MiniMax sta lavorando a un nuovo modello linguistico di grandi dimensioni, indicato internamente come M3 Pro, progettato per arrivare a una scala di circa 2,7 trilioni di parametri. Si tratta di una dimensione molto superiore a quella dell’attuale M3, che si colloca intorno ai 428 miliardi di parametri, e posiziona il nuovo sistema tra i modelli open-weight più grandi in fase di sviluppo. L’obiettivo non è semplicemente aumentare la dimensione numerica del modello, ma costruire una base più ampia per capacità di ragionamento, pianificazione e gestione di attività articolate nel tempo.
Il punto tecnico più importante riguarda l’orientamento verso gli agenti AI. Un modello di questa scala può essere utile non solo per generare testo o rispondere a domande, ma per sostenere processi composti da più passaggi, in cui il sistema deve mantenere coerenza tra obiettivi, vincoli, strumenti disponibili e risultati intermedi. Attività come analisi legale, ricerca scientifica, sviluppo software, pianificazione operativa o gestione di workflow aziendali richiedono una capacità di ragionamento più estesa rispetto alla semplice produzione di una risposta immediata. In questo scenario, l’aumento della capacità del modello serve a migliorare la gestione del contesto, la selezione delle strategie e la qualità delle decisioni lungo sequenze più lunghe.
Per rendere sostenibile un’architettura di queste dimensioni, MiniMax starebbe adottando una struttura MoE, cioè Mixture of Experts. Questo approccio consente di costruire un modello con un numero complessivo molto elevato di parametri, attivandone però solo una parte per ogni richiesta. In pratica, il sistema non utilizza sempre l’intero modello, ma seleziona dinamicamente gli “esperti” più adatti al tipo di input o al compito da svolgere. È una scelta cruciale perché permette di combinare ampiezza del modello e controllo dei costi di inferenza, mantenendo l’obiettivo di prestazioni operative compatibili con l’uso reale.
La possibile pubblicazione in formato open-weight è un altro elemento rilevante. Un modello di queste dimensioni, se reso disponibile con pesi aperti, rafforzerebbe ulteriormente l’ecosistema AI cinese e offrirebbe ad aziende, sviluppatori e ricercatori una base più modificabile rispetto ai sistemi chiusi. La disponibilità dei pesi permette infatti di scaricare, adattare, distribuire e ottimizzare il modello in ambienti controllati, con vantaggi importanti per organizzazioni che vogliono maggiore autonomia tecnica, personalizzazione e controllo sull’infrastruttura AI.
La direzione scelta da MiniMax mostra come la competizione sui modelli generativi non stia più riguardando soltanto chatbot generalisti, ma piattaforme capaci di alimentare agenti più autonomi, specializzati e integrabili nei processi professionali. La combinazione tra scala estrema, architettura MoE e possibile apertura dei pesi indica un’evoluzione verso modelli molto grandi ma più efficienti nell’uso selettivo delle risorse. Il valore non dipenderà solo dal numero di parametri, ma dalla capacità di tradurre quella scala in ragionamento affidabile, costi gestibili e applicazioni concrete nei contesti enterprise e tecnici.