MiniMax M3 vs. M2.7: Benchmarks, Specs & Migration

MiniMax führt in seiner offiziellen Modellliste nur noch zwei aktuelle Textmodelle: MiniMax-M3 und MiniMax-M3.1-Flash. M2.7 und M2.5 laufen aus, die Einstellung ist für den 18. November 2026 angesetzt. Wenn Ihr Produkt auf M2.7 läuft, müssen Sie vor diesem Datum entscheiden, wohin Sie wechseln. Dieser Leitfaden vergleicht M3 und M2.7 ausschließlich mit den von MiniMax veröffentlichten Zahlen, zeigt, was sich in Ihren Requests tatsächlich ändert, und führt Schritt für Schritt durch den Umstieg. Bei APIMart sind beide Modelle über die MiniMax API im selben OpenAI-kompatiblen Format erreichbar, der Wechsel ist also im Wesentlichen eine Konfigurationsänderung.

Das Wichtigste in Kürze

• MiniMax M3 ist ein nativ multimodales Modell, das Text, Bilder und Video verarbeitet, mit einem Kontextfenster von 1.000.000 Tokens und bis zu 524.288 Ausgabe-Tokens pro Antwort. M2.7 ist auf 204.800 Tokens Kontext begrenzt.
• In MiniMax' eigener Benchmark-Tabelle liegt M3 bei SWE-Bench Verified nur knapp vor M2.7 (80,5 zu 79,9), bei Agenten-Aufgaben aber deutlich: Terminal Bench 2.1 mit 66,0 zu 51,1, MCP Atlas mit 74,2 zu 49,4.
• MiniMax bietet M2.7 und M2.5 seit dem 19. Oktober 2026 keinen neuen Nutzern mehr an und stellt beide am 18. November 2026 ein. Danach funktionieren Pay-as-you-go-Anfragen an diese Modelle nicht mehr.
• Die Migration ist meist eine einzige geänderte Zeile auf minimax-m3, doch Thinking und Sampling verhalten sich anders: Bei M3 lässt sich Thinking abschalten, bei M2.x nicht, und M3 läuft immer mit temperature 1.
• Stand 4. November 2026 zahlen Gold-Mitglieder bei APIMart für beide Modelle dasselbe: 0,24 $ Eingabe / 0,96 $ Ausgabe pro 1 Mio. Tokens.

MiniMax M3 vs. M2.7 auf einen Blick

Quellen: MiniMax-M3-Modellkarte, MiniMax-M2.7-Konfiguration, MiniMax-Modellliste und MiniMax-Referenz zu Chat Completions.

Was sich von M2.7 zu M3 ändert

Nativ multimodal

MiniMax beschreibt M3 als „Frontier-Modell für multimodales Coding“, das vom ersten Trainingsschritt an mit gemischten Modalitäten trainiert wurde. In der Praxis heißt das: Ein einziges Modell liest neben Ihrem Prompt auch einen Screenshot, eine gescannte PDF-Seite oder ein kurzes Video. MiniMax nennt für M3 78,1 bei MMMU-Pro, 91,6 bei OmniDocBench und 84,6 bei Video-MMMU. Für M2.7 enthält die Tabelle zu diesen Tests keine Werte, ein direkter multimodaler Vergleich ist also nicht möglich.

Ein fünfmal größeres Kontextfenster

M3 verarbeitet bis zu 1.000.000 Tokens Kontext, M2.7 dagegen 204.800. Das ist der Unterschied zwischen einem großen Modul und dem Großteil einer Codebasis – oder zwischen einem langen Vertrag und einem kompletten Datenraum. Ein größeres Fenster garantiert allerdings nicht, dass Inhalte am hinteren Ende zuverlässig gefunden werden. Testen Sie das Retrieval mit Ihren eigenen langen Eingaben, bevor Sie sich darauf verlassen.

Längere Ausgaben und steuerbares Thinking

M3 kann bis zu 524.288 Tokens in einer Antwort liefern, MiniMax empfiehlt 131.072 für die meisten Anfragen. Die M2.x-Modelle sind auf 204.800 begrenzt, empfohlen sind 65.536. Auch das Thinking hat sich geändert: M3 nutzt standardmäßig adaptives Thinking und entscheidet selbst, wann zusätzliches Reasoning hilft – für schnellere Antworten lässt es sich abschalten. Bei M2.x ist Thinking immer aktiv; der Wert disabled wird zwar akzeptiert, aber ignoriert.

Benchmarks: MiniMax M3 vs. M2.7

Alle folgenden Zahlen stammen aus der Benchmark-Tabelle auf der MiniMax-M3-Modellkarte. Es sind eigene Ergebnisse von MiniMax, überwiegend auf interner Infrastruktur mit Claude Code als Scaffolding ermittelt – keine unabhängigen Tests von Dritten.

Quelle: MiniMax-M3-Modellkarte (eigene Angaben von MiniMax).

Zwei Muster fallen auf. Beim klassischen Bugfixing in einem einzelnen Repository ist der Abstand klein: 0,6 Punkte bei SWE-Bench Verified und 2,8 bei SWE-Bench Pro. Besteht Ihr Workload vor allem aus „behebe dieses Issue in diesem Repo“, war M2.7 schon nah an M3. Deutlich wird der Abstand bei mehrstufigen, toolintensiven Aufgaben. M3 liegt bei MCP Atlas und Claw-Eval jeweils 24,8 Punkte vorn, bei Terminal Bench 2.1 14,9 Punkte und bei SWE Atlas-QnA 26,6 Punkte. Genau diese Benchmarks kommen Agenten am nächsten, die Tools aufrufen, Befehle ausführen und Fragen zu einer ganzen Codebasis beantworten.

Preise

Stand 4. November 2026 zahlen Gold-Mitglieder bei APIMart für minimax-m3, minimax-m2.7 und minimax-m2.5 gleichermaßen 0,24 $ pro 1 Mio. Eingabe-Tokens und 0,96 $ pro 1 Mio. Ausgabe-Tokens. Der Wechsel zu M3 ändert also den Preis pro Token nicht. Ihre Rechnung kann sich trotzdem verschieben, weil adaptives Thinking und längere Ausgaben bei M3 den Token-Verbrauch pro Anfrage verändern. Beobachten Sie nach dem Umstieg ein paar Tage lang die Tokens pro Anfrage. Die aktuellen Preise aller MiniMax-Modelle finden Sie auf der MiniMax-Preisseite.

Verfügbarkeit und Zeitplan der Einstellung

• 19. Oktober 2026: MiniMax bietet M2.5 und M2.7 keinen neuen Nutzern mehr an.
• 18. November 2026: M2.5 und M2.7 werden eingestellt. Laut MiniMax funktionieren Pay-as-you-go-API-Anfragen danach nicht mehr.
• Bereits eingestellt: MiniMax-M2.1, MiniMax-M2 und M2-her.

Stand 4. November 2026 bietet APIMart minimax-m2.7 und minimax-m2.5 noch an. Da MiniMax die zugrunde liegenden Modelle einstellt, sollten Sie den Wechsel vor dem 18. November abschließen.

Migration von M2.7 zu M3

Das Request-Format bleibt gleich, die meisten Teams schaffen die Migration an einem Nachmittag. Gehen Sie diese fünf Punkte durch:

1. Modell-ID ändern: aus minimax-m2.7 (oder minimax-m2.5) wird minimax-m3.
2. Über Thinking entscheiden: M2.7 hat vor jeder Antwort nachgedacht, M3 arbeitet standardmäßig adaptiv. Für schnelle, direkte Antworten etwa in Chat oder Klassifizierung senden Sie "thinking": {"type": "disabled"}. Mit dem Python-SDK von OpenAI gehört das in extra_body.
3. Temperature-Tuning entfernen: M3 läuft immer mit temperature 1, andere Werte haben keine Wirkung. Wenn Sie bisher mit niedriger temperature für stabile Ausgaben gesorgt haben, setzen Sie stattdessen auf klarere Anweisungen oder strukturierte Ausgabe.
4. max_completion_tokens prüfen: M3 akzeptiert bis zu 524.288. Starten Sie bei langen Aufgaben mit den von MiniMax empfohlenen 131.072 und behalten Sie für Chats eine niedrigere Grenze, um die Kosten im Griff zu behalten.
5. Evals erneut ausführen: Vergleichen Sie Qualität, Latenz und Tokens pro Anfrage mit echtem Traffic, bevor Sie komplett umstellen.

Ein minimaler Request mit abgeschaltetem Thinking sieht so aus:

curl https://api.apimart.ai/v1/chat/completions \
  -H "Authorization: Bearer $APIMART_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "minimax-m3",
    "messages": [{"role": "user", "content": "Fasse diesen Pull Request in drei Stichpunkten zusammen."}],
    "thinking": {"type": "disabled"},
    "max_completion_tokens": 4096,
    "stream": false
  }'

Derselbe Aufruf mit dem Python-SDK von OpenAI:

import os
from openai import OpenAI

client = OpenAI(base_url="https://api.apimart.ai/v1", api_key=os.environ["APIMART_API_KEY"])

response = client.chat.completions.create(
    model="minimax-m3",  # vorher "minimax-m2.7"
    messages=[{"role": "user", "content": "Fasse diesen Pull Request in drei Stichpunkten zusammen."}],
    max_completion_tokens=4096,
    stream=False,
    extra_body={"thinking": {"type": "disabled"}},  # Zeile entfernen, um adaptives Thinking zu behalten
)
print(response.choices[0].message.content)

Alle Parameter finden Sie in der APIMart-Referenz zu Chat Completions.

MiniMax M3 im Vergleich mit Kimi, GLM und DeepSeek

Dieselbe MiniMax-Tabelle enthält weitere Open-Weight-Modelle. Die Werte unten sind direkt daraus übernommen; ein Strich bedeutet, dass MiniMax keinen Wert angibt. Laut MiniMax stammen die NL2Repo-Werte für DeepSeek, Kimi und GLM aus den von Qwen veröffentlichten Ergebnissen, die meisten übrigen Spalten hat MiniMax selbst über die offiziellen APIs der Anbieter getestet.

Quelle: MiniMax-M3-Modellkarte (eigene Angaben von MiniMax).

Nach den MiniMax-Zahlen liegen M3, DeepSeek V4 Pro und Kimi K2.6 Thinking bei SWE-Bench Verified und BrowseComp jeweils höchstens 0,4 Punkte auseinander; GLM 5.1 Thinking hat keinen Wert für SWE-Bench Verified und liegt bei BrowseComp mit 79,3 zurück. Bei NL2Repo hat Kimi K2.6 Thinking knapp die Nase vorn. Am deutlichsten führt M3 bei Terminal Bench 2.1 und Claw-Eval. Da es sich um Herstellerangaben handelt, eignen sie sich eher für eine Vorauswahl als für ein Urteil – testen Sie vor der Entscheidung mit Ihren eigenen Aufgaben.

Welches Modell sollten Sie nutzen?

• Neues Projekt: Nehmen Sie M3. MiniMax bietet M2.7 keinen neuen Nutzern mehr an, und am 18. November wird es eingestellt.
• M2.7 in Produktion: Wechseln Sie jetzt zu M3, solange noch Zeit für einen direkten Vergleich der Ausgaben bleibt.
• Bild- oder Videoeingabe nötig: M3 ist das MiniMax-Textmodell mit bestätigter multimodaler Eingabe.
• Vor allem Bugfixing in einem Repo: Rechnen Sie mit einer moderaten Qualitätsänderung; die größeren Sprünge gibt es bei toolintensiven Agenten-Aufgaben.

Häufig gestellte Fragen

Was ist der Unterschied zwischen MiniMax M3 und M2.7?

M3 ist das aktuelle Flaggschiff von MiniMax. Es verarbeitet Text, Bilder und Video, unterstützt 1.000.000 Tokens Kontext und bis zu 524.288 Ausgabe-Tokens, und Thinking lässt sich abschalten. M2.7 unterstützt 204.800 Tokens Kontext, denkt vor jeder Antwort nach und wird eingestellt.

Wird MiniMax M2.7 eingestellt?

Ja. MiniMax bietet M2.7 und M2.5 seit dem 19. Oktober 2026 keinen neuen Nutzern mehr an und stellt beide am 18. November 2026 ein. Danach funktionieren Pay-as-you-go-Anfragen an diese Modelle nicht mehr.

Wie migriere ich von MiniMax M2.7 zu M3?

Ändern Sie die Modell-ID auf minimax-m3, entscheiden Sie, ob Sie adaptives Thinking behalten oder "thinking": {"type": "disabled"} senden, entfernen Sie das Temperature-Tuning, weil M3 immer temperature 1 nutzt, und prüfen Sie max_completion_tokens. Führen Sie anschließend Ihr Eval-Set erneut aus, bevor Sie den gesamten Traffic umstellen.

Wie schneidet MiniMax M3 in Benchmarks ab?

In MiniMax' eigener Tabelle erreicht M3 80,5 bei SWE-Bench Verified, 59,0 bei SWE-Bench Pro, 66,0 bei Terminal Bench 2.1 und 83,5 bei BrowseComp. Es handelt sich um Herstellerangaben, nicht um unabhängige Tests.

Ist MiniMax M3 Open Source?

MiniMax veröffentlicht die Gewichte von M3 auf Hugging Face unter der MiniMax Community License. Es ist ein Open-Weight-Modell mit eigenen Lizenzbedingungen – prüfen Sie die Lizenz, bevor Sie es kommerziell selbst hosten.

Was kostet MiniMax M3?

Stand 4. November 2026 zahlen Gold-Mitglieder bei APIMart für MiniMax M3 0,24 $ pro 1 Mio. Eingabe-Tokens und 0,96 $ pro 1 Mio. Ausgabe-Tokens – derselbe Preis wie für M2.7. Aktuelle Preise finden Sie auf der MiniMax-Modellseite bei APIMart.

Was als Nächstes kommt

MiniMax hat bereits MiniMax-M3.1-Flash veröffentlicht und beschreibt es als multimodales Coding-Modell mit 1M Kontext und einstellbarer Thinking-Tiefe. APIMart bietet es noch nicht an, und über einen Starttermin spekulieren wir nicht. Bis dahin ist der nächste Schritt klar: M2.7-Workloads vor dem 18. November auf M3 umstellen und dabei Qualität, Latenz und Tokens pro Anfrage messen.