MiniMax M3 vs. Hunyuan 4: Was eignet sich besser für Coding und Agenten?

MiniMax M3 vs. Hunyuan 4: Kurzfazit

Wenn Sie bereits wissen, welcher Kompromiss für Sie entscheidend ist, können Sie sich die Live-Seiten der MiniMax M3 API und der Hy4 Preview API ansehen. Falls nicht: Die folgenden Unterschiede beeinflussen eine konkrete Implementierungsentscheidung.

MiniMax M3 vs. Hunyuan 4: Die wichtigsten Unterschiede

Zunächst der Name: „Hunyuan 4“ und „Hunyuan4“ sind verbreitete Suchbegriffe für das Modell, das Tencent offiziell Hy4 Preview nennt. API-Anfragen müssen die exakte Modellkennung des Anbieters verwenden und nicht den informellen Suchbegriff.

Die Architekturdetails stammen aus der Model Card von MiniMax M3 und der Model Card von Tencent Hy4 Preview. Sie erklären, wie die Modelle aufgebaut sind – nicht, welches davon Ihr Issue-Ticket korrekt abschließt. Eine höhere Parameterzahl ist kein Qualitätswert für APIs, und ein Kontextlimit von 1 Mio. garantiert keinen zuverlässigen Abruf über alle Positionen in einem Prompt mit 1 Mio. Tokens hinweg.

Es gibt auch ein routenspezifisches Detail, das bei anderen Vergleichen möglicherweise fehlt. MiniMax beschreibt M3 als nativ multimodal und mit Bild- und Videoeingabe ausgestattet, aber die aktuelle GPT Proto-Route führt Text-, Bild- und Dokumenteingaben auf. Hy4 Preview akzeptiert derzeit Text und gibt Text zurück. Für API-Käufer zählt die Route, die sie tatsächlich aufrufen können, mehr als eine Modalität, die in einer allgemeinen Modellankündigung erwähnt wird.

Architektur und Schlussfolgern: Was ändert sich in der Praxis?

MiniMax M3 setzt auf Kontrolle und multimodalen Kontext

M3 aktiviert pro Token ungefähr 23B seiner insgesamt rund 428B Parameter. Die entscheidende Neuerung ist MiniMax Sparse Attention (MSA), das relevante Key-Value-Blöcke auswählt, statt auf jedes Token die vollständige Attention anzuwenden. MiniMax berichtet, dass MSA bei einem Kontext von 1 Mio. Tokens den Rechenaufwand pro Token auf etwa ein Zwanzigstel des Ansatzes der vorherigen Generation reduziert, mit mehr als 9× schnellerem Prefill und 15× schnellerem Decoding. Das sind Messwerte des Anbieters, kein Geschwindigkeitstest der Hy4-API. Sie erklären aber, warum MiniMax M3 auf lange Sitzungen statt nur auf kurze Chats ausgelegt hat. Der M3-Einführungsbericht enthält die Methodik und Einschränkungen.

Der praktische Vorteil ist die Flexibilität. M3 unterstützt aktivierte, adaptive und deaktivierte Denkmodi. Ein Coding-Agent kann bei einer Architekturänderung mehr Schlussfolgerungen anstellen, bei gemischten Aufgaben auf adaptives Schlussfolgern umschalten oder lange Denkspuren bei Formatierungs- und Extraktionsaufgaben vermeiden. Diese Kontrolle macht schlechte Prompts nicht wirkungslos. Sie erleichtert aber, den Aufwand des Modells an den Wert der Aufgabe anzupassen.

Auch die Bildeingabe von M3 ist ein konkreter Vorteil. Entwickler können neben den schriftlichen Anforderungen einen Screenshot, einen gerenderten Fehlerzustand oder eine Designvorlage senden. So wird der Weg von „Die Seite ist fehlerhaft“ dazu, dass das Modell den Fehler selbst sieht, kürzer.

Hy4 Preview stellt mehr Kapazität für textbasiertes Schlussfolgern bereit

Hy4 verfügt über ein Backbone mit 770B Parametern, von denen pro Token 49B aktiv sind. Das Design mit 78 Schichten umfasst 256 geroutete Experten und einen gemeinsamen Experten in jeder MoE-Schicht; pro Token werden acht geroutete Experten ausgewählt. Tencent ergänzt außerdem eine native Multi-Token-Prediction-Schicht für spekulatives Decoding. Gated DSA und IndexCache sollen die Bereitstellung des 1-Mio.-Kontexts praktikabler machen.

Hy4 verwendet standardmäßig starkes Schlussfolgern und bietet den Modus no_think für direkte Antworten. Das klingt ähnlich wie der Schlussfolgerungs-Schalter von M3, doch die Warnung zum Veröffentlichungsstatus fällt anders aus. Tencent erklärt offen, dass die Vorschau bei komplexen Aufgaben länger als nötig nachdenken und die eigene Arbeit übermäßig überprüfen kann. Bei schwierigem Debugging kann eine zusätzliche Überprüfung helfen. Bei einem kurzen Extraktionsauftrag, der 50.000-mal wiederholt wird, kann sie lediglich zusätzliche Latenz und Tokens verursachen.

Das Fazit ist einfach: M3 bietet eine breitere Eingabeoberfläche und differenziertere Möglichkeiten zum Schlussfolgern; Hy4 stellt bei schwierigen Textaufgaben mehr Kapazität bereit. Keines der beiden Designs macht es überflüssig, den Aufgabenerfolg, die Latenz und den Tokenverbrauch in Ihrer eigenen Agentenschleife zu messen.

MiniMax M3 vs. Hunyuan 4 beim Coding

Hy4 erzielt bei den Tests, die in beiden Model Cards vorkommen, die besseren öffentlich bekannten Benchmark-Ergebnisse.

Quellen: die Model Card von MiniMax M3 und die Model Card von Tencent Hy4 Preview. Beide Anbietergruppen veröffentlichen ihre eigenen Evaluationsergebnisse.

Die erste faire Schlussfolgerung lautet, dass Hy4 bei allen drei Benchmarks vorn liegt. Die zweite, ebenso wichtige: Es handelt sich nicht um kontrollierte direkte Vergleichstests.

MiniMax erklärt, dass das SWE-bench-Pro-Ergebnis auf einer internen Infrastruktur mit Claude Code als Gerüst ermittelt wurde. Für Terminal-Bench 2.1 kam ein anderes Gerüst zum Einsatz sowie eine Sandbox mit eigenen Einstellungen für Rechenleistung, Zeitlimits und Ausgabetokens. Tencent veröffentlicht die Hy4-Ergebnisse in seiner Model Card, doch die beiden Anbieter haben ihre Modelle nicht gemeinsam nach einem einheitlichen Protokoll getestet. Ein Gerüst kann bestimmen, welche Dateien in den Kontext gelangen, welche Befehle ein Modell ausführen darf, wie Wiederholungsversuche ablaufen und wann eine Aufgabe endet. Ändert sich das Gerüst, misst man nicht mehr nur das Modell.

Meine Einschätzung: Hy4 ist ein besserer Kandidat, wenn Sie Ihre Auswahl anhand öffentlicher Coding-Benchmarks beginnen, aber nicht automatisch der Gewinner für den Produktionseinsatz. Vergleichen Sie es mit M3 anhand desselben Repository-Snapshots, System-Prompts, derselben Tool-Definitionen, Zeitlimits und Bestehens-/Durchfalltests. Solange es dort nicht gewinnt, ist der Benchmark-Abstand ein Grund, Hy4 zu testen – nicht, blind zu migrieren.

M3 lässt sich weiterhin leichter rechtfertigen, wenn visuelles Debugging, geringere Generierungskosten und eine Version ohne Vorschau-Status neben den Coding-Ergebnissen wichtig sind.

Welches Modell eignet sich besser für KI-Agenten?

Bei Agenten-Workloads sind Preis und Fehlerverhalten wichtiger, als es bei einem einzelnen Chat den Anschein hat. Eine Nutzeranfrage kann Planung, Repository-Suche, Tool-Aufrufe, Fehlerbehebung, einen neuen Plan, weitere Tool-Aufrufe und eine abschließende Antwort auslösen. Ein Modell, das pro Schritt 20 % mehr Text generiert, kann diesen Unterschied über die gesamte Schleife hinweg vervielfachen.

MiniMax hat ungewöhnlich ausführliche interne Fallstudien zu M3 veröffentlicht. In einem Fall arbeitete das Modell fast 12 Stunden an der Reproduktion einer wissenschaftlichen Arbeit, erstellte 18 Commits und produzierte 23 Abbildungen. In einem anderen Fall optimierte es rund 24 Stunden lang CUDA-Kernels mit 1.959 Tool-Aufrufen und 147 Einreichungen; MiniMax meldete für den resultierenden Kernel eine Beschleunigung um den Faktor 9,4. Das sind nützliche Hinweise darauf, dass M3 für längere Arbeitsabläufe entwickelt wurde. Es handelt sich dennoch um vom Anbieter durchgeführte Fälle und nicht um einen unabhängigen Beleg dafür, dass jeder M3-Agent 24 Stunden lang zuverlässig bleibt.

Die Argumente für Hy4 stützen sich stärker auf die Benchmark-Ergebnisse und Tencents interne technische Evaluation. Tencent berichtet, dass 163 interne Experten 203 technische Aufgaben prüften und Hy4 eine durchschnittliche Bewertung von 2,99 von 4 Punkten gaben. Damit lag es knapp vor GLM-5.3 und Kimi K3, M3 war jedoch nicht Teil des Vergleichs. Die Model Card von Tencent positioniert Hy4 außerdem für Planung, Debugging, Verifizierung, Spieleentwicklung, Büroarbeit und Forschung.

Für einen kostensensiblen Produktionsagenten würde ich mit M3 beginnen. Der niedrigere Preis für Ausgaben begrenzt die Kosten langer Schlussfolgerungs- und Wiederholungsschleifen, und adaptives Denken bietet der Anwendung eine zusätzliche Steuerungsmöglichkeit. Bei einer schwierigen textbasierten Softwareaufgabe, bei der die Fertigstellung wichtiger ist als der Tokenverbrauch, sollte Hy4 getestet werden. Behalten Sie das Volumen generierter Tokens und wiederholte Überprüfungen genau im Blick.

Das Agenten-Framework verwaltet weiterhin Berechtigungen, Tool-Ausführung, Zeitlimits, Wiederholungsversuche und Abnahmetests. Der Zugriff auf ein agentenorientiertes Modell macht das API-Gateway selbst nicht zu einem autonomen Multi-Agenten-System.

MiniMax M3 vs. Hunyuan 4 bei der Frontend-Entwicklung

„Frontend-Entwicklung“ umfasst zwei unterschiedliche Aufgaben. Die erste beginnt mit Pixeln: einen Screenshot nachbilden, ein fehlerhaftes mobiles Layout diagnostizieren oder eine Komponente an eine Designvorlage anpassen. Die zweite beginnt mit Text: eine Komponente nach Spezifikation implementieren, fehlerhafte Tests beheben oder ein Repository refaktorisieren.

Für die erste Aufgabe eignet sich M3 besser. Die M3-Route von GPT Proto akzeptiert Bildeingaben, während Hy4 Preview Text zu Text verarbeitet. Wenn das Modell den Screenshot direkt erhält, entfällt der Zwischenschritt, in dem ein Mensch Abstands-, Hierarchie-, Ausrichtungs-, Beschneidungs- oder Farbprobleme in Worte fassen muss.

Bei der Umwandlung von Textspezifikationen in Code könnte Hy4 leistungsfähiger sein. Tencent berichtet ausdrücklich von Verbesserungen bei der Frontend-Implementierung, dem visuellen Gespür und der Interaktionsqualität. Da dies eine Aussage des Anbieters ist, sollte sie als zu prüfende Hypothese behandelt werden: Geben Sie beiden Modellen dieselben Anforderungen, Browser-Tools, Zeitlimits und automatisierten Prüfungen.

Ein Frontend-Test von Hy4 aus der Community zeigt, warum die Abnahmekriterien wichtig sind. In einer Diskussion über FlappyBench bevorzugte der Autor die eigenständige Benutzeroberfläche und das Gameplay von Hy4. Kommentatoren stellten die Schlussfolgerung infrage, weil der vollständige Prompt nicht bereitgestellt wurde; einige bevorzugten ein Konkurrenzmodell, das den Schwierigkeitsgrad des Originalspiels genauer traf. M3 wurde in dem Thread nicht getestet. Der methodische Nutzen liegt darin, dass ansprechende Screenshots, Prompt-Befolgung, Spielverhalten, Responsivität und wartbarer Code unterschiedliche Kriterien sind.

Das praktische Fazit ist also enger gefasst als „Modell A erstellt hübschere Websites“. Wählen Sie M3 für Iterationen anhand von Screenshots. Testen Sie Hy4 bei gut spezifizierten Repository-Aufgaben, bei denen Sie Funktionalität und Codequalität getrennt bewerten können.

Preise von MiniMax M3 und Hunyuan 4

Die aktuellen GPT Proto-Preise sprechen bei normalen Ein- und Ausgaben für M3, während Hy4 günstigere Cache-Lesezugriffe bietet.

Quellen: aktuelle GPT Proto-Preise für MiniMax M3 und Hy4 Preview, geprüft am 10. September 2026.

Der Preis pro Million Tokens ist abstrakt. Betrachten wir deshalb eine Repository-Aufgabe mit 100.000 Eingabetokens und 10.000 generierten Tokens:

Diese Schätzungen multiplizieren die angezeigten Preise pro Token. Sie berücksichtigen keine Wiederholungsversuche, keine auf der Hy4-Seite nicht aufgeführten Cache-Schreibzugriffe, keine Tool-Ausführung und keine zusätzlichen Agentenschritte. Die tatsächlichen Kosten hängen daher davon ab, wie viel jedes Modell vor Abschluss der Aufgabe generiert.

M3 ist die kostengünstige Wahl für gewöhnliches Coding und Agenten mit vielen Ausgaben. Hy4s Preis für Cache-Lesezugriffe ist attraktiv, wenn ein großer, stabiler Präfix wiederholt verwendet wird. Der Preis für Ausgaben beträgt jedoch 2,376 $ pro Million Tokens gegenüber 0,96 $ bei M3. In den beiden Beispielen oben ist M3 weiterhin günstiger.

Eine Preisfalle sollte man vermeiden: Die direkte API von MiniMax verwendet eine nach Kontextlänge und Service-Stufe gestaffelte Preisstruktur, einschließlich einer vergünstigten Standardstufe. Dadurch ist eine pauschale Aussage wie „GPT Proto ist X % günstiger als die offizielle API“ schwer haltbar. Für diesen Vergleich ist es am sinnvollsten, die beiden aktuellen GPT Proto-Routen direkt in absoluten Beträgen zu vergleichen und die Preise vor der Veröffentlichung erneut zu prüfen.

Geschwindigkeit, Kontext und Produktionsreife

Es gibt nicht genügend vergleichbare öffentliche Daten, um einen Geschwindigkeitsgewinner zu benennen. Die MSA-Angaben von MiniMax vergleichen dessen Sparse-Attention-Implementierung mit früheren Ansätzen. Tencents Architektur- und Inferenzangaben beziehen sich auf den eigenen Stack. Keiner der Anbieter hat einen API-Test in derselben Region veröffentlicht, der Time-to-First-Token, Ausgabegeschwindigkeit oder Abschlusszeit für M3 und Hy4 unter vergleichbarer Last misst.

Auch die Angabe zum Kontext von 1 Mio. Tokens sollte mit derselben Zurückhaltung betrachtet werden. Sie bezeichnet das nominelle Fenster, nicht die Fähigkeit des Modells, eine kleine, aber entscheidende Information aus der Mitte eines umfangreichen Repository-Prompts abzurufen. Bei Aufgaben mit langem Kontext sollten Sie die Antwortgenauigkeit an verschiedenen Dokumentpositionen bewerten und mit einem abrufbasierten Workflow vergleichen. Ein ganzes Repository in eine Anfrage zu packen, mag praktisch sein, kann aber auch die Latenz erhöhen und das Modell mit irrelevanten Dateien ablenken.

Der Veröffentlichungsstatus liefert ein klareres Signal für die Produktionstauglichkeit. M3 ist eine vollständige Veröffentlichung. Hy4 ist eine frühe Vorschau, deren Model Card unnötiges Schlussfolgern und übermäßige Überprüfung dokumentiert. Das macht Hy4 nicht ungeeignet für den Produktionseinsatz, erhöht aber den erforderlichen Testaufwand.

Als Standardroute für die Produktion würde ich heute M3 wählen. Bei Hy4 sollten Sie mit Shadow Traffic oder einem begrenzten Evaluationsdatensatz beginnen und das Modell erst dann hochstufen, wenn der Aufgabenerfolg die zusätzlichen Tokenkosten und das Verhalten einer Vorschauversion ausgleicht.

Lizenz und Self-Hosting

Für Teams, denen eine etablierte permissive Lizenz wichtig ist, ist Hy4 die klarere Wahl. Tencent veröffentlicht die Gewichte unter Apache 2.0. MiniMax vertreibt M3 unter der MiniMax Community License. Teams, die eine Weiterverbreitung oder kommerzielles Self-Hosting planen, sollten daher die jeweiligen Bedingungen lesen, statt anzunehmen, dass alle Veröffentlichungen mit „offenen Gewichten“ dieselben Rechte gewähren.

Der Nachteil ist die Infrastruktur. Tencents FP8-Referenzbereitstellung nutzt Tensorparallelisierung über acht GPUs sowie modellspezifische Einstellungen für Sparse Attention, spekulatives Decoding, die Verarbeitung von Schlussfolgerungen und Tool-Aufrufe. Apache 2.0 beseitigt eine Art von Hürde, macht aber die Bereitstellung eines 770B-Backbones nicht kostengünstig.

Für die meisten API-Entwickler ist der Lizenzunterschied weniger wichtig als Qualität, Latenz und Kosten. Für ein Unternehmen, das die Gewichte in der eigenen Umgebung betreiben muss, kann die Lizenz allein den Vergleich entscheiden: Hy4 bietet den unkomplizierteren Lizenzweg, sofern das Unternehmen den Bereitstellungs-Stack unterstützen kann.

Welches Modell sollten Sie wählen?

MiniMax M3 gewinnt diesen Vergleich für die meisten Entwickler. Der Vorteil besteht nicht darin, dass es bei jedem Benchmark vorn liegt – das tut es nicht. Für M3 spricht vielmehr das Gesamtpaket aus Preis, multimodaler Eingabe, kontrollierbarem Schlussfolgern und einer ausgereiften Veröffentlichung für die tägliche API-Arbeit.

Hy4 Preview ist keine schwächere Kopie. Es ist eine spezialisiertere Wette. Die veröffentlichten Coding- und Agentenergebnisse sind besser, die Apache-2.0-Lizenz ist einfacher zu handhaben, und das textbasierte Schlussfolgern verdient eine ernsthafte Evaluation. Zu den Nachteilen zählen höhere Preise für Ausgaben, reine Texteingabe, erhebliche Anforderungen für Self-Hosting und das Verhalten einer Vorschauversion, das Tencent offen dokumentiert hat.

So greifen Sie mit einem API-Schlüssel auf MiniMax M3 und Hy4 zu

Beide Modelle verwenden den OpenAI-kompatiblen Chat-Completions-Endpunkt von GPT Proto. Erstellen Sie einen API-Schlüssel, speichern Sie ihn in einer Umgebungsvariablen und ändern Sie zum Vergleich lediglich die Modell-ID.

export GPTPROTO_API_KEY="your-api-key-here"

MiniMax M3 aufrufen:

curl --request POST "https://gptproto.com/v1/chat/completions" \
  --header "Authorization: Bearer $GPTPROTO_API_KEY" \
  --header "Content-Type: application/json" \
  --data '{
    "model": "MiniMax-M3",
    "messages": [
      {
        "role": "user",
        "content": "Review this JavaScript function for async race conditions and return a corrected version."
      }
    ],
    "stream": false
  }'

Führen Sie dieselbe Aufgabe mit Hy4 Preview aus:

curl --request POST "https://gptproto.com/v1/chat/completions" \
  --header "Authorization: Bearer $GPTPROTO_API_KEY" \
  --header "Content-Type: application/json" \
  --data '{
    "model": "hy4-preview",
    "messages": [
      {
        "role": "user",
        "content": "Review this JavaScript function for async race conditions and return a corrected version."
      }
    ],
    "stream": false
  }'

Ein gemeinsamer Endpunkt und ein gemeinsames Guthaben erleichtern einen kontrollierten Vergleich auf Anwendungsebene: Behalten Sie Prompt, Tools, Zeitlimit und Prüfungen unverändert bei und erfassen Sie anschließend Aufgabenerfolg, Gesamtzahl der Tokens, Latenz und Kosten. GPT Proto ermöglicht den Zugriff auf beide Modelle; die Orchestrierung und Tool-Berechtigungen verwaltet weiterhin Ihre Anwendung oder Ihr Agenten-Framework.

Sie können mit der Modellseite von MiniMax M3, der Modellseite von Hy4 Preview beginnen oder den vollständigen GPT Proto-Modellkatalog durchsuchen.