MiniMax M3: un millón de tokens, razonamiento multimodal y la apuesta china por los agentes de código
Estaba revisando modelos para un side project que implica entender repos medianos y generar cambios estructurados. Mientras comparaba opciones apareció MiniMax M3. No lo esperaba: la compañía china llevaba meses fuera de mi radar, salvo rumores de que preparaban algo grande para competir con GPT-4o, Claude 4 y Gemini 2.5 Pro. Se anunció a inicios de junio y días después abrieron los pesos, así que esa misma semana me puse a probarlo con código mío.
No porque los benchmarks me hayan convencido. Los benchmarks me cansan. Me detuve porque M3 plantea una pregunta incómoda: qué pasa cuando un modelo lee tu base de código completa, entiende la documentación adjunta, ve capturas del bug y propone un patch sin que tú le armes el contexto pedazo por pedazo. Esa es la promesa. Y eso es lo que fui a comprobar.
Un millón de tokens, con letra chica
He trabajado con modelos de 128K y 200K tokens. Sirven, pero el trabajo manual sigue ahí: copiar fragmentos, resumir issues, pegar documentación, recordarle al modelo dónde quedamos hace tres mensajes. Con un millón de tokens la ecuación se mueve. En teoría cabe todo el src/ de una aplicación mediana, la documentación de una API, varios hilos del issue tracker y un par de capturas del bug, y todavía sobra margen para la respuesta.
La letra chica: ese millón es el techo, no lo garantizado. Lo que MiniMax se compromete a cumplir como mínimo son 512K. Ya es un contexto enorme, más de lo que casi nadie ofrece, pero conviene saber la diferencia antes de diseñar un flujo alrededor del número redondo. Y la aritmética de divulgación (un millón de tokens equivalen a unas 750 mil palabras en inglés) es una estimación de regla de tres, no una especificación. Trátala como eso.
No me importa solo que el modelo entienda más. Quiero confiar en que entiende las relaciones entre todo eso. Un contexto largo mal usado no deja de ser ruido bien ordenado.
Mi primera prueba fue subir un repositorio de ~40 mil líneas de TypeScript y pedirle que identificara dónde se manejaba un estado compartido entre dos módulos. Acertó en la estructura y omitió un edge case que solo aparecía en un test. Me pareció razonable: vio el bosque. Los árboles que faltan todavía los reviso yo.
Multimodal de raíz, pero sin audio
Cuando un modelo "ve", lo habitual es texto más un módulo de visión pegado con cinta: el modelo procesa palabras y de vez en cuando recibe una descripción de imagen que generó otro sistema. MiniMax dice que en M3 la multimodalidad es de raíz: imagen y video entran al razonamiento sin pasar por ese intermediario.
Con la precisión del catálogo, porque circula mucho resumen entusiasta: M3 acepta imagen y video como entrada, y responde solo texto. No acepta audio. La voz y la música de MiniMax viven en modelos separados, y en varias notas por ahí se mezclan las cosas. Yo mismo lo leí mal la primera vez.
En mis pruebas entendió bien capturas simples de interfaces. Con pantallas densas empezó a inventar nombres de clases que no existían, el vicio clásico de los modelos con visión. Aun así, el techo se siente más alto que con los pipelines separados que había usado antes. Para debugging visual ya sirve: mandas la captura del navegador con el error y el modelo la relaciona con la parte del código que la produce.
La prueba en código propio
Aquí entré con el mayor escepticismo. Hacer cambios correctos en un sistema existente, respetando convenciones, tests y dependencias, sigue siendo el problema abierto más grande del oficio.
Primero algo simple: agregar validación a un formulario en React, tocando el componente, el schema y un test. La respuesta fue usable. No perfecta: usó una librería de validación que no estaba en el proyecto y mezcló inglés con español en los mensajes de error. Pero la estructura del cambio era correcta y me ahorró tiempo.
Después algo más ambicioso: mover lógica de negocio de un componente a un custom hook. Falló de forma interesante. El hook funcionaba, pero no capturaba un efecto secundario que dependía de un evento del DOM. Respetó la forma, no el comportamiento. Ese tipo de error solo lo atrapa alguien con contexto del producto.
Para situar el momento: MiniMax ya publicó números oficiales. 80.5 en SWE-bench Verified, 59.0 en SWE-Bench Pro, 66.0 en Terminal-Bench 2.1 y 83.5 en BrowseComp. Los menciono porque existen, no porque los tome como verdad. Son cifras de proveedor, medidas por quien vende el modelo, y los benchmarks promocionales siempre pintan mejor que la tarde real con el editor abierto.
Mis referencias esa semana de junio fueron Claude 4 Sonnet/Opus para razonamiento técnico largo, GPT-4o/o3 para seguimiento de instrucciones y herramientas, Gemini 2.5 Pro para contexto largo y multimodalidad (dos millones de tokens), y DeepSeek-V3 por relación costo-rendimiento. El campo ya se movió desde entonces; tómalo como fotografía de junio, no como tabla vigente. M3 quiere sentarse en la intersección de Gemini y Claude: contexto largo, multimodalidad y agentes. En español fue usable, aunque menos fino que Claude o GPT-4o en matices técnicos.
Dónde está disponible y qué me frena
M3 se usa en la API de MiniMax (platform.minimax.io), en MiniMax Code, su agente de escritorio, con pesos abiertos en HuggingFace y GitHub para quien prefiera correrlo por su cuenta, y también en OpenRouter. Cuando empecé a probarlo los precios no eran públicos; después los publicaron: 1.20 por millón de tokens de entrada y salida hasta 512K de contexto, con 50% de descuento de lanzamiento, y un Token Plan Plus a $20 mensuales. Los dejo como dato, no como recomendación.
Lo que más me frena no es el modelo, es el ecosistema alrededor. Claude tiene Cursor, GPT-4o tiene Copilot, Gemini tiene la maquinaria de Google. MiniMax todavía está construyendo la suya fuera de China. También hay menos información pública sobre arquitectura, datos de entrenamiento y evaluaciones independientes que la que publican Anthropic, OpenAI o Google. Y si trabajas en entornos corporativos, conviene revisar dónde procesan tu información antes de mandarles un repositorio completo.
Por ahora
MiniMax M3 es una propuesta seria. No es un experimento de nicho: apunta directo a lo que hacemos los ingenieros (entender código, proponer cambios, razonar sobre sistemas) y el foco en coding y agentes suena honesto, no a marketing que quiere ser bueno en todo.
Tampoco es una revolución que deje obsoleto a Claude o a Gemini. Es una opción más, fuerte en contexto largo y multimodalidad, débil en ecosistema y madurez fuera de su mercado principal.
Lo sigo usando en tareas concretas: refactoring, análisis de código legacy, generación de tests, revisión de PRs. Si algo cambia mi opinión, para bien o para mal, escribo una actualización. La recomendación se mantiene simple: pruébalo en tu propio código antes de creerle a cualquier benchmark. Los números venden, pero el código no miente.