MiniMax M3: un nuevo modelo con 1 M de tokens, multimodalidad y computer use

El 1 de junio de 2026, MiniMax lanzó un nuevo modelo, MiniMax M3, basado en la arquitectura MiniMax Sparse Attention (MSA). Cuenta con una ventana de contexto de 1 millón de tokens y soporte nativo para imágenes, vídeo y computer use.

¿Cómo funciona la arquitectura MSA?

La atención dispersa (sparse attention) es un enfoque en el que el modelo no recalcula la atención entre todos los pares de tokens de una secuencia, como hace la atención densa clásica, sino que se concentra en un subconjunto disperso de las conexiones más relevantes. Esto permite procesar secuencias mucho más largas con el mismo presupuesto de cómputo. MiniMax Sparse Attention se basa en este principio y es la decisión de ingeniería clave que ha permitido a MiniMax M3 mantener una ventana de contexto de 1 millón de tokens sin un crecimiento exponencial de los costes de inferencia.

En un transformer denso clásico, la complejidad computacional del mecanismo de atención crece de forma cuadrática con la longitud de la secuencia: duplicar el contexto implica cuadruplicar el cómputo necesario. Ese crecimiento cuadrático ha sido históricamente la principal barrera técnica para los modelos con ventanas de un millón de tokens: sin esquemas de atención dispersos o de otro modo optimizados, la inferencia con esas longitudes resulta económicamente inviable. Arquitecturas como MSA permiten a los laboratorios sortear esta limitación al reducir la proporción de cálculo dedicada a conexiones poco utilizadas entre tokens muy alejados entre sí.

• Modelo: MiniMax M3
• Arquitectura: MiniMax Sparse Attention (MSA)
• Ventana de contexto: 1 millón de tokens
• Modalidades: imágenes y vídeo nativos, computer use
• Adicionalmente: soporte de agentic coding
• Fecha de lanzamiento: 1 de junio de 2026 (según MarkTechPost)

Multimodalidad y computer use de serie

MiniMax M3 se presenta con soporte nativo, y no añadido, para imágenes y vídeo: el modelo procesa estas modalidades directamente, sin adaptadores independientes ni conversión a descripciones de texto. Además, admite el modo computer use: la capacidad de percibir el estado de la pantalla de un ordenador y ejecutar acciones (clics, entrada de texto, navegación por interfaces) para completar tareas de forma autónoma en aplicaciones gráficas. Combinado con un contexto largo, esto abre escenarios en los que el modelo puede mantener en memoria grandes volúmenes de contexto visual y textual mientras realiza tareas agénticas de varios pasos.

¿Para qué necesita un modelo un millón de tokens de contexto?

Una ventana de contexto de 1 millón de tokens es comparable al tamaño de una base de código grande, de una documentación extensa o de una grabación de vídeo de varias horas convertida en descripción textual. Para el agentic coding, la segunda capacidad que declara el lanzamiento, un contexto largo es crítico: un agente que trabaja en un proyecto real suele necesitar mantener a la vez en memoria muchos archivos, el historial de cambios y los resultados de los comandos, sin perder el hilo de la tarea.

MiniMax es una empresa china que desarrolla grandes modelos de lenguaje y compite con otros grandes desarrolladores de China y Estados Unidos. Para todos ellos, el contexto largo y la multimodalidad se han convertido en los últimos años en uno de los principales terrenos de competencia, junto con la calidad pura de las respuestas. El soporte de agentic coding que declara el lanzamiento indica que MiniMax M3 se posiciona no solo como un modelo de conversación, sino como una herramienta para integrar en pipelines de desarrollo agénticos, es decir, en la misma clase de tareas en la que compiten hoy los modelos que sustentan productos como los asistentes de programación autónomos.

El lanzamiento de MiniMax M3 se inscribe en la carrera general de los grandes laboratorios por el contexto largo y la multimodalidad universal. Además de MiniMax, otros desarrolladores de modelos compiten activamente con ventanas de contexto de entre varios cientos de miles y más de un millón de tokens. Apostar por la atención dispersa para abaratar el procesamiento de secuencias largas es una de las respuestas arquitectónicas que cada laboratorio resuelve a su manera.

Para usuarios finales y desarrolladores, el valor práctico de lanzamientos como este se mide menos por los detalles arquitectónicos declarados que por los escenarios que pasan a estar realmente disponibles: procesar un repositorio de código entero de una sola pasada, analizar un vídeo largo sin dividirlo en fragmentos o contar con un agente capaz de mantener en contexto todo el historial de una sesión de trabajo de varias horas. Lo que distingue a lanzamientos como MiniMax M3 de generaciones anteriores de modelos, donde cada una de estas capacidades había que montarla a partir de componentes separados, es la combinación de contexto largo, multimodalidad nativa y computer use en un único modelo, y no en un conjunto de herramientas dispares.