MiniMax M3 Pro: Chinesisches KI-Modell mit 2,7 Billionen Parametern geplant

Wichtiger Hinweis zur Namensgebung: Der Reuters-Bericht selbst verwendet den Codenamen „M3 Pro“ nicht explizit. Dieser stammt aus anderen Quellen wie The Information . Der endgültige Name könnte daher noch abweichen.

Vergleich mit MiniMax' bestehenden Modellen

Die Modellreihe von MiniMax hat sich rasant weiterentwickelt:

Der Sprung von M3 mit ~428 Milliarden auf 2,7 Billionen Parameter bedeutet eine etwa 6,3-fache Steigerung der Gesamtparameterzahl. Falls MiniMax seinen MoE-Ansatz beibehält, könnte die Anzahl der aktiven Parameter pro Vorwärtsdurchlauf im zweistelligen bis hundert Milliardenbereich bleiben, aber der Gesamtumfang wäre für ein Open-Weight-Modell beispiellos .

Vergleich mit DeepSeek V4 Pro

DeepSeek V4 Pro ist DeepSeeks Flaggschiff-Open-Weight-Modell, das am 23. April 2026 veröffentlicht wurde . Die wichtigsten Daten im Vergleich:

• DeepSeek V4 Pro: 1,6 Billionen Parameter gesamt, 49 Milliarden aktiv, MIT-Lizenz, reiner Text-Code-Spezialist – höchste Codeforces-Bewertung aller Sprachmodelle und 80,6 % auf SWE-bench Verified (Bestwert unter Open-Weight-Modellen)
• MiniMax M3 (aktuell): ~428 Milliarden gesamt / ~23 Milliarden aktiv – stärker bei multimodalen Aufgaben und Mathematik (durchschnittlich 85,7 vs. 31,7 in einem aggregierten Test), schwächer bei reinen Code-Benchmarks als DeepSeek V4 Pro
• Geplantes 2,7-Billionen-Modell: Würde sowohl DeepSeek V4 Pro (1,6B) als auch MiniMax M3 (428B) in der Gesamtparameterzahl weit übertreffen

Die meisten Analyse-Seiten stellen fest, dass MiniMax M3 und DeepSeek V4 Pro „kaum konkurrieren“ – sie sind für unterschiedliche Arbeitslasten optimiert: M3 für multimodale, agentische Codierung und langkontextige Aufgaben, V4 Pro für rein textbasierte algorithmische Codierung mit niedrigeren Kosten .

Der breitere Kontext: Chinesische Open-Weight-Modelle

Chinesische KI-Labore haben 2025–2026 eine Welle leistungsstarker Open-Weight-Modelle veröffentlicht:

• DeepSeek V4 Pro (23. April 2026) – 1,6B MoE, MIT-Lizenz, Spitzen-Codierung
• Tencent Hy3 (Hunyuan 3.0) – Preview am 23. April 2026; vollständige Open-Weight-Veröffentlichung am 6. Juli 2026 unter Apache 2.0. Ein 295-Milliarden-Parameter-MoE-Modell (21B aktiv, 192 Experten, Top-8-Routing) mit 256K Kontext, entwickelt unter der Leitung des ehemaligen OpenAI-Forschers Shunyu Yao
• MiniMax-M1 (Juni 2025) – 456-Milliarden-Parameter-Open-Weight-Reasoning-Modell, Apache 2.0
• MiniMax-M3 (Juni 2026) – ~428 Milliarden gesamt, multimodale Spitzen-Codierung
• Ant Group Ling-2.6-flash (22. April 2026) – 104B/7.4B aktives, effizienzorientiertes MoE

Dies spiegelt eine bewusste Strategie chinesischer KI-Labore wider, Modelle als Open-Weight zu veröffentlichen (oft unter Apache 2.0 oder MIT-Lizenzen), im Gegensatz zu vielen westlichen Laboren, die ihre Spitzenmodelle geschlossen halten .

Wettbewerb mit westlichen KI-Laboren

Die schnelle Abfolge chinesischer Open-Weight-Veröffentlichungen signalisiert mehrere Dinge:

• Wettrüsten bei der Skalierung: MiniMax' geplantes 2,7-Billionen-Modell würde jedes bekannte Open-Weight-Westmodell an Gesamtparametern übertreffen
• Open-Weight-Strategie als geopolitischer Hebel: Durch die Offenlegung der Gewichte machen chinesische Labore ihre Modelle globalen Entwicklern frei zugänglich und umgehen Exportkontrollen für Hardware
• Talentabwanderung: Tencent Hy3 wurde von einem OpenAI-Abtrünnigen (Shunyu Yao) geleitet
• Preiswettbewerb: DeepSeek V4 Pro und MiniMax M3 konkurrieren bei den API-Preisen mit oder unterhalb von GPT-5.5
• Benchmark-Parität: MiniMax M3s 59,0 % auf SWE-bench Pro liegen knapp vor GPT-5.5s 58,6 %, während DeepSeek V4 Pros 80,6 % auf SWE-bench Verified der Bestwert unter Open-Weight-Modellen ist

Technische Herausforderungen bei der Bereitstellung

Ein Open-Weight-Modell mit 2,7 Billionen Parametern würde extreme Anforderungen stellen:

• Speicherbedarf: Selbst in 8-Bit-Quantisierung erfordert das Laden von 2,7 Billionen Parametern ~2,7 TB GPU-Speicher. In FP16 wären es ~5,4 TB. Das würde Hunderte GPUs (z. B. 200+ H100 mit je 80 GB) allein zum Laden erfordern
• MoE-Architektur wahrscheinlich: MiniMax' M1 und M3 nutzen beide MoE, mit nur einem Bruchteil der Parameter pro Token aktiv (z. B. 23 Mrd. von 428 Mrd. bei M3) . Falls das 2,7-Billionen-Modell diesem Muster folgt, könnte die Inferenz auf einem kleineren Cluster möglich sein, aber immer noch weit jenseits dessen, was eine einzelne GPU bewältigen kann
• Inferenzlatenz und Durchsatz: Selbst mit MoE-Sparsity erfordert das Betreiben eines solchen Modells im großen Maßstab ausgeklügelte Parallelisierungstechniken über viele Knoten hinweg
• Trainingskosten: Das Training eines 2,7-Billionen-Parameter-Modells würde ein enormes Rechenbudget erfordern – wahrscheinlich Zehntausende von GPU-Monaten
• Open-Weight-Verteilung: Allein das Hosting und die Verteilung von 5+ TB Gewichten ist eine logistische Herausforderung für Hugging Face und andere Repositories

Wachsende globale Akzeptanz chinesischer KI-Modelle

Chinesische Open-Weight-Modelle gewinnen aus mehreren Gründen weltweit an Bedeutung:

• Preisgestaltung: DeepSeek V4 Pro kostet ~$0,435/M Input-Tokens vs. MiniMax M3 bei ~$0,30/M, beide extrem wettbewerbsfähig
• Großzügige Lizenzen: Apache 2.0 und MIT erlauben kommerzielle Nutzung, Modifikation und Weiterverbreitung ohne Einschränkungen
• Benchmark-Wettbewerbsfähigkeit: Diese Modelle erreichen oder übertreffen GPT-5.5 und Claude in wichtigen Benchmarks
• Entwickler-Ökosystem: Die Gewichte werden auf Hugging Face gehostet und in Plattformen wie OpenRouter integriert

Der Trend zeigt: China ist nicht länger nur ein hardware-beschränkter Nachzügler in der KI – es ist ein Vorreiter bei Open-Weight-Modellveröffentlichungen und nutzt Offenheit als Wettbewerbsvorteil gegenüber westlichen Closed-Model-Anbietern. Das geplante 2,7-Billionen-Modell wäre das bisher stärkste Signal in diese Richtung.