API de MiniMax M3: Precios, contexto de 1M y uso en producción

La API de MiniMax M3 entró en funcionamiento el 1 de junio. Empecé a probarla esa misma semana. Dos semanas de uso es el mínimo antes de escribir algo — antes de eso, todavía te están impresionando las demos.

Esto es una nota de trabajo, no una reseña del modelo. Los benchmarks están por todas partes. Lo que me importaba era más acotado: dónde encaja realmente el modelo minimax m3 en producción, qué cuesta en la práctica el contexto de 1M, y API directa o agregador — cuál y cuándo.

Algunos puntos de entrada.

La mayoría de los números del titular (59,0% SWE-Bench Pro, las mejoras de velocidad >9× / 15×, 83,5 en BrowseComp) son reportados por el proveedor. Los trataría como un techo bajo condiciones favorables, no como un piso en tu código base.

El contexto de 1M es real. Su precio tiene dos niveles. Eso importa más de lo que la gente cree.

Los pesos abiertos llegaron a Hugging Face alrededor del décimo día. Si lees un artículo de lanzamiento que dice “pesos próximamente”, ya está desactualizado.

Qué es MiniMax M3 (para desarrolladores)

Disponibilidad de la API y rutas de acceso

Tres vías de acceso. Directamente a través de la plataforma abierta de MiniMax. A través de un agregador — OpenRouter, Fireworks, y otros. O autoalojamiento desde Hugging Face.

Probé las dos primeras. El autoalojamiento se lo dejo a quienes tengan las GPUs para ello — el conteo de parámetros de minimax m3 es de ~428B en total con ~23B activados por token (MoE), así que no es un ejercicio para una sola GPU de consumidor.

Los dos caminos que sí probé se sintieron diferentes de maneras que no son obvias en la documentación. El directo es más barato por token. Los agregadores te dan una sola superficie de facturación para muchos modelos. Cuál importa más depende de una pregunta que la mayoría de los equipos aún no han respondido — y volveré a eso más adelante porque es donde veo que la gente se atasca.

Contexto de 1M con mínimo garantizado de 512K

Esta es la línea que vale la pena leer con cuidado. La API de MiniMax M3 admite hasta 1M de tokens de contexto. El número sobre el que planificar es 512K — el mínimo garantizado. El techo de 1M es condicional.

Hice una prueba a ~480K (un repositorio cosido junto con documentos de diseño y un hilo largo). Fue consistente en tres ejecuciones, con latencia en el rango esperado.

Al empujar hasta ~700K (añadí el historial completo de issues del proyecto), la variación de latencia aumentó notablemente. Y el nivel de facturación cambió.

Así que en la práctica: 512K es tu número de trabajo fiable. La mitad superior de la ventana existe, pero es una partida presupuestaria, no capacidad gratuita.

La arquitectura subyacente es MSA — MiniMax Sparse Attention — documentada en el post de lanzamiento. El detalle relevante para la planificación de costos es que el cómputo por token a 1M de contexto cae a aproximadamente 1/20 del de M2. Sin esa proporción, el nivel de contexto largo no sería económicamente posible.

Para qué está diseñado M3

Tareas de codificación y agentes

El modelo minimax m3 está posicionado para codificación de largo horizonte y trabajo con agentes. Tras dos semanas explorándolo, ese enfoque es honesto.

El Q&A de un solo turno está bien. Poco emocionante, pero funciona. La diferencia aparece en sesiones largas — leer un repositorio, planificar, ejecutar, iterar, recuperarse de algo que falla a mitad del camino. La propia demo de MiniMax ejecuta M3 durante 12 horas, 18 commits, reproduciendo un paper de ICLR. Esa es la carga de trabajo alrededor de la cual parece estar diseñada la arquitectura.

Los números relevantes de benchmark de minimax m3 — todos reportados por el proveedor — son 59,0% SWE-Bench Pro, 66,0% Terminal Bench 2.1, 74,2% MCP Atlas. La cobertura de VentureBeat los compara con GPT-5.5 y Gemini 3.1 Pro. El enfoque (“eclipsando”) lo bajaría un 30%. Los números son reales. Las condiciones eran el laboratorio de MiniMax y el scaffolding de MiniMax.

Lo que significa para los desarrolladores: si estás construyendo un asistente de codificación, un agente de escritorio, o cualquier cosa que mantenga planes de múltiples pasos, M3 está en la lista corta. Si tu carga de trabajo son prompts cortos con alta concurrencia, estás pagando por un contexto que no usas.

Entrada multimodal nativa (imagen, vídeo)

El multimodal es nativo, no añadido a posteriori. Texto, imagen y vídeo van al mismo contexto. La salida es texto.

Le di una captura de pantalla de una interfaz + una grabación de pantalla de 30 segundos + un fragmento de código de backend relacionado, y le pedí que dedujera qué estaba intentando hacer el usuario. Lo consiguió. No en un solo intento — tuve que guiarlo en el segundo turno. (La primera suposición era razonable pero incorrecta.) Eso cuenta como funcionando, según mis criterios.

El detalle que quiero señalar, porque me causó problemas en otra prueba: los tokens de imagen y vídeo comparten el mismo pool que el texto. Un clip corto puede consumir una porción considerable de tu ventana de 512K antes de que haya ningún texto de prompt. Comprobé el conteo de tokens en un clip de 15 segundos a 720p — era más alto de lo que esperaba. Vale la pena medirlo antes de extrapolar.

Costo y límites en producción

No voy a poner aquí cifras específicas por millón de tokens. Las tarifas de los proveedores cambian, y hay una pieza separada sobre la mecánica de precios de minimax m3 que trata las matemáticas correctamente. Lo que necesitas en la etapa de planificación es la forma general.

Tarifa estándar vs. contexto largo (>512K)

Dos niveles en la API de MiniMax M3:

≤512K tokens de entrada — tarifa estándar. Cubre la mayoría de los chats, codificación y bucles de agentes.
>512K tokens de entrada — tarifa más alta para contexto largo. Orientada al razonamiento sobre repositorios completos, documentos ultra-largos, sesiones de agentes de horas de duración.

Esta división es lo único que diseñaría desde el principio. Un sistema que vive en la banda de 100K–300K tiene una economía unitaria diferente a uno que habitualmente roza los 700K. Lo descubrí de la misma manera que supongo que lo descubren la mayoría de los equipos: mirando una factura.

Lo que me funcionó: limitar el enrutamiento predeterminado a 512K, requerir un indicador explícito para superarlo. Así el costo aparece en el punto de llamada, no a fin de mes.

Pool de tokens compartido entre modalidades

Ya lo mencioné, pero merece su propia línea. No hay una asignación multimodal separada. Las imágenes son tokens. Los fotogramas son tokens. Consumen la misma ventana que el texto, y cruzan los 512K igual que el texto.

Para los bucles de agentes que capturan pantallas en cada turno, esto se acumula más rápido de lo que sugiere el cálculo rápido. Audita el conteo de tokens de una sesión real. No confíes en el benchmark sintético.

API directa vs. capa de agregación

La decisión en la que veo atascados a los equipos. La mayoría se demora más de lo que debería.

Cuándo tiene sentido cada opción

Ve directo si:

M3 está comprometido como tu modelo principal y no esperas cambiarlo.
El costo por token importa más que la superficie de integración.
Necesitas el 1M completo (algunos agregadores tienen un límite inferior — Fireworks lanzó con un límite de 500K y lo está aumentando por etapas).
Mantener una integración específica del modelo no te molesta.

Ve a través de un agregador si:

Ya ejecutas más de un modelo en producción, o lo necesitarás.
Quieres hacer A/B entre M3 y, por ejemplo, Claude Opus o DeepSeek V4 sin reconstruir la ruta de solicitud.
Te importan la facturación unificada, los reintentos, el enrutamiento de respaldo y la observabilidad.
Aún no sabes en qué modelo se asentará tu carga de trabajo.

El argumento honesto para la agregación no es el menor costo por token. Generalmente es marginalmente más alto. El argumento es que la libertad de cambiar de modelo tiene valor económico, y ese valor se multiplica cuanto más toca tu producto la generación entre proveedores. WaveSpeedAI se sitúa en esa capa, al igual que OpenRouter y Fireworks — cada uno hace diferentes concesiones en enrutamiento, latencia y cobertura.

Mi regla aproximada, por lo que vale: agente de codificación de un solo modelo → directo. Mezcla de texto + imagen + vídeo entre proveedores → agregador. No es una regla rígida. Es una posición de partida.

Límites y concesiones

Pesos abiertos, informe técnico, y lo que aún falta

Los pesos están en Hugging Face. Las cuantizaciones GGUF de la comunidad están disponibles. Dos cosas que vale la pena saber:

Los términos de la licencia no se han establecido del todo. No asumas Apache 2.0 o MIT — verifica antes de construir un producto comercial sobre la ruta de despliegue local.

Y no todos los motores de inferencia soportan MSA todavía. Los que no lo hacen recurren a la atención densa, lo que sacrifica parte de la ventaja de velocidad. Si te autoalojas, verifica el soporte del motor antes de hacer benchmarks — de lo contrario, tus números parecerán peores de lo que deberían.

La brecha de ARC-AGI

Algo que la cobertura del lanzamiento tiende a omitir. Los números de codificación y agentes de M3 no se traducen limpiamente a benchmarks de razonamiento abstracto general como ARC-AGI. El modelo está diseñado para lo que anuncia — codificación, uso de herramientas, agentes de largo horizonte, comprensión multimodal — no para puzzles abstractos.

Eso no es una crítica. Es la forma del modelo. Saberlo evita una apuesta equivocada.

Preguntas frecuentes

¿Está ya la API de MiniMax M3 activa y estable para uso en producción?

Sí. Activa desde el 1 de junio de 2026. Suficientemente estable como para que múltiples agregadores estén enrutando tráfico real. Como con cualquier modelo con menos de tres meses de antigüedad, espera cambios ocasionales de comportamiento mientras el proveedor ajusta las cosas — ancla tus prompts, mantén un conjunto de evaluaciones.

¿Cuál es la longitud de contexto garantizada real en MiniMax M3 (512K o 1M)?

512K garantizado, techo de 1M. Por debajo de 512K el comportamiento es consistente. Más allá de eso, entras en precios más altos y mayor varianza de latencia. Algunos agregadores tienen un límite inferior a 1M en el lanzamiento. Planifica en torno a 512K.

¿Es MiniMax M3 nativamente multimodal para entrada de imagen y vídeo?

Sí. Nativo, no adaptado. Texto, imagen y vídeo comparten el mismo pool de tokens y ventana de contexto. La salida es solo texto.

¿Están ya disponibles los pesos abiertos para MiniMax M3?

Sí. Llegaron a Hugging Face alrededor del décimo día tras el lanzamiento. ~428B parámetros totales, ~23B activados por token (MoE). Una sola GPU de consumidor no puede ejecutarlo — espera inferencia multi-GPU o cuantizada. Términos de licencia — verifica antes del uso comercial.

¿Debo acceder a MiniMax M3 directamente o a través de un agregador?

Directo si estás comprometido con un solo modelo y quieres el menor costo por token. Agregador si ejecutas más de un modelo o esperas cambiar. La respuesta depende de tu carga de trabajo, no de cuál es “mejor”.

Conclusión

La API de MiniMax M3 es interesante no tanto porque encabece ningún eje individual, sino más bien por la combinación — codificación a nivel de frontera, multimodal nativo, un contexto de 1M real (aunque escalonado), pesos abiertos, todo en un solo modelo. Esa combinación colapsa la superficie de integración que antes requería unir proveedores entre sí.

Lo que haría antes de comprometerse con producción:

Ejecuta tu carga de trabajo real, no un benchmark. Mide dónde aterrizan los prompts en relación con los 512K. Decide la política de enrutamiento antes del lanzamiento. Elige directo o agregador según cuántos modelos vayas a ejecutar, no solo por el precio de lista. Si te autoalojas, verifica el soporte de MSA en tu motor.

Dos semanas no es mucho tiempo. El modelo seguirá evolucionando y también lo harán los precios. Esa es la fecha de caducidad de este artículo.

Por verificar, como siempre, contra lo que diga la documentación el día que realmente construyas.

Artículos anteriores: