Характеристики

Контекст: 40 960 000 токенов
Размер весов: 113 ГБ
Лицензия: Своя лицензия
Архитектура: minimax_m3_vl · dense
Базовая модель: MiniMax-M3
Опубликована: 19 июн 2026

Ссылки

MiniMax-M3-REAP32-Coder

Генерация текстаТекст → текст8 профессий

Квантованная и сокращённая методом REAP версия MiniMax-M3 для генерации кода, агентных задач и мультимодального диалога на Apple Silicon через vMLX.

553скачиваний за 30 дней8лайковвеса обновлены20 июн 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

MiniMax-M3-REAP32-Coder — созданная JANGQ-AI версия MiniMax-M3 для программирования, агентных сценариев и мультимодального диалога. Это MoE-модель с архитектурой MiniMaxM3SparseForConditionalGeneration; в карточке указаны 60 слоёв и сохранённая поддержка изображений. Модель предназначена для запуска через vMLX на компьютерах Apple Silicon и требует vMLX версии 1.5.67 или новее.

Веса упакованы в формат JANG: применены смешанная аффинная квантизация, AWQ и сокращение числа маршрутизируемых экспертов методом REAP. В README заявлены результат HumanEval pass@1 100% на случайно перемешанной половине набора (82 задания) и улучшение на небольшом тесте арифметики и рассуждений. Это результаты авторской проверки, а не гарантия качества на других задачах. Базовая MiniMax-M3 описана как модель с контекстом до 1 млн токенов, но README не подтверждает, что такой контекст доступен этой сборке.

Для загрузки необходимы JANG loader и M3 runtime из vMLX; модель несовместима с обычными загрузчиками Transformers, vLLM и MLX. Лицензия указана как other, поэтому условия использования следует уточнить по карточке модели и сопутствующим лицензиям базовой модели и компонентов.

Сценарии применения

генерация и дополнение программного кода
решение задач по программированию
запуск агентных сценариев с вызовом инструментов
диалог с моделью, принимающей изображения
арифметические задачи и рассуждения

Ограничения

Требует vMLX версии 1.5.67 или новее с JANG loader и M3 runtime и не загружается стандартными Transformers, vLLM или MLX загрузчиками. Лицензия обозначена как other; заявленные результаты тестов приведены авторами на ограниченных наборах.

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 I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели 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 II.3Разработка и данныеРефакторинг, миграция и модернизацияAI помогает улучшать структуру программ и переносить их на новые технологии без потери поведения.20 задач9 764модели

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-REAP32-Coder --reasoning-parser minimax_m3 --tool-call-parser minimax_m3

Highlights

Coding: HumanEval pass@1 = 100% (82/82 on a scrambled half of HumanEval, first-sample) — pass@5 = 1.000.
Arithmetic/reasoning recovered vs the base REAP quant (with reasoning enabled): ~6/7 on a 7-task probe.
Multimodal (vision) kept. ~105 GB on disk.

Build

Base: MiniMaxAI/MiniMax-M3 (60 layers, MoE, MSA Lightning Indexer, GQA, partial RoPE).
REAP pruning: keep 87/128 routed experts per MoE layer (32% pruned), saliency-scored.
JANG affine quant (group_size 64): routed gate/up = 2-bit + AWQ pre-scaling, down = 3-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: @hornsman1 (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: aead1d6