Begriff
MiniMax
MiniMax ist ein 2021 in Shanghai gegründetes KI-Labor, dessen offene M-Modellfamilie (LLMs) auf sehr lange Kontextfenster und niedrige Betriebskosten durch Sparse Attention setzt.
MiniMax — ausführlich erklärt
MiniMax ist ein KI-Labor mit Sitz in Shanghai, gegründet Ende 2021 von ehemaligen Mitarbeitern des Computer-Vision-Konzerns SenseTime. Das Unternehmen entwickelt eigene Foundation-Modelle und positioniert sich in der Reihe chinesischer Anbieter, die ihre Modelle als Open Weight veröffentlichen — vergleichbar mit DeepSeek, Qwen (Alibaba) oder Moonshot/Kimi.
Der Begriff steht im Sprachgebrauch sowohl für das Unternehmen als auch für seine M-Modellfamilie — eine Reihe großer Sprachmodelle (LLMs). Frühere Generationen liefen unter dem Namen abab; seit 2025 nummeriert MiniMax die Modelle als M1, M2.x und M3. Neben den Sprachmodellen betreibt MiniMax auch Consumer-Produkte für Video- und Musikgenerierung unter der Marke Hailuo.
Was „Open Weight” hier bedeutet
Open Weight heißt: Die trainierten Modellgewichte werden veröffentlicht, sodass man das Modell selbst herunterladen und auf eigener Hardware betreiben kann — im Unterschied zu reinen API-Modellen wie GPT oder Claude, deren Gewichte geschlossen bleiben. Open Weight ist nicht dasselbe wie vollständig Open Source: Trainingsdaten und der komplette Trainingscode bleiben in der Regel unter Verschluss. In der Praxis kann es außerdem eine Lücke zwischen der Ankündigung und der tatsächlichen Veröffentlichung der Gewichte geben.
Die technische Besonderheit: Sparse Attention + langer Kontext
Der namensgebende Ansatz der jüngeren M-Modelle ist Sparse Attention (bei MiniMax als MiniMax Sparse Attention, MSA, bezeichnet). Klassische Attention berechnet jeden Token gegen alle vorherigen Token; der Rechenaufwand wächst dadurch ungünstig mit der Kontextlänge. Sparse Attention wertet stattdessen nur einen Teil dieser Verbindungen aus und senkt so den Rechenaufwand pro Token bei langem Kontext deutlich.
Genau das ist der Hebel der MiniMax-Modelle: Sie erreichen sehr große Kontextfenster — bis zu rund einer Million Token — und bleiben dabei vergleichsweise günstig im Betrieb. Statt das Modell einfach zu vergrößern, verschiebt MiniMax die Optimierung auf die Effizienz langer Kontexte. Das ist besonders für agentische Workflows relevant, die ohnehin viel Kontext mitführen.
Beispiel / Praxisbezug
Das aktuelle Modell der Familie, MiniMax M3, dient als Beispiel: Es wurde im Juni 2026 vorgestellt, kombiniert Sparse Attention mit rund einer Million Token Kontext und nativer Multimodalität und zielt auf agentisches Coding. MiniMax bewirbt Coding-Benchmarks auf Frontier-Niveau zu einem Bruchteil der Kosten geschlossener Anbieter — wobei diese Zahlen zum Start vom Anbieter selbst stammten und unabhängige Tests sowie die Veröffentlichung der Gewichte teils noch ausstanden.
→ Details, Benchmark-Zahlen und Einordnung zu diesem konkreten Release stehen in der News MiniMax M3: Open-Weight-Frontier-Modell mit Sparse Attention.
Der Glossar-Eintrag selbst beschreibt MiniMax als Anbieter und Modellfamilie — er ist nicht auf eine einzelne Modellversion verengt, da auf M3 weitere Generationen folgen werden.
Abgrenzung zu ähnlichen Begriffen
- MiniMax vs. einzelne Modelle (M3, M2.x): MiniMax ist der Anbieter und die Familie; M3 ist eine konkrete Version daraus. Modellversionen veralten, der Anbieter bleibt.
- MiniMax vs. DeepSeek / Qwen / Kimi: Alle vier sind chinesische Open-Weight-Anbieter, die gleichzeitig auf Preis und Offenheit drücken. Sie unterscheiden sich in Architektur, Schwerpunkten (Coding, Reasoning, Multimodalität) und Lizenzdetails.
- Sparse Attention vs. Mixture of Experts (MoE): Beide senken Rechenkosten, aber an unterschiedlichen Stellen — Sparse Attention reduziert die Aufmerksamkeitsberechnung über den Kontext, MoE aktiviert pro Token nur einen Teil der Modellparameter. MiniMax kombiniert beide Ansätze.
- MiniMax (KI-Anbieter) vs. Minimax (Algorithmus): Der Name überschneidet sich mit dem klassischen Minimax-Algorithmus aus der Spieltheorie/KI-Suche — gemeint ist hier ausschließlich das Unternehmen und seine Modellfamilie.
Entdecke mehr
Drei Tage mit Claude Fable 5 — und warum Opus mein Alltagsmodell bleibt
Fable 5 hat einen Bug in einem Anlauf gelöst, an dem Opus zweimal scheiterte. Trotzdem wechsle ich nicht. Mein ehrlicher Praxiseindruck nach drei Tagen.
Glossar$/MTok (Kosten pro Million Tokens)
Standard-Preisangabe bei KI-APIs — Kosten in US-Dollar pro eine Million verarbeitete Tokens. Wird getrennt für Input, Output und ggf. Cache angegeben.
LexikonKI-Modelle vergleichen — wer baut was und wofür wählen
Die wichtigsten Modellfamilien 2026 im Überblick. Wer baut Claude, GPT, Gemini, Llama, Mistral, DeepSeek, Qwen — und welches Modell wofür wählen.