A MiniMax, laboratório sediado em Xangai, lançou em 1º de junho de 2026 o M3, modelo de pesos abertos que a empresa descreve como o primeiro a reunir em um só sistema três coisas: capacidade de código de fronteira, janela de contexto de 1 milhão de tokens e entrada nativa de imagem e vídeo. O modelo é construído sobre uma arquitetura proprietária de atenção esparsa, a MiniMax Sparse Attention (MSA), que processa apenas os blocos relevantes do contexto e reduz o custo por token a cerca de um vinte avos da geração anterior.

O que a empresa promete (e o que falta verificar)

Nos números divulgados pela própria MiniMax, o M3 alcança 59,0% no SWE-Bench Pro, à frente do GPT-5.5 e do Kimi K2.6, mas abaixo do Claude Opus 4.8. Também há menção a desempenho forte em navegação autônoma. O ponto a guardar: todos esses resultados são reportados pelo fabricante, sem reprodução independente no lançamento — o que pede cautela antes de qualquer conclusão.

  • Preço de tabela: US$ 0,60 por milhão de tokens de entrada e US$ 2,40 por milhão de saída — fração do cobrado pelos modelos fechados.
  • No lançamento, o acesso era apenas via API e pelo MiniMax Agent.
  • A empresa prometeu publicar os pesos e o relatório técnico em cerca de dez dias, no Hugging Face e no GitHub.
  • Arquitetura MSA reduz o custo de processar contextos longos.

Aberto, mas até onde

Vale separar 'pesos abertos' de 'código aberto' completo. A MiniMax disponibiliza os parâmetros para download, o que permite rodar o modelo em infraestrutura própria, mas não publicou parte do código de treino e de inferência. É a mesma fronteira que vem marcando a leva de modelos chineses: poderosos e baratos, porém com transparência parcial sobre como foram construídos.

Para o Brasil, a relevância é prática. Um modelo com pesos abertos e contexto de 1 milhão de tokens pode ser auto-hospedado, mantendo os dados dentro da própria empresa — algo valioso para quem precisa atender a exigências de privacidade e à LGPD. Já o uso da API hospedada exige análise de conformidade, dado onde a empresa opera. O recado é o de sempre: testar no próprio trabalho antes de confiar em produção.