MiniMax M3 : un nouveau modèle avec 1 M de tokens, multimodalité et computer use

Le 1er juin 2026, MiniMax a lancé un nouveau modèle, MiniMax M3, construit sur l'architecture MiniMax Sparse Attention (MSA). Il dispose d'une fenêtre de contexte de 1 million de tokens et d'une prise en charge native des images, de la vidéo et du computer use.

Comment fonctionne l'architecture MSA ?

La sparse attention (attention parcimonieuse) est une approche dans laquelle le modèle ne recalcule pas l'attention entre toutes les paires de tokens d'une séquence, comme le fait l'attention dense classique, mais se concentre sur un sous-ensemble clairsemé des liens les plus pertinents. Cela permet de traiter des séquences nettement plus longues avec le même budget de calcul. MiniMax Sparse Attention repose sur ce principe : c'est la décision d'ingénierie clé qui a permis à MiniMax M3 de tenir une fenêtre de contexte de 1 million de tokens sans explosion exponentielle des coûts d'inférence.

Dans un transformeur dense classique, la complexité de calcul du mécanisme d'attention croît de façon quadratique avec la longueur de la séquence : doubler le contexte revient à quadrupler le calcul nécessaire. Cette croissance quadratique a toujours été le principal obstacle technique aux modèles à fenêtre d'un million de tokens : sans schémas d'attention parcimonieux ou optimisés d'une autre manière, l'inférence à de telles longueurs devient économiquement intenable. Des architectures comme MSA permettent aux laboratoires de contourner cette limite en réduisant la part de calcul consacrée aux liens rarement utilisés entre des tokens éloignés les uns des autres.

• Modèle : MiniMax M3
• Architecture : MiniMax Sparse Attention (MSA)
• Fenêtre de contexte : 1 million de tokens
• Modalités : images et vidéo natives, computer use
• En plus : prise en charge de l'agentic coding
• Date de sortie : 1er juin 2026 (selon MarkTechPost)

Multimodalité et computer use dès la sortie de la boîte

MiniMax M3 est présenté comme un modèle doté d'une prise en charge native, et non greffée, des images et de la vidéo : il traite ces modalités directement, sans adaptateurs séparés ni conversion en descriptions textuelles. Le modèle prend aussi en charge le computer use : il peut percevoir l'état de l'écran d'un ordinateur et exécuter des actions (clics, saisie de texte, navigation dans les interfaces) pour accomplir des tâches de façon autonome dans des applications graphiques. Associé à un contexte long, cela ouvre des scénarios où le modèle peut garder en mémoire de grands volumes de contexte visuel et textuel pendant l'exécution de tâches agentiques en plusieurs étapes.

Pourquoi un modèle a-t-il besoin d'un million de tokens de contexte ?

Une fenêtre de contexte de 1 million de tokens est comparable à la taille d'une grande base de code, d'une documentation volumineuse ou d'un enregistrement vidéo de plusieurs heures décrit sous forme de texte. Pour l'agentic coding, la seconde capacité revendiquée dans l'annonce, un contexte long est crucial : un agent qui travaille sur un vrai projet doit souvent garder simultanément en mémoire de nombreux fichiers, l'historique des modifications et les résultats des commandes, sans perdre le fil de la tâche.

MiniMax est une entreprise chinoise qui développe de grands modèles de langage et concurrence d'autres grands acteurs de Chine et des États-Unis. Pour tous, le contexte long et la multimodalité sont devenus ces dernières années l'un des principaux terrains d'affrontement, au même titre que la qualité brute des réponses. La prise en charge de l'agentic coding revendiquée dans l'annonce indique que MiniMax M3 se positionne non pas simplement comme un modèle de dialogue, mais comme un outil à intégrer dans des pipelines de développement agentiques, c'est-à-dire dans la même catégorie de tâches où s'affrontent aujourd'hui les modèles qui alimentent des produits comme les assistants de programmation autonomes.

La sortie de MiniMax M3 s'inscrit dans la course générale des grands laboratoires au contexte long et à la multimodalité universelle. Outre MiniMax, d'autres développeurs de modèles rivalisent activement avec des fenêtres de contexte allant de plusieurs centaines de milliers à plus d'un million de tokens. Miser sur l'attention parcimonieuse pour réduire le coût du traitement des longues séquences est l'une des réponses architecturales que chaque laboratoire apporte à sa manière.

Pour les utilisateurs finaux et les développeurs, la valeur pratique de telles sorties se mesure moins aux détails d'architecture annoncés qu'aux scénarios qui deviennent réellement accessibles : traiter un dépôt de code entier en une seule passe, analyser une longue vidéo sans la découper en fragments, ou disposer d'un agent capable de garder en contexte tout l'historique d'une session de travail de plusieurs heures. Ce qui distingue des sorties comme MiniMax M3 des générations de modèles précédentes, où chacune de ces capacités devait être assemblée à partir de composants distincts, c'est la combinaison du contexte long, de la multimodalité native et du computer use dans un seul modèle, et non dans un ensemble d'outils disparates.