Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
fragen-fundeohne Datum · Q004692

Hugging Face

huggingface.co · Originalbericht öffnen ↗

Zusammenfassung

Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.

Kurz

Die Hugging-Face-Seite stellt MiniMax-M3 als multimodales Modell mit Million-Token-Kontext vor und schreibt seiner Sparse-Attention-Technik erhebliche Effizienzgewinne gegenüber M2 zu. Sie nennt Leistungswerte aus mehreren Benchmarks sowie Optionen für API-Nutzung und lokalen Betrieb, erläutert aber weder die Benchmarkmethodik noch die Bedeutung der Sternchen im Detail.

Mittel

Die Hugging-Face-Seite beschreibt MiniMax-M3 als natives multimodales Modell mit einem Kontextfenster von einer Million Token, rund 428 Milliarden Parametern und etwa 23 Milliarden aktivierten Parametern. MiniMax zufolge wird es von Anfang an mit Text, Bildern und Videos trainiert. Die Sparse-Attention-Technik MSA soll gegenüber GQA Rechen- und Speicherbedarf senken. Für lange Kontexte nennt die Seite gegenüber M2 eine neunfach höhere Prefill- und fünfzehnfach höhere Decode-Geschwindigkeit sowie ein Zwanzigstel des Rechenaufwands pro Token.

Als Einsatzgebiete hebt MiniMax Programmieren und länger laufende agentische Aufgaben hervor. Die Seite führt unter anderem Werte von 80,5 für SWE-bench Verified, 78,1 für MMMU Pro und 59 für SWE-bench Pro auf. Messbedingungen und Bedeutung der Sternchen werden im Bericht nicht erklärt; die Zahlen lassen sich daher hier nicht unabhängig einordnen.

Nutzbar sei M3 über MiniMax Code oder die API; drei `thinking`-Modi steuern, ob Reasoning stets aktiv, adaptiv oder deaktiviert ist. Für lokalen Betrieb empfiehlt die Seite mehrere Inferenz-Frameworks und nennt Temperatur 1,0 sowie `top_p` 0,95 als Parameterempfehlung.

Ausführlich lesen

Der Bericht ist eine Hugging-Face-Modellseite zu MiniMax-M3. Sie beschreibt M3 als nativ multimodales Modell mit einem Kontextfenster von einer Million Token, ungefähr 428 Milliarden Parametern und rund 23 Milliarden aktivierten Parametern. Laut Seitenbeschreibung wird das Modell von Beginn an mit gemischten Modalitäten trainiert, damit Text, Bilder und Videos semantisch enger zusammengeführt werden.

Als zentrale technische Neuerung nennt die Seite MiniMax Sparse Attention (MSA), einen für sehr lange Kontexte ausgelegten sparsamen Aufmerksamkeitsmechanismus. Im Vergleich zu GQA soll MSA Rechenaufwand und Speicherbedarf deutlich verringern, ohne die Modellqualität zu beeinträchtigen. Für einen Kontext von einer Million Token gibt die Seite gegenüber M2 eine neunfach höhere Prefill- und eine fünfzehnfach höhere Decode-Geschwindigkeit sowie ein auf ein Zwanzigstel reduziertes Rechenaufkommen je Token an. Ein technischer Bericht ist verlinkt. Die vorliegende Seite erläutert jedoch weder die Messbedingungen noch die verwendete Vergleichsmethodik im Detail.

MiniMax ordnet M3 außerdem bei Aufgaben mit längeren, agentischen Abläufen als leistungsstark ein, insbesondere beim Programmieren und bei Cowork-Aufgaben. Die Seite listet Evaluationsergebnisse auf, darunter 80,5 bei SWE-bench Verified, 27,7 bei Apex Agents, 38,5 bei Long-Horizon-Terminal-Bench, 78,1 bei MMMU Pro Standard mit zehn Antwortoptionen und 59 bei SWE-bench Pro. Für weitere Varianten des Long-Horizon-Terminal-Bench werden Werte von 5 und 3 aufgeführt. Die Zahlen sind mit Sternchen versehen; die Seite erklärt in diesem Auszug weder deren Bedeutung noch die Auswertungsbedingungen. Die Ergebnisse belegen daher hier nur, welche Werte die Seite aufführt, nicht unabhängig die umfassenden Leistungsbehauptungen.

Zur Nutzung nennt die Seite MiniMax Code und die MiniMax API. Über den Parameter `thinking` lassen sich drei Modi einstellen: dauerhaftes Reasoning, adaptive Entscheidung über zusätzliches Reasoning oder deaktiviertes Reasoning zur Verringerung der Latenz und Erhöhung des Durchsatzes. Für den lokalen Betrieb beschreibt die Seite einen Download-Befehl und empfiehlt SGLang, vLLM, Transformers, KTransformers, unsloth und ATOM. Als Inferenzparameter werden Temperatur 1,0 und `top_p` 0,95 empfohlen.

Weitere Seitenangaben nennen 134.800 Downloads im letzten Monat, ein Modellformat mit BF16 und F32 sowie 69 Spaces, die das Modell verwenden. Insgesamt stellt die Seite Modellmerkmale, Leistungsversprechen, aufgeführte Evaluationen und Bereitstellungswege dar; detaillierte Testprotokolle oder eine unabhängige Prüfung dieser Angaben enthält der vorliegende Bericht nicht.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19 ungeprüft

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 7 von 7
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
  1. SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
    • clef 100 %kein Bezug
    • Luna 38 %einzelne zitierbare Belege
    • JEV offen
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 52 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

Unabhängig prüfen
Tempo und Grenzen
Vertrauen in Modelle
  1. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 41 %einzelne zitierbare Belege
    • JEV offen
    • amos 35 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 56 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

    • SF-V5-T03 Ist es wirtschaftlich klug, Modelle mit geringem Denkaufwand zu betreiben, oder wird das Ausrichtungsproblem (Modelle dazu zu bringen, den vorgesehenen Zielen und Werten zu folgen) dadurch nur schwerer sichtbar? Luna: Stufe 3 · 31 % · Hintergrund, keine Belege
Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 53 %einzelne zitierbare Belege
    • JEV offen
    • amos 27 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 53 %gleiches Oberthema, hilft nicht
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
Wirtschaft und Haftung

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →