MiniMaxが新モデル「M3」公開：100万コンテキストとマルチモーダルを両立、デコード速度15倍

MiniMax M3は、100万トークンの超長文脈、画像や動画をそのまま扱えるネイティブマルチモーダル、そしてデスクトップ操作能力を兼ね備えたオープンウェイトモデルだ。最先端の商用モデルに匹敵するコーディングおよび自律エージェント性能を、オープンな環境で利用できる。

何ができるのか

ソフトウェア開発ベンチマークにおいて、M3はSWE-Bench Proで59.0%を記録し、GPT-5.5やGemini 3.1 Proを上回るスコアを示した。Terminal-Bench 2.1では66.0%、MCP Atlasでは74.2%を達成している。

単発のコード生成にとどまらず、長時間の自律作業に強いのが最大の特徴だ。検証では、ICLR 2025の受賞論文を与えたところ、約12時間にわたり自律的に実験を再現し、18回のコミットと23枚のグラフ出力を人間の介入なしで完遂した。

さらに難度の高いNVIDIA Hopper向けFP8 GEMMカーネルの最適化タスクでは、動かない骨組みコードからスタートし、約24時間で147回のベンチマーク検証と約2,000回のツール呼び出しを実行。ハードウェアのピーク稼働率を初期の7.6%から71.3%まで引き上げ、9.4倍の高速化を達成した。多くのモデルが30回程度で改善を諦める中、M3は145回目の試行で最高性能を叩き出している。

仕組みと利用方法

100万トークンの長文脈を実用的な速度で動かすため、独自開発の疎アテンション機構「MSA（MiniMax Sparse Attention）」を採用した。メモリの連続アクセスと効率的なブロック分割により、計算量の爆発を抑え込んでいる。

これにより、100万トークン時のトークンあたり計算量は前世代の20分の1に激減した。プリフィル速度は9倍以上、デコード速度は前世代比で15倍高速化し、オープンソースのFlash-Sparse-Attentionなどを上回る処理効率を実現している。

また、事前学習の初期段階からテキストとメディアが混ざり合ったインターリーブデータで訓練されており、マルチモーダル空間が自然に統合されている。

M3のウェイトは公開されており、現在はMiniMax Code、Token Plan、およびAPI経由ですぐに試すことができる。

なぜ重要か

開発者にとって、100万コンテキスト、マルチモーダル、そして長時間自律実行できるコーディング能力のすべてをオープンウェイトで手に入れられる選択肢は極めて貴重だ。

特に評価できるのは、試行錯誤が続くタスクでも途中で投げ出さず最適解を探索し続ける粘り強さだ。外部の商用APIに依存せず、本格的なリファクタリングや自律型エージェント環境を自前で構築したいなら、M3は真っ先に検証すべき有力な候補になるだろう。