Když jsem se díval na nový MiniMax M3, první věc, která mě zaujala, nebylo jen klasické marketingové „máme lepší benchmarky“. To dnes tvrdí každý. Zajímavější je pro mě kombinace tří věcí: agentní práce, programování a extrémně dlouhý kontext. A právě tahle kombinace může být pro vývojáře a firmy důležitější než samotné číslo v nějakém leaderboardu.
MiniMax M3 byl oficiálně představen 1. června 2026. Firma ho popisuje jako model zaměřený na coding, agentní úlohy, multimodalitu a práci s kontextem až 1 milion tokenů, přičemž u API uvádí garantované minimum 512 tisíc tokenů.
Proč mě M3 zaujal
Podle mě se u LLM modelů pomalu láme jedna éra. Nestačí, aby model dobře odpověděl na otázku. Stále víc půjde o to, jestli dokáže pracovat dlouhodobě, držet kontext, používat nástroje, opravovat vlastní chyby a postupně se posouvat k výsledku.
MiniMax přesně tímto směrem M3 prezentuje. Mluví o autonomním rozkladu úloh, volání nástrojů, vícekrokovém uvažování a využití v AI coding asistentech nebo automatizovaných workflow.
A tady si myslím, že je zásadní rozdíl mezi „modelem na odpovědi“ a „modelem na práci“. Chatbot odpoví. Agent musí něco udělat.
1M kontext: ne jen větší číslo
Kontextové okno o velikosti 1M tokenů zní na první pohled jako technická chlouba. Jenže v praxi může znamenat něco velmi konkrétního: modelu dáte větší část repozitáře, dokumentace, logů, požadavků, starších rozhodnutí a on s tím může pracovat najednou.
To je obrovský rozdíl oproti situaci, kdy se model neustále ptá na chybějící soubory nebo zapomíná, co se řešilo před chvílí. MiniMax tvrdí, že za tím stojí jejich architektura MiniMax Sparse Attention, která má škálovat dlouhý kontext efektivněji než klasická plná attention. Firma uvádí, že při délce 1 milion tokenů má M3 per-token compute pouze na úrovni 1/20 předchozí generace a že dosáhli více než 9× zrychlení v prefillingu a více než 15× ve fázi decodingu.
Tady bych ale byl opatrný. Jsou to zatím hlavně čísla od výrobce. Beru je jako zajímavý signál, ne jako definitivní pravdu.
Coding: oblast, kde se láme důvěra
U programování mě zajímá hlavně jedna otázka: dokáže model dlouhodobě pracovat na reálném problému, nebo jen hezky vygeneruje kus kódu?
MiniMax uvádí výsledky například SWE-Bench Pro 59,0 %, Terminal-Bench 2.1 66,0 %, SWE-fficiency 34,8 %, KernelBench Hard 28,8 % a MCP Atlas 74,2 %.
To jsou zajímavá čísla, ale pro mě je důležitější jiná část prezentace: MiniMax zdůrazňuje simulaci reálné spolupráce s vývojářem. Tedy ne jen jednorázový prompt, ale průběžné upřesňování požadavků, iterace, korekce a přepínání mezi úlohami.
A to je přesně to, kde dnešní coding asistenti často selhávají. Umí navrhnout řešení, ale když se projekt začne větvit, narazí na limity paměti, plánování a sebekontroly.
Agentní schopnosti: nejsilnější příslib i největší riziko
MiniMax ukazuje několik působivých experimentů. M3 měl například autonomně reprodukovat práci oceněnou na ICLR 2025, běžet téměř 12 hodin, vytvořit 18 commitů a 23 experimentálních grafů. V jiném testu optimalizoval CUDA kernel přibližně 24 hodin, provedl 147 benchmarkových submitů a 1 959 tool callů, přičemž měl dosáhnout 9,4× zrychlení.
Tohle je podle mě fascinující. Ne proto, že bych automaticky věřil každému číslu, ale protože to ukazuje směr: modely se neposouvají jen k lepším odpovědím, ale k dlouhodobé autonomní práci.
A zároveň je to varování. Čím déle agent běží, tím důležitější je audit, logování, sandbox, limity oprávnění a možnost člověka zasáhnout. Agent, který udělá 1 959 tool callů, může být produktivní. Ale bez kontroly může být také drahý, chaotický nebo nebezpečný.
Multimodalita od začátku, ne jako přívěsek
MiniMax tvrdí, že M3 je nativně multimodální model, tedy že multimodalita není dodatečně přilepená vrstva, ale součást tréninku od začátku. Model má podporovat obrazový a video vstup a podle popisu MiniMaxu může fungovat i v režimu ovládání počítače.
Tohle je podle mě důležité hlavně pro firemní workflow. Skutečná práce totiž není jen text. Máme PDFka, screenshoty, grafy, tabulky, UI aplikací, videa, logy, Excel soubory a interní nástroje. Model, který toto dokáže spojit, je mnohem blíž reálnému digitálnímu pracovníkovi než klasický textový chatbot.
Open-weight model: pokud to MiniMax dotáhne, bude to zajímavé
MiniMax M3 prezentuje jako první open-weight model, který spojuje frontier coding, milionový kontext a nativní multimodalitu. Na stránce zároveň uvádí, že model má být plně open-source na Hugging Face a GitHubu, s podporou privátního nasazení a fine-tuningu.
Pro mě je tohle možná nejzajímavější část. Pokud bude model skutečně prakticky použitelný i mimo uzavřené API, otevírá to dveře firmám, které nechtějí posílat citlivý kód nebo dokumenty do cizího cloudu.
Samozřejmě bude záležet na licenci, reálných hardwarových nárocích, kvalitě inference a dostupnosti vah. „Open-weight“ ještě automaticky neznamená jednoduché lokální nasazení.
Můj názor
MiniMax M3 beru jako jeden z modelů, které ukazují, kam se AI bude dál posouvat: od chatbotů k dlouhodobě pracujícím agentům. Nejde jen o to, že model odpoví lépe. Jde o to, že zvládne držet dlouhý kontext, používat nástroje, pracovat s multimodálními vstupy a postupně řešit komplexní úkol.
Zároveň bych zůstal střízlivý. Hodně údajů pochází přímo od MiniMaxu, takže bych chtěl vidět nezávislé testy, reálné zkušenosti vývojářů a hlavně chování modelu v běžných projektech, ne jen v pečlivě připravených demonstračních úlohách.
Ale směr je jasný. Podle mě už se neptáme jen: „Který model je chytřejší?“
Začínáme se ptát: „Kterému modelu můžu svěřit kus skutečné práce?“
A MiniMax M3 se evidentně snaží být odpovědí právě na tu druhou otázku.