MiniMaxは、コーディングとエージェント、自律ブラウジング、長文脈処理で高水準の性能を示すオープンウェイトモデルM3を公開しました。独自のMiniMax Sparse Attentionにより最大1Mトークンのコンテキストを扱い、最低512Kが保証されています。長距離エージェントタスク、長距離コーディング、長距離ビデオ理解の基盤として設計され、BrowseCompで83.5を記録し、Opus 4.7の79.3を上回る結果を示しました。マルチモーダルは学習の中核に組み込まれており、テキスト空間と視覚的意味空間の深い整合を実現しています。これまで三要素の同時達成は一部クローズドソースに限られてきましたが、M3はオープンウェイトとして提供される点が特徴です。APIやトークンプラン、コードからの試用も案内されています。
M3のベンチマーク事例では、ICLR 2025の優秀論文「LLMファインチューニングの学習ダイナミクス」を約12時間の連続稼働で再現し、18回のコミットと23の実験図を生成しました。CUDAカーネルのFP8 GEMM最適化では約24時間で147件のベンチマーク提出と1,959件のツールコールを行い、ハードウェアのピーク利用率を7.6%から71.3%に引き上げ、9.4倍の高速化を達成しています。PostTrainBenchでは四つの事前学習専用ベースモデルを与え、データ統合から評価まで自律実行し、スコア37.1で全体3位となりました。コーディングや端末実行を含む国際的な評価で世界水準の性能を示したとしています。これらの結果は、長期安定性、多段階推論、ツール呼び出しの実運用性を裏付けます。
同日、MiniMaxは汎用ビデオモデルMiniMax H3のオープンソース化も発表しました。H3はテキスト、画像、動画、音声を統合的に理解し、最大2K解像度で4〜15秒の映像と32 kHzステレオ音声を生成します。H3-Context-IR、H3-Base、H3-Regenerate-2Kの三つのモジュールで構成され、768p出力をもとに2Kへ再生成するワークフローを推奨しています。入力はFL2VAとRef2VAを用意し、テキストからの生成、最初や最後のフレーム指定、最大9枚の画像、最大3クリップの動画や音声を含む参照入力などに対応します。安全面では自動モデレーションを導入し、違法性やポルノ、権利侵害の疑いがあるコンテンツはブロックされる場合があります。
H3のアーキテクチャは、H3-EncoderとH3-VisualVAE、H3-AudioVAEで表現を統合し、H3-Omni-Transformerが動画と音声の潜在を同時に予測します。三次元多元ロータリー位置埋め込みを採用し、長い配列に対してネイティブな疎注意を前提とした計算設計です。2K再生成はスーパーレゾリューションに依存せず、768p結果と元コンテキストを再投入して高精細化します。チェックポイントはタスク別に公開され、SGLangやvLLM、ディフューザー、ComfyUIでの展開例が提示されています。MiniMax H3 Community Licenseの下で提供され、利用制限や法令順守に関する留意点が明記されています。
詳しくはMiniMaxの公式ページまで。レポート／DXマガジン編集部
