MiniMax M3: novo modelo com 1 milhão de tokens, multimodalidade e computer use

Em 1º de junho de 2026, a MiniMax lançou um novo modelo, o MiniMax M3, construído sobre a arquitetura MiniMax Sparse Attention (MSA). Ele tem janela de contexto de 1 milhão de tokens e suporte nativo a imagens, vídeo e computer use.

Como funciona a arquitetura MSA?

Sparse attention (atenção esparsa) é uma abordagem em que o modelo não recalcula a atenção entre todos os pares de tokens de uma sequência, como na atenção densa clássica, e passa a se concentrar em um subconjunto esparso das conexões mais relevantes. Isso permite processar sequências bem mais longas com o mesmo orçamento computacional. A MiniMax Sparse Attention foi construída sobre esse princípio e é a decisão de engenharia central que permitiu ao MiniMax M3 manter uma janela de contexto de 1 milhão de tokens sem crescimento exponencial dos custos de inferência.

Em um transformer denso clássico, a complexidade computacional do mecanismo de atenção cresce de forma quadrática com o tamanho da sequência: dobrar o contexto significa quadruplicar o cálculo necessário. Esse crescimento quadrático sempre foi a principal barreira técnica para modelos com janelas de um milhão de tokens: sem esquemas de atenção esparsos ou otimizados de outra forma, a inferência nesses tamanhos se torna economicamente inviável. Arquiteturas como a MSA permitem que os laboratórios contornem essa limitação, reduzindo a fatia de cálculo gasta com conexões pouco usadas entre tokens distantes uns dos outros.

• Modelo: MiniMax M3
• Arquitetura: MiniMax Sparse Attention (MSA)
• Janela de contexto: 1 milhão de tokens
• Modalidades: imagens e vídeo nativos, computer use
• Adicionalmente: suporte a agentic coding
• Data de lançamento: 1º de junho de 2026 (segundo o MarkTechPost)

Multimodalidade e computer use de fábrica

O MiniMax M3 é apresentado com suporte nativo, e não acoplado, a imagens e vídeo: o modelo processa essas modalidades diretamente, sem adaptadores separados nem conversão para descrições em texto. Além disso, ele suporta o modo computer use, a capacidade de perceber o estado da tela do computador e executar ações (cliques, digitação, navegação por interfaces) para realizar tarefas de forma autônoma em aplicativos gráficos. Combinado a um contexto longo, isso abre cenários em que o modelo pode manter na memória grandes volumes de contexto visual e textual ao executar tarefas agênticas de vários passos.

Por que um modelo precisa de um milhão de tokens de contexto?

Uma janela de contexto de 1 milhão de tokens é comparável ao tamanho de uma base de código grande, de uma documentação extensa ou de uma gravação de vídeo de várias horas em descrição textual. Para agentic coding, a segunda capacidade declarada no lançamento, o contexto longo é crítico: um agente que trabalha em um projeto real costuma precisar manter na memória, ao mesmo tempo, muitos arquivos, o histórico de alterações e os resultados de comandos, sem perder o fio da tarefa.

A MiniMax é uma empresa chinesa que desenvolve grandes modelos de linguagem e concorre com outros grandes desenvolvedores da China e dos EUA. Para todos eles, contexto longo e multimodalidade se tornaram, nos últimos anos, um dos principais campos de disputa, ao lado da qualidade pura das respostas. O suporte a agentic coding declarado no lançamento indica que o MiniMax M3 é posicionado não apenas como um modelo de conversa, mas como uma ferramenta para ser incorporada a pipelines de desenvolvimento agênticos, ou seja, na mesma classe de tarefas em que hoje competem os modelos por trás de produtos como os assistentes de programação autônomos.

O lançamento do MiniMax M3 se encaixa na corrida geral dos grandes laboratórios por contexto longo e multimodalidade universal. Além da MiniMax, outros desenvolvedores de modelos competem ativamente com janelas de contexto de algumas centenas de milhares até mais de um milhão de tokens. Apostar na atenção esparsa para baratear o processamento de sequências longas é uma das respostas arquitetônicas que cada laboratório resolve à sua maneira.

Para usuários finais e desenvolvedores, o valor prático de lançamentos assim se mede menos pelos detalhes arquitetônicos declarados e mais pelos cenários que passam a estar realmente disponíveis: processar um repositório de código inteiro de uma só vez, analisar um vídeo longo sem cortá-lo em trechos, ou contar com um agente capaz de manter no contexto todo o histórico de uma sessão de trabalho de várias horas. O que distingue lançamentos como o MiniMax M3 de gerações anteriores de modelos, em que cada uma dessas capacidades precisava ser montada a partir de componentes separados, é a combinação de contexto longo, multimodalidade nativa e computer use em um único modelo, e não em um conjunto de ferramentas dispersas.