MiniMax M3: el modelo chino que planta cara a GPT-5.5 por 20 veces menos

Vale, hablemos claro. Llevamos meses viendo cómo OpenAI, Google y Anthropic se pelean por ser el rey de la colina. GPT-5.5, Gemini 3.1 Pro, Claude Opus 4.8… cada uno con su hype, su benchmark y su precio que, seamos sinceros, no está al alcance de cualquiera.

Pero mientras todos mirábamos a Estados Unidos, una compañía china llamada MiniMax ha soltado un modelo que está revolviendo el avispero. Se llama MiniMax M3, se lanzó el 1 de junio de 2026, y sus números son tan buenos que cuesta no frotarse los ojos.

¿Lo mejor? Cuesta entre 5 y 10 veces menos que GPT-5.5 y, además, es open-weight. Puedes descargarlo y ejecutarlo en tu propio hardware.

Vamos a ver qué es exactamente y por qué debería importarte.

¿Qué es MiniMax M3?

MiniMax no es exactamente un desconocido. Ya tenían modelos anteriores (M2, M2.5, M2.7) que habían ido mejorando, pero M3 es un salto generacional.

Es un modelo de lenguaje con tres características que, hasta ahora, no veías juntas en un solo sitio:

Rendimiento frontier en coding y agentes: iguala o supera a GPT-5.5 en benchmarks como SWE-Bench Pro.
1 millón de tokens de contexto: sí, has leído bien. Un millón. Suficiente para meterte el código fuente entero de un proyecto mediano.
Multimodalidad nativa: no es un modelo de texto con un parche para imágenes. Procesa texto, imágenes y vídeo desde el primer momento.

Y todo esto por una fracción del precio de los modelos americanos.

Los números que importan

Vamos a los datos. Todos los benchmarks son reportados por MiniMax, así que cógelos con pinzas hasta que los veamos en leaderboards independientes. Dicho esto, los números son impresionantes:

Benchmark	MiniMax M3	GPT-5.5	Claude Opus 4.8
SWE-Bench Pro (coding)	59.0%	~55%	69.2%
Terminal-Bench 2.1	66.0%	—	74.6%
MCP Atlas (herramientas)	74.2%	—	—
BrowseComp (navegación web)	83.5%	—	—

En SWE-Bench Pro, MiniMax M3 supera a GPT-5.5 y Gemini 3.1 Pro. Se queda por detrás de Claude Opus 4.8, que sigue siendo el rey indiscutible en coding agéntico. Pero ojo: Opus 4.8 cuesta aproximadamente 10 veces más.

El secreto: MiniMax Sparse Attention (MSA)

¿Cómo consiguen estos resultados con un coste tan bajo? La clave está en la arquitectura.

Han desarrollado un mecanismo de atención llamado MiniMax Sparse Attention (MSA) que reduce drásticamente el coste computacional. En lugar de procesar todo el contexto de forma densa (que es lo que hace que GPT-5.5 sea tan caro), M3 usa atención dispersa: solo calcula las relaciones realmente importantes entre tokens.

Los resultados son brutales:

A 1M de tokens de contexto, el coste por token se reduce a 1/20 respecto a la generación anterior.
El prefilling es 9 veces más rápido.
El decoding es 15 veces más rápido.

En cristiano: puedes pasarle un proyecto entero de código fuente y te responde en segundos, no en minutos.

Precios: aquí está la verdadera revolución

Vamos al grano. ¿Cuánto cuesta?

Suscripciones mensuales (token plan):

Plus: $20/mes (~1.7B tokens)
Max: $50/mes (~5.1B tokens)
Ultra: $120/mes (~9.8B tokens)

API (por millón de tokens):

Precio de lanzamiento: $0,30 input / $1,20 output
Precio normal: $0,60 input / $2,40 output

Para que te hagas una idea, GPT-5.5 cuesta aproximadamente entre 5 y 12 veces más por token. Y Gemini 3.1 Pro se mueve en rangos similares.

Pero lo más importante: M3 es open-weight. Puedes descargar los pesos y ejecutarlo en tu propia infraestructura. Eso significa:

Sin dependencia de proveedor: no te suben el precio de repente.
Privacidad total: tus datos nunca salen de tu servidor.
Personalización: puedes fine-tunearlo para tu caso de uso concreto.

¿Y esto qué significa para ti?

Si eres desarrollador: tienes un modelo que rinde como GPT-5.5 en coding, con 1M de contexto, que puedes ejecutar localmente. ¿Problemas de memoria? Sí, sigue siendo un modelo grande. Pero la opción existe.

Si tienes una startup o pyme: los costes de IA acaban de bajar drásticamente. Servicios de automatización, asistentes de código, procesamiento de documentos… todo lo que antes solo era viable con presupuestos de empresa grande ahora está al alcance.

Si trabajas con datos sensibles: poder ejecutar M3 en tu propio hardware, sin que los datos salgan de tu red, es un cambio de paradigma. La nube está bien hasta que el cliente te pide que ningún dato salga de la UE.

No todo es perfecto

Sería injusto no mencionar las pegas:

Los benchmarks son auto-reportados. Hasta que no veamos resultados independientes, hay que tomarlos con cautela.
No es mejor que Claude Opus 4.8 en coding puro. Si tu prioridad absoluta es la calidad del código generado, Opus sigue siendo el rey. Pero pagas por ello.
El ecosistema es chino. La documentación, la comunidad y el soporte no son lo mismo que con OpenAI o Anthropic. Esto mejorará, pero hoy es una realidad.
Geopolítica. Con la orden ejecutiva de la Casa Blanca del 2 de junio sobre seguridad en IA, y las tensiones comerciales entre EE. UU. y China, el acceso a este modelo en según qué contextos podría complicarse.

En resumen

MiniMax M3 no es el mejor modelo del mundo en todo. Pero es el modelo que rompe el statu quo. Demuestra que se puede competir con los gigantes americanos sin tener su presupuesto ni su infraestructura.

Y lo más importante: demuestra que la eficiencia arquitectónica puede ganar a la brute force. Mientras otros meten más parámetros y más GPUs al problema, MiniMax ha diseñado una atención dispersa que hace más con menos.

La IA se está democratizando. Y este es uno de esos momentos en los que merece la pena prestar atención.

Artículos relacionados:

Si te ha sido útil y crees que podría ayudar a más gente, comparte este artículo.