MiniMax M3 vs M2.7 : benchmarks, specs, migration

La liste officielle de MiniMax ne compte plus que deux modèles texte actuels : MiniMax-M3 et MiniMax-M3.1-Flash. M2.7 et M2.5 sont en fin de vie, avec un retrait fixé au 18 novembre 2026. Si votre produit tourne sur M2.7, vous devez choisir vers quoi migrer avant cette date. Ce guide compare M3 et M2.7 uniquement à partir des chiffres publiés par MiniMax, explique ce qui change concrètement dans vos requêtes et détaille la bascule étape par étape. Sur APIMart, les deux modèles sont accessibles via la MiniMax API avec le même format compatible OpenAI : la migration se résume pour l'essentiel à un changement de configuration.

Points clés

• MiniMax M3 est un modèle nativement multimodal qui accepte texte, images et vidéo, avec une fenêtre de contexte de 1 000 000 tokens et jusqu'à 524 288 tokens de sortie par réponse. M2.7 plafonne à 204 800 tokens de contexte.
• Dans le tableau de benchmarks publié par MiniMax, M3 ne devance M2.7 que de peu sur SWE-Bench Verified (80,5 contre 79,9), mais creuse nettement l'écart sur les tâches d'agent : 66,0 contre 51,1 sur Terminal Bench 2.1, 74,2 contre 49,4 sur MCP Atlas.
• MiniMax a cessé de proposer M2.7 et M2.5 aux nouveaux utilisateurs le 19 octobre 2026 et les retire le 18 novembre 2026. Après cette date, les requêtes à l'usage vers ces modèles ne fonctionnent plus.
• La migration se limite souvent à une ligne : passer à minimax-m3. Mais le thinking et l'échantillonnage changent : M3 permet de désactiver le thinking, pas M2.x, et M3 fonctionne toujours avec une temperature de 1.
• Au 4 novembre 2026, les membres Gold d'APIMart paient le même tarif pour les deux modèles : 0,24 $ en entrée / 0,96 $ en sortie par million de tokens.

MiniMax M3 vs M2.7 en un coup d'œil

Sources : fiche du modèle MiniMax M3, configuration de MiniMax M2.7, liste des modèles MiniMax et référence Chat Completions de MiniMax.

Ce qui change entre M2.7 et M3

Une multimodalité native

MiniMax présente M3 comme un « modèle de code multimodal de pointe », entraîné sur des modalités mélangées dès la première étape. Concrètement, un seul modèle peut lire une capture d'écran, une page de PDF numérisée ou une courte vidéo en plus de votre prompt. MiniMax annonce pour M3 78,1 sur MMMU-Pro, 91,6 sur OmniDocBench et 84,6 sur Video-MMMU. Le tableau ne donne aucun score de M2.7 sur ces tests : impossible donc de comparer les deux modèles à armes égales sur le multimodal.

Une fenêtre de contexte cinq fois plus grande

M3 accepte jusqu'à 1 000 000 tokens de contexte, contre 204 800 pour M2.7. C'est la différence entre confier au modèle un gros module et lui confier l'essentiel d'une base de code, ou entre un long contrat et une data room complète. Une fenêtre plus grande ne garantit pas pour autant un bon rappel des informations situées loin dans le contexte : testez la recherche sur vos propres entrées longues avant de vous y fier.

Des sorties plus longues et un thinking pilotable

M3 peut renvoyer jusqu'à 524 288 tokens en une réponse, et MiniMax recommande 131 072 pour la plupart des requêtes. Les modèles M2.x plafonnent à 204 800, avec 65 536 recommandés. Le thinking a lui aussi changé. Par défaut, M3 utilise un thinking adaptatif et décide lui-même quand un raisonnement supplémentaire est utile ; vous pouvez le désactiver pour obtenir des réponses plus rapides. Sur M2.x, le thinking est toujours actif : la valeur disabled est acceptée mais ignorée.

Benchmarks : MiniMax M3 vs M2.7

Tous les chiffres ci-dessous proviennent du tableau de benchmarks de la fiche du modèle MiniMax M3. Il s'agit de résultats publiés par MiniMax lui-même, obtenus pour la plupart sur son infrastructure interne avec Claude Code comme scaffolding, et non de tests indépendants.

Source : fiche du modèle MiniMax M3 (résultats publiés par MiniMax).

Deux tendances se dégagent. Sur la correction de bugs classique dans un seul dépôt, l'écart est faible : 0,6 point sur SWE-Bench Verified et 2,8 sur SWE-Bench Pro. Si votre usage consiste surtout à « corriger cette issue dans ce dépôt », M2.7 était déjà proche de M3. L'écart se creuse sur les tâches en plusieurs étapes qui sollicitent beaucoup d'outils. M3 prend 24,8 points d'avance sur MCP Atlas comme sur Claw-Eval, 14,9 sur Terminal Bench 2.1 et 26,6 sur SWE Atlas-QnA. Ce sont précisément les benchmarks les plus proches d'agents qui appellent des outils, exécutent des commandes et répondent à des questions sur toute une base de code.

Tarifs

Au 4 novembre 2026, les membres Gold d'APIMart paient 0,24 $ par million de tokens en entrée et 0,96 $ par million de tokens en sortie, que ce soit pour minimax-m3, minimax-m2.7 ou minimax-m2.5. Passer à M3 ne change donc pas le prix au token. Votre facture peut malgré tout évoluer, car le thinking adaptatif et les sorties plus longues de M3 modifient le nombre de tokens consommés par requête. Suivez les tokens par requête pendant quelques jours après la bascule. Les tarifs actuels de tous les modèles MiniMax sont sur la page de prix MiniMax.

Disponibilité et calendrier de retrait

• 19 octobre 2026 : MiniMax cesse de proposer M2.5 et M2.7 aux nouveaux utilisateurs.
• 18 novembre 2026 : retrait de M2.5 et M2.7. Selon MiniMax, les requêtes API à l'usage vers ces modèles ne fonctionnent plus après cette date.
• Déjà retirés : MiniMax-M2.1, MiniMax-M2 et M2-her.

Au 4 novembre 2026, APIMart propose encore minimax-m2.7 et minimax-m2.5. Comme MiniMax retire les modèles sous-jacents, prévoyez de terminer votre migration avant le 18 novembre.

Migrer de M2.7 vers M3

Le format des requêtes ne change pas : la plupart des équipes migrent en un après-midi. Passez en revue ces cinq points :

1. Changez l'identifiant du modèle : minimax-m2.7 (ou minimax-m2.5) devient minimax-m3.
2. Choisissez votre mode thinking : M2.7 raisonnait systématiquement avant de répondre, M3 est adaptatif par défaut. Pour des réponses rapides et directes, en chat ou en classification par exemple, envoyez "thinking": {"type": "disabled"}. Avec le SDK Python d'OpenAI, placez-le dans extra_body.
3. Abandonnez le réglage de temperature : M3 fonctionne toujours avec une temperature de 1, et toute autre valeur est sans effet. Si vous comptiez sur une temperature basse pour stabiliser les sorties, misez plutôt sur des instructions plus claires ou une sortie structurée.
4. Revoyez max_completion_tokens : M3 accepte jusqu'à 524 288. Partez des 131 072 recommandés par MiniMax pour les tâches longues, et gardez un plafond plus bas pour le chat afin de maîtriser les coûts.
5. Relancez vos évaluations : comparez qualité, latence et tokens par requête sur du trafic réel avant de basculer la totalité.

Voici une requête minimale avec le thinking désactivé :

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": "Résume cette pull request en trois points."}],
    "thinking": {"type": "disabled"},
    "max_completion_tokens": 4096,
    "stream": false
  }'

Le même appel avec le SDK Python d'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",  # auparavant "minimax-m2.7"
    messages=[{"role": "user", "content": "Résume cette pull request en trois points."}],
    max_completion_tokens=4096,
    stream=False,
    extra_body={"thinking": {"type": "disabled"}},  # supprimez cette ligne pour garder le thinking adaptatif
)
print(response.choices[0].message.content)

La liste complète des paramètres figure dans la référence Chat Completions d'APIMart.

MiniMax M3 face à Kimi, GLM et DeepSeek

Le même tableau de MiniMax inclut d'autres modèles à poids ouverts. Les chiffres ci-dessous en sont directement repris ; un tiret signifie que MiniMax ne publie pas de score. MiniMax précise que les scores NL2Repo de DeepSeek, Kimi et GLM proviennent des résultats publiés par Qwen, tandis que la plupart des autres colonnes ont été mesurées par MiniMax via l'API officielle de chaque éditeur.

Source : fiche du modèle MiniMax M3 (résultats publiés par MiniMax).

D'après les chiffres de MiniMax, M3, DeepSeek V4 Pro et Kimi K2.6 Thinking se tiennent à 0,4 point ou moins sur SWE-Bench Verified comme sur BrowseComp, tandis que GLM 5.1 Thinking n'a pas de score sur SWE-Bench Verified et reste en retrait sur BrowseComp avec 79,3. Kimi K2.6 Thinking passe légèrement devant sur NL2Repo. Les avances les plus nettes de M3 concernent Terminal Bench 2.1 et Claw-Eval. Comme il s'agit de résultats publiés par l'éditeur, servez-vous-en pour établir une présélection plutôt que pour trancher, et testez vos propres tâches avant de choisir.

Lequel choisir ?

• Nouveau projet : prenez M3. MiniMax ne propose plus M2.7 aux nouveaux utilisateurs, et le modèle est retiré le 18 novembre.
• M2.7 en production : migrez vers M3 dès maintenant, tant qu'il reste du temps pour comparer les sorties côte à côte.
• Besoin d'entrées image ou vidéo : M3 est le modèle texte MiniMax dont l'entrée multimodale est confirmée.
• Surtout de la correction de bugs dans un seul dépôt : attendez-vous à un changement de qualité modeste ; les gains les plus importants concernent les tâches d'agent riches en outils.

FAQ

Quelle est la différence entre MiniMax M3 et M2.7 ?

M3 est le modèle phare actuel de MiniMax. Il accepte texte, images et vidéo, prend en charge 1 000 000 tokens de contexte et jusqu'à 524 288 tokens de sortie, et son thinking peut être désactivé. M2.7 gère 204 800 tokens de contexte, réfléchit toujours avant de répondre et est en cours de retrait.

MiniMax M2.7 va-t-il être retiré ?

Oui. MiniMax a cessé de proposer M2.7 et M2.5 aux nouveaux utilisateurs le 19 octobre 2026 et retire les deux modèles le 18 novembre 2026. Après cette date, les requêtes à l'usage ne fonctionnent plus.

Comment migrer de MiniMax M2.7 vers M3 ?

Remplacez l'identifiant du modèle par minimax-m3, décidez si vous gardez le thinking adaptatif ou envoyez "thinking": {"type": "disabled"}, supprimez le réglage de temperature puisque M3 utilise toujours 1, et revoyez max_completion_tokens. Relancez ensuite votre jeu d'évaluation avant de basculer tout le trafic.

Quelles sont les performances de MiniMax M3 en benchmark ?

Dans le tableau publié par MiniMax, M3 obtient 80,5 sur SWE-Bench Verified, 59,0 sur SWE-Bench Pro, 66,0 sur Terminal Bench 2.1 et 83,5 sur BrowseComp. Ce sont des résultats publiés par l'éditeur, pas des tests indépendants.

MiniMax M3 est-il open source ?

MiniMax publie les poids de M3 sur Hugging Face sous la MiniMax Community License. C'est un modèle à poids ouverts avec sa propre licence : vérifiez-en les conditions avant de l'héberger vous-même à des fins commerciales.

Combien coûte MiniMax M3 ?

Au 4 novembre 2026, les membres Gold d'APIMart paient MiniMax M3 0,24 $ par million de tokens en entrée et 0,96 $ par million de tokens en sortie, soit le même tarif que M2.7. Consultez la page du modèle MiniMax sur APIMart pour les prix à jour.

À surveiller

MiniMax a déjà lancé MiniMax-M3.1-Flash, présenté comme un modèle de code multimodal doté d'un contexte de 1M et d'une profondeur de thinking réglable. APIMart ne le propose pas encore, et nous ne ferons pas de pronostic sur une date de lancement. En attendant, l'étape concrète est claire : migrer vos charges M2.7 vers M3 avant le 18 novembre, en mesurant au fil de l'eau la qualité, la latence et les tokens par requête.