MiniMax M3 vs M2.7: Benchmark, Spek & Migrasi

Daftar model resmi MiniMax kini hanya memuat dua model teks yang masih aktif: MiniMax-M3 dan MiniMax-M3.1-Flash. M2.7 dan M2.5 akan segera pensiun, dengan tanggal penghentian 18 November 2026. Jika produk Anda berjalan di M2.7, Anda perlu memutuskan pindah ke mana sebelum tanggal tersebut. Panduan ini membandingkan M3 dan M2.7 hanya dengan angka yang dipublikasikan MiniMax, menjelaskan apa yang benar-benar berubah pada request Anda, dan menguraikan langkah migrasinya. Di APIMart, kedua model tersedia melalui MiniMax API dengan format kompatibel OpenAI yang sama, jadi perpindahannya pada dasarnya hanya perubahan konfigurasi.

Poin Penting

• MiniMax M3 adalah model multimodal native yang menerima teks, gambar, dan video, dengan jendela konteks 1.000.000 token dan output hingga 524.288 token per respons. Batas konteks M2.7 adalah 204.800 token.
• Di tabel benchmark milik MiniMax sendiri, M3 hanya sedikit unggul dari M2.7 di SWE-Bench Verified (80,5 vs 79,9), tetapi unggul jauh di tugas agen: Terminal Bench 2.1 66,0 vs 51,1, MCP Atlas 74,2 vs 49,4.
• MiniMax berhenti menyediakan M2.7 dan M2.5 untuk pengguna baru pada 19 Oktober 2026 dan menghentikan keduanya pada 18 November 2026. Setelah tanggal itu, request bayar per pemakaian ke model tersebut tidak lagi berfungsi.
• Migrasi umumnya cukup dengan mengganti satu baris menjadi minimax-m3, tetapi perilaku thinking dan sampling berbeda: thinking di M3 bisa dimatikan, di M2.x tidak, dan M3 selalu berjalan dengan temperature 1.
• Per 4 November 2026, member Gold APIMart membayar harga yang sama untuk kedua model: $0,24 input / $0,96 output per 1 juta token.

Sekilas MiniMax M3 vs M2.7

Sumber: kartu model MiniMax M3, konfigurasi MiniMax M2.7, daftar model MiniMax, dan referensi Chat Completions MiniMax.

Apa yang Berubah dari M2.7 ke M3

Multimodal secara native

MiniMax menyebut M3 sebagai "model coding multimodal terdepan" yang dilatih dengan modalitas campuran sejak langkah pertama. Dalam praktiknya, satu model bisa membaca screenshot, halaman PDF hasil pindaian, atau video pendek bersama prompt Anda. MiniMax melaporkan skor M3 78,1 di MMMU-Pro, 91,6 di OmniDocBench, dan 84,6 di Video-MMMU. Tabel tersebut tidak memuat skor M2.7 untuk tes ini, jadi perbandingan multimodal yang setara tidak bisa dilakukan.

Jendela konteks lima kali lebih besar

M3 menangani hingga 1.000.000 token konteks, sedangkan M2.7 204.800. Bedanya seperti memberi model satu modul besar versus sebagian besar codebase, atau satu kontrak panjang versus seluruh data room. Jendela yang lebih besar tidak menjamin informasi di bagian akhir bisa ditemukan dengan tepat, jadi uji retrieval dengan input panjang Anda sendiri sebelum mengandalkannya.

Output lebih panjang dan thinking yang bisa diatur

M3 bisa mengembalikan hingga 524.288 token dalam satu respons, dan MiniMax menyarankan 131.072 untuk sebagian besar request. Model M2.x mentok di 204.800, dengan 65.536 yang disarankan. Thinking juga berubah. Secara default M3 memakai thinking adaptif dan memutuskan sendiri kapan penalaran tambahan diperlukan; Anda bisa mematikannya untuk respons yang lebih cepat. Di M2.x, thinking selalu aktif: nilai disabled diterima, tetapi diabaikan.

Benchmark: MiniMax M3 vs M2.7

Semua angka di bawah ini diambil dari tabel benchmark di kartu model MiniMax M3. Ini adalah hasil pengujian MiniMax sendiri, sebagian besar dijalankan di infrastruktur internal dengan Claude Code sebagai scaffolding, bukan pengujian independen pihak ketiga.

Sumber: kartu model MiniMax M3 (hasil pengujian MiniMax).

Ada dua pola yang menonjol. Pada perbaikan bug klasik di satu repositori, selisihnya kecil: 0,6 poin di SWE-Bench Verified dan 2,8 di SWE-Bench Pro. Jika beban kerja Anda kebanyakan "perbaiki issue ini di repo ini", M2.7 sebenarnya sudah mendekati M3. Selisihnya melebar pada tugas multi-langkah yang banyak memakai tool. M3 unggul 24,8 poin di MCP Atlas maupun Claw-Eval, 14,9 di Terminal Bench 2.1, dan 26,6 di SWE Atlas-QnA. Benchmark inilah yang paling mirip dengan agen yang memanggil tool, menjalankan perintah, dan menjawab pertanyaan tentang seluruh codebase.

Harga

Per 4 November 2026, member Gold APIMart membayar $0,24 per 1 juta token input dan $0,96 per 1 juta token output, sama untuk minimax-m3, minimax-m2.7, dan minimax-m2.5. Pindah ke M3 tidak mengubah harga per token. Namun tagihan Anda tetap bisa berubah, karena thinking adaptif dan output M3 yang lebih panjang mengubah jumlah token yang dipakai setiap request. Pantau token per request selama beberapa hari setelah perpindahan. Harga terbaru semua model MiniMax ada di halaman harga MiniMax.

Ketersediaan dan Jadwal Penghentian

• 19 Oktober 2026: MiniMax berhenti menyediakan M2.5 dan M2.7 untuk pengguna baru.
• 18 November 2026: M2.5 dan M2.7 dihentikan. Menurut MiniMax, request API bayar per pemakaian ke model tersebut tidak lagi berfungsi setelah tanggal ini.
• Sudah dihentikan: MiniMax-M2.1, MiniMax-M2, dan M2-her.

Per 4 November 2026, APIMart masih menyediakan minimax-m2.7 dan minimax-m2.5. Karena MiniMax menghentikan model sumbernya, rencanakan agar perpindahan selesai sebelum 18 November.

Cara Migrasi dari M2.7 ke M3

Format request tidak berubah, jadi sebagian besar tim bisa menyelesaikan migrasi dalam satu sore. Periksa lima hal berikut:

1. Ganti ID model dari minimax-m2.7 (atau minimax-m2.5) menjadi minimax-m3.
2. Tentukan pengaturan thinking. M2.7 selalu bernalar sebelum menjawab, sedangkan M3 adaptif secara default. Untuk jawaban cepat dan langsung, misalnya di chat atau klasifikasi, kirim "thinking": {"type": "disabled"}. Dengan OpenAI SDK untuk Python, letakkan di dalam extra_body.
3. Hapus pengaturan temperature. M3 selalu berjalan dengan temperature 1, dan nilai lain tidak berpengaruh. Jika sebelumnya Anda mengandalkan temperature rendah agar output stabil, gunakan instruksi yang lebih jelas atau output terstruktur.
4. Tinjau ulang max_completion_tokens. M3 menerima hingga 524.288. Untuk tugas panjang, mulai dari 131.072 yang disarankan MiniMax, dan pertahankan batas lebih rendah untuk chat agar biaya terkendali.
5. Jalankan ulang evaluasi. Bandingkan kualitas, latensi, dan token per request dengan trafik nyata sebelum memindahkan semuanya.

Request minimal dengan thinking dimatikan terlihat seperti ini:

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": "Ringkas pull request ini dalam tiga poin."}],
    "thinking": {"type": "disabled"},
    "max_completion_tokens": 4096,
    "stream": false
  }'

Panggilan yang sama dengan OpenAI SDK untuk 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",  # sebelumnya "minimax-m2.7"
    messages=[{"role": "user", "content": "Ringkas pull request ini dalam tiga poin."}],
    max_completion_tokens=4096,
    stream=False,
    extra_body={"thinking": {"type": "disabled"}},  # hapus baris ini untuk tetap memakai thinking adaptif
)
print(response.choices[0].message.content)

Daftar parameter lengkap ada di referensi Chat Completions APIMart.

MiniMax M3 Dibandingkan dengan Kimi, GLM, dan DeepSeek

Tabel MiniMax yang sama juga memuat model open-weight lain. Angka di bawah disalin langsung dari tabel tersebut; tanda strip berarti MiniMax tidak mencantumkan skor. MiniMax mencatat bahwa skor NL2Repo untuk DeepSeek, Kimi, dan GLM diambil dari hasil yang dipublikasikan Qwen, sedangkan sebagian besar kolom lainnya diuji sendiri oleh MiniMax melalui API resmi masing-masing vendor.

Sumber: kartu model MiniMax M3 (hasil pengujian MiniMax).

Menurut angka MiniMax, M3, DeepSeek V4 Pro, dan Kimi K2.6 Thinking hanya terpaut paling banyak 0,4 poin di SWE-Bench Verified maupun BrowseComp, sedangkan GLM 5.1 Thinking tidak punya skor SWE-Bench Verified dan tertinggal di BrowseComp dengan 79,3. Kimi K2.6 Thinking juga sedikit unggul di NL2Repo. Keunggulan M3 yang paling jelas ada di Terminal Bench 2.1 dan Claw-Eval. Karena ini hasil pengujian vendor sendiri, gunakan sebagai daftar pendek kandidat, bukan putusan akhir, dan uji dengan tugas Anda sendiri sebelum memilih.

Mana yang Sebaiknya Dipakai?

• Proyek baru: pakai M3. MiniMax tidak lagi menyediakan M2.7 untuk pengguna baru, dan model itu dihentikan pada 18 November.
• M2.7 sudah dipakai di produksi: pindah ke M3 sekarang, selagi masih ada waktu membandingkan output keduanya berdampingan.
• Butuh input gambar atau video: M3 adalah model teks MiniMax dengan input multimodal yang sudah dikonfirmasi.
• Kebanyakan perbaikan bug di satu repositori: perubahan kualitasnya kemungkinan tidak besar; peningkatan terbesar ada di pekerjaan agen yang banyak memakai tool.

FAQ

Apa perbedaan MiniMax M3 dan M2.7?

M3 adalah model andalan MiniMax saat ini. M3 menerima teks, gambar, dan video, mendukung konteks 1.000.000 token dan output hingga 524.288 token, serta thinking-nya bisa dimatikan. M2.7 mendukung konteks 204.800 token, selalu berpikir sebelum menjawab, dan sedang dalam proses dihentikan.

Apakah MiniMax M2.7 akan dihentikan?

Ya. MiniMax berhenti menyediakan M2.7 dan M2.5 untuk pengguna baru pada 19 Oktober 2026 dan menghentikan keduanya pada 18 November 2026. Setelah itu, request bayar per pemakaian tidak lagi berfungsi.

Bagaimana cara migrasi dari MiniMax M2.7 ke M3?

Ganti ID model menjadi minimax-m3, tentukan apakah tetap memakai thinking adaptif atau mengirim "thinking": {"type": "disabled"}, hapus pengaturan temperature karena M3 selalu memakai 1, lalu tinjau max_completion_tokens. Setelah itu, jalankan ulang set evaluasi Anda sebelum memindahkan seluruh trafik.

Bagaimana performa MiniMax M3 di benchmark?

Di tabel MiniMax sendiri, M3 mencetak 80,5 di SWE-Bench Verified, 59,0 di SWE-Bench Pro, 66,0 di Terminal Bench 2.1, dan 83,5 di BrowseComp. Ini hasil pengujian vendor, bukan pengujian independen.

Apakah MiniMax M3 open source?

MiniMax merilis bobot M3 di Hugging Face dengan MiniMax Community License. M3 adalah model open-weight dengan lisensi sendiri, jadi periksa ketentuannya sebelum meng-host sendiri untuk keperluan komersial.

Berapa harga MiniMax M3?

Per 4 November 2026, member Gold APIMart membayar $0,24 per 1 juta token input dan $0,96 per 1 juta token output untuk MiniMax M3, sama dengan harga M2.7. Cek halaman model MiniMax di APIMart untuk harga terbaru.

Yang Perlu Dipantau Selanjutnya

MiniMax sudah merilis MiniMax-M3.1-Flash, yang disebutnya sebagai model coding multimodal dengan konteks 1M dan kedalaman thinking yang bisa diatur. APIMart belum menyediakannya, dan kami tidak akan menebak tanggal peluncurannya. Sementara itu, langkah berikutnya sudah jelas: pindahkan beban kerja M2.7 ke M3 sebelum 18 November, sambil terus mengukur kualitas, latensi, dan token per request.