MiniMax M3: Novo Modelo com 1M Tokens, Multimodalidade e Computer Use

Em 1º de junho de 2026, MiniMax lançou um novo modelo, MiniMax M3, construído na arquitetura MiniMax Sparse Attention (MSA) — com uma janela de contexto de 1 milhão de tokens e suporte nativo para imagens, vídeo e modo computer use.

Como funciona a arquitetura MSA?

Sparse Attention é uma abordagem onde um modelo não recalcula atenção entre todos os pares de tokens em uma sequência, como em atenção densa clássica, mas concentra-se em um subconjunto disperso das conexões mais relevantes. Isso permite processar sequências significativamente mais longas dentro do mesmo orçamento computacional. É neste princípio que MiniMax Sparse Attention é construído — uma arquitetura que se tornou uma solução de engenharia chave que permitiu que MiniMax M3 mantivesse uma janela de contexto de 1 milhão de tokens sem crescimento exponencial em custos de inferência.

Em um transformador denso clássico, a complexidade computacional do mecanismo de atenção cresce quadraticamente com o comprimento da sequência: duplicar o contexto significa um aumento de quatro vezes nos cálculos necessários. Esse crescimento quadrático tem sido historicamente a principal barreira técnica para modelos com janelas de contexto de milhões de tokens — sem esquemas de atenção dispersa ou outros esquemas otimizados, a inferência em tais comprimentos se torna economicamente impraticável. Soluções arquitetônicas como MSA permitem que laboratórios contornem essa limitação reduzindo a parte de cálculos dedicados a conexões raramente usadas entre tokens distantes.

• Modelo: MiniMax M3
• Arquitetura: MiniMax Sparse Attention (MSA)
• Janela de contexto: 1 milhão de tokens
• Modalidades: imagens nativas, vídeo, computer use
• Adicional: suporte para agentic coding
• Data de lançamento: 1º de junho de 2026 (de acordo com MarkTechPost)

Multimodalidade e computer use "pronto para usar"

MiniMax M3 é anunciado como um modelo com suporte nativo, não sobreposto, para imagens e vídeo — essas modalidades são processadas diretamente pelo modelo, não através de adaptadores separados ou conversão para descrições de texto. Além disso, o modelo suporta modo computer use — a capacidade de perceber o estado de uma tela de computador e executar ações (cliques, entrada de texto, navegação de interface) para execução de tarefas autônomas em aplicações gráficas. Combinado com um contexto longo, isso abre cenários onde o modelo pode manter grandes volumes de contexto visual e textual enquanto executa tarefas de agentes em múltiplas etapas.

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 grande base de código, documentação extensa ou muitas horas de gravação de vídeo em descrição textual. Para tarefas de agentic coding — a segunda habilidade anunciada no lançamento — o contexto longo é crítico: um agente trabalhando em um projeto real geralmente precisa manter simultaneamente na memória muitos arquivos, histórico de mudanças e resultados de execução de comandos sem perder o fio da tarefa.

MiniMax é uma empresa chinesa desenvolvendo modelos de linguagem grande e competindo no mercado com outros desenvolvedoras importantes da China e dos Estados Unidos, para os quais contexto longo e multimodalidade nos últimos anos se tornaram um dos principais campos de competição junto com a qualidade pura das respostas. O suporte para agentic coding anunciado no lançamento indica que MiniMax M3 é posicionado não simplesmente como um modelo de diálogo mas como uma ferramenta para ser incorporada em pipelines de desenvolvimento de agentes — ou seja, na mesma classe de tarefas onde modelos que fundamentam produtos como assistentes de codificação autônomos competem atualmente.

O lançamento de MiniMax M3 se encaixa na corrida geral de laboratórios principais por contexto longo e multimodalidade universal — uma direção na qual, além de MiniMax, outros desenvolvedoras de modelos competem ativamente com janelas de contexto de centenas de milhares a mais de um milhão de tokens. A aposta em atenção dispersa como forma de baratear o processamento de sequências longas é uma das respostas arquitetônicas que diferentes laboratórios resolvem à sua maneira.

Para usuários finais e desenvolvedoras, o significado prático de tais lançamentos é medido não tanto pelos detalhes arquitetônicos anunciados quanto pelos cenários que se tornam realmente disponíveis: processar um repositório de código inteiro em uma única passagem, analisar vídeo longo sem dividir em fragmentos, ou um agente que pode manter em contexto o histórico completo de uma sessão de trabalho de várias horas em uma tarefa. É precisamente a combinação de contexto longo com multimodalidade nativa e computer use em um único modelo, em vez de em um conjunto de ferramentas dispares, que distingue lançamentos como MiniMax M3 de gerações anteriores de modelos onde cada uma dessas capacidades tinha que ser montada a partir de componentes separados.