MiniMax Siapkan Model AI 2,7 Triliun Parameter, Siap Jadi Open-Weight Terbesar Dunia

Perbandingan dengan Model MiniMax Sebelumnya

MiniMax telah menunjukkan perkembangan yang sangat pesat dalam lini modelnya:

Lompatan dari M3 (~428B) ke model baru (2.700B) merupakan peningkatan ~6,3 kali lipat dalam jumlah total parameter . Jika MiniMax tetap menggunakan arsitektur MoE (Mixture-of-Experts) seperti pada M1 dan M3, jumlah parameter aktif per forward pass bisa tetap berada di kisaran puluhan hingga ratusan miliar, tetapi jejak total parameternya akan menjadi sesuatu yang belum pernah terjadi sebelumnya untuk sebuah rilis open-weight .

Perbandingan dengan Pesaing Utama: DeepSeek V4 Pro

Berikut adalah perbandingan antara model terbaru MiniMax dan pesaing utamanya, DeepSeek V4 Pro:

• DeepSeek-V4-Pro: 1,6T parameter total, 49B aktif, lisensi MIT, spesialis algoritma teks murni — peringkat Codeforces tertinggi dari model bahasa mana pun dan skor 80,6% pada SWE-bench Verified (terbaik di antara model open-weight)
• MiniMax M3 (saat ini): ~428B total / ~23B aktif — lebih unggul pada tugas multimodal dan matematika (rata-rata 85,7 vs 31,7 pada satu agregat), tetapi lebih lemah pada tolok ukur coding murni dibandingkan DeepSeek-V4-Pro
• Model 2,7T yang direncanakan: Akan jauh melampaui baik DeepSeek-V4-Pro (1,6T) maupun MiniMax M3 (428B) dalam total parameter

Sebagian besar analis mencatat bahwa MiniMax M3 dan DeepSeek V4-Pro "hampir tidak bersaing secara langsung" — mereka dioptimalkan untuk beban kerja yang berbeda: M3 untuk coding multimodal agen dan tugas konteks panjang, V4-Pro untuk throughput coding algoritmik teks murni dengan biaya lebih rendah .

Konteks Persaingan Model Open-Weight China

Peluncuran model raksasa ini adalah bagian dari gelombang besar model open-weight dari laboratorium AI China pada 2025–2026. Berikut beberapa pemain utamanya:

• DeepSeek-V4-Pro (23 April 2026) — 1,6T MoE, lisensi MIT, performa coding kelas frontier
• Tencent Hy3 (Hunyuan 3.0) — Rilis pratinjau 23 April 2026; rilis open-weight penuh 6 Juli 2026 dengan lisensi Apache 2.0. Model MoE 295B parameter (21B aktif, 192 expert, top-8 routing) dengan konteks 256K, dipimpin oleh mantan peneliti OpenAI Shunyu Yao
• MiniMax-M1 (Juni 2025) — Model reasoning open-weight 456B parameter, lisensi Apache 2.0, dijuluki sebagai model reasoning hybrid-attention open-weight skala besar pertama di dunia
• Ant Group Ling-2.6-flash (22 April 2026) — MoE 104B/7,4B aktif yang berfokus pada efisiensi

Ini adalah strategi yang disengaja oleh laboratorium AI China untuk merilis model sebagai open-weight (seringkali dengan lisensi Apache 2.0 atau MIT), berbeda dengan banyak laboratorium Barat yang menjaga model frontier mereka tetap tertutup .

Dampak pada Persaingan AI Global

Munculnya model raksasa MiniMax menandakan beberapa hal dalam lanskap AI global:

• Perlombaan Skala Model 2,7T MiniMax akan melampaui model open-weight Barat mana pun yang diketahui dalam jumlah total parameter, menantang narasi "keunggulan komputasi" yang selama ini mendukung laboratorium AS
• Strategi Open-Weight sebagai Senjata Geopolitik Dengan merilis bobot model secara terbuka, perusahaan China membuat model mereka tersedia secara gratis bagi pengembang global, menghindari kontrol ekspor perangkat keras. Pengembang di seluruh dunia dapat menjalankan model ini di infrastruktur mereka sendiri
• Persaingan Harga DeepSeek V4 Pro dan MiniMax M3 sama-sama bersaing di bawah harga GPT-5.5 pada penyedia API, menekan biaya secara global
• Kinerja Setara MiniMax M3 dengan skor 59,0% pada SWE-bench Pro sedikit melampaui GPT-5.5 (58,6%), sementara DeepSeek V4 Pro dengan skor 80,6% pada SWE-bench Verified menjadi yang terbaik di antara model open-weight

Tren ini menegaskan bahwa China bukan lagi sekadar pengikut yang terkendala perangkat keras — ia adalah pemimpin dalam rilis model open-weight, menggunakan keterbukaan sebagai benteng kompetitif melawan pemimpin model tertutup Barat .

Adopsi Global Model AI China yang Semakin Meluas

Model-model AI China telah mendapatkan daya tarik global yang signifikan karena beberapa alasan:

• Harga yang Kompetitif DeepSeek V4 Pro mematok harga ~$0,435/juta token input vs MiniMax M3 di ~$0,30/juta, keduanya sangat murah dibandingkan dengan harga API Barat
• Lisensi yang Permisif Lisensi Apache 2.0 (MiniMax M1, Tencent Hy3) dan MIT (DeepSeek V4-Pro) mengizinkan penggunaan komersial, modifikasi, dan redistribusi tanpa batasan
• Kinerja Setara Model-model ini menyamai atau melampaui GPT-5.5 dan Claude pada tolok ukur utama (coding, penalaran, matematika)
• Ekosistem Pengembang Bobot model dihosting di Hugging Face dan terintegrasi ke dalam platform seperti OpenRouter dan Kilo Code, membuatnya mudah diakses oleh pengembang global

Model 2,7T yang direncanakan, jika terwujud, akan menjadi pernyataan terkuat dalam arah tersebut.

Tantangan Komputasi Model 2,7 Triliun Parameter

Sebuah model open-weight dengan 2,7T parameter akan menghadirkan tantangan penerapan yang ekstrem:

• Persyaratan Memori Bahkan dalam kuantisasi 8-bit, memuat 2,7T parameter membutuhkan ~2,7 TB memori GPU. Dalam FP16, naik menjadi ~5,4 TB. Ini membutuhkan ratusan GPU (mis., 200+ H100 dengan 80 GB masing-masing) hanya untuk memuat model ke dalam memori
• Arsitektur MoE Kemungkinan Besar Digunakan MiniMax M1 dan M3 sama-sama menggunakan MoE. Hanya sebagian kecil parameter yang diaktifkan per token (mis., 23B aktif dari 428B total untuk M3) . Jika model 2,7T mengikuti pola ini dengan rasio parameter aktif yang rendah (mis., ~135B aktif), inferensi bisa lebih layak daripada yang disarankan oleh jumlah total parameter, meskipun masih jauh melampaui kemampuan satu GPU
• Biaya Pelatihan Melatih model 2,7T akan membutuhkan anggaran komputasi yang sangat besar — kemungkinan puluhan ribu GPU-bulan, bahkan dengan teknik pelatihan MoE yang efisien
• Distribusi Open-Weight Menyimpan dan mendistribusikan 2,7T parameter (5+ TB data) merupakan tantangan logistik bagi Hugging Face dan repositori lainnya

Meskipun demikian, MiniMax telah menunjukkan keahlian rekayasa efisiensi yang kuat. M1 dilatih dengan komputasi 70% lebih sedikit daripada DeepSeek R1 , dan M3 menggunakan mekanisme sparse attention . Mereka kemungkinan akan menerapkan inovasi serupa untuk model 2,7T.