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
Schwedisches KI-Startup Lovable Eyes: Bewertung von 13,2 Milliarden US-Dollar nach großer Finanzierungsrunde
Während KI-gestützte Coding-Tools an Popularität gewinnen, hat das schwedische Startup Lovable eine bedeutende Finanzierungsrunde abgeschlossen. Das Unternehmen strebt danach, 3 Milliarden US-Dollar einzusammeln, was seine Bewertung potenziell auf 13
Google testet den Remy AI Agent für Gemini, da der Fokus auf die Benutzerkontrolle verlagert wird
Laut Business Insider testet Google Remy, einen neuen KI-Personalagenten für Gemini. Dieses Tool soll Aufgaben im Auftrag von Nutzern ausführen und sowohl professionelle Arbeitsabläufe als auch tägliche Routinen optimieren.Derzeit wird Remy in einer
So beheben Sie Core Web Vitals für bessere SEO-Rankings
Berichtskartenkommentare mit KI-Tools optimierenEinführungKI-Tools zur Generierung von BerichtskartenkommentarenMagic SchoolAlmanac AIChat GPTNutzung von Magic School zur Generierung von BerichtskartenkommentarenAnmeldung bei Magic SchoolAuswahl des
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.
Schwedisches KI-Startup Lovable Eyes: Bewertung von 13,2 Milliarden US-Dollar nach großer Finanzierungsrunde
Während KI-gestützte Coding-Tools an Popularität gewinnen, hat das schwedische Startup Lovable eine bedeutende Finanzierungsrunde abgeschlossen. Das Unternehmen strebt danach, 3 Milliarden US-Dollar einzusammeln, was seine Bewertung potenziell auf 13
So beheben Sie Core Web Vitals für bessere SEO-Rankings
Berichtskartenkommentare mit KI-Tools optimierenEinführungKI-Tools zur Generierung von BerichtskartenkommentarenMagic SchoolAlmanac AIChat GPTNutzung von Magic School zur Generierung von BerichtskartenkommentarenAnmeldung bei Magic SchoolAuswahl des











