MiniMax M3 vs M2.7: benchmarks, specs y migración

La lista oficial de MiniMax ya solo incluye dos modelos de texto vigentes: MiniMax-M3 y MiniMax-M3.1-Flash. M2.7 y M2.5 están de salida, con el retiro fijado para el 18 de noviembre de 2026. Si tu producto funciona con M2.7, tienes que decidir a qué modelo pasarte antes de esa fecha. Esta guía compara M3 y M2.7 solo con las cifras que publica MiniMax, explica qué cambia realmente en tus solicitudes y recorre la migración paso a paso. En APIMart, ambos modelos están disponibles a través de la MiniMax API con el mismo formato compatible con OpenAI, así que el cambio es básicamente de configuración.

Puntos clave

• MiniMax M3 es un modelo multimodal nativo que acepta texto, imágenes y video, con una ventana de contexto de 1.000.000 de tokens y hasta 524.288 tokens de salida por respuesta. M2.7 llega como máximo a 204.800 tokens de contexto.
• En la tabla de benchmarks de la propia MiniMax, M3 apenas supera a M2.7 en SWE-Bench Verified (80,5 frente a 79,9), pero se distancia claramente en tareas de agentes: 66,0 frente a 51,1 en Terminal Bench 2.1 y 74,2 frente a 49,4 en MCP Atlas.
• MiniMax dejó de ofrecer M2.7 y M2.5 a usuarios nuevos el 19 de octubre de 2026 y los retira el 18 de noviembre de 2026. A partir de esa fecha, las solicitudes de pago por uso a esos modelos dejan de funcionar.
• La migración suele ser un cambio de una línea a minimax-m3, pero el modo thinking y el muestreo se comportan distinto: M3 permite desactivar el thinking, M2.x no, y M3 siempre funciona con temperature 1.
• Al 4 de noviembre de 2026, los miembros Gold de APIMart pagan lo mismo por ambos modelos: 0,24 $ de entrada / 0,96 $ de salida por cada millón de tokens.

MiniMax M3 vs M2.7 de un vistazo

Fuentes: ficha del modelo MiniMax M3, configuración de MiniMax M2.7, lista de modelos de MiniMax y referencia de Chat Completions de MiniMax.

Qué cambia de M2.7 a M3

Multimodalidad nativa

MiniMax describe M3 como un «modelo de programación multimodal de frontera» entrenado con modalidades mezcladas desde el primer paso. En la práctica, un solo modelo puede leer una captura de pantalla, una página de PDF escaneada o un video corto junto con tu prompt. MiniMax reporta para M3 78,1 en MMMU-Pro, 91,6 en OmniDocBench y 84,6 en Video-MMMU. La tabla no incluye puntuaciones de M2.7 en esas pruebas, así que no hay una comparación multimodal equivalente.

Una ventana de contexto cinco veces mayor

M3 admite hasta 1.000.000 de tokens de contexto, frente a 204.800 de M2.7. Es la diferencia entre pasarle al modelo un módulo grande o la mayor parte de un código base, o entre un contrato largo y una data room completa. Una ventana más grande no garantiza que recupere bien lo que está al final, así que prueba la recuperación con tus propias entradas largas antes de depender de ella.

Salidas más largas y thinking controlable

M3 puede devolver hasta 524.288 tokens en una respuesta, y MiniMax recomienda 131.072 para la mayoría de las solicitudes. Los modelos M2.x llegan a 204.800, con 65.536 recomendados. El thinking también cambió. M3 usa por defecto un thinking adaptativo y decide por sí mismo cuándo conviene razonar más; puedes desactivarlo para obtener respuestas más rápidas. En M2.x el thinking está siempre activo: el valor disabled se acepta, pero se ignora.

Benchmarks: MiniMax M3 vs M2.7

Todas las cifras de abajo salen de la tabla de benchmarks de la ficha del modelo MiniMax M3. Son resultados propios de MiniMax, obtenidos en su mayoría en su infraestructura interna con Claude Code como scaffolding, no pruebas independientes de terceros.

Fuente: ficha del modelo MiniMax M3 (resultados publicados por MiniMax).

Destacan dos patrones. En la corrección clásica de bugs dentro de un solo repositorio, la diferencia es pequeña: 0,6 puntos en SWE-Bench Verified y 2,8 en SWE-Bench Pro. Si tu carga de trabajo es sobre todo «arregla este issue en este repo», M2.7 ya estaba cerca de M3. La brecha se abre en tareas de varios pasos con uso intensivo de herramientas. M3 aventaja en 24,8 puntos tanto en MCP Atlas como en Claw-Eval, en 14,9 en Terminal Bench 2.1 y en 26,6 en SWE Atlas-QnA. Son justamente los benchmarks más parecidos a agentes que llaman herramientas, ejecutan comandos y responden preguntas sobre todo un código base.

Precios

Al 4 de noviembre de 2026, los miembros Gold de APIMart pagan 0,24 $ por millón de tokens de entrada y 0,96 $ por millón de tokens de salida por igual en minimax-m3, minimax-m2.7 y minimax-m2.5. Cambiar a M3 no modifica el precio por token. Aun así, tu factura puede variar, porque el thinking adaptativo y las salidas más largas de M3 cambian cuántos tokens usa cada solicitud. Sigue los tokens por solicitud durante unos días después del cambio. Los precios vigentes de todos los modelos de MiniMax están en la página de precios de MiniMax.

Disponibilidad y calendario de retiro

• 19 de octubre de 2026: MiniMax deja de ofrecer M2.5 y M2.7 a usuarios nuevos.
• 18 de noviembre de 2026: se retiran M2.5 y M2.7. Según MiniMax, las solicitudes de API de pago por uso a esos modelos dejan de funcionar después de esa fecha.
• Ya retirados: MiniMax-M2.1, MiniMax-M2 y M2-her.

Al 4 de noviembre de 2026, APIMart todavía ofrece minimax-m2.7 y minimax-m2.5. Como MiniMax retira los modelos de origen, planifica terminar el cambio antes del 18 de noviembre.

Cómo migrar de M2.7 a M3

El formato de la solicitud no cambia, así que la mayoría de los equipos puede migrar en una tarde. Revisa estos cinco puntos:

1. Cambia el ID del modelo de minimax-m2.7 (o minimax-m2.5) a minimax-m3.
2. Decide qué hacer con el thinking. M2.7 siempre razonaba antes de responder; M3 es adaptativo por defecto. Si quieres respuestas rápidas y directas para chat o clasificación, envía "thinking": {"type": "disabled"}. Con el SDK de OpenAI para Python, colócalo dentro de extra_body.
3. Olvídate del ajuste de temperature. M3 siempre funciona con temperature 1 y cualquier otro valor no tiene efecto. Si dependías de una temperature baja para obtener salidas estables, usa instrucciones más claras o salida estructurada.
4. Revisa max_completion_tokens. M3 acepta hasta 524.288. Empieza con los 131.072 que recomienda MiniMax para tareas largas y mantén un límite más bajo en el chat para controlar el costo.
5. Vuelve a ejecutar tus evaluaciones. Compara calidad, latencia y tokens por solicitud con tráfico real antes de moverlo todo.

Una solicitud mínima con el thinking desactivado se ve así:

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": "Resume este pull request en tres viñetas."}],
    "thinking": {"type": "disabled"},
    "max_completion_tokens": 4096,
    "stream": false
  }'

La misma llamada con el SDK de OpenAI para Python:

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",  # antes "minimax-m2.7"
    messages=[{"role": "user", "content": "Resume este pull request en tres viñetas."}],
    max_completion_tokens=4096,
    stream=False,
    extra_body={"thinking": {"type": "disabled"}},  # quita esta línea para mantener el thinking adaptativo
)
print(response.choices[0].message.content)

Consulta la lista completa de parámetros en la referencia de Chat Completions de APIMart.

MiniMax M3 frente a Kimi, GLM y DeepSeek

La misma tabla de MiniMax incluye otros modelos de pesos abiertos. Las cifras de abajo están copiadas de esa tabla; un guion significa que MiniMax no publica puntuación. MiniMax aclara que las puntuaciones de NL2Repo de DeepSeek, Kimi y GLM se tomaron de los resultados publicados por Qwen, mientras que la mayoría de las demás columnas las midió MiniMax mediante la API oficial de cada proveedor.

Fuente: ficha del modelo MiniMax M3 (resultados publicados por MiniMax).

Según las cifras de MiniMax, M3, DeepSeek V4 Pro y Kimi K2.6 Thinking quedan a 0,4 puntos o menos entre sí tanto en SWE-Bench Verified como en BrowseComp, mientras que GLM 5.1 Thinking no tiene puntuación en SWE-Bench Verified y se queda atrás en BrowseComp con 79,3. Además, Kimi K2.6 Thinking queda ligeramente por delante en NL2Repo. Las ventajas más claras de M3 están en Terminal Bench 2.1 y Claw-Eval. Como son resultados del propio proveedor, úsalos para armar una lista corta, no como veredicto, y prueba tus propias tareas antes de elegir.

¿Cuál deberías usar?

• Proyecto nuevo: usa M3. MiniMax ya no ofrece M2.7 a usuarios nuevos y lo retira el 18 de noviembre.
• M2.7 en producción: pásate a M3 ahora, mientras todavía tienes tiempo para comparar las salidas lado a lado.
• Necesitas entrada de imagen o video: M3 es el modelo de texto de MiniMax con entrada multimodal confirmada.
• Sobre todo corrección de bugs en un solo repositorio: espera un cambio de calidad moderado; las mejoras grandes están en el trabajo de agentes con muchas herramientas.

Preguntas frecuentes

¿Cuál es la diferencia entre MiniMax M3 y M2.7?

M3 es el modelo insignia actual de MiniMax. Acepta texto, imágenes y video, admite 1.000.000 de tokens de contexto y hasta 524.288 tokens de salida, y permite desactivar el thinking. M2.7 admite 204.800 tokens de contexto, siempre razona antes de responder y está en proceso de retiro.

¿Se va a retirar MiniMax M2.7?

Sí. MiniMax dejó de ofrecer M2.7 y M2.5 a usuarios nuevos el 19 de octubre de 2026 y retira ambos el 18 de noviembre de 2026. Después de esa fecha, las solicitudes de pago por uso dejan de funcionar.

¿Cómo migro de MiniMax M2.7 a M3?

Cambia el ID del modelo a minimax-m3, decide si mantienes el thinking adaptativo o envías "thinking": {"type": "disabled"}, elimina el ajuste de temperature porque M3 siempre usa 1 y revisa max_completion_tokens. Luego vuelve a ejecutar tu conjunto de evaluación antes de pasar todo el tráfico.

¿Qué resultados obtiene MiniMax M3 en los benchmarks?

En la tabla de la propia MiniMax, M3 obtiene 80,5 en SWE-Bench Verified, 59,0 en SWE-Bench Pro, 66,0 en Terminal Bench 2.1 y 83,5 en BrowseComp. Son resultados del proveedor, no pruebas independientes.

¿MiniMax M3 es open source?

MiniMax publica los pesos de M3 en Hugging Face bajo la MiniMax Community License. Es un modelo de pesos abiertos con su propia licencia, así que revisa sus condiciones antes de alojarlo tú mismo con fines comerciales.

¿Cuánto cuesta MiniMax M3?

Al 4 de noviembre de 2026, los miembros Gold de APIMart pagan 0,24 $ por millón de tokens de entrada y 0,96 $ por millón de tokens de salida por MiniMax M3, el mismo precio que M2.7. Consulta la página del modelo MiniMax en APIMart para ver los precios vigentes.

Qué vigilar a continuación

MiniMax ya lanzó MiniMax-M3.1-Flash, al que describe como un modelo de programación multimodal con contexto de 1M y profundidad de thinking ajustable. APIMart todavía no lo ofrece y no vamos a especular con una fecha de lanzamiento. Mientras tanto, el siguiente paso es claro: migrar las cargas de M2.7 a M3 antes del 18 de noviembre y medir calidad, latencia y tokens por solicitud durante el proceso.