodell från MiniMax. Den stödjer text-, bild- och videoinmatningar med textutmatning, ett kontextfönster på 1 miljon tokens och är lämpad för långsiktigt agentarbete, kodning och verktygsanvändning. Den bygger på MiniMax Sparse Attention (MSA), som ersätter full uppmärksamhet med KV-blockval för att minska beräkningen per token vid lång kontext – ungefär 1/20 av kostnaden för föregående generation vid 1 miljon tokens, med avsevärt snabbare förfyllning och avkodning samtidigt som kvaliteten bibehålls över de flesta uppgifter. Tränad som en inbyggd multimodal modell på sammanflätade data och finjusterad för flerstegs, produktionslikt samarbete via ett interaktivt användarsimuleringsramverk, är modellen inriktad på uthålliga, flerstegsuppgifter snarare än enkelstegsutförande.

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

MiniMax M3 är en 428 miljarder parametrar stor sparsam mixture-of-experts-modell från MiniMax, som aktiverar ungefär 23 miljarder parametrar per token, med ett kontextfönster på en miljon tokens och inbyggt stöd för text-, bild- och videoinmatningar. Dess MiniMax Sparse Attention-arkitektur minskar beräkningen per token till ungefär 1/20 av föregående generation vid full kontext, med 9× snabbare förfyllning och 15× snabbare avkodning. Vikterna är öppna, API:t är billigt och designen riktar sig mot långvarigt agentarbete snarare än engångsfrågor.

Känd för

1 miljon tokens kontext till en bråkdel av beräkningskostnaden för modeller med tät uppmärksamhet
Inbyggd multimodal träning över text, bild och video från första steget
9× snabbare förfyllning och 15× snabbare avkodning jämfört med M2 vid maximal kontext
Tre växlingsbara resonemangsmodi: alltid på, adaptiv eller avstängd
Optimerad för flerstegs agentuppgifter och verktygsanvändning, inte bara enkelpromptar

Se upp för

Med 428 miljarder parametrar kräver lokal distribution seriös hårdvara; kontrollera VRAM-krav innan nedladdning.
Öppna vikter, men kontrollera licensvillkoren för ditt användningsfall innan du bygger en kommersiell produkt ovanpå.
Videounder och bildkvalitet vid extrema kontextlängder är inte oberoende benchmarkad här.

Bäst för

Agenter och verktygsanvändning

Promptar att prova

Omstrukturering av flerdokumentuppgift

Du arbetar på en Python-webbskrapa uppdelad i tre filer: fetcher.py hanterar HTTP-förfrågningar med retries, parser.py extraherar strukturerad data med BeautifulSoup, och main.py orkestrerar pipelinen. Skrapan tappar tyst bort objekt när en sida returnerar 429. Diagnostisera sannolik orsak, föreslå en fix med exponentiell backoff och skriv om relevanta delar av fetcher.py och main.py för att implementera den.

Frågor och svar om långt dokument

Jag kommer att klistra in ett långt kontrakt nedan. Läs hela dokumentet och svara sedan på dessa tre frågor: 1) Vilka är uppsägningsvillkoren för vardera part? 2) Finns det några automatiska förlängningsklausuler, och i så fall vilken uppsägningstid gäller? 3) Vilken part bär ansvaret för dataintrång? Ange klausulnummer för varje svar. [Klistra in kontraktstext här]

Bildbaserad analys

Bifogat finns en skärmdump av en dashboard. Identifiera varje synlig mätare, notera vilka som ligger utanför normal drift baserat på vad du kan se, och föreslå de två mest sannolika grundorsakerna till eventuella avvikelser. Skriv sedan en tremeningssammanfattning som en icke-teknisk chef kan läsa.

Jämför med

MiniMax M1
Endast API-modell
1,000,000 tokens kontext · $0.55/M indata, $2.20/M utdata
MiniMax M2.5
Öppen vikt-modell
204,800 tokens kontext · $0.27/M indata, $0.95/M utdata
MiniMax-01
Öppen vikt-modell
1,000,192 tokens kontext · $0.20/M indata, $1.10/M utdata
MiniMax M2.1
Öppen vikt-modell
204,800 tokens kontext · $0.30/M indata, $1.20/M utdata

Fler textmodeller från minimax

Vanliga frågor

Kan jag köra MiniMax M3 lokalt?: Ja, vikterna är öppna och finns hos MiniMaxAI/MiniMax-M3 på Hugging Face. MiniMax stödjer SGLang, vLLM, Transformers, KTransformers, unsloth och ATOM som inferensramverk, men med 428 miljarder parametrar krävs betydande hårdvara.
Vad kostar MiniMax M3 via API?: API:t kostar $0.30 per miljon inmatningstokens och $1.20 per miljon utmatningstokens, med ett kontextfönster på 1 048 576 tokens.
Hur skiljer sig M3 från M2?: M3 ersätter full uppmärksamhet med MiniMax Sparse Attention, vilket ger 9× snabbare förfyllning och 15× snabbare avkodning vid 1M kontext samtidigt som beräkningen per token minskas till ungefär 1/20 av M2; den lägger också till inbyggd videoinmatning och en konfigurerbar resonemangsmodus som M2 inte exponerade.

Kaptens omdöme
En sällsynt öppen-viktsmodell som tar miljon-token kontextfönstret på allvar nog att bygga om uppmärksamhetsmekanismen kring det.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Popularitetstrend för MiniMax M3

Värmenpoäng sedan 31 May 2026

Värmescore

9,051°

Den här veckan

▲

29.0%

9,017° då, 9,051° nu

Den här månaden

▲

231%

8,892° då, 9,051° nu

Senaste året

n/a

Inte släppt/spårad än

7,000°

Golvet

Skalan går från 0° till 9 999°. Allt under 7,000° är reserverat för modeller som ingen källa rapporterat om än, som får ett tillfälligt nummer där så listorna förblir kompletta. 7,000° är där mätta data börjar: en modell med riktiga data men nästan inga nedladdningar ligger på golvet, och mätningarna fyller graderna ovanför. Golvet säger inget om modellen; det gör bara graderna ovanför, och det är de som skiljer en modell från en annan.

+1,727°

OpenRouter-token

5,730,756,128,120 token som denna modell bearbetat via OpenRouter de senaste 30 dagarna, både prompts och svar. Varje 10,000,000 token räknas som en nedladdning i nedladdningsterm, totalt 573,075; token från senaste dagen räknas in i användningstakten. Källa: OpenRouter (openrouter.ai/rankings).

+324°

Adoptionshastighet

Ungefär 20,825 nedladdningar per dag, mätt mellan två avläsningar av källorna, aldrig uppskattat från ett livstidsgenomsnitt. Hastigheten väger en fjärdedel av nedladdningstermen, så en ny våg syns utan att en dags toppar slår ut år av användning.

Visa detaljerad uppdelning

Varje siffra på den här sidan kan kontrolleras. Den här modellens heat-poäng är 9,051°, och här byggs den upp en ingrediens i taget, med löpande total efter varje: golvet, graderna varje källa lägger till, bonusen för modelltypen och vad vikternas ålder drar bort. Färgerna är banden i diagrammet ovan. Ordlistan i slutet förklarar varje term.

1
Börja vid golvet.
Varför 7,000° och inte noll: skalan går från 0° till 9 999°, och delen under 7,000° är reserverad för modeller som ingen källa rapporterat om än, som får ett tillfälligt nummer där så listorna förblir kompletta och aldrig rankas högre än en modell med data. 7,000° är där mätta data börjar. En modell med riktiga data men nästan inga nedladdningar ligger här; allt som följer är mätning, och utrymmet ovanför golvet rymmer tio tiofaldiga steg i nedladdningar på 300° vardera. Golvet är detsamma för varje modell, så det avgör inget; det gör graderna ovanför.
7,000°
löpande total
2
Lägg till nedladdningarna.
573,075 nedladdnings-ekvivalenter totalt, från OpenRouter-token. Tio gånger nedladdningarna ger samma 300°, så storlek spelar roll men tar aldrig över poängen.
+1,727°
8,727°
löpande total
3
Lägg till adoptionshastigheten.
Ungefär 20,825 nedladdningar per dag just nu, mätt mellan två mätningar, med en fjärdedels vikt.
+324°
9,051°
löpande total
=
Heat-poängen.
Var den här modellen står på varje lista på den här sidan. Ingenting annat ändrar den.
9,051°

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Hur den här modellens popularitet har rört sig jämfört med resten av katalogen: dess tillväxt i nedladdningar, gillningar och användning under varje period, mätt mot en typisk modells tillväxt under samma period, med dess heat-poäng vid den tiden. Över den typiska tillväxten ses som en uppgång, under som en nedgång. Det förflutna rekonstrueras från dagens totalsummor, modellens första dag och dess uppmätta nedladdningshastighet där två mätningar finns; en modell som inte fanns i början av en period visar n/a.

Liknande modeller

Meta Llama 3.1 8B Instruct Turbo

TEXT / LLM

AI-modeller för bild-, video- och textgenerering

MiniMax M3 är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller, se dess hettapoäng och prova den på PirateDiffusion eller BitVector.

Fler Text / LLM-modeller llm minimax vision video resonemang agenter kodning lång kontext

Bläddra efter modellfamilj