MiniMax M3 vient d’être publié: un modèle open-weight qui combine une fenêtre de contexte d’un million de tokens, la multimodalité native et des performances de code comparables aux meilleurs modèles propriétaires. Sur SWE-Bench Pro, il dépasse GPT-5.5 et Gemini 3.1 Pro, et se place juste derrière Claude Opus 4.7.
Pour résumer
- MiniMax M3 est le premier modèle open-weight à combiner 1 million de tokens de contexte, multimodalité native et performances top-tier en coding.
- Son architecture MiniMax Sparse Attention réduit les calculs à 1/20e et accélère le traitement des entrées longues par un facteur 9.
- Le modèle est disponible via API, les poids seront publiés prochainement.
Ce que MiniMax M3 apporte techniquement
La combinaison de caractéristiques que MiniMax revendique pour M3 n’existe pas encore dans l’écosystème open-weight (modèles dont les poids sont téléchargeables librement, comme DeepSeek ou Llama). Un million de tokens de contexte. La multimodalité native (texte, image, potentiellement audio en entrée). Et des benchmarks de code qui rivalisent avec les modèles les plus performants du marché. Jusqu’ici, obtenir l’un de ces trois attributs dans un modèle open-weight impliquait de sacrifier les deux autres.
L’innovation technique centrale est l’architecture MiniMax Sparse Attention (MSA). Les mécanismes d’attention classiques calculent les relations entre chaque paire de tokens d’un contexte, ce qui rend le coût computationnel prohibitif pour des contextes très longs. MSA ne calcule l’attention que pour des segments sélectionnés, réduisant les calculs à un vingtième de la méthode classique. La vitesse de traitement des entrées longues est multipliée par neuf.
Sur SWE-Bench Pro, référence des benchmarks de coding autonome, M3 atteint 59%. C’est 59 points sur une échelle où GPT-5.5 et Gemini 3.1 Pro se retrouvent en dessous, et où Claude Opus 4.7 est juste devant. Pour un modèle dont les poids seront publiés librement, ce positionnement est inédit.
La disponibilité est immédiate via API. Les poids seront publiés sous peu, permettant à quiconque de déployer M3 sur sa propre infrastructure sans dépendance aux serveurs de MiniMax. C’est précisément ce qui distingue un modèle open-weight d’un modèle open-source au sens large : les paramètres eux-mêmes sont accessibles.
En termes de cas d’usage, le million de tokens de contexte ouvre des applications que les fenêtres de 128K ou 200K du marché principal ne permettent pas. Analyse de codebase entière. Traitement de longs documents légaux ou scientifiques sans découpage. Mémoire conversationnelle étendue sur de très longues sessions. Des workflows que les agents d’entreprise attendent depuis plusieurs cycles de développement.
La montée en puissance des modèles chinois open-weight
MiniMax n’est pas un nouvel entrant. L’entreprise a déjà publié plusieurs générations de modèles dont M2.5 et M2.7 avant M3. Mais M3 marque un changement d’échelle : il ne s’agit plus d’un modèle compétitif sur un axe, mais d’un modèle qui rivalise sur plusieurs dimensions simultanément avec les leaders propriétaires américains.
Le timing est notable. L’executive order IA de Trump, allégé sous pression de l’industrie cette semaine, avait notamment pour argument central la compétitivité américaine face à la Chine. M3 illustre concrètement le paysage concurrentiel que cette rhétorique invoque : des laboratoires chinois qui publient des modèles open-weight techniquement compétitifs avec les meilleurs modèles propriétaires américains, et les rendent disponibles à tous gratuitement.
La stratégie open-weight est elle-même une arme concurrentielle. En publiant les poids, MiniMax permet une adoption mondiale sans friction, notamment dans des régions où l’accès aux APIs américaines est limité, coûteux ou réglementé. L’écosystème qui se construira autour de M3 dans les prochains mois est une variable que les acteurs propriétaires ne contrôlent pas.
Pour les entreprises IA qui préparent leur introduction en bourse, la montée des modèles open-weight de haute qualité est une variable de valorisation à surveiller. Si les modèles de référence deviennent commodités, la prime accordée aux modèles propriétaires se comprime. La question n’est plus « est-ce que l’open-weight peut être bon ? » mais « à partir de quand est-il suffisamment bon pour remplacer un modèle payant ? »
DeepSeek avait produit un choc similaire début 2025 avec R1. M3 s’inscrit dans la même logique mais avec une surface plus large : coding, contexte long et multimodalité dans un seul modèle, en open-weight. La dynamique de compression des prix et d’élévation des standards n’a montré aucun signe de ralentissement.
À voir également sur Horizon :
- Trump signe son executive order IA, allégé sous pression
- Alphabet lève 80 milliards pour son infrastructure IA
- Claude Mythos sécurise les infrastructures dans 15 pays
Ce que M3 change à court et moyen terme
À court terme, M3 offre aux développeurs une alternative open-weight crédible pour des cas d’usage jusqu’ici réservés aux modèles propriétaires coûteux. Les contextes longs et les tâches de coding autonome sont les bénéficiaires immédiats. Les coûts d’infrastructure pour des déploiements à grande échelle peuvent baisser significativement pour les entreprises qui choisissent de self-hoster.
À moyen terme, la publication des poids de M3 va alimenter une vague de fine-tuning et d’adaptation sectorielle. Des modèles spécialisés droit, médecine, finance ou code industriel construits sur M3 comme base vont émerger dans les six prochains mois. C’est ce maillage d’applications dérivées qui constitue la vraie valeur stratégique d’un modèle open-weight, au-delà des benchmarks de lancement.
La question ouverte est celle de la fiabilité à long contexte. Les benchmarks mesurent des performances sur des tâches précises. L’utilisation réelle d’un million de tokens en production (maintien de la cohérence, gestion de l’attention sur l’ensemble du contexte, performances stables) est une autre affaire. Les prochaines semaines de tests par la communauté seront déterminantes.
La compétition sur l’open-weight entre acteurs américains (Meta avec Llama) et chinois (MiniMax, DeepSeek) s’intensifie. Dans un contexte où la régulation américaine recule sur la supervision des modèles avancés, la publication libre de modèles performants par des acteurs non américains pose des questions de gouvernance que ni Washington ni Bruxelles n’ont encore tranchées.
Affaire à suivre sur Horizon.
