MiniMax M3 vs Qwen3.8 Max

MiniMax M3 haben wir aus dem Katalog genommen. Die Werte unten sind die zuletzt veröffentlichten Preise. Aufrufe an dieses Modell nehmen wir nicht mehr an, das andere Modell dieses Vergleichs ist weiterhin verfügbar.

vs

Welches Modell wofür

minimax-m3 ist auf jeder Zeile der Preisliste das günstigere der beiden, zu $0.3 Eingabe und $1.2 Ausgabe gegenüber $2 und $6 bei qwen3.8-max - rund 6.7x und 5x weniger - und es akzeptiert zudem Video neben Text und Bild, führt einen Kontext von 1000000 Tokens mit bis zu 524288 Tokens Ausgabe und lässt das Denken abschalten. qwen3.8-max kostet mehr und begrenzt die Ausgabe auf 131072 Tokens bei einem Kontext von 983616 Tokens - greifen Sie dazu, wenn Sie Alibabas neueres Modell vom August 2026 mit ausdrücklichem Vision-Flag für Text- und Bildarbeit wollen. Für Aufgaben mit großer Menge, langer Ausgabe oder Videoeingabe ist minimax-m3 die wirtschaftliche Wahl.

Benchmarks

MiniMax M3: Der Anbieter hat keine Benchmark-Werte veröffentlicht.

Über dem DurchschnittKeins besserQwen3.8 Max31 / 408 / 40
MiniMax M3 Qwen3.8 Max weitere gemessene Modelle Durchschnitt der Vergleichsmodelle ★ kein anderes Modell war besser
SWE-Bench Pro
N/A
67.7%
AndroidBench
N/A
75.1%
Cybergym
N/A
78.5%
HealthBench
N/A
kein anderes Modell war besser 60.2%
JobBench
N/A
53.4%
PLawBench
N/A
kein anderes Modell war besser 73.2%
GPQA Diamond
N/A
92.6%
Agents' Last Exam
N/A
27%

Anbieterangaben: Alibaba (Qwen) Alibaba (Qwen) Alibaba (Qwen) Alibaba (Qwen) Alibaba (Qwen) Alibaba (Qwen) Alibaba (Qwen) Anthropic Anthropic Anthropic Anthropic ByteDance DeepSeek DeepSeek Google Google Google Google MiniMax Moonshot Moonshot OpenAI OpenAI OpenAI OpenAI OpenAI OpenAI OpenAI Tencent Z.ai Z.ai Z.ai Z.ai

Preise

MiniMax M3 Qwen3.8 Max Δ
Eingabe / 1M Tokens $0.3 $2 0.15×
Ausgabe / 1M Tokens $1.2 $6 0.2×
Cache-Lesen / 1M Tokens $0.06 $0.25 0.24×
Cache-Schreiben keine gesonderte Gebühr 1.25x -

Preise aus dem Live-Katalog, Stand des letzten Builds. Die aktuellen Preise stehen auf der jeweiligen Modellseite.

Einordnung: Eingabepreis pro 1M Tokens aller 91 Chat-Modelle mit dieser Abrechnungseinheit (logarithmische Skala)

MiniMax M3 · $0.3 Qwen3.8 Max · $2
$0.05 · Qwen3 VL Flash $30 · GPT-5.4 Pro

Fähigkeiten

MiniMax M3 Qwen3.8 Max
Tool-Nutzung ja ja
Thinking-Steuerung konfigurierbar ja, Parameter des Anbieters nicht veröffentlicht
Strukturierte Ausgabe - ja
Prompt-Caching implizit (automatisch) implizit + explizit
Cache-Lebensdauer nicht veröffentlicht explicit: 5m, reset on hit
Mindestlänge des gecachten Präfixes 512 Tokens 1,024 Tokens

Spezifikationen

MiniMax M3 Qwen3.8 Max
Eingabemodalitäten Text Bild Video Text Bild
Ausgabemodalitäten Text Text
Veröffentlicht 2026-06-01 2026-08-03
Kontextfenster 1.000.000 983.616
Maximale Ausgabe 524.288 131.072
Thinking-Parameter
  • thinking.type
  • reasoning_split
-
Zulässige Werte
thinking.type
  • adaptive
  • disabled
reasoning_split
  • boolean
-
Standardwert adaptiv: Thinking an, wobei das Modell entscheidet, wann zusätzliches Reasoning hilft -

Die Spezifikationen stammen aus der Dokumentation des jeweiligen Anbieters. Veröffentlicht ein Anbieter eine Angabe nicht, lassen wir die Zeile weg, statt sie zu schätzen. Vollständige Quellen: MiniMax M3 · Qwen3.8 Max

Ein Prompt, beide Modelle, gemessen über das Gateway

PROMPT Explain to a CFO, in exactly three sentences, why our LLM bill doubled after we enabled reasoning. KRITERIUM genau 3 Sätze

MiniMax M3 bestanden · 3 sentences

Reasoning models don't just answer — they first generate extensive internal "thinking" tokens to work through the problem step-by-step, and you're billed for all of those tokens even though users never see them. A query that previously cost ~200 tokens may now cost 2,000–10,000 once reasoning is enabled, multiplying per-query spend by roughly 5–50x while the visible output stayed the same size — that's the doubling. The lever is tuning: cap reasoning effort on simple queries, cache the reasoning traces, and reserve the full reasoning model for only your hardest 10–20% of requests, which typically restores 60–80% of the savings.

Ausgabe 764 tok (+629 Thinking) Latenz 3.5 s

Qwen3.8 Max bestanden · 3 sentences

Enabling reasoning makes the model produce additional hidden steps before responding, and those tokens are billable. It also tends to lengthen each interaction because the model works through more possibilities before settling on an answer. Therefore, the bill doubled mainly due to higher compute and token usage per request, not necessarily because the number of requests doubled.

Ausgabe 378 tok (+305 Thinking) Latenz 8.6 s

Befolgen der Anweisung (genau drei Sätze, das lässt sich zählen), Zuschnitt auf die Zielgruppe (Tonfall für einen CFO) und die Abrechnungslücke durch nicht sichtbares Thinking, die die Token-Zähler unten offenlegen.

PROMPT This function is supposed to return the longest run of consecutive equal items, but callers report it is off by one on single-element inputs and misses runs that end at the last index. Fix it and explain the bug in one paragraph. KRITERIUM Fix besteht die Tests

MiniMax M3 bestanden · 8/8 cases

The bug is that the loop starts at index 1 and treats `cur` as the number of *equal transitions* rather than the run length, so a run of *k* consecutive equal items is reported as `k − 1`, and a single-element list (where the loop body never executes) returns 0 instead of 1. A correct version tracks the actual run length by seeding `cur = 1` and resetting it to 1 (not 0) on a mismatch: ```python def longest_run(xs): if not xs: return 0 best = cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 else: cur = 1 if cur > best: best = cur return best ``` Now `[5]` returns `1`, `[1,1,1]` returns `3`, and a run like `[1,2,2,2]` that ends at the last index is correctly captured as `3` because `cur` is updated before `best` is compared on every iteration, including the final one.

Ausgabe 845 tok (+596 Thinking) Latenz 3.5 s

Qwen3.8 Max bestanden · 8/8 cases

```python def longest_run(xs): if not xs: return 0 best = cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 else: cur = 1 best = max(best, cur) return best ``` The bug is that the original code starts `best` and `cur` at `0`, so it counts adjacent equal *transitions* rather than the number of items in the run. A run of length `n` has only `n - 1` equal-neighbor transitions, so single-element inputs return `0`, and runs that reach the end are undercounted by one. Initializing the current run to `1` for the first element, resetting it to `1` on a break, and updating `best` from that count fixes the off-by-one.

Ausgabe 1616 tok (+1411 Thinking) Latenz 34.7 s

Ob der Fix wirklich korrekt ist (er lässt sich ausführen), wie dicht die Erklärung ist und wie sparsam das Modell bei einer klar begrenzten Aufgabe mit Tokens umgeht.

PROMPT Extract a JSON object with fields {company, quarter, revenue_usd_m, growth_pct, guidance} from this text. Use null for anything not stated; add no other fields. KRITERIUM gültiges JSON, Schema exakt

MiniMax M3 bestanden · 5/5 fields, guidance null

```json { "company": null, "quarter": "Q3", "revenue_usd_m": 412, "growth_pct": null, "guidance": null } ```

Ausgabe 1002 tok (+955 Thinking) Latenz 3.6 s

Qwen3.8 Max bestanden · 5/5 fields, guidance null

{ "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": null }

Ausgabe 1199 tok (+1141 Thinking) Latenz 24.4 s

Schema-Treue (keine erfundenen Felder), Anreiz zum Halluzinieren (der Text nennt ausdrücklich keine guidance) und Unterschiede zwischen den Wegen zur strukturierten Ausgabe.

PROMPT Write a 120-word product announcement for an API gateway feature that caches prompts across providers. Forbidden words: "seamless", "unlock", "game-changer", "revolutionize", "empower". Exactly one sentence must be a question. KRITERIUM 120 Wörter, 0 verbotene Wörter

MiniMax M3 bestanden · 121 words, 0 banned, 1 question

Introducing PromptCache, our intelligent caching layer for the API gateway. Tired of paying twice for identical requests? The feature stores prompt-response pairs across every connected provider, returning cached results instead of hitting costly endpoints. Deployment requires only a single configuration flag, and semantic similarity detection happens automatically. Latency drops up to 70% on repeated traffic while costs follow the same downward curve. Developers access detailed cache hit metrics, eviction logs, and provider breakdowns through the dashboard. Whether routing to OpenAI, Anthropic, or local models, every cached token saves time and money. The cache respects TTL policies, supports manual purging, and encrypts stored content. Available today for Pro and Enterprise tiers—enable PromptCache on existing endpoints and watch inference bills shrink immediately.

Ausgabe 2808 tok (+2656 Thinking) Latenz 6.0 s

Qwen3.8 Max bestanden · 120 words, 0 banned, 1 question

Today, our API gateway adds prompt caching across major model providers. It stores prompts and responses in one fast cache layer. Teams can lower token spend, reduce latency, and repeat reliable answers. The feature supports OpenAI, Anthropic, Google, and Mistral through one configuration. You can set retention rules, scope access, and invalidate entries quickly. How does your team maintain consistent results during provider outages? Approved cached responses keep applications stable while fallback routes recover. The dashboard shows hit rates, savings, latency, and provider usage. Engineers receive audit trails for every cached prompt, enabling safer testing. Product managers can compare cost trends before and after cache adoption. Start with a small route, then safely expand caching to production traffic right now.

Ausgabe 2744 tok (+2591 Thinking) Latenz 46.3 s

Einhaltung der Vorgaben (Wortbudget, Liste verbotener Wörter, genau eine Frage), stilistische Handschrift und Kontrolle über die Länge.

Eine Zeile genügt für den Wechsel

Beide IDs stehen in jedem Tab unten. Die beiden hervorgehobenen Zeilen sind die einzige Änderung. Gleicher Endpunkt, gleicher Schlüssel, gleiches Anfrageformat.

from openai import OpenAI

client = OpenAI(
    base_url="https://synthorai.io/v1",
    api_key="sk-syn-...",
)

resp = client.chat.completions.create(
    model="minimax-m3",
    # model="qwen3.8-max",  # diese Zeile einkommentieren, die darüberliegende auskommentieren
    messages=[{"role": "user", "content": "Summarize this diff"}],
    reasoning_effort="medium",
)
print(resp.choices[0].message.content)

API-Schlüssel erstellen →

FAQ

Welches Modell ist günstiger: MiniMax M3 oder Qwen3.8 Max?

MiniMax M3 ist bei Eingabe / 1M Tokens günstiger ($0.3 vs. $2, Faktor 6.7). Bei anderen Zeilen kann es umgekehrt sein. Die Tabelle oben zeigt alle Preise, und die tatsächlichen Kosten hängen von Ihrem Mix ab.

Kann ich MiniMax M3 gegen Qwen3.8 Max A/B-testen, ohne zweimal zu integrieren?

Ja. Beide laufen über denselben OpenAI-kompatiblen Endpunkt mit einem API-Schlüssel. Für den Wechsel ändern Sie nur eine Zeile, den Modellnamen. So können Sie einen Teil des Traffics an jedes Modell schicken und die Kosten direkt vergleichen.

Unterstützen MiniMax M3 und Qwen3.8 Max Prompt-Caching?

Ja. Beide berechnen Cache-Lesezugriffe günstiger als die normale Eingabe. Workloads mit einem wiederkehrenden, bereits gecachten Präfix kosten deshalb weniger, als die Listenpreise vermuten lassen. Die genauen Preise stehen in den Cache-Zeilen der Preistabelle oben.

Verwandte Vergleiche

Aus unseren Studien mit eigenen Messungen