MiniMax plant reusachtig AI-model met 2,7 biljoen parameters

De sprong van M3's ~428B totale parameters naar 2,7T is een vergroting van ~6,3x. Als MiniMax zijn MoE-aanpak (Mixture-of-Experts) voortzet, blijft het actieve parameteraantal per forward pass mogelijk in de tientallen tot honderden miljarden, maar de totale parameteromvang is ongekend voor een opengewichtrelease .

Vergelijking met DeepSeek-V4-Pro

DeepSeek-V4-Pro is DeepSeek's vlaggenschip opengewichtmodel, gelanceerd op 23 april 2026 . Belangrijke specificaties en vergelijking:

• DeepSeek-V4-Pro: 1,6T totale parameters, 49B geactiveerd, MIT-licentie, puur-tekst algoritmisch specialist – hoogste Codeforces-rating van elk taalmodel en 80,6% op SWE-bench Verified (beste onder opengewichtmodellen)
• MiniMax M3 (huidig): ~428B totaal / ~23B actief – sterker op multimodale taken en wiskunde (gemiddeld 85,7 vs 31,7 op één aggregaat), zwakker op pure codeerbenchmarks dan DeepSeek-V4-Pro
• Gepland 2,7T-model: Zou zowel DeepSeek-V4-Pro (1,6T) als MiniMax M3 (428B) ver overtreffen in totale parameters

De meeste analysesites merken op dat MiniMax M3 en DeepSeek V4-Pro "nauwelijks concurreren" – ze zijn geoptimaliseerd voor verschillende workloads: M3 voor multimodale agentische codering en lang-context-taken, V4-Pro voor puur-tekst algoritmische codering tegen lagere kosten .

De bredere context van Chinese opengewichtmodellen

Chinese AI-labs hebben in 2025-2026 een golf van krachtige opengewichtmodellen uitgebracht:

• DeepSeek-V4-Pro (23 april 2026) – 1,6T MoE, MIT-licentie, frontier-coderingsprestaties
• Tencent Hy3 (Hunyuan 3.0) – Previewrelease 23 april 2026; volledige opengewichtsrelease 6 juli 2026 onder Apache 2.0. Een MoE-model met 295B parameters (21B actief, 192 experts, top-8-routing) met 256K context, geleid door ex-OpenAI-onderzoeker Shunyu Yao . Dit was Tencent's eerste frontier-klasse opengewichtsrelease
• MiniMax-M1 (juni 2025) – 456B-parameter opengewicht redeneringsmodel, Apache 2.0, aangeprezen als 's werelds eerste opengewicht grootschalige hybride-aandacht redeneringsmodel
• MiniMax-M3 (juni 2026) – ~428B totaal, frontier multimodale codering
• Ant Group Ling-2.6-flash (22 april 2026) – 104B/7,4B actief efficiëntiegericht MoE
• Andere Chinese labs zoals Alibaba (Qwen), ByteDance en Baichuan hebben ook opengewichtmodellen uitgebracht

Dit weerspiegelt een bewuste strategie van Chinese AI-labs om modellen als opengewicht uit te brengen (vaak onder Apache 2.0- of MIT-licenties), in tegenstelling tot veel westerse labs (OpenAI, Anthropic, Google) die hun frontier-modellen gesloten houden .

Competitie met westerse AI-labs

De snelle opeenvolging van Chinese opengewichtsreleases geeft het volgende aan:

• Schaalrace: MiniMax' geplande 2,7T-model zou elk bekend opengewicht westers model in totale parameters overtreffen, waarmee het verhaal van een "compute-voorsprong" voor Amerikaanse labs wordt uitgedaagd
• Opengewichtstrategie als geopolitiek hefboom: Door gewichten openlijk vrij te geven, maken Chinese labs hun modellen vrij beschikbaar voor wereldwijde ontwikkelaars, waarmee exportcontroles op hardware worden omzeild. Ontwikkelaars in het Westen en het Globale Zuiden kunnen deze modellen op hun eigen infrastructuur draaien
• Talentmigratie: Tencent's Hy3 werd geleid door een voormalige OpenAI-medewerker (Shunyu Yao), wat de tweerichtingsstroom van AI-talent illustreert
• Prijsconcurrentie: DeepSeek V4 Pro en MiniMax M3 concurreren beide op of onder GPT-5.5-prijzen bij API-aanbieders, wat de kosten wereldwijd drukt
• Benchmarkpariteit: MiniMax M3's 59,0% op SWE-bench Pro overtreft GPT-5.5's 58,6%, terwijl DeepSeek V4 Pro's 80,6% op SWE-bench Verified de beste is onder alle opengewichtmodellen

Computationele uitdagingen bij het inzetten van een model met 2,7 biljoen parameters

Een opengewichtmodel met 2,7T parameters zou extreme implementatie-uitdagingen met zich meebrengen:

• Geheugenvereisten: Zelfs in 8-bit kwantisatie vereist het laden van 2,7T parameters ~2,7 TB GPU-geheugen. In FP16 stijgt dat naar ~5,4 TB. Dit vereist honderden GPU's (bijv. 200+ H100's met 80 GB elk) alleen al om het model in het geheugen te laden
• MoE-architectuur waarschijnlijk: Zowel MiniMax M1 als M3 gebruiken MoE, waarbij slechts een fractie van de parameters per token wordt geactiveerd (bijv. 23B actief van 428B totaal voor M3) . Als het 2,7T-model dit patroon volgt met een vergelijkbaar lage actieve-parameterratio (bijv. ~135B actief), zou inferentie op een kleinere cluster haalbaar kunnen zijn dan het totale parameteraantal suggereert, maar nog steeds ver buiten het bereik van een enkele GPU
• Inferentielatentie en doorvoer: Zelfs met MoE-sparsity vereist het serveren van zo'n model op schaal geavanceerde tensorparallellisme, pijplijnparallellisme en expertparallellisme over vele nodes, met hogesnelheidsinterconnects
• Trainingskosten: Het trainen van een model met 2,7T parameters vereist een enorm compute-budget – waarschijnlijk tienduizenden GPU-maanden, zelfs met efficiënte MoE-trainingsmethoden
• Distributie van opengewichten: Het simpelweg hosten en distribueren van 2,7T parameters (mogelijk 5+ TB aan gewichten) is een logistieke uitdaging voor Hugging Face en andere repositories

Daarbij heeft MiniMax sterke efficiëntietechniek laten zien – M1 werd getraind met 70% minder compute dan DeepSeek R1 en behaalde toch concurrerende benchmarks , en M3 gebruikt sparse-aandachtsmechanismen . Ze kunnen vergelijkbare innovaties toepassen voor het 2,7T-model.

Groeiende wereldwijde adoptie van Chinese AI-modellen

Chinese opengewichtmodellen hebben wereldwijd aanzienlijke tractie gekregen om verschillende redenen:

• Prijzen: DeepSeek V4 Pro rekent ~$0,435/M invoertokens vs MiniMax M3 op ~$0,30/M, beide extreem concurrerend met westerse API-prijzen
• Permissieve licenties: Apache 2.0 (MiniMax M1, Tencent Hy3) en MIT (DeepSeek V4-Pro) staan commercieel gebruik, aanpassing en herdistributie zonder beperkingen toe
• Benchmarkconcurrentievermogen: Deze modellen evenaren of overtreffen GPT-5.5 en Claude op belangrijke benchmarks (codering, redeneren, wiskunde)
• Ontwikkelaar-ecosysteem: Gewichten worden gehost op Hugging Face, geïntegreerd in OpenRouter, Kilo Code en andere platforms, waardoor ze toegankelijk zijn voor wereldwijde ontwikkelaars

De trend geeft aan dat China niet langer alleen een hardware-beperkte volger is in AI – het is een leider in de uitgave van opengewichtmodellen, die openheid gebruikt als een concurrerende gracht tegen westerse geslotenmodel-leiders. Het geplande 2,7T-model zou, als het gerealiseerd wordt, de sterkste verklaring in die richting zijn.