MiniMax M3 vs Qwen3.8 Max

MiniMax M3 a été retiré de notre catalogue. Les chiffres ci-dessous sont ses derniers tarifs publiés. Nous ne servons plus les appels vers ce modèle, alors que l'autre modèle de ce comparatif reste disponible.

vs

Lequel choisir, et quand

minimax-m3 est le moins cher des deux sur chaque ligne de la grille, à $0.3 en entrée et $1.2 en sortie contre $2 et $6 pour qwen3.8-max - environ 6.7x et 5x moins - et il accepte aussi la vidéo en plus du texte et de l'image, porte un contexte de 1000000 tokens avec jusqu'à 524288 tokens de sortie, et laisse couper la réflexion. qwen3.8-max coûte plus et plafonne la sortie à 131072 tokens sur un contexte de 983616 tokens : allez-y quand vous voulez le modèle Alibaba plus récent d'août 2026 avec un indicateur de vision explicite pour du travail texte et image. Pour des tâches à gros volume, à longue sortie ou avec entrée vidéo, minimax-m3 est le choix économique.

Benchmarks

MiniMax M3 : le fournisseur n'a publié aucun résultat de benchmark.

Au-dessus de la moyenneNon dépasséQwen3.8 Max31 / 408 / 40
MiniMax M3 Qwen3.8 Max autres modèles mesurés moyenne des modèles comparés ★ aucun autre modèle n'a fait mieux
SWE-Bench Pro
N/A
67.7%
AndroidBench
N/A
75.1%
Cybergym
N/A
78.5%
HealthBench
N/A
aucun autre modèle n'a fait mieux 60.2%
JobBench
N/A
53.4%
PLawBench
N/A
aucun autre modèle n'a fait mieux 73.2%
GPQA Diamond
N/A
92.6%
Agents' Last Exam
N/A
27%

Chiffres publiés par les fournisseurs : 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

Tarifs

MiniMax M3 Qwen3.8 Max Δ
Entrée / 1M de tokens $0.3 $2 0.15×
Sortie / 1M de tokens $1.2 $6 0.2×
Lecture de cache / 1M de tokens $0.06 $0.25 0.24×
Écriture de cache pas de frais distincts 1.25x -

Tarifs relevés dans le catalogue en direct à la génération du site ; la page de chaque modèle affiche la grille tarifaire à jour.

Leur position : prix en entrée pour 1M de tokens, parmi les 91 modèles de chat facturés dans cette unité (échelle logarithmique)

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

Capacités

MiniMax M3 Qwen3.8 Max
Appel d'outils oui oui
Contrôle de la réflexion configurable oui, réglage du fournisseur non publié
Sortie structurée - oui
Mise en cache des prompts implicite (automatique) implicite + explicite
Durée de vie du cache non publié explicit: 5m, reset on hit
Préfixe minimal mis en cache 512 tokens 1,024 tokens

Spécifications

MiniMax M3 Qwen3.8 Max
Modalités d'entrée texte image vidéo texte image
Modalités de sortie texte texte
Date de sortie 2026-06-01 2026-08-03
Fenêtre de contexte 1 000 000 983 616
Sortie maximale 524 288 131 072
Paramètre de réflexion
  • thinking.type
  • reasoning_split
-
Valeurs acceptées
thinking.type
  • adaptive
  • disabled
reasoning_split
  • boolean
-
Valeur par défaut adaptive: réflexion activée, le modèle décidant quand un raisonnement supplémentaire est utile -

Les spécifications sont reprises de la documentation de chaque fournisseur ; quand un fournisseur ne publie pas une valeur, la ligne est omise et non déduite. Sources complètes : MiniMax M3 · Qwen3.8 Max

Un prompt, deux modèles, mesurés via la passerelle

PROMPT Explain to a CFO, in exactly three sentences, why our LLM bill doubled after we enabled reasoning. CRITÈRE exactement 3 phrases

MiniMax M3 réussi · 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.

sortie 764 tok (+629 réflexion) latence 3.5 s

Qwen3.8 Max réussi · 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.

sortie 378 tok (+305 réflexion) latence 8.6 s

Le respect de la consigne (exactement trois phrases, ça se compte), l'adaptation au public visé (le registre d'un directeur financier) et l'écart de facturation dû à la réflexion masquée, que révèlent les compteurs de tokens ci-dessous.

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. CRITÈRE le correctif passe les tests

MiniMax M3 réussi · 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.

sortie 845 tok (+596 réflexion) latence 3.5 s

Qwen3.8 Max réussi · 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.

sortie 1616 tok (+1411 réflexion) latence 34.7 s

La justesse réelle du correctif (il s'exécute), la densité de l'explication et l'économie de tokens sur une tâche bien délimitée.

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. CRITÈRE JSON valide, schéma exact

MiniMax M3 réussi · 5/5 fields, guidance null

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

sortie 1002 tok (+955 réflexion) latence 3.6 s

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

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

sortie 1199 tok (+1141 réflexion) latence 24.4 s

Le respect du schéma (aucun champ inventé), la tentation d'halluciner (le texte indique que la guidance n'est pas communiquée) et les différences entre les mécanismes de sortie structurée.

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. CRITÈRE 120 mots, 0 mot interdit

MiniMax M3 réussi · 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.

sortie 2808 tok (+2656 réflexion) latence 6.0 s

Qwen3.8 Max réussi · 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.

sortie 2744 tok (+2591 réflexion) latence 46.3 s

Le respect des contraintes (nombre de mots, liste de mots interdits, une seule question), l'empreinte stylistique et la maîtrise de la longueur.

Passez de l'un à l'autre en changeant une seule ligne

Les deux identifiants figurent dans chaque onglet ci-dessous : les deux lignes surlignées sont le seul changement. Même endpoint, même clé, même format de requête.

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",  # décommentez cette ligne, commentez celle du dessus
    messages=[{"role": "user", "content": "Summarize this diff"}],
    reasoning_effort="medium",
)
print(resp.choices[0].message.content)

Obtenez votre clé API →

FAQ

Lequel est le moins cher, MiniMax M3 ou Qwen3.8 Max ?

MiniMax M3 est moins cher sur la ligne « Entrée / 1M de tokens » ($0.3 contre $2, soit un écart de 6.7×). D'autres lignes peuvent dire l'inverse : le tableau ci-dessus donne la grille tarifaire complète, et le coût réel dépend de la composition de votre trafic.

Puis-je faire un test A/B entre MiniMax M3 et Qwen3.8 Max sans deux intégrations ?

Oui. Les deux passent par le même endpoint compatible OpenAI, avec une seule clé API. Pour passer de l'un à l'autre, il suffit de changer l'identifiant du modèle, soit une ligne : vous pouvez donc envoyer une part du trafic à chacun et comparer directement les factures.

MiniMax M3 et Qwen3.8 Max prennent-ils en charge la mise en cache des prompts ?

Oui. Les deux facturent les lectures de cache moins cher que leur tarif d'entrée : une charge de travail dont le préfixe est déjà en cache coûte donc moins que ne le laissent penser les tarifs publics. Les lignes de lecture de cache figurent dans le tableau des tarifs ci-dessus.

Comparatifs associés

Nos études, mesures à l'appui