MiniMax-M3 데뷔, GPT-5.5·Gemini 3.1 Pro 추월하고 비용은 5-10% 수준

MiniMax-M3 — 오픈 가중치 프론티어 모델의 새로운 기준선

MiniMax-M3 데뷔, 주요 벤치마크 성능에서 GPT-5.5와 Gemini 3.1 Pro를 능가하며 비용은 단 5-10% 수준

중국 AI 스타트업 미니맥스가 프론티어급 코딩 성능과 100만 토큰 컨텍스트 창을 갖춘 멀티모달 거대언어모델 M3를 전격 출시하며 글로벌 AI 시장에 큰 파장을 던졌다. 가장 충격적인 부분은 성능이 아니라 가격이다. M3는 미국 주요 상용 모델의 5~10% 수준 비용으로 GPT-5.5와 Gemini 3.1 Pro를 벤치마크에서 제쳤고, 향후 10일 이내에 허깅페이스와 깃허브에서 오픈 가중치로 배포될 예정이다.

출시 가격과 시장 파괴력

M3는 출시 특가로 100만 입력 토큰당 0.3달러, 출력 토큰당 1.20달러(총 비용 1.50달러)에 제공된다. 정상가로 전환되더라도 미국 주요 상용 모델 비용의 8~20% 수준에 불과해 구글, 오픈AI, 앤스로픽을 비용 측면에서 압도한다. 100만 토큰을 1.50달러에 처리할 수 있다는 것은 대량 문서 분석, 코드베이스 전체를 컨텍스트로 넣는 에이전트, 장시간 멀티턴 워크플로우에서 비용 곡선을 근본적으로 다시 그려야 함을 의미한다.

MSA 아키텍처: 비용 혁신의 비밀

M3가 이처럼 극적인 비용 절감을 이뤄낸 핵심 비결은 기존 트랜스포머의 제곱비례 연산 비용 폭발 문제를 해결한 미니맥스 희소 주의(MSA) 아키텍처다. MSA는 데이터를 고정밀 블록으로 분할한 뒤 필요한 쿼리만 동적으로 매칭해 하드웨어 효율을 극대화한다.

실제 효과는 다음과 같다.

• 100만 토큰 처리 시 연산 요구량이 기존 대비 1/20 수준으로 감소

• 디코딩 속도는 15배 빨라짐

• 100만 토큰 컨텍스트 창을 안정적으로 운용 가능

이 덕분에 M3는 막대한 인프라 비용 없이도 프론티어급 성능을 달성했다. 전통적인 어텐션 메커니즘은 시퀀스 길이가 늘어날수록 연산량이 제곱으로 증가해, 100만 토큰을 실시간으로 처리하는 것이 사실상 금기에 가까웠다. MSA는 이 한계를 알고리즘 차원에서 돌파한 것이다.

벤치마크 성능: 코딩과 검색에서 폐쇄형 모델 추월

구조적 혁신을 바탕으로 M3는 다음과 같은 수치를 기록했다.

벤치마크	M3 점수	비교 대상	의미
SWE-Bench Pro	59.0%	GPT-5.5, Gemini 3.1 Pro 추월	자율 코딩 능력
BrowseComp	83.5%	클로드 옵스 4.7 추월	웹 브라우징·정보 검색

특히 SWE-Bench Pro는 자율 소프트웨어 엔지니어링 수행 능력을 평가하는 벤치마크로, 단순 코드 생성이 아니라 실제 깃허브 이슈를 받아서 패치를 만들고 검증하는 작업이다. 59.0%는 폐쇄형 모델들을 상회하는 수치다.

다만 클로드 옵스 4.8의 SWE-Bench Pro 69.2%와 비교하면 초고난도 추론 영역에서 여전히 격차가 존재한다. 하지만 M3는 막대한 API 구독료 없이도 강력한 로컬 자동화 기준점을 제공한다는 점에서 가성비가 압도적이다.

미니맥스 코드 에이전트와 20달러 요금제

미니맥스는 M3를 탑재해 스스로 코드를 짜고 독립적인 검증 루프를 돌리며 자율 수정하는 미니맥스 코드 에이전트 제품군을 함께 발표했다. 가격은 월 20달러(플러스)부터 시작한다. 클로드 코드의 20달러 플랜과 동일한 진입 장벽이지만, 백엔드는 M3 기반이며 추후 로컬 배포까지 가능한 옵션이 생긴다는 점에서 기업용 SaaS 경쟁 구도가 한 번 더 흔들릴 가능성이 크다.

오픈 가중치의 전략적 의미

M3의 또 다른 핵심은 오픈 가중치 배포다. 향후 10일 이내에 허깅페이스와 깃허브를 통해 공개될 예정이며, 기업은 내부 서버에 직접 다운로드해 커스텀 최적화가 가능하다. 이것이 중요한 이유는 다음과 같다.

• 데이터 프라이버시: 클라우드로 데이터가 나가지 않으므로 금융, 의료, 정부 등 규제 산업에서도 안심하고 사용 가능

• 커스터마이징: 도메인 지식, 사내 코드베이스, 전문 용어에 맞춘 파인튜닝과 양자화가 자유로움

• 비용 내재화: 장기적으로 API 비용이 아닌 일회성 인프라 비용으로 전환 가능

• 핵심 자산화: 모델 자체가 회사의 지적 자산이 되어 벤더 종속 탈출

긱뉴스 댓글에서도 "다른 중국 모델처럼 글쓰다가 중국어가 튀어나오는 문제가 없다", "tool call도 잘하는 듯하다"는 사용자 평가가 나와 있어 실사용자 관점에서도 품질 우려가 적은 것으로 보인다.

실전 활용 시나리오

M3는 다음 작업에 특히 강점을 보인다.

• 대규모 코드베이스 리팩토링: 100만 토큰 컨텍스트로 한 번에 분석 후 다단계 수정

• 장기 멀티턴 에이전트: ollama 클라우드나 자체 GPU 팜에서 로컬로 돌려 API 비용 절감

• 규제 산업의 문서 처리: 의료 기록, 계약서, 재무 보고서를 외부 유출 없이 처리

• 에이전트 파이프라인의 라우터 모델: 비용이 저렴하면서도 SWE-Bench Pro에서 폐쇄형 모델을 이기므로 분류·계획 단계의 디폴트로 적합

향후 전망

M3의 등장은 LLM 시장의 가격 체계를 근본적으로 재편할 신호탄이다. 미국 주요 벤더들이 성능 차이를 내세워 가격을 유지하기 어려워졌고, 오픈 가중치 생태계가 한 단계 성숙했다는 점에서 Hugging Face의 Llama, DeepSeek의 R1/V3 시리즈에 이어 미니맥스 M3가 가성비 옵션의 정석이 될 가능성이 높다. 다만 MSA가 실제 대규모 프로덕션 환경에서 어떻게 거동하는지(특히 컨텍스트가 가득 찼을 때의 회수 품질)는 10일 뒤 공개될 가중치로 직접 검증해 봐야 알 수 있다.

정리

• 가격: 미국 상용 모델의 5~10% 수준, 100만 토큰 1.50달러

• 성능: SWE-Bench Pro 59.0%로 GPT-5.5·Gemini 3.1 Pro 추월

• 핵심 기술: MSA(MiniMax Sparse Attention) 아키텍처, 연산량 1/20·속도 15배

• 배포: 10일 내 허깅페이스·깃허브에서 오픈 가중치 공개

• 에이전트: 미니맥스 코드, 월 20달러부터

오픈 가중치 + 프론티어급 성능 + 5% 가격의 조합은 그동안 LLM 도입을 망설였던 기업들에게 새로운 기준선을 제시한다. 도입을 검토 중이라면 공개 시점을 노려 PoC를 준비해 둘 만하다.

---

📚 출처

• https://news.hada.io/topic?id=30114