MiniMax M3とは？料金・API・ローカル導入を完全解説

MiniMax M3は、長いコードベースや資料、画像・動画をまとめて扱い、ツールを使いながら仕事を進めるための最新マルチモーダルAIです。 2026年6月1日に公開され、最大1Mトークンのコンテキスト、約428BパラメータのMoE構成、画像・動画入力、コーディングとエージェント機能を1つにまとめました。(MiniMax公式発表)

面白いのは、単に「会話が上手な新しいLLM」ではないことです。たとえば、仕様書、リポジトリ、テストログ、画面キャプチャを同じ作業の中で読み、コードを直し、ツールの結果を受けて次の手を考える。M3は、そんな長時間の実務を狙っています。

この記事は、MiniMaxを初めて触る人と、安価なコーディングAIや長文・動画対応APIを探している開発者向けです。特徴だけで終わらず、APIキーの取得、Python・Node.js、Codex、ローカル実行、料金、ライセンスまで順番に試せる形で整理します。

MiniMax M3とは何か

MiniMax M3は、AI企業MiniMaxが公開したオープンウェイトのネイティブ・マルチモーダルモデルです。テキストの後付け機能として画像を見るのではなく、学習の最初から文章、画像、動画を混ぜる設計を採用しています。公式モデルカードでは、総パラメータ数を約428B、1トークンの処理で有効になるパラメータ数を約23Bと説明しています。(公式モデルカード)

M3が狙うのは、次の3領域を分断しないことです。

1. コーディング：不具合修正、フロント／バックエンド開発、性能最適化
2. エージェント：検索、ツール呼び出し、端末操作、長時間の試行錯誤
3. マルチモーダル理解：画像、グラフ、画面、動画を含む資料の読解

従来は、コードに強いモデル、動画を読めるモデル、長文に強いモデルを別々に選ぶ場面がありました。M3は、それらを1つの長い作業スレッドでつなぐことに価値があります。

「MiniMax」と「M3」「H3」の違い

MiniMaxは会社・モデル群の名前です。最新ラインアップには用途の異なる製品があり、M3とH3は別物です。

「動画をM3に入れる」は内容を理解させる操作です。「H3に素材を入れる」は新しい動画を作る操作です。本稿では、開発や知的作業を担うM3に絞ります。

なぜMiniMax M3が面白いのか

1Mコンテキストを現実の作業に使おうとしている

M3の最大コンテキストは1,000,000トークンです。公式ページはAPIで最低512Kを保証し、1Mを長いエージェント作業、巨大なコード、長尺動画の理解に使うと説明しています。(M3公式ページ)

ただし、「何でも全部貼れば賢くなる」という意味ではありません。長い入力は読み込み時間、料金、注意の分散を増やします。1Mは、途中のログや資料を捨てずに作業を続けるための上限であり、必要な情報を選び、見出しと索引を付ける設計は依然として重要です。

MSAで長文の計算負荷を抑える

通常のFull Attentionは、入力が長くなるほど計算量が二次関数的に増えます。M3は独自の MiniMax Sparse Attention（MSA） で参照すべきKVブロックを絞り、長文処理を効率化します。

MiniMaxは、1Mコンテキスト時に旧世代M2と比べて、1トークン当たりの計算量を20分の1、prefillを9倍超、decodeを15倍超にしたと報告しています。これは開発元による比較であり、利用環境や入力によって同じ速度が出る保証ではありませんが、M3の設計思想を理解する重要な数字です。(MiniMax公式発表)

画像・動画を「読む」エージェントになった

OpenAI互換APIでは、M3へJPEG、PNG、GIF、WEBP画像と、MP4、AVI、MOV、MKV動画を渡せます。URLまたはBase64入力は画像10MB、動画50MBまで。大きな動画はFiles APIへ最大512MBまでアップロードし、mm_file://{file_id} で参照します。(OpenAI SDK互換ガイド)

これにより、次のような仕事を1つのモデルへ頼めます。

• UIのスクリーンショットとソースコードを見せて崩れを直す
• 操作録画から再現手順を抽出し、不具合候補を絞る
• 論文中の図表と本文、実験コードを一緒に確認する
• 長い会議動画から決定事項と未解決事項を整理する

ベンチマークはどう読むべきか

MiniMaxの公式発表では、M3はSWE-Bench Pro 59.0%、Terminal-Bench 2.1 66.0%、MCP Atlas 74.2%を記録しています。公式モデルページではBrowseComp 83.5も掲げています。(公式発表)

MiniMax M3の始め方は4通り

最初からローカル環境を組む必要はありません。目的に合う入口を選びます。

迷ったら、Webで品質確認 → APIで小さな試作 → 必要ならCodex連携 → 明確な理由がある場合だけセルフホスト、の順が無駄を減らします。

方法1：APIキーを取得してPythonから呼ぶ

Step 1：アカウントとキーを用意する

1. MiniMax API Platformへ登録またはログインする
2. 従量課金なら「API Keys」でSecret Keyを作成する
3. 月額のToken Planを使うなら、プラン契約後にSubscription Keyを取得する
4. 従量課金の場合は残高、Token Planの場合は利用可能枠を確認する

従量課金キーとToken Planキーは同じものではありません。環境を切り替えるときは、どのキーを使っているか確認してください。

Step 2：PowerShellで環境変数を設定する

現在のPowerShellセッションだけに設定する例です。<YOUR_API_KEY> は実際のキーへ置き換えます。

$env:OPENAI_BASE_URL = "https://api.minimax.io/v1"
$env:OPENAI_API_KEY = "<YOUR_API_KEY>"

Step 3：OpenAI SDKをインストールする

python -m pip install openai

Step 4：最小コードを実行する

minimax_test.py を作り、次のコードを保存します。

from openai import OpenAI

client = OpenAI()

response = client.chat.completions.create(
    model="MiniMax-M3",
    messages=[
        {
            "role": "system",
            "content": "あなたは根拠と不確実性を分けて説明する技術アシスタントです。",
        },
        {
            "role": "user",
            "content": "このAPIが正常に動いているか、日本語で3項目に分けて答えてください。",
        },
    ],
    max_completion_tokens=1000,
    extra_body={
        "thinking": {"type": "adaptive"},
        "reasoning_split": True,
    },
)

message = response.choices[0].message
print(message.content)
print(response.usage)

python .\minimax_test.py

thinking はM3の推論制御です。複雑な調査や実装では adaptive、短い分類や応答速度を優先する処理では disabled を試します。省略時はThinkingが有効です。reasoning_split は、推論内容と最終回答を別フィールドに分ける表示設定であり、推論のON/OFFではありません。(OpenAI SDK互換ガイド)

方法2：Node.jsから呼ぶ

既存のJavaScript／TypeScriptアプリへ組み込む場合も、OpenAI SDKを流用できます。

npm install openai

import OpenAI from 'openai';

const client = new OpenAI();

const response = await client.chat.completions.create({
  model: 'MiniMax-M3',
  messages: [
    { role: 'system', content: '結論、根拠、次の行動の順で回答してください。' },
    { role: 'user', content: '小規模Webアプリのリリース前チェックを10項目作ってください。' },
  ],
  max_completion_tokens: 1200,
});

console.log(response.choices[0].message.content);
console.log(response.usage);

OpenAI SDKの一部パラメータは無視されます。公式ドキュメントは presence_penalty、frequency_penalty、logit_bias などを例示し、n は1のみ、旧式の function_call ではなく tools を使うよう案内しています。

方法3：画像や動画を読ませる

画像は、メッセージの content を配列にし、image_url を追加します。

response = client.chat.completions.create(
    model="MiniMax-M3",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "この画面の問題点を、事実と推測に分けて説明してください。",
                },
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://example.com/screenshot.png",
                        "detail": "default",
                    },
                },
            ],
        }
    ],
)

detail は low、default、high から選べます。高精細ほどOCRや細部の理解に有利な可能性がありますが、画像トークンは増えます。公式の目安では、1枚あたり low は数百、default は約1,000〜3,000、high は数千〜15,000超です。まず default から試し、細かい文字が読めない場合だけ上げるのがよいでしょう。

方法4：CodexでMiniMax M3を使う

MiniMaxはCodex向けの公式設定例を公開しています。これはOpenAIのモデルをM3へ置き換える設定なので、通常のCodex利用とは料金・サポート・データ送信先が変わる点を理解してから使ってください。(MiniMax公式Codexガイド)

~/.codex/config.toml に次を追加します。Windowsでは通常、C:\Users\<ユーザー名>\.codex\config.toml です。

model = "MiniMax-M3"
model_provider = "minimax"
model_context_window = 1000000

[model_providers.minimax]
name = "MiniMax"
base_url = "https://api.minimax.io/v1"
experimental_bearer_token = "<MINIMAX_API_KEY>"
wire_api = "responses"

保存後にCodexを再起動します。設定が効かない場合は、次を確認します。

• model とAPI側のモデルIDが MiniMax-M3 で一致しているか
• base_url がグローバル向け https://api.minimax.io/v1 か
• APIキーに利用可能なToken PlanまたはCreditsがあるか
• 別のプロファイルや環境変数が設定を上書きしていないか

ツール呼び出しで最も重要な実装ルール

M3は、ツールを呼ぶ前後に推論する Interleaved Thinking を使います。検索、ファイル操作、API呼び出しを何度も往復するエージェントでは、この連続性を壊さないことが重要です。

公式ドキュメントは、次のターンへ進むときにアシスタントの応答全体を会話履歴へ戻すよう求めています。OpenAI互換形式なら content、tool_calls、reasoning_details を含むメッセージ全体、Anthropic互換形式ならthinking、text、tool_useを含む全content blockです。(Tool Use公式ガイド)

ありがちな失敗は、画面に表示した最終回答だけを履歴へ残し、ツール呼び出しや推論フィールドを捨てることです。短い会話では動いても、複数ステップで「なぜこのツールを呼んだのか」を見失い、重複実行や不整合につながります。

MiniMax M3をローカルへ導入する

先に結論：一般的な個人PCではAPIが現実的

公式モデルは約428Bパラメータです。BF16の重みだけを単純計算すると約856GB、4bitでも理論上約214GBです。実際には量子化方式、KVキャッシュ、画像エンコーダー、ランタイム、コンテキスト長のため追加メモリが必要です。

MoEの「有効23B」は、1回の計算で使うパラメータの目安であり、モデル全体を24GBへ収納できるという意味ではありません。RTX 3090や4090を1枚だけ持つ人は、フル版のセルフホストを前提にしない方が安全です。

公式ウェイトをダウンロードする

Hugging Face CLIを導入し、十分な保存容量のある環境で実行します。

python -m pip install -U "huggingface_hub[cli]"
hf download MiniMaxAI/MiniMax-M3 --local-dir MiniMax-M3

モデルコードは trust_remote_code=True を使う例が公開されています。これはリポジトリ由来のPythonコードを実行する設定です。固定したrevision、隔離環境、コードレビューを使い、無条件に本番サーバーへ入れないでください。

vLLMでOpenAI互換サーバーを起動する

公式モデルカードの最小例は次の通りです。

pip install vllm
vllm serve "MiniMaxAI/MiniMax-M3"

起動後は http://localhost:8000/v1/chat/completions をOpenAI互換APIとして呼びます。SGLang、Transformers、KTransformers、ATOMなどの選択肢も公式モデルカードから案内されています。(公式モデルカード)

実運用では、次を先に設計します。

• 複数GPUへの配置とGPU間通信
• BF16、FP8、MXFP4など精度とメモリの選択
• 最大コンテキストを現実的な値へ制限する設定
• 同時リクエスト数、KVキャッシュ、バッチサイズ
• 量子化版が公式か第三者配布か、再現可能か
• モデルとコンテナのライセンス

「ダウンロードできた」と「1Mコンテキストで安定運用できた」の間には大きな差があります。セルフホストは、API料金、機密性、レイテンシ、保守人員を比較して決める基盤プロジェクトです。

MiniMax M3の料金

従量課金API

2026年8月13日時点のStandard料金は次の通りです。(公式料金表)

PriorityはStandardの1.5倍で、混雑時の優先処理と安定した応答時間を狙う区分です。試作ではStandardから始め、SLAが必要になってから検討すれば十分です。

長いコンテキストでは、出力より入力が圧倒的に多くなる場合があります。全リポジトリや大量資料を毎回送り直さず、プロンプトキャッシュ、検索、差分入力、要約を使います。APIコストの設計は「APIコストとコンテキスト管理」も参考になります。

月額Token Plan

個人の対話的な開発にはToken Planもあります。公式ページの月額表示はPlus $20、Max $50、Ultra $120で、M3のほか画像、音声、音楽などの枠を共有します。プランには5時間のローリング枠、週間枠、同時実行数などの制約があり、未使用分の繰り越しはありません。(Token Plan公式ページ)

プロンプトは「目的・制約・完了条件」を分ける

M3公式のプロンプトガイドは、曖昧な短文より、目的、背景、制約、出力形式を明示することを勧めています。長い資料では、資料を先に置き、最後にタスクを書く方法も推奨しています。(M-series Usage Tips)

そのまま使える基本形は次の通りです。

目的:
このリポジトリのログイン失敗を再現し、原因を特定する。

背景:
Windows 11 / Node.js 24 / Astro 6。直近で認証ライブラリを更新した。

制約:
- まず診断だけを行い、ファイルは変更しない
- 秘密情報やCookieを出力しない
- 事実、推測、未確認事項を分ける

完了条件:
- 再現手順
- 根本原因の候補と根拠
- 最小修正案
- 修正後に実行すべきテスト

タスク:
添付ログと関連ファイルを調査してください。

コードレビュー用プロンプト

この差分を本番公開前にレビューしてください。
優先順位は、データ損失、認証・権限、回帰、テスト不足、保守性です。
各指摘にはファイル名、該当箇所、発生条件、影響、最小修正案を付けてください。
問題がなければ「重大な問題なし」と明記し、残る不確実性を列挙してください。

長文資料の比較用プロンプト

<documents>
[1] 仕様書A: ...
[2] 契約条件B: ...
[3] 実装メモC: ...
</documents>

上記3資料を比較し、矛盾、未定義語、実装へ影響する条件を表にしてください。
主張ごとに資料番号と該当見出しを付け、資料にない内容は推測と表示してください。

M3の1Mコンテキストを生かすコツは、入力を増やすことではなく、モデルが途中で迷わない目印を増やすことです。

導入前に知っておくべき注意点

1. 「open-weight」と「自由な商用利用」は同じではない

M3のウェイトは公開されていますが、ライセンスはApache 2.0やMITではなく MiniMax Community License です。非商用利用は無償で認められています。セルフホストしたモデルや派生物を商用利用する場合、関連ページなどへの「Built with MiniMax M3」表示とMiniMaxへの通知が必要です。年間売上が2,000万米ドルを超える製品・サービスでは、事前の書面承認も求められます。(公式ライセンス)

API利用には別途プラットフォームの利用規約が適用されます。商用案件では、「APIを呼ぶだけ」なのか「ウェイトを配布・セルフホストする」のかを分け、法務担当と最新条文を確認してください。

2. Thinkingを常に使う必要はない

複雑な実装やツール利用ではThinkingが役立ちますが、短い分類、定型変換、リアルタイムUIでは待ち時間と出力トークンが増えることがあります。まず adaptive と disabled を同じ評価セットで比べ、品質差が小さい処理はOFFにします。

3. 1M全部を使うと単価も失敗範囲も増える

512Kを超える入力は従量課金単価が2倍です。さらに、古いログ、重複資料、生成物まで無差別に含めると、モデルが誤った文脈を優先する可能性があります。必要な文書だけを検索し、ファイル名、日付、優先順位を付けます。

4. 機密情報の送信先が変わる

CodexやOpenAI SDKの見た目を使っていても、base_url をMiniMaxへ変えればデータ送信先はMiniMaxです。社内規程、個人情報、顧客コード、利用地域、ログ保持条件を確認し、許可されていないデータを送らないでください。

MiniMax M3は誰に向いているか

向いているのは、次のような人です。

• 大きなリポジトリや長い仕様書をまたぐ開発をAIに手伝わせたい
• 画像・動画・画面を読めるコーディングエージェントを試したい
• OpenAI／Anthropic互換APIでモデルを比較したい
• 月額または低い従量単価で、長時間エージェントを運用したい
• 複数GPU環境でオープンウェイトの大型モデルを検証したい

一方、RTX 3090／4090 1枚で気軽にローカルLLMを始めたい人、Apache 2.0のような単純な商用ライセンスが必須の人、第三者検証済みの日本語品質を最優先する人は、別の小型モデルも比較すべきです。ローカル候補は「2026年版 RTX GPUで動かすローカルLLM」も参考になります。

よくある質問

MiniMax M3は無料で使えますか？

公式サービスの提供条件や試用枠は変わるため、常時無料とは限りません。APIは従量課金、Token Planは月額制です。公開ウェイトは非商用利用が認められていますが、商用利用には表示・通知などの条件があります。

MiniMax M3は日本語に対応していますか？

APIや公式サービスから日本語で指示できます。ただし、日本語の業務品質は用途ごとに異なります。自社文書の要約、コードレビュー、画像読解など実際の入力で評価し、事実性と手直し時間を測ってから採用してください。

RTX 3090や4090 1枚で動かせますか？

公式フルモデルは約428Bパラメータで、24GB級GPU 1枚に収めるモデルではありません。4bit化しても重みだけで理論上約214GBです。単体GPUではAPIを使うか、目的に合う小型モデルを選ぶ方が現実的です。

MiniMax M3とH3の違いは何ですか？

M3は文章・コード・画像・動画を理解し、推論やツール操作を行うモデルです。H3は動画そのものを生成・編集するモデルです。動画を分析したいならM3、動画を作りたいならH3と覚えると迷いません。

商用サービスに組み込めますか？

API利用はプラットフォーム規約、公開ウェイトのセルフホストはMiniMax Community Licenseに従います。セルフホストの商用利用では表示と通知が求められ、年間売上2,000万米ドル超では事前の書面承認が必要です。

結論：まずAPIで「長い実務」を1本試す

MiniMax M3の本質は、1Mという数字の大きさではありません。コード、資料、画像・動画、ツールの結果を同じ作業の中でつなぎ、長く仕事を続けることです。MSA、約23Bの有効パラメータを持つMoE、Thinking制御は、そのための手段です。

最初の一歩は、ローカルへ数百GBのモデルを入れることではありません。APIまたはMiniMax Codeで、普段時間がかかっている仕事を1つ選んでください。たとえば「仕様書とリポジトリを読んで改修計画を作る」「操作動画から不具合を切り分ける」といった、M3の長文・マルチモーダル・エージェント能力が同時に必要な仕事です。

同じ入力を現在のモデルにも渡し、成功率、時間、トークン、人の修正量を比べる。そこで差が出たなら、Codex連携やアプリ組み込みへ進む価値があります。MiniMax M3は、スペック表を眺めるより、丸ごと任せたい実務を1本走らせたときに面白さが分かるモデルです。

次に読む

• Codex CLIの始め方
• AIエージェントの秘密情報を守る
• APIコストとコンテキスト管理
• 2026年版 RTX GPUで動かすローカルLLM