MiniMax M3 คืออะไร? Coding Agent 428B, MSA และ Context 1M

ถ้าชื่อโมเดลช่วงนี้เริ่มฟังคล้ายกันไปหมด ก็ไม่ใช่เรื่องแปลก เพราะมีทั้ง MiMo ของ Xiaomi และ MiniMax ที่เป็นคนละตระกูลกัน บทความนี้พูดถึง MiniMax M3 โมเดลเรือธงด้าน Coding และ Agent จาก MiniMax ที่เปิดตัวเมื่อวันที่ 1 มิถุนายน 2026

จุดที่ทำให้ M3 น่าสนใจไม่ใช่แค่จำนวนพารามิเตอร์ แต่เป็นการรวมความสามารถที่งาน Agent รุ่นใหม่ต้องใช้ไว้ในโมเดลเดียว ได้แก่ Coding, Long Context และ Native Multimodality พร้อมสถาปัตยกรรม attention แบบใหม่ชื่อ MiniMax Sparse Attention (MSA)

บทความนี้อัปเดตตามข้อมูลจาก MiniMax, Model Card บน Hugging Face และสถานะโมเดลที่เปิดใช้งานจริงบน protonman ณ วันที่ 1 กันยายน 2026

MiniMax M3 มีขนาดเท่าไร?

Model Card อย่างเป็นทางการระบุว่า MiniMax M3 เป็นโมเดลแบบ Mixture-of-Experts ที่มีพารามิเตอร์ทั้งหมดประมาณ 428B parameters และมีพารามิเตอร์ที่ถูก activate ต่อการประมวลผลประมาณ 23B parameters

โมเดลถูกฝึกแบบ multimodal ตั้งแต่ช่วงเริ่มต้นของ pre-training ทำให้รองรับ Text, Image และ Video โดย MiniMax วางตำแหน่ง M3 สำหรับงานอย่าง Software Engineering, Coding Agent, Browser Agent, Desktop Automation และ workflow ที่ต้องทำงานต่อเนื่องหลายขั้น

MSA คืออะไร และทำไมถึงสำคัญกับ Context 1M?

Context ที่ยาวขึ้นไม่ได้มีปัญหาแค่ว่าโมเดลจะจำข้อมูลได้หรือไม่ แต่ยังเพิ่มต้นทุนของ attention และหน่วยความจำอย่างมาก MiniMax จึงพัฒนา MiniMax Sparse Attention (MSA) เพื่อเลือกประมวลผลเฉพาะส่วนของ KV blocks ที่เกี่ยวข้องกับ query แทนการใช้ full attention กับบริบททั้งหมดทุกครั้ง

MiniMax รายงานว่าเมื่อใช้ context ระดับ 1M tokens M3 ใช้ compute ต่อ token เหลือประมาณ 1/20 เมื่อเทียบกับ M2, ช่วง prefill เร็วขึ้นมากกว่า 9 เท่า และ decoding เร็วขึ้นมากกว่า 15 เท่า ตัวเลขเหล่านี้เป็นผลที่ MiniMax รายงานจากระบบของตนเอง จึงควรใช้เพื่อทำความเข้าใจประโยชน์ของสถาปัตยกรรม มากกว่าจะตีความเป็น performance guarantee สำหรับทุกระบบ

งานวิจัย MSA ถูกเผยแพร่แยกในภายหลัง โดยอธิบายรายละเอียดของการเลือก block และการออกแบบ operator สำหรับ long-context workload เพิ่มเติม

Context 1M ใช้ทำอะไรได้จริง?

หน้าโมเดลของ MiniMax ระบุว่า M3 API รองรับ context สูงสุด 1M tokens และรับประกันอย่างน้อย 512K tokens การมีบริบทยาวระดับนี้เหมาะกับงานที่ต้องเก็บข้อมูลจำนวนมากไว้ใน session เดียว เช่น

• อ่าน source code หลาย module หรือ repository ขนาดใหญ่
• วิเคราะห์ log และ incident timeline จำนวนมาก
• อ่านเอกสาร specification หลายชุดพร้อมกัน
• ทำ Agent ที่มีประวัติ tool calls ยาว
• วิเคราะห์ภาพหรือวิดีโอร่วมกับข้อมูลข้อความ

อย่างไรก็ตาม การรองรับ 1M tokens ไม่ได้หมายความว่าควรใช้ context เต็มขนาดในทุก request เพราะ context ที่ยาวขึ้นยังเพิ่ม latency และต้นทุนการประมวลผล จุดแข็งที่แท้จริงคือมีพื้นที่ให้ระบบเลือกใช้เมื่อ workload จำเป็นต้องรักษาบริบทจำนวนมาก

Coding และ Agent ทำได้ดีแค่ไหน?

MiniMax ให้ความสำคัญกับ Coding และ Agent เป็นพิเศษใน M3 โดยผล benchmark ที่บริษัทและ Model Card เผยแพร่มีตัวเลขสำคัญดังนี้

Benchmark	MiniMax M3
SWE-Bench Verified	80.5
SWE-Bench Pro	59.0
Terminal-Bench 2.1	66.0
SWE-fficiency	34.8
KernelBench Hard	28.8
MCP Atlas	74.2
BrowseComp	83.5
OSWorld-Verified	70.06

ผล Benchmark เหล่านี้ควรอ่านพร้อม methodology เพราะหลายรายการถูกทดสอบบน infrastructure ของ MiniMax และใช้ Agent scaffolding เช่น Claude Code หรือ framework เฉพาะของแต่ละ benchmark ตัวอย่างเช่น SWE-Bench Pro ใช้ Claude Code เป็น scaffolding ส่วน Terminal-Bench 2.1 ใช้ sandbox และ configuration ที่ MiniMax ระบุไว้ในส่วน Evaluation Methodology ของบทความเปิดตัว

ดังนั้นตัวเลขเหมาะสำหรับดูแนวโน้มความสามารถและเปรียบเทียบภายใต้เงื่อนไขการทดสอบ มากกว่าจะถือเป็นการรับประกันว่าทุก production workload จะได้ผลลัพธ์เท่ากัน

จุดเด่นอีกอย่างคือ Long-Horizon Agent

สิ่งที่น่าสนใจกว่า benchmark แบบรันครั้งเดียวคือการทดลองงานที่ต้องทำต่อเนื่องหลายชั่วโมง MiniMax รายงานว่า M3 ถูกใช้ให้ reproduce งานวิจัยที่ได้รับ Outstanding Paper จาก ICLR 2025 โดยทำงานต่อเนื่องเกือบ 12 ชั่วโมง, สร้าง 18 commits และ 23 experimental figures ระหว่างการทดลอง

อีกการทดลองหนึ่งให้ M3 ปรับปรุง FP8 GEMM kernel บน NVIDIA Hopper โดยบริษัทระบุว่าโมเดลทำ benchmark submissions 147 ครั้งและ tool calls 1,959 ครั้งตลอดประมาณ 24 ชั่วโมง ก่อนเพิ่ม hardware utilization จาก 7.6% เป็น 71.3%

ทั้งสองกรณีเป็น demonstration ที่ MiniMax จัดทำเอง ไม่ใช่ independent benchmark แต่ช่วยอธิบายทิศทางของผลิตภัณฑ์ได้ชัดว่า M3 ถูกออกแบบมาเพื่อ Agent ที่ทำงานระยะยาวและปรับแผนจาก feedback ได้ต่อเนื่อง ไม่ใช่เพียง code completion

Native Multimodality ต่างจากการเพิ่ม Vision ทีหลังอย่างไร?

MiniMax ระบุว่า M3 ถูกฝึกด้วยข้อมูลหลาย modality ตั้งแต่ Step 0 ทำให้ข้อความ ภาพ และวิดีโอถูกเรียนรู้ร่วมกันตั้งแต่ช่วง pre-training

ในงานจริง ความสามารถนี้มีประโยชน์กับ Agent ที่ต้องอ่าน screenshot, UI, diagram, PDF หรือวิดีโอพร้อมกับ code และข้อความ เช่น Agent ที่ตรวจหน้าจอ application แล้วตัดสินใจขั้นตอนถัดไป หรือวิเคราะห์เอกสารที่มีทั้งตาราง กราฟ และเนื้อหา

คำว่า Native Multimodality ไม่ได้หมายความว่าโมเดลจะเหนือกว่าทุกโมเดลโดยอัตโนมัติ แต่หมายถึง multimodal information เป็นส่วนหนึ่งของ training pipeline ตั้งแต่ต้น ไม่ใช่เพียง feature ที่ถูกเชื่อมเข้ามาภายหลัง

Thinking Mode เลือกได้ตามงาน

Model Card ของ M3 ระบุ parameter thinking ไว้ 3 รูปแบบ ได้แก่

• enabled เปิด reasoning สำหรับงานซับซ้อนและ Agent
• adaptive ให้โมเดลตัดสินใจเองว่าควรใช้ reasoning เพิ่มหรือไม่
• disabled ลด latency และเพิ่ม throughput สำหรับงานที่ไม่ต้องการ reasoning มาก

แนวคิดนี้ช่วยให้ระบบไม่จำเป็นต้องใช้ reasoning เต็มรูปแบบกับทุก request งาน Coding Agent หรือ workflow หลายขั้นอาจเหมาะกับ adaptive หรือ enabled ขณะที่ chat และ autocomplete ที่เน้นความเร็วสามารถเลือกโหมดที่เบากว่าได้

Open Weight และรันเองได้

MiniMax เผยแพร่ weights ของ M3 บน Hugging Face แล้ว โดย Model Card ปัจจุบันแสดงขนาดประมาณ 427–428B parameters ภายใต้ MiniMax Community License และมีแนวทาง deployment ผ่าน SGLang, vLLM, Transformers และ KTransformers

การเปิด weights ทำให้องค์กรสามารถทดลอง private deployment หรือสร้าง inference stack ของตนเองได้ แต่โมเดลขนาดมากกว่า 400B parameters ยังคงต้องวางแผน hardware, quantization และ memory อย่างจริงจัง การมี weights ให้ดาวน์โหลดไม่ได้ทำให้ข้อจำกัดของฮาร์ดแวร์หายไป

MiniMax M3 พร้อมใช้บน protonman แล้ว

บน protonman โมเดลนี้เปิดเป็น public model แล้วในชื่อ:

minimax-m3

สถานะ production catalog ของ protonman ปัจจุบันกำหนดไว้ดังนี้:

• Context Window: 512,000 tokens
• Input: Text, Image และ Video
• Maximum output metadata: 128K tokens
• ใช้ API Key เดียวกับโมเดลอื่นบน protonman

ค่า 512K ตรงนี้เป็น limit ที่ Protonman เปิดใช้งานจริง แม้ MiniMax upstream จะระบุว่าสามารถรองรับได้สูงสุดถึง 1M tokens การแยกสองค่านี้ออกจากกันสำคัญ เพราะขีดจำกัดของโมเดลต้นทางและขีดจำกัดของ route ที่เปิดให้บริการไม่จำเป็นต้องเท่ากันเสมอ

ตัวอย่างเรียกผ่าน OpenAI-compatible Chat Completions API:

curl https://protonman.dev/api/v1/chat/completions \
  -H "Authorization: Bearer pm_sk_YOUR_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "minimax-m3",
    "messages": [
      {
        "role": "user",
        "content": "ช่วยวิเคราะห์ architecture ของโปรเจกต์นี้"
      }
    ]
  }'

หากมี API Key อยู่แล้วสามารถใช้ endpoint เดิมและเปลี่ยน model เป็น minimax-m3 ได้ รายชื่อโมเดลและสิทธิ์ใช้งานล่าสุดตรวจได้จากหน้า Models ส่วนแพ็กเกจปัจจุบันดูได้ที่ Pricing และจัดการ key ได้ที่ API Keys

MiniMax M3 เหมาะกับใคร?

ถ้างานเป็น chat สั้น ๆ หรือ autocomplete ไม่กี่บรรทัด M3 อาจไม่ได้ใช้จุดแข็งทั้งหมดของมัน สิ่งที่ทำให้โมเดลนี้น่าสนใจจริงคือการรวม Coding, Agent, Long Context และ Multimodality ไว้ในระบบเดียว

งานที่เข้าทาง M3 มากที่สุด ได้แก่ repository-scale coding, autonomous coding agents, browser/desktop agents, document analysis, multimodal workflow และระบบที่ต้องรักษาบริบทระหว่าง tool calls จำนวนมาก

สรุป

MiniMax M3 น่าสนใจไม่ใช่เพียงเพราะรองรับ Context สูงสุด 1M tokens แต่เพราะ MiniMax พยายามแก้ปัญหาว่าจะทำให้ context ขนาดนั้นใช้งานกับ Agent จริงได้อย่างไร

MSA ช่วยลดภาระของ attention, Native Multimodality ทำให้โมเดลทำงานกับข้อความ ภาพ และวิดีโอร่วมกันได้ และการฝึกด้าน Coding/Agent ทำให้เหมาะกับ workflow ที่ต้องทำงานต่อเนื่องหลายขั้นมากกว่าโมเดลที่มีหน้าที่เพียงสร้างข้อความตอบกลับ

ผล benchmark ส่วนใหญ่ยังมาจาก MiniMax หรือการประเมินที่เชื่อมโยงกับ model card จึงควรดูควบคู่กับ methodology และผลจาก workload จริง แต่การมีทั้ง open weights, long context และ multimodal capability ทำให้ M3 เป็นหนึ่งในโมเดลที่น่าจับตามองสำหรับงาน Coding และ Agent ในปี 2026

แหล่งข้อมูล

• MiniMax M3 — Official Release
• MiniMax M3 — Official Model Page
• MiniMax M3 — Hugging Face Model Card
• MiniMax Sparse Attention — arXiv:2606.13392