MiniMax M3 acaba de escribir su propio kernel CUDA y abrió el código

El 1 de abril de 2025, el laboratorio chino de IA MiniMax hizo algo que pocos lanzamientos de modelos se molestan en hacer: mostró su trabajo. El lanzamiento de M3, abreviatura de MiniMax Model 3, vino acompañado de un artículo, un repositorio de código y un conjunto de demostraciones de tareas autónomas que funcionan como un argumento de por qué los modelos de pesos abiertos no tienen por qué sacrificar la capacidad de frontera. what-the-5-day-old-paper-260623050-tells-us-about-the-future-of-ai

Un modelo que construye su propia caja de herramientas

Las cifras principales son competitivas. M3 obtiene 83.5 en BrowseComp, el benchmark de navegación agéntica, superando el 79.3 de Opus 4.7. En evaluaciones estándar de codificación e ingeniería de software, se sitúa entre los modelos de pesos abiertos con mejor rendimiento. Pero lo que hace a M3 genuinamente interesante no es la tabla de puntuaciones. Es la ejecución autónoma de 12 horas que MiniMax publicó junto con el lanzamiento. Prompting a frontier model, a publisher's field notes…

El laboratorio entregó a M3 un artículo destacado de ICLR 2025, 'Learning Dynamics of LLM Finetuning', y le pidió replicar los experimentos centrales. M3 se ejecutó continuamente, leyendo los gráficos y fórmulas del artículo a través de su visión multimodal nativa, produciendo 18 commits de git y 23 figuras experimentales. Tuvo éxito. Luego, al mismo modelo se le encargó optimizar un kernel de multiplicación de matrices FP8 en la arquitectura NVIDIA Hopper, partiendo de un esqueleto de Triton que no compilaba. Durante 24 horas, M3 envió 147 iteraciones de benchmark y realizó 1,959 llamadas a herramientas, elevando la utilización máxima de la GPU del 7.6% al 71.3%, una aceleración de 9.4x, sin que un humano tocara el teclado.

'El código que escribimos está destinado a ser entregable, no solo ejecutable', afirma el equipo en la página del producto.

Arquitectura: atención dispersa a escala

M3 está construido sobre la arquitectura propietaria de Atención Dispersa (Sparse Attention) de MiniMax. La API soporta hasta 1 millón de tokens de contexto, con una ventana utilizable garantizada de al menos 512K tokens. Esto no es trivial. Los modelos de 1M de contexto a menudo se degradan en la práctica después de unos cientos de miles de tokens, y la afirmación de MiniMax de que su atención dispersa mantiene la coherencia en toda la longitud será probada por la comunidad de código abierto una vez que los pesos estén disponibles. ai2-releases-emo-an-moe-model-where-modularity-emerges-from-data

El modelo está entrenado como un sistema multimodal nativo desde el principio. Los tokens de texto y visión están alineados en la etapa de entrenamiento, no añadidos posteriormente mediante un adaptador separado. Esta decisión arquitectónica debería reducir las alucinaciones y desalineaciones comunes en los modelos de visión-lenguaje posteriores.

Pesos abiertos y el debate de la frontera

MiniMax se compromete a publicar M3 como código abierto en Hugging Face y GitHub, con soporte para despliegue en clústeres privados y ajuste fino. El momento es estratégico. Mientras OpenAI, Anthropic y Google impulsan modelos cada vez más potentes pero cerrados, el ecosistema de pesos abiertos ha luchado por mantener el ritmo. Llama 4 de Meta aún no se ha lanzado. Qwen 2.5 es fuerte pero más antiguo. M3 llega como un desafío directo a la noción de que 'abierto' significa 'una generación atrás'. ai2-releases-emo-an-moe-model-where-modularity-emerges-from-data the-hidden-bottleneck-in-ai-inference-why-deepseeks-dspark-rewrites-the-rules-of-speculative-decoding

El resultado de PostTrainBench refuerza la afirmación. M3 obtuvo 37.1, detrás de Opus 4.7 con 42.4 y GPT-5.5 con 39.3, pero por delante de todos los demás modelos. Esas cifras sugieren que M3 puede manejar de forma autónoma todo el pipeline de aprendizaje automático: síntesis de datos, entrenamiento, evaluación y mejora iterativa. ifbench-the-new-benchmark-testing-ai-instruction-following

Qué significa esto para los desarrolladores

M3 es accesible a través de la API existente de MiniMax con caché automática habilitada por defecto. El precio permanece sin cambios respecto a los niveles de modelo anteriores, lo que convierte la actualización en una ganancia directa de rendimiento para los clientes existentes. También está disponible una plataforma dedicada de agente de codificación, MiniMax Code. minimax-launches-m27-model-with-strong-software-engineering-and-office-productivity-skills

El significado más amplio no es una victoria individual en un benchmark. Es la demostración de que los flujos de trabajo agénticos autónomos de múltiples pasos, leer artículos, escribir kernels CUDA, entrenar modelos, ya no son exclusivos de las API cerradas más caras. Si M3 cumple sus promesas de pesos abiertos, la frontera acaba de expandirse más allá de un modelo chino. cuga-ibms-open-source-agent-harness-lets-you-build-apps-with-just-a-prompt-and-tool-list