Важное уточнение: Reuters не использует кодовое имя «M3 Pro». Источники подтверждают это название, но финальное имя на релизе может отличаться.

Как это сравнивается с текущими моделями MiniMax

Эволюция моделей MiniMax впечатляет:

Переход от M3 (~428 млрд параметров) к 2,7 трлн — это ~6,3-кратное увеличение общего количества параметров. Если MiniMax сохранит подход MoE (Mixture-of-Experts), количество активных параметров на один проход останется в десятках-сотнях миллиардов, но общий «вес» модели будет беспрецедентным для open-weight релиза .

Сравнение с DeepSeek V4 Pro

Флагманская open-weight модель DeepSeek V4 Pro была запущена 23 апреля 2026 года . Ключевые характеристики и сравнение:

• DeepSeek V4 Pro: 1,6 трлн параметров всего, 49B активных, лицензия MIT, чистый текстовый алгоритмический специалист — самый высокий рейтинг Codeforces среди всех языковых моделей и 80,6% на SWE-bench Verified (лучший результат среди open-weight моделей)
• MiniMax M3 (текущая): ~428B всего / ~23B активных — сильнее в мультимодальных задачах и математике (среднее 85,7 против 31,7 по агрегированному показателю), слабее в чистых задачах кодинга, чем DeepSeek V4 Pro
• Планируемая модель 2,7 трлн: превзойдет обе модели по общему количеству параметров

Аналитики отмечают, что MiniMax M3 и DeepSeek V4 Pro «едва конкурируют» — они оптимизированы под разные нагрузки: M3 — для мультимодального агентного кодинга и длинных контекстов, V4 Pro — для чистого текстового алгоритмического кодинга с меньшей стоимостью .

Широкий контекст: китайские open-weight модели

В 2025–2026 годах китайские ИИ-лаборатории выпустили волну мощных открытых моделей:

• DeepSeek V4 Pro (23 апреля 2026) — 1,6 трлн MoE, лицензия MIT, производительность на уровне фронтира
• Tencent Hy3 (Hunyuan 3.0) — превью 23 апреля 2026, полный релиз 6 июля 2026 под Apache 2.0. Модель MoE на 295 млрд параметров (21B активных, 192 эксперта, top-8 routing) с контекстом 256K. Возглавляет разработку бывший исследователь OpenAI Shunyu Yao
• MiniMax-M1 (июнь 2025) — 456 млрд параметров, open-weight, Apache 2.0, первая в мире открытая гибридная модель рассуждения
• MiniMax M3 (июнь 2026) — ~428 млрд, мультимодальный кодинг-фронтир
• Ant Group Ling-2.6-flash (22 апреля 2026) — эффективная MoE на 104B/7,4B активных
• Другие китайские лаборатории, такие как Alibaba (Qwen), ByteDance и Baichuan, также выпустили open-weight модели

Это отражает осознанную стратегию китайских ИИ-лабораторий: выпускать модели с открытым весом (часто под лицензиями Apache 2.0 или MIT), в отличие от западных гигантов (OpenAI, Anthropic, Google), которые держат свои флагманские модели закрытыми .

Конкуренция с западными ИИ-лабораториями

Стремительная череда китайских open-weight релизов сигнализирует о нескольких вещах:

• Гонка масштабов: Модель MiniMax на 2,7 трлн параметров превзойдет любую известную открытую западную модель по общему числу параметров, бросая вызов нарративу о «вычислительном превосходстве» США
• Open-weight стратегия как геополитический рычаг: Открывая веса, китайские лаборатории делают свои модели бесплатно доступными для глобальных разработчиков, обходя экспортные ограничения на оборудование. Разработчики на Западе и Глобальном Юге могут запускать эти модели на собственной инфраструктуре
• Миграция талантов: Tencent Hy3 возглавляет бывший сотрудник OpenAI Shunyu Yao, что иллюстрирует двухсторонний поток ИИ-талантов
• Ценовая конкуренция: DeepSeek V4 Pro и MiniMax M3 конкурируют на уровне цен GPT-5.5 на API-провайдерах, снижая стоимость глобально
• Паритет по бенчмаркам: MiniMax M3 (59,0% на SWE-bench Pro) опережает GPT-5.5 (58,6%), а DeepSeek V4 Pro (80,6% на SWE-bench Verified) — лучший результат среди всех open-weight моделей

Вычислительные вызовы развертывания модели на 2,7 трлн параметров

Модель с 2,7 трлн параметров создаст экстремальные трудности при развертывании:

• Потребность в памяти: Даже в 8-битной квантизации для загрузки 2,7 трлн параметров потребуется ~2,7 ТБ видеопамяти GPU. В FP16 — ~5,4 ТБ. Это сотни GPU (например, 200+ H100 с 80 ГБ каждый) только для загрузки модели в память
• Вероятная архитектура MoE: M1 и M3 используют MoE — лишь часть параметров активируется на токен (например, 23B из 428B для M3) . Если модель на 2,7 трлн сохранит такое же низкое соотношение активных параметров (например, ~135 млрд активных), инференс может быть возможен на меньшем кластере, чем предполагает общее количество параметров, но всё равно далеко за пределами одного GPU
• Задержки и пропускная способность: Даже с разреженностью MoE, обслуживание такой модели требует сложного параллелизма тензоров, конвейеров и экспертов на множестве узлов с высокоскоростными соединениями
• Стоимость обучения: Обучение модели на 2,7 трлн потребует огромного вычислительного бюджета — десятки тысяч GPU-месяцев даже с эффективными техниками MoE
• Распространение открытых весов: Простое хостинг и распространение 2,7 трлн параметров (потенциально 5+ ТБ весов) — логистическая задача для Hugging Face и других репозиториев

При этом MiniMax демонстрирует сильную инженерную эффективность: M1 обучался с 70% меньшими вычислительными затратами, чем DeepSeek R1, при конкурентных бенчмарках , а M3 использует механизмы разреженного внимания . Возможно, такие же инновации будут применены и к модели на 2,7 трлн.

Растущее глобальное внедрение китайских ИИ-моделей

Китайские open-weight модели набирают популярность в мире по нескольким причинам:

• Цены: DeepSeek V4 Pro — ~$0,435/млн входных токенов против MiniMax M3 ~$0,30/млн — оба крайне конкурентоспособны по сравнению с западными API
• Разрешительные лицензии: Apache 2.0 (MiniMax M1, Tencent Hy3) и MIT (DeepSeek V4 Pro) разрешают коммерческое использование, модификацию и распространение без ограничений
• Конкурентоспособность бенчмарков: Эти модели сравнимы или превосходят GPT-5.5 и Claude по ключевым тестам (кодинг, рассуждение, математика)
• Экосистема разработчиков: Веса размещены на Hugging Face, интегрированы в OpenRouter, Kilo Code и другие платформы, делая их доступными глобальным разработчикам

Тренд показывает, что Китай больше не просто «догоняющий» с ограниченными ресурсами — он лидер в выпуске open-weight моделей, используя открытость как конкурентное преимущество против западных гигантов с закрытыми моделями. Планируемая модель на 2,7 трлн, если она будет реализована, станет самым сильным заявлением в этом направлении.

Важное уточнение: Reuters не использует кодовое имя «M3 Pro». Источники подтверждают это название, но финальное имя на релизе может отличаться.

Как это сравнивается с текущими моделями MiniMax

Эволюция моделей MiniMax впечатляет:

Переход от M3 (~428 млрд параметров) к 2,7 трлн — это ~6,3-кратное увеличение общего количества параметров. Если MiniMax сохранит подход MoE (Mixture-of-Experts), количество активных параметров на один проход останется в десятках-сотнях миллиардов, но общий «вес» модели будет беспрецедентным для open-weight релиза .

Сравнение с DeepSeek V4 Pro

Флагманская open-weight модель DeepSeek V4 Pro была запущена 23 апреля 2026 года . Ключевые характеристики и сравнение:

• DeepSeek V4 Pro: 1,6 трлн параметров всего, 49B активных, лицензия MIT, чистый текстовый алгоритмический специалист — самый высокий рейтинг Codeforces среди всех языковых моделей и 80,6% на SWE-bench Verified (лучший результат среди open-weight моделей)
• MiniMax M3 (текущая): ~428B всего / ~23B активных — сильнее в мультимодальных задачах и математике (среднее 85,7 против 31,7 по агрегированному показателю), слабее в чистых задачах кодинга, чем DeepSeek V4 Pro
• Планируемая модель 2,7 трлн: превзойдет обе модели по общему количеству параметров

Аналитики отмечают, что MiniMax M3 и DeepSeek V4 Pro «едва конкурируют» — они оптимизированы под разные нагрузки: M3 — для мультимодального агентного кодинга и длинных контекстов, V4 Pro — для чистого текстового алгоритмического кодинга с меньшей стоимостью .

Широкий контекст: китайские open-weight модели

В 2025–2026 годах китайские ИИ-лаборатории выпустили волну мощных открытых моделей:

• DeepSeek V4 Pro (23 апреля 2026) — 1,6 трлн MoE, лицензия MIT, производительность на уровне фронтира
• Tencent Hy3 (Hunyuan 3.0) — превью 23 апреля 2026, полный релиз 6 июля 2026 под Apache 2.0. Модель MoE на 295 млрд параметров (21B активных, 192 эксперта, top-8 routing) с контекстом 256K. Возглавляет разработку бывший исследователь OpenAI Shunyu Yao
• MiniMax-M1 (июнь 2025) — 456 млрд параметров, open-weight, Apache 2.0, первая в мире открытая гибридная модель рассуждения
• MiniMax M3 (июнь 2026) — ~428 млрд, мультимодальный кодинг-фронтир
• Ant Group Ling-2.6-flash (22 апреля 2026) — эффективная MoE на 104B/7,4B активных
• Другие китайские лаборатории, такие как Alibaba (Qwen), ByteDance и Baichuan, также выпустили open-weight модели

Это отражает осознанную стратегию китайских ИИ-лабораторий: выпускать модели с открытым весом (часто под лицензиями Apache 2.0 или MIT), в отличие от западных гигантов (OpenAI, Anthropic, Google), которые держат свои флагманские модели закрытыми .

Конкуренция с западными ИИ-лабораториями

Стремительная череда китайских open-weight релизов сигнализирует о нескольких вещах:

• Гонка масштабов: Модель MiniMax на 2,7 трлн параметров превзойдет любую известную открытую западную модель по общему числу параметров, бросая вызов нарративу о «вычислительном превосходстве» США
• Open-weight стратегия как геополитический рычаг: Открывая веса, китайские лаборатории делают свои модели бесплатно доступными для глобальных разработчиков, обходя экспортные ограничения на оборудование. Разработчики на Западе и Глобальном Юге могут запускать эти модели на собственной инфраструктуре
• Миграция талантов: Tencent Hy3 возглавляет бывший сотрудник OpenAI Shunyu Yao, что иллюстрирует двухсторонний поток ИИ-талантов
• Ценовая конкуренция: DeepSeek V4 Pro и MiniMax M3 конкурируют на уровне цен GPT-5.5 на API-провайдерах, снижая стоимость глобально
• Паритет по бенчмаркам: MiniMax M3 (59,0% на SWE-bench Pro) опережает GPT-5.5 (58,6%), а DeepSeek V4 Pro (80,6% на SWE-bench Verified) — лучший результат среди всех open-weight моделей

Вычислительные вызовы развертывания модели на 2,7 трлн параметров

Модель с 2,7 трлн параметров создаст экстремальные трудности при развертывании:

• Потребность в памяти: Даже в 8-битной квантизации для загрузки 2,7 трлн параметров потребуется ~2,7 ТБ видеопамяти GPU. В FP16 — ~5,4 ТБ. Это сотни GPU (например, 200+ H100 с 80 ГБ каждый) только для загрузки модели в память
• Вероятная архитектура MoE: M1 и M3 используют MoE — лишь часть параметров активируется на токен (например, 23B из 428B для M3) . Если модель на 2,7 трлн сохранит такое же низкое соотношение активных параметров (например, ~135 млрд активных), инференс может быть возможен на меньшем кластере, чем предполагает общее количество параметров, но всё равно далеко за пределами одного GPU
• Задержки и пропускная способность: Даже с разреженностью MoE, обслуживание такой модели требует сложного параллелизма тензоров, конвейеров и экспертов на множестве узлов с высокоскоростными соединениями
• Стоимость обучения: Обучение модели на 2,7 трлн потребует огромного вычислительного бюджета — десятки тысяч GPU-месяцев даже с эффективными техниками MoE
• Распространение открытых весов: Простое хостинг и распространение 2,7 трлн параметров (потенциально 5+ ТБ весов) — логистическая задача для Hugging Face и других репозиториев

При этом MiniMax демонстрирует сильную инженерную эффективность: M1 обучался с 70% меньшими вычислительными затратами, чем DeepSeek R1, при конкурентных бенчмарках , а M3 использует механизмы разреженного внимания . Возможно, такие же инновации будут применены и к модели на 2,7 трлн.

Растущее глобальное внедрение китайских ИИ-моделей

Китайские open-weight модели набирают популярность в мире по нескольким причинам:

• Цены: DeepSeek V4 Pro — ~$0,435/млн входных токенов против MiniMax M3 ~$0,30/млн — оба крайне конкурентоспособны по сравнению с западными API
• Разрешительные лицензии: Apache 2.0 (MiniMax M1, Tencent Hy3) и MIT (DeepSeek V4 Pro) разрешают коммерческое использование, модификацию и распространение без ограничений
• Конкурентоспособность бенчмарков: Эти модели сравнимы или превосходят GPT-5.5 и Claude по ключевым тестам (кодинг, рассуждение, математика)
• Экосистема разработчиков: Веса размещены на Hugging Face, интегрированы в OpenRouter, Kilo Code и другие платформы, делая их доступными глобальным разработчикам

Тренд показывает, что Китай больше не просто «догоняющий» с ограниченными ресурсами — он лидер в выпуске open-weight моделей, используя открытость как конкурентное преимущество против западных гигантов с закрытыми моделями. Планируемая модель на 2,7 трлн, если она будет реализована, станет самым сильным заявлением в этом направлении.