MiniMax siktar på världsrekord: 2,7 biljoner parametrar i öppen AI-modell

Tidsplan för lansering

Enligt källor kan modellen komma att släppas redan under tredje kvartalet 2026, men något officiellt releasedatum har inte tillkännages . Arbetet pågår internt, och planen är att göra modellen open-source .

Jämförelse med MiniMax befintliga modeller

MiniMax modellfamilj har utvecklats snabbt under det senaste året:

Hoppet från M3:s ~428 miljarder till 2,7 biljoner parametrar innebär en cirka 6,3 gångers ökning av det totala parameterantalet . Om MiniMax fortsätter med sin MoE-arkitektur (Mixture of Experts) kan antalet aktiva parametrar per anrop hållas lägre, men det totala fotavtrycket blir historiskt .

Jämförelse med DeepSeek V4 Pro

DeepSeeks flaggskepp V4 Pro, släppt 23 april 2026, är en av de främsta konkurrenterna . Här är en jämförelse:

• DeepSeek V4 Pro: 1,6 biljoner totala parametrar, 49 miljarder aktiva, MIT-licens . Topprankad inom kodning – 80,6% på SWE-bench Verified och högsta Codeforces-betyget av alla språkmodeller .
• MiniMax M3 (nuvarande): ~428 miljarder totalt / ~23 miljarder aktiva – starkare på multimodala uppgifter och matematik, men svagare på ren kodning .
• Planerad 2,7T-modell: Skulle vara klart större än DeepSeek V4 Pros 1,6 biljoner och MiniMax M3:s 428 miljarder i totalt parameterantal .

De flesta analyser noterar att MiniMax M3 och DeepSeek V4 Pro knappt konkurrerar – de är optimerade för olika arbetsbelastningar: M3 för multimodala agentuppgifter och långa kontexter, V4 Pro för ren textbaserad algoritmisk kodning .

Kinesiska AI-modeller med öppna vikter – en strategisk trend

Kinesiska AI-labb har släppt en våg av kraftfulla modeller med öppna vikter under 2025–2026 . Detta ses som en medveten strategi för att konkurrera med västerländska stängda modeller .

Exempel:

• DeepSeek V4 Pro: 1,6T MoE, MIT-licens
• Tencent Hy3 (Hunyuan 3.0): 295 miljarder parametrar (21B aktiva), Apache 2.0, släppt 6 juli 2026
• Ant Group Ling-2.6-flash: 104B/7.4B aktiv, effektivitetsfokuserad MoE, 22 april 2026

Att modellerna släpps med öppna vikter under permissiva licenser (Apache 2.0, MIT) gör dem omedelbart användbara för utvecklare över hela världen och kringgår exportkontroller på hårdvara .

Utmaningar med en modell på 2,7 biljoner parametrar

Att distribuera en modell av denna storlek är extremt krävande:

• Minneskrav: I 8-bitars kvantisering krävs cirka 2,7 TB GPU-minne; i FP16 stiger det till cirka 5,4 TB [beräknat]. Detta kräver hundratals GPU:er (t.ex. 200+ H100 med 80 GB var) bara för att ladda in modellen [beräknat].
• MoE-arkitektur trolig: MiniMax M1 och M3 använder båda MoE, med endast en bråkdel av parametrarna aktiva per anrop (t.ex. 23B aktiva av 428B totalt för M3) . Om 2,7T-modellen följer samma mönster kan inferens vara möjlig på en mindre kluster än vad det totala parameterantalet antyder .
• Träningskostnad: Att träna en sådan modell skulle kräva enorma datorresurser – troligen tiotusentals GPU-månader, även med effektiva MoE-tekniker [beräknat].
• Distribution: Att bara vara värd för och distribuera 2,7 biljoner parametrar (potentiellt 5+ TB vikter) är en logistisk utmaning för plattformar som Hugging Face [beräknat].

Slutsats

MiniMax planerade 2,7 biljoner-parametersmodell är en tydlig signal om att Kina inte längre bara är en hårdvarubegränsad efterföljare inom AI – landet är en ledare inom öppna viktmodeller. Om modellen blir verklighet, skulle den vara det starkaste uttalandet hittills i den riktningen och potentiellt omforma den globala AI-konkurrensen .