Характеристики

Контекст: 40 960 000 токенов
Размер весов: 115 ГБ
Лицензия: Своя лицензия
Архитектура: minimax_m3_vl · dense
Базовая модель: MiniMax-M3
Опубликована: 19 июн 2026

Ссылки

Hugging Face arXiv 2510.13999

MiniMax-M3-REAP22-Coder

JANGQ-AI

Генерация текстаТекст → текст8 профессий

Квантизированная и прореженная сборка MiniMax-M3 для генерации кода и агентных задач на Apple Silicon через vMLX.

214скачиваний за 30 дней4лайкавеса обновлены1 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

JANGQ-AI/MiniMax-M3-REAP22-Coder — производная модель MiniMax-M3, подготовленная JANG для программирования и агентных сценариев и предназначенная для запуска через vMLX на устройствах Apple Silicon. В основе — 60-слойная MoE-архитектура MiniMax-M3 с GQA, частичным RoPE и механизмами MSA Lightning Indexer; сохранена поддержка изображений. README не указывает размер контекста этой сборки, а описание базовой модели в метаданных сообщает контекст до 1 млн токенов.

Модель сочетает JANG affine-mixed-квантизацию с AWQ и удалением части экспертов REAP: в каждом MoE-слое оставлено 100 из 128 маршрутизируемых экспертов. Для калибровки использованы Vera agentic-coder и GSM8K; автор README приводит результат HumanEval pass@1 81/81 на скремблированной половине набора и примерно 7/7 на небольшом арифметическом пробнике. Эти результаты получены на ограниченных проверках и не гарантируют аналогичного качества на других задачах.

Для загрузки требуется vMLX версии 1.5.67 или новее с JANG-загрузчиком и runtime MiniMax-M3; обычные загрузчики Transformers, vLLM и MLX модель не поддерживают. Репозиторий занимает около 107 ГБ на диске. Лицензия указана как other, поэтому конкретные условия следует проверять в карточке модели и лицензии базовой модели.

Сценарии применения

написание и дополнение кода
решение задач программирования и отладка
выполнение агентных задач с вызовом инструментов
диалог по тексту и программному коду
анализ изображений в сценариях программирования

Ограничения

Требуется vMLX версии 1.5.67 или новее с JANG-загрузчиком и runtime MiniMax-M3; стандартные загрузчики Transformers, vLLM и MLX не подходят. Заявленные результаты оценки относятся к ограниченным пробам, а лицензия обозначена как other.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443модели II.4Разработка и данныеОтладка, тестирование и качество ПОAI помогает находить дефекты, строить проверки и повышать надёжность программного продукта.25 задач13 978моделей II.3Разработка и данныеРефакторинг, миграция и модернизацияAI помогает улучшать структуру программ и переносить их на новые технологии без потери поведения.20 задач9 764модели II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

⚠️ Requires vMLX engine v1.5.67 or newer. This is a JANG-format model (JANG affine-mixed + AWQ quantization, REAP expert pruning, and the MiniMax-M3 MSA / Lightning-Indexer runtime). It will NOT load with transformers, vLLM, or generic MLX loaders — it needs vMLX's JANG loader + the M3 runtime. Coder support lands in vMLX ≥ 1.5.67.

What is a JANG model?

JANG is vMLX's quantization + packing format: mixed-precision affine quantization (per-projection bit widths) + AWQ activation-aware scaling + REAP expert pruning, described by a jang_config.json. Weights stay quantized in GPU memory and are loaded by vMLX's JANG loader. Because the format and the MiniMax-M3 runtime (MSA dual-cache, Lightning Indexer, partial RoPE, vision tower) are vMLX-specific, these models run only on vMLX ≥ 1.5.67.

Run it

Install/update vMLX 1.5.67+ — https://mlx.studio (or pip install -U vmlx).
App: Server → New Session → pick/download this model → Start → chat.
CLI: vmlx-engine serve JANGQ-AI/MiniMax-M3-REAP22-Coder --reasoning-parser minimax_m3 --tool-call-parser minimax_m3

Highlights

Coding: HumanEval pass@1 = 100% (81/81 on a scrambled half of HumanEval, first-sample) — pass@5 = 1.000.
Arithmetic/reasoning recovered vs the base REAP quant (with reasoning enabled): ~7/7 on a 7-task probe.
Multimodal (vision) kept. ~107 GB on disk.

Build

Base: MiniMaxAI/MiniMax-M3 (60 layers, MoE, MSA Lightning Indexer, GQA, partial RoPE).
REAP pruning: keep 100/128 routed experts per MoE layer (22% pruned), saliency-scored.
JANG affine quant (group_size 64): routed gate/up = 2-bit + AWQ pre-scaling, down = 2-bit; shared experts 6-bit; attention 8-bit; embeddings 6-bit; lm_head 8-bit; Lightning Indexer + norms FP16; vision 8-bit.
"Floor" expert recipe: protect the proven coding experts (coding saliency) + add top math experts, so coding stays intact while math improves.
Calibration: Vera (agentic-coder) dominant + GSM8K (math reasoning).

Attribution

Base model: MiniMaxAI/MiniMax-M3
Expert pruning: REAP (Cerebras, ICLR 2026, arXiv:2510.13999)
Vera agentic-coder calibration dataset + evaluation/testing: @hornsman1 (hornsan1 on GitHub)
Additional math-reasoning calibration: GSM8K
Quantization & runtime: JANG / vMLX

Credits

Vera dataset & model testing: @hornsby_andrew (hornsan1 on GitHub)

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры: MiniMaxM3SparseForConditionalGeneration
Ревизия весов: d66b662