Heim
Das M3-Flaggschiffmodell von MiniMax und sein Indikator beeindrucken, lösen jedoch kontroverse Reaktionen aus
Der Wettlauf um große Sprachmodelle spitzt sich weiter zu: Das KI-Startup MiniMax hat kürzlich sein neues Flaggschiff-Modell M3 vorgestellt. Den Benchmark-Ergebnissen aus dem technischen Bericht zufolge liefert das Modell eine beeindruckende Leistung: Bei Tests, die reale Aufgaben aus der Softwareentwicklung simulieren, erzielte es 59 % und übertraf damit GPT-5.5 und näherte sich Opus4.7 an. Zudem bietet es die Verarbeitung von Kontexten mit einer Million Token sowie native multimodale Fähigkeiten. Trotz dieser starken technischen Erfolge hat die Markteinführung jedoch erhebliche Kritik seitens der Entwickler-Community ausgelöst, wobei besonders harte Kritik in chinesischen Online-Foren laut wurde.
Ein Hauptgrund für die Skepsis ist die Bewertungsmethodik. Technische Details zeigen, dass M3 „Claude Code“ – ein Konkurrenzmodell – als Bewertungsframework für seine Tests der Programmierfähigkeiten verwendet hat. Zwar ist es gängige Praxis, bestehende Toolchains für die Bewertung von Agenten zu nutzen, doch Kritiker bemängeln, dass MiniMax sein eigenes Modell im Wesentlichen anhand des Frameworks eines Konkurrenten getestet und direkt hohe Punktzahlen für sich beansprucht habe, wobei es sich in öffentlichen Werbeaktionen mit eben diesem Konkurrenten verglichen habe. Viele Entwickler bezeichnen diesen Ansatz als unaufrichtig, da er es erschwert, die nativen Fähigkeiten des Modells von den durch das Framework bereitgestellten Verbesserungen zu unterscheiden.

Ein weiterer Streitpunkt ist die Aufrichtigkeit des Open-Source-Engagements. Im Gegensatz zu anderen Anbietern, die Open-Source-Modelle mit vollständigen Gewichten veröffentlichen, hat MiniMax weder die Größe von M3 offengelegt noch dessen Gewichte bereitgestellt. Das Unternehmen erklärte lediglich, es werde das Modell innerhalb von zehn Tagen als Open Source veröffentlichen, und bot zum Start lediglich API-Zugriff an. Da Reproduzierbarkeit und Überprüfbarkeit Kernwerte der Open-Source-Community sind, hat die Werbung für Open Source bei gleichzeitiger Zurückhaltung der Gewichte – wenn auch aus kommerzieller Sicht verständlich – eine Entwickler-Community verprellt, die Transparenz und Praxistauglichkeit erwartet.

Was Vielnutzer am meisten frustriert hat, ist die plötzliche Änderung der Abrechnungsregeln. Zuvor war MiniMax für seine großzügigen Nutzungslimits bekannt, bei denen die Beschränkung nach der Anzahl der Anfragen erfolgte, ohne monatliche Token-Obergrenze. Mit der Veröffentlichung von M3 führte das Unternehmen einen neuen tokenbasierten Tarif ein, bei dem nach Gesamtvolumen abgerechnet wird. Während offiziell behauptet wird, dass der Plus-Tarif ein gutes Preis-Leistungs-Verhältnis bei den Token biete, stellen Vielnutzer – insbesondere diejenigen, die mit Kontexten im Millionenbereich arbeiten – fest, dass jeder Aufruf eine große Menge verbraucht und die Paketkontingente schnell erschöpft sind. Dies hat zu weit verbreiteten Beschwerden seitens langjähriger Nutzer geführt.
Abgesehen von den operativen Kontroversen weist M3 auf architektonischer Ebene durchaus bemerkenswerte Innovationen auf. Es führt einen selbst entwickelten „Sparse-Attention“-Mechanismus namens MSA (MiniMax Sparse Attention) ein, der die quadratische Rechenexplosion traditioneller Transformers abmildert, indem er hochpräzise Blockpartitionierung und Sparsifizierung auf Schlüssel-Wert-Paare anwendet. Auf der Ebene der Low-Level-Operatoren nutzt das Modell eine neuartige Aggregationsberechnungsmethode, die die Kontinuität des Speicherzugriffs verbessert und Geschwindigkeiten erreicht, die viermal schneller sind als die des Open-Source-Modells „Flash-Sparse-Attention“. Dadurch steigert M3 die Geschwindigkeiten bei der Vorwärtsausbreitung und der Dekodierung in Kontexten mit einer Million Token um das 9-fache bzw. das 15-fache und reduziert den Rechenaufwand pro Token auf die Hälfte des Wertes der Vorgängergeneration.
Verwandter Artikel
Meta möchte, dass Ihr nächstes Gadget mit Muse-Technologie ausgestattet ist
Metas Muse, ein KI-Assistent, der Buchungen für Reisen, Formularübermittlungen und Einkäufe übernimmt, hat eine weit verbreitete Akzeptanz gefunden, doch eine neue Initiative könnte insbesondere Entwickler und Hardware-Enthusiasten interessieren.Am
Wan-Streamer v0.2 bietet ultra-niedrige Latenz für KI-Chats
Da sich die moderne Technologie rasch weiterentwickelt, wird die Interaktion zwischen Mensch und KI immer häufiger. Traditionelle Videoanrufe kämpfen oft mit Verzögerungen, Latenzzeiten und einer Synchronisationslücke zwischen Audio und Video. Wan-St
Meta schließt sich TSMC und Micron an, um neue Server mit alter Speicherhardware auszustatten
Während die Einführung künstlicher Intelligenz weltweit voranschreitet, herrscht bei dem nächsten Generation DDR5-Speicher eine kritische Knappheit. Um Verzögerungen beim Aufbau von KI-Rechenzentren zu vermeiden, hat Meta mit Branchenführern wie TSMC
Empfehlungen zu verwandten Spezialthemen
Kommentare (0)
Der Wettlauf um große Sprachmodelle spitzt sich weiter zu: Das KI-Startup MiniMax hat kürzlich sein neues Flaggschiff-Modell M3 vorgestellt. Den Benchmark-Ergebnissen aus dem technischen Bericht zufolge liefert das Modell eine beeindruckende Leistung: Bei Tests, die reale Aufgaben aus der Softwareentwicklung simulieren, erzielte es 59 % und übertraf damit GPT-5.5 und näherte sich Opus4.7 an. Zudem bietet es die Verarbeitung von Kontexten mit einer Million Token sowie native multimodale Fähigkeiten. Trotz dieser starken technischen Erfolge hat die Markteinführung jedoch erhebliche Kritik seitens der Entwickler-Community ausgelöst, wobei besonders harte Kritik in chinesischen Online-Foren laut wurde.
Ein Hauptgrund für die Skepsis ist die Bewertungsmethodik. Technische Details zeigen, dass M3 „Claude Code“ – ein Konkurrenzmodell – als Bewertungsframework für seine Tests der Programmierfähigkeiten verwendet hat. Zwar ist es gängige Praxis, bestehende Toolchains für die Bewertung von Agenten zu nutzen, doch Kritiker bemängeln, dass MiniMax sein eigenes Modell im Wesentlichen anhand des Frameworks eines Konkurrenten getestet und direkt hohe Punktzahlen für sich beansprucht habe, wobei es sich in öffentlichen Werbeaktionen mit eben diesem Konkurrenten verglichen habe. Viele Entwickler bezeichnen diesen Ansatz als unaufrichtig, da er es erschwert, die nativen Fähigkeiten des Modells von den durch das Framework bereitgestellten Verbesserungen zu unterscheiden.

Ein weiterer Streitpunkt ist die Aufrichtigkeit des Open-Source-Engagements. Im Gegensatz zu anderen Anbietern, die Open-Source-Modelle mit vollständigen Gewichten veröffentlichen, hat MiniMax weder die Größe von M3 offengelegt noch dessen Gewichte bereitgestellt. Das Unternehmen erklärte lediglich, es werde das Modell innerhalb von zehn Tagen als Open Source veröffentlichen, und bot zum Start lediglich API-Zugriff an. Da Reproduzierbarkeit und Überprüfbarkeit Kernwerte der Open-Source-Community sind, hat die Werbung für Open Source bei gleichzeitiger Zurückhaltung der Gewichte – wenn auch aus kommerzieller Sicht verständlich – eine Entwickler-Community verprellt, die Transparenz und Praxistauglichkeit erwartet.

Was Vielnutzer am meisten frustriert hat, ist die plötzliche Änderung der Abrechnungsregeln. Zuvor war MiniMax für seine großzügigen Nutzungslimits bekannt, bei denen die Beschränkung nach der Anzahl der Anfragen erfolgte, ohne monatliche Token-Obergrenze. Mit der Veröffentlichung von M3 führte das Unternehmen einen neuen tokenbasierten Tarif ein, bei dem nach Gesamtvolumen abgerechnet wird. Während offiziell behauptet wird, dass der Plus-Tarif ein gutes Preis-Leistungs-Verhältnis bei den Token biete, stellen Vielnutzer – insbesondere diejenigen, die mit Kontexten im Millionenbereich arbeiten – fest, dass jeder Aufruf eine große Menge verbraucht und die Paketkontingente schnell erschöpft sind. Dies hat zu weit verbreiteten Beschwerden seitens langjähriger Nutzer geführt.
Abgesehen von den operativen Kontroversen weist M3 auf architektonischer Ebene durchaus bemerkenswerte Innovationen auf. Es führt einen selbst entwickelten „Sparse-Attention“-Mechanismus namens MSA (MiniMax Sparse Attention) ein, der die quadratische Rechenexplosion traditioneller Transformers abmildert, indem er hochpräzise Blockpartitionierung und Sparsifizierung auf Schlüssel-Wert-Paare anwendet. Auf der Ebene der Low-Level-Operatoren nutzt das Modell eine neuartige Aggregationsberechnungsmethode, die die Kontinuität des Speicherzugriffs verbessert und Geschwindigkeiten erreicht, die viermal schneller sind als die des Open-Source-Modells „Flash-Sparse-Attention“. Dadurch steigert M3 die Geschwindigkeiten bei der Vorwärtsausbreitung und der Dekodierung in Kontexten mit einer Million Token um das 9-fache bzw. das 15-fache und reduziert den Rechenaufwand pro Token auf die Hälfte des Wertes der Vorgängergeneration.
Meta möchte, dass Ihr nächstes Gadget mit Muse-Technologie ausgestattet ist
Metas Muse, ein KI-Assistent, der Buchungen für Reisen, Formularübermittlungen und Einkäufe übernimmt, hat eine weit verbreitete Akzeptanz gefunden, doch eine neue Initiative könnte insbesondere Entwickler und Hardware-Enthusiasten interessieren.Am
Wan-Streamer v0.2 bietet ultra-niedrige Latenz für KI-Chats
Da sich die moderne Technologie rasch weiterentwickelt, wird die Interaktion zwischen Mensch und KI immer häufiger. Traditionelle Videoanrufe kämpfen oft mit Verzögerungen, Latenzzeiten und einer Synchronisationslücke zwischen Audio und Video. Wan-St
Meta schließt sich TSMC und Micron an, um neue Server mit alter Speicherhardware auszustatten
Während die Einführung künstlicher Intelligenz weltweit voranschreitet, herrscht bei dem nächsten Generation DDR5-Speicher eine kritische Knappheit. Um Verzögerungen beim Aufbau von KI-Rechenzentren zu vermeiden, hat Meta mit Branchenführern wie TSMC











