MiniMax M3 vs Claude Opus 4.7 vs GPT-5.5: Perbandingan Benchmark Coding

MiniMax M3 membuat klaim yang seharusnya membuat setiap vendor model tertutup berpikir dua kali. Dikatakan bahwa model berbobot terbuka kini mengalahkan GPT-5.5 dan Gemini 3.1 Pro pada benchmark coding yang sulit, dan mendekati Claude Opus 4.7. Jika klaim itu terbukti, perhitungan untuk membangun alat coding agentic akan berubah dalam semalam. Anda akan mendapatkan hasil kelas frontier dari bobot yang dapat Anda unduh, jalankan, dan hargai sesuka Anda.

Berikut adalah versi jujur di awal. Sebagian besar angka di balik klaim tersebut berasal dari MiniMax sendiri. Angka-angka tersebut dilaporkan oleh vendor, dan konfirmasi independen dari papan peringkat masih tertunda. Jadi, ini bukan sebuah penobatan. Ini adalah gambaran tentang apa yang diklaim M3 dapat lakukan, bagaimana hal itu dibandingkan dengan dua model frontier tertutup, dan bagaimana memutuskan mana yang cocok untuk Anda. Untuk latar belakang lengkap tentang model ini, lihat apa itu MiniMax M3, dan angka sumbernya terdapat dalam pengumuman MiniMax M3.

Sekilas Para Pesaing

Tiga model, tiga taruhan berbeda. M3 memilih jalur terbuka dan murah. Opus 4.7 mengutamakan keandalan dan ekosistem. GPT-5.5 mengincar posisi platform default dalam tumpukan OpenAI.

Pembagian terbuka versus tertutup adalah berita utamanya. Anda tidak dapat melakukan self-host Opus 4.7 atau GPT-5.5. Dengan M3, MiniMax mengatakan bobot dan laporan teknis akan dikirim dalam waktu sekitar sepuluh hari, yang mengembalikan opsi deployment on-prem dan kontrol harga penuh.

Benchmark coding: di mana M3 unggul, dan di mana tidak

Coding adalah bidang di mana M3 mengajukan klaim terbesarnya. Yang paling menonjol adalah SWE-Bench Pro, sebuah tes untuk tugas-tugas rekayasa perangkat lunak dunia nyata. Berikut adalah angka-angka yang dilaporkan MiniMax.

Baca tabel itu dengan cermat, karena ada dua sisi. Pada SWE-Bench Pro, 59,0% M3 adalah angka yang akan memungkinkan model berbobot terbuka berada di jajaran perusahaan frontier. Anda dapat memeriksa papan peringkat SWE-Bench publik untuk melihat bagaimana perbandingannya setelah pihak ketiga memverifikasinya. Namun pada PostTrainBench, M3 tertinggal. Opus 4.7 memimpin dengan 0.42, GPT-5.5 menyusul dengan 0.39, dan M3 berada di 0.37. MiniMax tertinggal dalam hal itu, dan berpura-pura sebaliknya akan merugikan Anda.

Jadi gambarannya bukan “M3 memenangkan coding.” Melainkan “M3 mencapai jangkauan frontier pada benchmark coding utama sambil tetap tertinggal pada yang lain.” Itu adalah langkah yang berarti untuk model terbuka. Ini bukan kemenangan telak. Kami telah melihat pola ini sebelumnya dengan rilis terbuka yang kuat. Jika Anda melacak perbandingan Qwen 3.7 vs GPT-5.5 vs Opus 4.7, bentuknya familiar: model terbuka memperkecil kesenjangan pada tugas-tugas tertentu lebih cepat daripada di semua bidang.

Satu peringatan lagi yang patut diulang. Ini adalah uji coba MiniMax sendiri. Harness benchmark, scaffolding, dan setup prompt bervariasi antar vendor, dan pilihan metodologi kecil dapat menggeser skor beberapa poin. Perlakukan perbandingan ini sebagai petunjuk arah hingga papan peringkat independen melaporkan angka mereka sendiri.

Perilaku agentic dan penggunaan alat: taruhan jangka panjang

Jika coding adalah berita utama, perilaku agentic adalah tempat arsitektur M3 membuktikan nilainya. Model ini mencetak 74.2% pada MCP Atlas, sebuah tes orkestrasi alat melalui Model Context Protocol, dan MiniMax melaporkan skor tertinggi di bidangnya pada Claw-Eval, sebuah evaluasi agentic.

Demo adalah bagian yang menarik perhatian. MiniMax menunjukkan M3 menjalankan tugas optimisasi kernel CUDA selama 24 jam yang menghasilkan peningkatan kecepatan 9.4x, dan reproduksi makalah otonom yang menghasilkan 18 commit dan 23 gambar tanpa campur tangan manusia. Pekerjaan agentic berjangka panjang seperti itu persis di mana sebagian besar model menyimpang, kehilangan konteks, atau menghabiskan token pada jalan buntu.

Keandalan agen sangat bergantung pada harness di sekitar model, sama seperti pada model itu sendiri. Cara Anda menyusun panggilan alat, konteks, dan loop pemulihan menentukan apakah sebuah eksekusi 24 jam akan selesai atau gagal. Pembahasan kami tentang arsitektur harness agen kode Claude mencakup scaffolding tersebut secara mendalam, dan prinsip yang sama berlaku untuk model mana pun yang berada di pusat. Skor agentic yang kuat pada benchmark vendor memang menjanjikan. Namun, melihatnya bertahan dalam alur kerja multi-langkah Anda sendiri adalah ujian sebenarnya.

Multimodal dan pemahaman dokumen

M3 menyediakan dukungan multimodal bawaan secara default: gambar, video, dan penggunaan komputer. Itu adalah permukaan input yang lebih luas dibandingkan pengaturan gambar-plus-teks pada Opus 4.7 dan GPT-5.5.

Dua benchmark mendukung klaim tersebut. Pada SVG-Bench, yang menguji generasi grafik terstruktur, MiniMax melaporkan M3 berada di atas Opus 4.7. Pada OmniDocBench, sebuah tes pemahaman dokumen, ia melaporkan M3 berada di atas Gemini 3.1 Pro. Padukan itu dengan penggunaan komputer, dan M3 memposisikan dirinya untuk alur kerja yang membaca dokumen, mengurai layar, dan bertindak, bukan hanya mengobrol. Seperti biasa, ini semua masih dalam kolom yang dilaporkan vendor sampai orang lain mengujinya.

Jendela konteks dan biaya konteks panjang

M3 memiliki jendela konteks 1.000.000 token, dan cara mencapainya lebih penting daripada angkanya. Model ini menggunakan arsitektur yang disebut MiniMax sebagai MSA, yang dikatakannya memangkas komputasi per-token hingga sekitar 1/20 dari generasi sebelumnya, dengan prefill lebih dari 9x lebih cepat dan decode lebih dari 15x lebih cepat.

Peningkatan kecepatan itu adalah berita utama yang tidak banyak dibicarakan. Konteks panjang mudah diiklankan tetapi mahal untuk digunakan secara nyata. Setiap token yang Anda masukkan ke dalam prompt memerlukan komputasi di setiap langkah loop agen, itulah sebabnya agen yang berjalan lama menjadi lambat dan mahal dengan cepat. Jika biaya per-token M3 benar-benar hanya sebagian kecil dari model sebelumnya, memberinya basis kode besar atau jejak dokumen panjang menjadi jauh lebih tidak membebani.

Pertanyaan ekonomi itu berlaku untuk ketiga model. Sebelum Anda berasumsi bahwa jendela 1 juta token gratis untuk diisi, baca cara mengurangi biaya token agen di CLI. Token termurah adalah token yang tidak pernah Anda kirim, terlepas dari model mana yang Anda pilih.

Realitas harga

Di sinilah model terbuka dan tertutup sangat berbeda. M3 memiliki paket token seharga $20 (Plus), $50 (Max), dan $120 (Ultra), ditambah API dengan tarif standar untuk input hingga 512K token dan tarif konteks panjang di atas itu, di seluruh tingkatan standar dan prioritas. MiniMax belum menerbitkan harga per-token yang pasti, jadi anggap tingkatan paket sebagai sinyal konkret untuk saat ini.

Opus 4.7 dan GPT-5.5 mengenakan harga per token, dan Anda harus mengambil angka terkini langsung dari sumbernya: halaman harga Anthropic dan halaman harga OpenAI. Harga dapat berubah, dan mengkodekannya secara permanen di sini hanya akan menyesatkan Anda di kemudian hari.

Pertukaran struktural adalah poin yang bertahan lama. Dengan bobot terbuka M3, Anda dapat melakukan self-host dan mengubah biaya API menjadi biaya infrastruktur, yang akan menguntungkan pada volume tinggi jika Anda memiliki kapasitas operasional. Dengan Opus 4.7 dan GPT-5.5, Anda menyewa inferensi dengan tarif per-token yang diketahui dan sepenuhnya melewatkan infrastruktur. Tekanan harga model berbobot terbuka ini adalah bagian dari pergeseran yang lebih besar; perang harga LLM Tiongkok 2026 menelusuri bagaimana rilis terbuka yang agresif menyeret biaya frontier secara keseluruhan.

Mana yang harus Anda pilih

Sesuaikan model dengan batasan Anda, bukan dengan papan peringkat.

Jika Anda tidak suka risiko dan ingin meluncurkan ke produksi hari ini, peringatan yang dilaporkan vendor itu penting, dan rekam jejak Opus 4.7 memiliki bobot. Jika Anda didorong oleh biaya, membangun dalam volume besar, atau membutuhkan kontrol atas di mana model berjalan, bobot terbuka M3 sulit diabaikan setelah dirilis. Tidak ada pemenang tunggal di sini, hanya yang paling sesuai dengan batasan Anda.

Cara membandingkannya sendiri

Angka vendor memberi tahu Anda apa yang mungkin. Prompt Anda sendiri memberi tahu Anda apa yang benar untuk beban kerja Anda. Cara tercepat untuk menyelesaikannya adalah dengan menjalankan prompt yang identik terhadap ketiga API model dan membandingkan output aktual, latensi, dan penggunaan token secara berdampingan.

Anda dapat mengatur ini dalam satu proyek Apidog. Buat permintaan untuk setiap endpoint chat penyedia, masukkan prompt dan parameter yang sama, simpan sebagai skenario pengujian, lalu jalankan batch-nya. Apidog menunjukkan waktu respons dan output lengkap per permintaan, sehingga Anda dapat membandingkan M3, Opus 4.7, dan GPT-5.5 pada tugas yang sama dalam satu jendela alih-alih mengelola tiga playground yang berbeda. Tambahkan beberapa pernyataan dan Anda bahkan dapat memeriksa apakah setiap model mengembalikan JSON yang valid atau sesuai dengan struktur yang diharapkan aplikasi Anda. Unduh Apidog untuk mengikuti, dan gunakan variabel lingkungan untuk menukar kunci API dengan bersih di antara ketiganya.

Ketika Anda siap untuk mengintegrasikan M3 secara spesifik, panduan kami tentang cara menggunakan API MiniMax M3 menjelaskan otentikasi dan bentuk permintaannya. Dari sana, menjalankan suite yang sama terhadap Opus 4.7 dan GPT-5.5 di Apidog hanya tinggal salin-tempel saja.

FAQ

Apakah MiniMax M3 benar-benar lebih baik dari GPT-5.5? Pada SWE-Bench Pro, MiniMax melaporkan M3 pada 59,0%, di atas GPT-5.5. Pada PostTrainBench, GPT-5.5 memimpin pada 0.39 berbanding 0.37 untuk M3. Jadi, itu tergantung pada tugasnya, dan ini adalah angka-angka yang dilaporkan vendor yang masih menunggu konfirmasi independen. M3 tidak secara seragam unggul.

Apakah MiniMax M3 open source? M3 adalah model berbobot terbuka, dengan bobot dan laporan teknis yang akan dirilis dalam waktu sekitar sepuluh hari setelah pengumuman. Anda akan dapat mengunduh dan menjalankan model ini. MiniMax belum mengungkapkan jumlah parameter, dan bobot terbuka tidak selalu sama dengan lisensi open-source penuh, jadi bacalah ketentuan rilisnya saat sudah tersedia.

Bisakah M3 menggantikan Opus 4.7 untuk coding agentic? Mungkin, untuk setup yang sensitif biaya atau self-hosted. M3 menunjukkan angka agentic yang kuat (66,0% Terminal-Bench 2.1, 74,2% MCP Atlas) dan demo jangka panjang. Namun Opus 4.7 memimpin PostTrainBench dan memiliki rekam jejak produksi yang lebih terbukti. Uji keduanya pada alur kerja Anda sendiri, idealnya dengan harness yang solid, sebelum Anda beralih.

Apakah angka-angka benchmark ini independen? Sebagian besar tidak. Angka-angka di sini sebagian besar adalah hasil yang dilaporkan MiniMax sendiri. Papan peringkat publik seperti SWE-Bench akan memungkinkan Anda untuk memeriksa klaim coding utama setelah pihak ketiga menjalankan M3. Sampai saat itu, perlakukan perbandingan ini sebagai petunjuk arah.

Apa saja kendala dengan konteks 1 juta token M3? Jendela itu nyata, dan arsitektur MSA dibangun untuk membuatnya lebih murah untuk diisi, dengan prefill lebih dari 9x lebih cepat dan decode lebih dari 15x lebih cepat. Namun, konteks panjang tetap membutuhkan komputasi pada setiap langkah agen di setiap model, jadi disiplin prompt tetap penting.

Bagaimana cara membandingkan ketiganya tanpa berkomitmen pada salah satu? Jalankan prompt yang sama terhadap setiap API dan ukur output, latensi, serta biayanya. Satu proyek Apidog dengan satu permintaan per penyedia memberi Anda tampilan berdampingan tanpa perlu menulis skrip sekali pakai.

Kesimpulan

MiniMax M3 adalah tantangan model berbobot terbuka paling serius terhadap frontier yang pernah kita lihat, dan klaim SWE-Bench Pro-nya akan mengubah ekspektasi jika papan peringkat independen mengonfirmasinya. Namun, sebagian besar data adalah milik MiniMax sendiri, dan PostTrainBench menunjukkan Opus 4.7 dan GPT-5.5 masih unggul. Pilih M3 jika biaya, self-hosting, atau kontrol menjadi pendorong keputusan Anda. Pilih Opus 4.7 untuk keandalan yang terbukti, atau GPT-5.5 jika Anda terbiasa dengan stack OpenAI. Kemudian, jalankan ketiganya dengan prompt Anda sendiri sebelum berkomitmen, karena beban kerja Anda adalah satu-satunya benchmark yang berarti.