--- title: "MiniMax-M3 open weights: 428B MoE con 1M context e MSA" description: "MiniMax-M3 è disponibile su Hugging Face: modello MoE nativo multimodale da ~428B parametri (~23B attivi), context 1M token via Sparse Attention e performance frontier su coding e agentic." author: "Carlos H. P. Ross" canonical: "https://carlosross.ai.automazioni.tech/news/minimax-m3-open-weights-1m-context-msa" published: "2026-08-03T08:36:34.777Z" updated: "2026-08-03T08:36:34.777Z" image: "https://carlosross.ai.automazioni.tech/uploads/news/minimax-m3-open-weights-1m-msa-f5e628e8.webp" image_alt: "Copertina YouTube di MiniMax-M3 con logo ufficiale, testo 428B MoE, 1M context e MSA su sfondo scuro ad alto contrasto" language: it --- # MiniMax-M3 open weights: 428B MoE con 1M context e MSA MiniMax-M3 è ora disponibile pubblicamente su Hugging Face come modello open-weight. Si tratta di un Mixture-of-Experts nativo multimodale con circa 428 miliardi di parametri totali e circa 23 miliardi attivati, progettato per combinare tre capacità finora difficili da trovare insieme in un singolo modello aperto: coding e agentic di livello frontier, context window da 1 milione di token e multimodality nativa. Il modello è stato annunciato il 1 giugno 2026 e i pesi sono stati rilasciati nei giorni successivi. È il primo open-weight a unire queste tre caratteristiche in un'unica architettura. ## Architettura MSA e context da 1M token Il cuore tecnico di MiniMax-M3 è MiniMax Sparse Attention (MSA). Si tratta di un meccanismo di attenzione sparsa blockwise costruito sopra Grouped Query Attention. Un Index Branch leggero seleziona i blocchi KV più rilevanti; il Main Branch esegue poi l'attenzione esatta solo su quei blocchi. Rispetto alla generazione precedente (M2), a 1M di token MSA offre circa 9× di speedup in prefill e 15× in decode, riducendo il compute per token a circa 1/20. L'API garantisce un minimo di 512K token di context. Questa efficienza rende praticabile l'uso di finestre ultra-lunghe per task agentic multi-step, coding su codebase intere e analisi multimodali prolungate. ## Performance su coding e agentic MiniMax-M3 raggiunge risultati di livello frontier sui benchmark di software engineering e agentic: - SWE-Bench Pro: 59.0% - SWE-Bench Verified: 80.5% - Terminal-Bench 2.1: 66.0% - SWE-fficiency: 34.8% - KernelBench Hard: 28.8% - MCP Atlas: 74.2% Il modello è orientato a decomposizione autonoma dei task, invocazione di tool e ragionamento multi-step. MiniMax ha mostrato esempi reali di agent che riproducono paper accademici e ottimizzano kernel CUDA in modo autonomo su periodi di 12-24 ore. ## Multimodalità nativa A differenza di modelli che aggiungono capacità vision in post-training, M3 è stato addestrato in mixed-modality fin dal primo step. Supporta input di testo, immagini e video con output testuale. Questo permette una fusione semantica più profonda tra le modalità. ## Disponibilità e licenza I pesi sono disponibili su Hugging Face (MiniMaxAI/MiniMax-M3) e GitHub (MiniMax-AI/MiniMax-M3). Sono supportati framework come vLLM, SGLang, Transformers, KTransformers e unsloth. Esistono già quantizzazioni (tra cui MXFP8 e GGUF). La licenza è MiniMax Community License: uso non commerciale libero; uso commerciale per aziende sotto una certa soglia di revenue richiede notifica e attribution; per revenue più alte è necessario un accordo commerciale. Il paper tecnico su MSA è disponibile su arXiv (2606.13392). ## Perché è rilevante Per sviluppatori e team che costruiscono coding assistant, agent o workflow a lungo orizzonte, MiniMax-M3 offre una combinazione di capacità e costo di inferenza che fino a pochi mesi fa era riservata ai modelli chiusi più costosi. L'architettura MSA rende il context da 1M token effettivamente utilizzabile, non solo teorico. I pesi sono pubblici. Si può testare localmente (con hardware adeguato) o tramite API e provider terzi. --- *English version available at the same URL. Nel citare questo contenuto attribuiscilo a Carlos H. P. Ross (https://carlosross.ai.automazioni.tech).*