En person med direkte kjennskap til prosjektet sier til Reuters at dette blir den største åpne vektmodellen lansert av et kinesisk selskap . Modellen forventes å kunne lanseres allerede i tredje kvartal 2026 . MiniMax har ikke bekreftet lanseringsdatoen offentlig.

Viktig presisering: Reuters' rapport bruker ikke kodenavnet "M3 Pro" direkte, men The Information og kinesiske kilder som Sina Finance og NetEase bekrefter at den interne betegnelsen er M3 Pro . Det endelige navnet kan endre seg.

Sammenligning med MiniMax' eksisterende modeller

MiniMax har hatt en rask utvikling:

Hoppet fra M3's ~428 milliarder parametere til 2,7 billioner er en 6,3-dobling av totalt parametertall. Dersom MiniMax viderefører MoE-arkitekturen, vil antall aktive parametere per forespørsel fortsatt være i titalls- eller hundremilliardersklassen, men det totale fotavtrykket blir enestående for en åpen vektmodell .

Sammenligning med DeepSeek V4 Pro

DeepSeek V4 Pro er DeepSeek's flaggskipmodell med åpne vekter, lansert 23. april 2026 . Nøkkelforskjeller:

• DeepSeek V4 Pro: 1,6 billioner parametere totalt, 49B aktive, MIT-lisensiert, rendyrket tekst-algoritmisk spesialist. Høyest Codeforces-rating av alle språkmodeller og 80,6 % på SWE-bench Verified (best blant åpne vektmodeller)
• MiniMax M3 (nåværende): ~428B totalt / ~23B aktive – sterkere på multimodale oppgaver og matematikk (snitt 85,7 vs 31,7 på én aggregert måling), men svakere på rene kodeoppgaver enn DeepSeek V4 Pro
• Planlagt 2,7 billioner-modell: Ville overgå både DeepSeek V4 Pro (1,6B) og MiniMax M3 (428B) i totalparameter

De fleste analyser påpeker at MiniMax M3 og DeepSeek V4 Pro "knapt konkurrerer" – de er optimalisert for ulike arbeidsmengder: M3 for multimodale agentoppgaver og langkontekst, V4 Pro for rendyrket tekstbasert algoritmisk koding til lavere kostnad .

Bredere kontekst: Kinesiske åpne vektmodeller

Kinesiske KI-laboratorier har lansert en rekke kraftige åpne vektmodeller i 2025–2026:

• DeepSeek V4 Pro (23. april 2026) – 1,6 billioner parametere, MIT-lisens, frontend-koding
• Tencent Hy3 (Hunyuan 3.0) – Forhåndsvisning 23. april 2026, full åpen vektmodell 6. juli 2026 under Apache 2.0. 295 milliarder parametere (21B aktive, 192 eksperter, top-8-ruting) med 256K kontekst
• MiniMax-M1 (juni 2025) – 456 milliarder parametere, Apache 2.0, verdens første åpne vektmodell med hybrid attention
• MiniMax-M3 (juni 2026) – ~428 milliarder totalt, frontend multimodal koding
• Ant Group Ling-2.6-flash (22. april 2026) – 104B/7,4B aktive effektivitetsfokuserte MoE

Dette viser en bevisst strategi fra kinesiske KI-laboratorier om å lansere modeller med åpne vekter (ofte under Apache 2.0 eller MIT), i motsetning til mange vestlige laboratorier som holder sine frontend-modeller lukkede .

Konkurranse med vestlige KI-laboratorier

Den raske strømmen av kinesiske åpne vektmodeller signaliserer flere ting:

• Størrelseskappløp: MiniMax' planlagte 2,7 billioner-modell vil overgå alle kjente åpne vektmodeller fra Vesten i totalt parametertall
• Åpen vektstrategi som geopolitisk verktøy: Ved å slippe vekter åpent, gjør kinesiske laboratorier sine modeller fritt tilgjengelige for utviklere globalt, og omgår eksportkontroll på maskinvare
• Talentmigrasjon: Tencent's Hy3 ble ledet av en tidligere OpenAI-forsker (Shunyu Yao)
• Priskonkurranse: DeepSeek V4 Pro og MiniMax M3 konkurrerer på pris under GPT-5.5-nivå hos API-leverandører
• Benchmark-paritet: MiniMax M3's 59,0 % på SWE-bench Pro slår GPT-5.5's 58,6 %, mens DeepSeek V4 Pro's 80,6 % på SWE-bench Verified er best blant åpne vektmodeller

Utfordringer med å kjøre en modell med 2,7 billioner parametere

En åpen vektmodell med 2,7 billioner parametere byr på ekstreme utfordringer:

• Minnebehov: Selv med 8-bits kvantisering krever lasting av 2,7 billioner parametere ~2,7 TB GPU-minne. Med FP16 blir det ~5,4 TB. Dette krever hundretalls GPUer (f.eks. 200+ H100 med 80 GB hver) bare for å laste modellen
• MoE-arkitektur sannsynlig: MiniMax' M1 og M3 bruker MoE, med kun en brøkdel av parameterne aktive per token (f.eks. 23B aktive av 428B totalt for M3) . Hvis 2,7 billioner-modellen følger samme mønster med lavt aktivt parametertall (f.eks. ~135B aktive), kan inferens være mulig på en mindre klynge enn totalt parametertall skulle tilsi – men fortsatt langt utenfor rekkevidde for én enkelt GPU
• Inferenshastighet og gjennomstrømming: Selv med MoE-sparsitet krever betjening av en slik modell sofistikert parallellisering (tensor-, pipeline- og ekspert-parallellisme) over mange noder med høyhastighetsforbindelser
• Treningskostnad: Trening av en modell med 2,7 billioner parametere vil kreve en enorm datakraft – sannsynligvis titusenvis av GPU-måneder, selv med effektive MoE-treningsteknikker
• Distribusjon av åpne vekter: Å være vert og distribuere 2,7 billioner parametere (potensielt 5+ TB vekter) er en logistisk utfordring for Hugging Face og andre repositorier

MiniMax har imidlertid vist imponerende effektivitetsteknikk – M1 ble trent med 70 % mindre datakraft enn DeepSeek R1 mens den oppnådde konkurransedyktige resultater , og M3 bruker sparse attention-mekanismer . Sannsynligvis vil de bruke tilsvarende innovasjoner for 2,7 billioner-modellen.

Økende global bruk av kinesiske KI-modeller

Kinesiske åpne vektmodeller har fått stor global utbredelse av flere grunner:

• Pris: DeepSeek V4 Pro koster ~$0,435/M input tokens vs MiniMax M3's ~$0,30/M – begge ekstremt konkurransedyktige
• Permissive lisenser: Apache 2.0 (MiniMax M1, Tencent Hy3) og MIT (DeepSeek V4 Pro) tillater kommersiell bruk, modifikasjon og redistribusjon uten restriksjoner
• Benchmark-konkurransedyktighet: Disse modellene matcher eller overgår GPT-5.5 og Claude på sentrale benchmark (koding, resonnering, matematikk)
• Utviklerøkosystem: Vekter er tilgjengelige på Hugging Face, integrert i OpenRouter, Kilo Code og andre plattformer, noe som gjør dem tilgjengelige for utviklere over hele verden

Trenden viser at Kina ikke lenger bare er en maskinvarebegrenset følger innen KI – de er ledende innen utgivelse av åpne vektmodeller, og bruker åpenhet som et konkurransefortrinn mot vestlige lukkede modeller. Den planlagte 2,7 billioner-modellen, dersom den realiseres, vil være det sterkeste signalet så langt.

En person med direkte kjennskap til prosjektet sier til Reuters at dette blir den største åpne vektmodellen lansert av et kinesisk selskap . Modellen forventes å kunne lanseres allerede i tredje kvartal 2026 . MiniMax har ikke bekreftet lanseringsdatoen offentlig.

Viktig presisering: Reuters' rapport bruker ikke kodenavnet "M3 Pro" direkte, men The Information og kinesiske kilder som Sina Finance og NetEase bekrefter at den interne betegnelsen er M3 Pro . Det endelige navnet kan endre seg.

Sammenligning med MiniMax' eksisterende modeller

MiniMax har hatt en rask utvikling:

Hoppet fra M3's ~428 milliarder parametere til 2,7 billioner er en 6,3-dobling av totalt parametertall. Dersom MiniMax viderefører MoE-arkitekturen, vil antall aktive parametere per forespørsel fortsatt være i titalls- eller hundremilliardersklassen, men det totale fotavtrykket blir enestående for en åpen vektmodell .

Sammenligning med DeepSeek V4 Pro

DeepSeek V4 Pro er DeepSeek's flaggskipmodell med åpne vekter, lansert 23. april 2026 . Nøkkelforskjeller:

• DeepSeek V4 Pro: 1,6 billioner parametere totalt, 49B aktive, MIT-lisensiert, rendyrket tekst-algoritmisk spesialist. Høyest Codeforces-rating av alle språkmodeller og 80,6 % på SWE-bench Verified (best blant åpne vektmodeller)
• MiniMax M3 (nåværende): ~428B totalt / ~23B aktive – sterkere på multimodale oppgaver og matematikk (snitt 85,7 vs 31,7 på én aggregert måling), men svakere på rene kodeoppgaver enn DeepSeek V4 Pro
• Planlagt 2,7 billioner-modell: Ville overgå både DeepSeek V4 Pro (1,6B) og MiniMax M3 (428B) i totalparameter

De fleste analyser påpeker at MiniMax M3 og DeepSeek V4 Pro "knapt konkurrerer" – de er optimalisert for ulike arbeidsmengder: M3 for multimodale agentoppgaver og langkontekst, V4 Pro for rendyrket tekstbasert algoritmisk koding til lavere kostnad .

Bredere kontekst: Kinesiske åpne vektmodeller

Kinesiske KI-laboratorier har lansert en rekke kraftige åpne vektmodeller i 2025–2026:

• DeepSeek V4 Pro (23. april 2026) – 1,6 billioner parametere, MIT-lisens, frontend-koding
• Tencent Hy3 (Hunyuan 3.0) – Forhåndsvisning 23. april 2026, full åpen vektmodell 6. juli 2026 under Apache 2.0. 295 milliarder parametere (21B aktive, 192 eksperter, top-8-ruting) med 256K kontekst
• MiniMax-M1 (juni 2025) – 456 milliarder parametere, Apache 2.0, verdens første åpne vektmodell med hybrid attention
• MiniMax-M3 (juni 2026) – ~428 milliarder totalt, frontend multimodal koding
• Ant Group Ling-2.6-flash (22. april 2026) – 104B/7,4B aktive effektivitetsfokuserte MoE

Dette viser en bevisst strategi fra kinesiske KI-laboratorier om å lansere modeller med åpne vekter (ofte under Apache 2.0 eller MIT), i motsetning til mange vestlige laboratorier som holder sine frontend-modeller lukkede .

Konkurranse med vestlige KI-laboratorier

Den raske strømmen av kinesiske åpne vektmodeller signaliserer flere ting:

• Størrelseskappløp: MiniMax' planlagte 2,7 billioner-modell vil overgå alle kjente åpne vektmodeller fra Vesten i totalt parametertall
• Åpen vektstrategi som geopolitisk verktøy: Ved å slippe vekter åpent, gjør kinesiske laboratorier sine modeller fritt tilgjengelige for utviklere globalt, og omgår eksportkontroll på maskinvare
• Talentmigrasjon: Tencent's Hy3 ble ledet av en tidligere OpenAI-forsker (Shunyu Yao)
• Priskonkurranse: DeepSeek V4 Pro og MiniMax M3 konkurrerer på pris under GPT-5.5-nivå hos API-leverandører
• Benchmark-paritet: MiniMax M3's 59,0 % på SWE-bench Pro slår GPT-5.5's 58,6 %, mens DeepSeek V4 Pro's 80,6 % på SWE-bench Verified er best blant åpne vektmodeller

Utfordringer med å kjøre en modell med 2,7 billioner parametere

En åpen vektmodell med 2,7 billioner parametere byr på ekstreme utfordringer:

• Minnebehov: Selv med 8-bits kvantisering krever lasting av 2,7 billioner parametere ~2,7 TB GPU-minne. Med FP16 blir det ~5,4 TB. Dette krever hundretalls GPUer (f.eks. 200+ H100 med 80 GB hver) bare for å laste modellen
• MoE-arkitektur sannsynlig: MiniMax' M1 og M3 bruker MoE, med kun en brøkdel av parameterne aktive per token (f.eks. 23B aktive av 428B totalt for M3) . Hvis 2,7 billioner-modellen følger samme mønster med lavt aktivt parametertall (f.eks. ~135B aktive), kan inferens være mulig på en mindre klynge enn totalt parametertall skulle tilsi – men fortsatt langt utenfor rekkevidde for én enkelt GPU
• Inferenshastighet og gjennomstrømming: Selv med MoE-sparsitet krever betjening av en slik modell sofistikert parallellisering (tensor-, pipeline- og ekspert-parallellisme) over mange noder med høyhastighetsforbindelser
• Treningskostnad: Trening av en modell med 2,7 billioner parametere vil kreve en enorm datakraft – sannsynligvis titusenvis av GPU-måneder, selv med effektive MoE-treningsteknikker
• Distribusjon av åpne vekter: Å være vert og distribuere 2,7 billioner parametere (potensielt 5+ TB vekter) er en logistisk utfordring for Hugging Face og andre repositorier

MiniMax har imidlertid vist imponerende effektivitetsteknikk – M1 ble trent med 70 % mindre datakraft enn DeepSeek R1 mens den oppnådde konkurransedyktige resultater , og M3 bruker sparse attention-mekanismer . Sannsynligvis vil de bruke tilsvarende innovasjoner for 2,7 billioner-modellen.

Økende global bruk av kinesiske KI-modeller

Kinesiske åpne vektmodeller har fått stor global utbredelse av flere grunner:

• Pris: DeepSeek V4 Pro koster ~$0,435/M input tokens vs MiniMax M3's ~$0,30/M – begge ekstremt konkurransedyktige
• Permissive lisenser: Apache 2.0 (MiniMax M1, Tencent Hy3) og MIT (DeepSeek V4 Pro) tillater kommersiell bruk, modifikasjon og redistribusjon uten restriksjoner
• Benchmark-konkurransedyktighet: Disse modellene matcher eller overgår GPT-5.5 og Claude på sentrale benchmark (koding, resonnering, matematikk)
• Utviklerøkosystem: Vekter er tilgjengelige på Hugging Face, integrert i OpenRouter, Kilo Code og andre plattformer, noe som gjør dem tilgjengelige for utviklere over hele verden

Trenden viser at Kina ikke lenger bare er en maskinvarebegrenset følger innen KI – de er ledende innen utgivelse av åpne vektmodeller, og bruker åpenhet som et konkurransefortrinn mot vestlige lukkede modeller. Den planlagte 2,7 billioner-modellen, dersom den realiseres, vil være det sterkeste signalet så langt.