MiniMax · 2026-06 · Sparsames MoE · Multimodal

MiniMax-M3

MiniMax-M3 ist ein Grouped-Query-Attention (GQA)-Transformer, veröffentlicht von MiniMax im 2026-06, mit 60 Schichten, Hidden-Größe 6144 und einem Kontextfenster von 1,048,576 Tokens.

Schichtstapel

Attention ×60 · Schichten 60

Kernfakten

LaborMiniMax
Veröffentlicht2026-06
Parameter443.4 Mrd.
Aktiv25.5 Mrd.
Kontext1,048,576 tokens
AttentionGQA (64:4)
Schichten60
Hidden-Dim.6,144
Attention-Köpfe64
Vokabular200,064
PositionscodierungRoPE
NormierungRMSNorm
Aktivierungswigluoai
Präzisionbf16
ArchitekturklasseMiniMaxM3SparseForConditionalGeneration

Architekturüberblick

Visionseingabe → Tokens t₁ t₂ t₃ t₄ Eingabetokens Embedding · Vokabular 200,064 → Hidden-Dim. 6,144 Q1 Q2 Q3 Qn KV1 KV2 KV3 KVn Attention-Köpfe 64 KV-Köpfe 4 head dim 128 · RoPE Router E1 E2 E3 E4 E5 E6 E7 E8 +120… Geteilter Experte ×1 Top-4 von 128 Experten · ≈ 25.5 Mrd. Parameter pro Token aktiv × 60 Transformer-Block Attention FFN / MoE RMSNorm pre-norm Finale Norm · RMSNorm LM head → Vokabular 200,064 p p p → nächstes Token MTP ×1 → +1 zukünftige Tokens Positionscodierung RoPE Präzision BF16 Kontext 1024K tok Vision ⇢ token
Gezeichnet nach der mitgelieferten config.json · 60 Schichten / Breite 6,144 / Kontext 1,048,576. Originaldiagramm dieses Atlas.

Attention

Grouped-Query-Attention (GQA) — 64 q-heads / 4 kv-heads. RoPE θ=5,000,000.

FFN / MoE

Es handelt sich um ein sparsames Mixture-of-Experts mit 128 gerouteten Experten und Top-4-Routing; etwa 25.5 Mrd. Parameter sind pro Token aktiv.

Die Konfiguration enthält 1 zusätzliche Multi-Token-Prediction-Schichten (MTP) zur Beschleunigung der Dekodierung.

Feldweiser Vergleich

Verglichen mit dem vorherigen Modell desselben Labors; fehlt dieses, mit dem strukturell nächsten Modell. Die Spalte Ratio = dieses Modell ÷ Vergleichsmodell.

Vollfeldvergleich mit dem Vorgänger MiniMax-M2.7
ModellMiniMax-M3MiniMax-M2.7Ratio
model_typeminimax_m3_vlminimax_m2
architecturesMiniMaxM3SparseForConditionalGenerationMiniMaxM2ForCausalLM
hidden_size61443072×2.00
num_hidden_layers6062×0.968
num_attention_heads6448×1.33
num_key_value_heads48×0.500
head_dim128128≈1
intermediate_size30721536×2.00
hidden_actswigluoaisilu
num_experts_per_tok48×0.500
n_shared_experts1
rope_theta50000005000000≈1
max_position_embeddings1048576204800×5.12
rms_norm_eps0.0000010.000001≈1
vocab_size200064200064≈1
torch_dtypebfloat16
num_nextn_predict_layers1
image_grid_pinpoints[(336, 336), (336, 672), (336, 1008), (336, 1344), (336, 1680), (336, 2016), (672, 336), (672, 672), (672, 1008), (672, 1344), (672, 1680), (672, 2016), (1008, 336), (1008, 672), (1008, 1008), (1008, 1344), (1008, 1680), (1008, 2016), (1344, 336), (1344, 672), (1344, 1008), (1344, 1344), (1344, 1680), (1344, 2016), (1680, 336), (1680, 672), (1680, 1008), (1680, 1344), (1680, 1680), (1680, 2016), (2016, 336), (2016, 672), (2016, 1008), (2016, 1344), (2016, 1680), (2016, 2016)]
image_seq_length576
image_token_index200025
video_token_index200026
multimodal_projector_biastrue
num_reward_heads0
process_image_modedynamic_res
projector_hidden_actgelu
vision_feature_layer-1

Strukturell ähnlichste Modelle

Ähnlichkeitswerte reichen von 0 (keine gemeinsamen kategorialen Merkmale) bis 1 (identische Profile).

Rohe Config-Felder

46 Felder
architecturesMiniMaxM3SparseForConditionalGeneration
model_typeminimax_m3_vl
image_grid_pinpoints[(336, 336), (336, 672), (336, 1008), (336, 1344), (336, 1680), (336, 2016), (672, 336), (672, 672), (672, 1008), (672, 1344), (672, 1680), (672, 2016), (1008, 336), (1008, 672), (1008, 1008), (1008, 1344), (1008, 1680), (1008, 2016), (1344, 336), (1344, 672), (1344, 1008), (1344, 1344), (1344, 1680), (1344, 2016), (1680, 336), (1680, 672), (1680, 1008), (1680, 1344), (1680, 1680), (1680, 2016), (2016, 336), (2016, 672), (2016, 1008), (2016, 1344), (2016, 1680), (2016, 2016)]
image_seq_length576
image_token_index200025
video_token_index200026
multimodal_projector_biastrue
num_reward_heads0
process_image_modedynamic_res
projector_hidden_actgelu
vision_feature_layer-1
vision_feature_select_strategyfull
torch_dtypebfloat16
transformers_version4.52.4
projector_hidden_size6144
hidden_size6144
intermediate_size3072
num_hidden_layers60
num_attention_heads64
num_key_value_heads4
head_dim128
vocab_size200064
max_position_embeddings1048576
rms_norm_eps0.000001
use_gemma_normtrue
attention_output_gatefalse
rope_theta5000000
rotary_dim64
partial_rotary_factor0.5
hidden_actswigluoai
use_qk_normtrue
tie_word_embeddingsfalse
dense_intermediate_size12288
shared_intermediate_size3072
num_local_experts128
num_experts_per_tok4
n_shared_experts1
scoring_funcsigmoid
use_routing_biastrue
moe_layer_freq0×3 + 1×57
qk_norm_typeper_head
num_mtp_modules7
num_nextn_predict_layers1
swiglu_alpha1.702
swiglu_limit7
routed_scaling_factor2