MiniMax M3: نموذج جديد مع 1M رمز، التعددية والاستخدام عبر الكمبيوتر

1 июня 2026 года компания MiniMax выпустила новую модель MiniMax M3, построенную на архитектуре MiniMax Sparse Attention (MSA) — с окном контекста в 1 миллион токенов и нативной поддержкой изображений, видео и режима computer use.

Как работает архитектура MSA?

Sparse Attention — подход, при котором модель не пересчитывает внимание между всеми парами токенов в последовательности, как в классическом dense attention, а концентрируется на разреженном подмножестве наиболее релевантных связей. Это позволяет обрабатывать значительно более длинные последовательности при том же вычислительном бюджете. Именно на этом принципе построена MiniMax Sparse Attention — архитектура, ставшая ключевым инженерным решением, которое позволило MiniMax M3 удерживать окно контекста в 1 млн токенов без экспоненциального роста затрат на инференс.

В классическом dense-трансформере вычислительная сложность механизма внимания растёт квадратично с увеличением длины последовательности: удвоение контекста означает четырёхкратный рост требуемых вычислений. Именно этот квадратичный рост исторически был главным техническим барьером на пути к моделям с миллионным контекстным окном — без разреженных или иных оптимизированных схем внимания инференс на таких длинах становится экономически непрактичным. Архитектурные решения вроде MSA позволяют лабораториям обходить это ограничение, снижая долю вычислений, приходящихся на редко используемые связи между удалёнными друг от друга токенами.

• Модель: MiniMax M3
• Архитектура: MiniMax Sparse Attention (MSA)
• Контекстное окно: 1 млн токенов
• Модальности: нативные изображения, видео, computer use
• Дополнительно: поддержка agentic coding
• Дата релиза: 1 июня 2026 года (по данным MarkTechPost)

Мультимодальность и computer use «из коробки»

MiniMax M3 заявлена как модель с нативной, а не надстроечной поддержкой изображений и видео — эти модальности обрабатываются моделью напрямую, а не через отдельные адаптеры или конвертацию в текстовое описание. Дополнительно модель поддерживает режим computer use — способность воспринимать состояние экрана компьютера и выполнять действия (клики, ввод текста, навигацию по интерфейсам) для автономного выполнения задач в графических приложениях. В сочетании с длинным контекстом это открывает сценарии, где модель может держать в памяти большие объёмы визуального и текстового контекста при выполнении многошаговых агентных задач.

Зачем модели миллион токенов контекста?

Контекстное окно в 1 млн токенов сопоставимо с объёмом крупной кодовой базы, объёмной документации или многочасовой видеозаписи в текстовом описании. Для задач agentic coding — второй заявленной в релизе способности модели — длинный контекст критичен: агенту, работающему над реальным проектом, часто нужно одновременно удерживать в памяти множество файлов, историю изменений и результаты выполнения команд, не теряя нить задачи.

MiniMax — китайская компания, разрабатывающая большие языковые модели и конкурирующая на рынке с другими крупными разработчиками из Китая и США, для которых длинный контекст и мультимодальность в последние годы стали одним из главных полей конкуренции наравне с чистым качеством ответов. Заявленная в релизе поддержка agentic coding указывает на то, что MiniMax M3 позиционируется не просто как модель для диалога, а как инструмент, встраиваемый в агентные пайплайны разработки — то есть в тот же класс задач, где сейчас соревнуются модели, лежащие в основе таких продуктов, как автономные кодинг-ассистенты.

Релиз MiniMax M3 вписывается в общую гонку крупных лабораторий за длинный контекст и универсальную мультимодальность — направление, в котором помимо MiniMax активно конкурируют другие разработчики моделей с окнами контекста от нескольких сотен тысяч до миллиона с лишним токенов. Ставка на разреженное внимание как способ удешевить обработку длинных последовательностей — один из архитектурных ответов, которые разные лаборатории решают по-своему.

Для конечных пользователей и разработчиков практическое значение подобных релизов измеряется не столько заявленными архитектурными деталями, сколько тем, какие сценарии становятся реально доступными: обработка целого репозитория кода за один проход, анализ длинного видео без нарезки на фрагменты, или агент, который может держать в контексте всю историю многочасовой сессии работы над задачей. Именно совмещение длинного контекста с нативной мультимодальностью и computer use в одной модели, а не в наборе разрозненных инструментов, отличает такие релизы, как MiniMax M3, от более ранних поколений моделей, где каждую из этих возможностей приходилось собирать из отдельных компонентов.