MiniMax-M3 데뷔, 주요 벤치마크 성능에서 GPT-5.5와 Gemini 3.1 Pro를 능가하며 비용은 단 5-10% 수준

Context

기존 Transformer 구조의 제곱비례 연산 비용 증가로 인한 대규모 컨텍스트 처리의 하드웨어 병목 현상 발생. 고비용의 API 구독 모델과 데이터 프라이버시 문제로 인한 기업 내 로컬 LLM 도입 수요 증가.

Technical Solution

• MiniMax Sparse Attention(MSA) 아키텍처 도입을 통한 연산 복잡도 개선
• 데이터를 고정밀 블록 단위로 분할하여 처리하는 블록 기반 분할 전략 채택
• 전체 데이터가 아닌 필요한 쿼리만 동적으로 매칭하는 Dynamic Matching 로직 구현
• Open Weights 제공을 통한 기업 내부 서버 기반 Local Deployment 환경 지원
• 독립적 검증 루프 기반의 자율 수정 프로세스를 갖춘 코드 에이전트 구조 설계

Impact

• 연산 요구량: 기존 Transformer 대비 1/20 수준으로 감소
• 디코딩 속도: 기존 대비 15배 향상
• 추론 비용: 미국 상용 모델 대비 5~20% 수준의 비용 달성 (100만 입력 토큰당 0.3달러)
• 성능 지표: SWE-Bench Pro 59.0%, BrowseComp 83.5% 기록