MiniMax · 2026-06 · MoE sparsa · Multimodale

MiniMax-M3

MiniMax-M3 è un Transformer a attention grouped-query (GQA) pubblicato da MiniMax nel 2026-06, con 60 strati, dimensione nascosta 6144 e una finestra di contesto di 1,048,576 token.

Pila di strati

Attention ×60 · Strati 60

Dati chiave

LaboratorioMiniMax
Pubblicazione2026-06
Parametri443.4 mld
Attivi25.5 mld
Contesto1,048,576 tokens
AttentionGQA (64:4)
Strati60
Dim. nascosta6,144
Teste di attention64
Vocabolario200,064
Codifica posizionaleRoPE
NormalizzazioneRMSNorm
Attivazioneswigluoai
Precisionebf16
Classe architetturaleMiniMaxM3SparseForConditionalGeneration

Panoramica dell'architettura

Ingresso vision → token t₁ t₂ t₃ t₄ token di ingresso Embedding · Vocabolario 200,064 → Dim. nascosta 6,144 Q1 Q2 Q3 Qn KV1 KV2 KV3 KVn Teste di attention 64 Teste KV 4 head dim 128 · RoPE Router E1 E2 E3 E4 E5 E6 E7 E8 +120… Esperto condiviso ×1 top-4 su 128 esperti · ≈ 25.5mld parametri attivi per token × 60 blocco transformer Attention FFN / MoE RMSNorm pre-norm Normalizzazione finale · RMSNorm LM head → Vocabolario 200,064 p p p → token successivo MTP ×1 → +1 token futuri Codifica posizionale RoPE Precisione BF16 Contesto 1024K tok Vision ⇢ token
Disegnato dal config.json distribuito · 60 strati / larghezza 6,144 / contesto 1,048,576. Schema originale di questo atlante.

Attention

attention grouped-query (GQA) — 64 q-heads / 4 kv-heads. RoPE θ=5,000,000.

FFN / MoE

È un mixture-of-experts sparso con 128 esperti instradati e routing top-4; circa 25.5 milioni di parametri sono attivi per token.

La configurazione include 1 strati extra di predizione multi-token (MTP) usati per accelerare il decodice.

Confronto campo per campo

Confronto con il modello precedente dello stesso laboratorio; in assenza, col modello strutturalmente più vicino. La colonna rapporto = questo modello ÷ modello di confronto.

Confronto completo con il predecessore MiniMax-M2.7
ModelloMiniMax-M3MiniMax-M2.7Rapporto
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

Architetture più simili

I valori di similarità vanno da 0 (nessuna caratteristica categoriale condivisa) a 1 (profili identici).

Campi grezzi del config.json

46 campi
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