MiniMax M3 vs Hunyuan 4: Qual é melhor para programação e agentes?

MiniMax M3 vs Hunyuan 4: Veredito rápido

Se você já sabe qual compensação importa, pode examinar as páginas ativas da API do MiniMax M3 e da API do Hy4 Preview. Se não, as diferenças abaixo são as que mudarão uma decisão real de implementação.

MiniMax M3 vs Hunyuan 4: Principais diferenças

Primeiro, o nome. “Hunyuan 4” e “Hunyuan4” são termos de busca comuns para o modelo que a Tencent chama oficialmente de Hy4 Preview. As requisições de API devem usar o identificador exato do modelo do provedor, em vez do nome informal de busca.

Os detalhes da arquitetura vêm do card do modelo MiniMax M3 e do card do modelo Tencent Hy4 Preview. Eles explicam como os modelos são construídos, não qual deles resolverá corretamente o seu ticket. Um número maior de parâmetros não é uma pontuação de qualidade de API, e um limite de contexto de 1M não garante recuperação confiável em todas as posições de um prompt de 1M de tokens.

Há também um detalhe específico da rota que outras comparações podem deixar passar. A MiniMax descreve o M3 como nativamente multimodal com entrada de imagem e vídeo, mas a rota atual do GPT Proto lista entrada de texto, imagem e documento. O Hy4 Preview atualmente aceita texto e retorna texto. Para um comprador de API, a rota que você realmente pode chamar importa mais do que uma modalidade mostrada em um anúncio geral de modelo.

Arquitetura e raciocínio: o que muda na prática?

MiniMax M3 favorece controle e contexto multimodal

O M3 ativa aproximadamente 23B de seus cerca de 428B parâmetros para cada token. Sua mudança definidora é a MiniMax Sparse Attention, ou MSA, que seleciona blocos relevantes de chave-valor em vez de aplicar atenção completa a cada token. A MiniMax relata que, em um contexto de 1M de tokens, a MSA reduz o compute por token para cerca de um vigésimo da abordagem de sua geração anterior, com prefill mais de 9× mais rápido e decodificação 15× mais rápida. Essas são medições do fornecedor, não um teste de velocidade da API Hy4, mas explicam por que a MiniMax construiu o M3 em torno de sessões longas, e não apenas de chat curto. O relatório de lançamento do M3 fornece a metodologia e as ressalvas.

A vantagem prática é a flexibilidade. O M3 oferece suporte a modos de pensamento ativado, adaptativo e desativado. Um agente de codificação pode gastar mais raciocínio em uma mudança arquitetural, alternar para raciocínio adaptativo em trabalho misto ou evitar um longo traço de raciocínio para formatação e extração. Esse controle não faz prompts ruins desaparecerem. Ele torna mais fácil alinhar o esforço do modelo ao valor da tarefa.

A entrada de imagem do M3 é igualmente concreta. Um desenvolvedor pode enviar uma captura de tela, um estado de erro renderizado ou uma referência de design junto com requisitos escritos. Isso encurta a distância entre “a página está errada” e um modelo ver o que está errado.

Hy4 Preview coloca mais capacidade por trás do raciocínio de texto

O Hy4 tem um backbone de 770B parâmetros com 49B parâmetros ativos por token. Seu design de 78 camadas contém 256 especialistas roteados e um especialista compartilhado em cada camada MoE, com oito especialistas roteados selecionados por token. A Tencent também adiciona uma camada nativa de previsão de múltiplos tokens para decodificação especulativa. Gated DSA e IndexCache pretendem tornar seu contexto de 1M mais prático de servir.

O Hy4 usa raciocínio alto por padrão e oferece um modo no_think para respostas diretas. Isso soa semelhante ao interruptor de raciocínio do M3, mas o aviso do estágio de lançamento é diferente. A Tencent declara abertamente que a prévia pode gastar mais tempo que o necessário raciocinando sobre tarefas complexas e pode verificar demais o próprio trabalho. Para depuração difícil, outra passada de verificação pode ajudar. Para um trabalho curto de extração repetido 50.000 vezes, pode simplesmente adicionar latência e tokens.

A conclusão é direta: o M3 oferece uma superfície de entrada mais ampla e escolhas de raciocínio mais refinadas; o Hy4 direciona mais capacidade para trabalho difícil com texto. Nenhum dos designs elimina a necessidade de medir conclusão de tarefas, latência e uso de tokens no seu próprio loop de agente.

MiniMax M3 vs Hunyuan 4 para codificação

O Hy4 tem o perfil público de benchmark mais forte nos testes que aparecem em ambos os cards de modelo.

Fontes: o card do modelo MiniMax M3 e o card do modelo Tencent Hy4 Preview. Ambos os grupos relatam seus próprios resultados de avaliação.

A primeira leitura honesta é que o Hy4 lidera nos três. A segunda leitura, igualmente importante, é que esses não são resultados controlados de confronto direto.

A MiniMax diz que seu resultado no SWE-bench Pro foi produzido em infraestrutura interna com o Claude Code como scaffold. O Terminal-Bench 2.1 usou um scaffold diferente e um sandbox com suas próprias configurações de compute, timeout e tokens de saída. A Tencent publica as pontuações do Hy4 em seu card de modelo, mas os dois fornecedores não executaram conjuntamente ambos os modelos sob um único protocolo. Um scaffold pode decidir quais arquivos entram no contexto, quais comandos um modelo pode executar, como as tentativas funcionam e quando uma tarefa para. Mude o scaffold e você não estará mais medindo apenas o modelo.

Meu julgamento: o Hy4 é o melhor candidato se o seu processo de seleção começa com benchmarks públicos de codificação, mas não o vencedor automático para produção. Coloque-o contra o M3 no mesmo snapshot de repositório, prompt de sistema, definições de ferramentas, timeout e testes de aprovação/falha. Até que ele vença nisso, a diferença de benchmark é um motivo para avaliar o Hy4 — não um motivo para migrar às cegas.

O M3 continua mais fácil de justificar quando depuração visual, menor custo de geração e um lançamento que não é prévia importam junto com as pontuações de codificação.

Qual é melhor para agentes de IA?

Cargas de trabalho de agentes tornam preço e comportamento de falha mais importantes do que parecem em um único chat. Uma solicitação de usuário pode acionar planejamento, busca no repositório, chamadas de ferramentas, recuperação de erro, um novo plano, mais chamadas de ferramentas e uma resposta final. Um modelo que gera 20% mais texto por etapa pode compor essa diferença ao longo do loop.

A MiniMax publicou estudos de caso internos do M3 excepcionalmente longos. Em um deles, o modelo trabalhou por quase 12 horas em uma tarefa de reprodução de artigo, fazendo 18 commits e produzindo 23 figuras. Em outro, passou cerca de 24 horas otimizando kernels CUDA por meio de 1.959 chamadas de ferramentas e 147 submissões; a MiniMax relatou um ganho de velocidade de 9,4× no kernel resultante. Esses são sinais úteis de que o M3 foi projetado para trabalho sustentado. Ainda são casos conduzidos pelo fornecedor, não prova independente de que todo agente M3 permanecerá confiável por 24 horas.

O caso do Hy4 se apoia mais fortemente em seus resultados de benchmark e na avaliação interna de engenharia da Tencent. A Tencent relata que 163 especialistas internos revisaram 203 tarefas de engenharia, dando ao Hy4 uma pontuação média de 2,99 de 4. Essa avaliação o colocou ligeiramente acima do GLM-5.3 e do Kimi K3, mas não incluiu o M3. O card de modelo da Tencent também posiciona o Hy4 em torno de planejamento, depuração, verificação, desenvolvimento de jogos, trabalho de escritório e pesquisa.

Para um agente de produção sensível a custo, eu começaria com o M3. Sua taxa de saída mais baixa limita o custo de longos loops de raciocínio e novas tentativas, e o pensamento adaptativo dá à aplicação outro controle. Para uma tarefa difícil de software somente texto, em que a conclusão importa mais do que o gasto de tokens, o Hy4 merece um teste. Observe de perto o volume de tokens gerados e a verificação repetida.

O framework de agente ainda é responsável por permissões, execução de ferramentas, timeouts, tentativas e testes de aceitação. O acesso a um modelo focado em agentes não transforma o próprio gateway de API em um sistema autônomo multiagente.

MiniMax M3 vs Hunyuan 4 para codificação frontend

“Codificação frontend” esconde dois trabalhos diferentes. O primeiro começa com pixels: reproduzir esta captura de tela, diagnosticar este layout móvel quebrado ou atualizar um componente para corresponder a uma referência de design. O segundo começa com texto: implementar esta especificação de componente, corrigir estes testes com falha ou refatorar este repositório.

Para o primeiro trabalho, o M3 é o mais adequado. A rota M3 do GPT Proto aceita entrada de imagem, enquanto o Hy4 Preview é texto para texto. Dar a captura de tela ao modelo remove uma etapa de tradução na qual um humano precisa descrever espaçamento, hierarquia, alinhamento, recorte ou problemas de cor em palavras.

Para trabalho de especificação em texto para código, o Hy4 pode ter o teto mais alto. A Tencent relata especificamente melhorias em implementação frontend, gosto visual e qualidade de interação. Essa é uma alegação do fornecedor, então deve se tornar uma hipótese de teste: dê aos dois modelos os mesmos requisitos, ferramentas de navegador, limite de tempo e verificações automatizadas.

Um teste comunitário de frontend do Hy4 ilustra por que os critérios de aceitação importam. Em uma discussão do FlappyBench, o autor favoreceu a interface e a jogabilidade distintas do Hy4. Comentaristas contestaram a conclusão porque o prompt completo não foi fornecido, e alguns preferiram um resultado concorrente por corresponder mais de perto à dificuldade do jogo original. A thread não testou o M3. Seu valor aqui é metodológico: capturas de tela atraentes, conformidade com o prompt, comportamento de jogabilidade, responsividade e código de fácil manutenção são critérios diferentes.

Então o veredito prático é mais restrito do que “o Modelo A faz sites mais bonitos”. Escolha o M3 para iteração guiada por capturas de tela. Teste o Hy4 para trabalho de repositório bem especificado, em que você pode pontuar funcionalidade e qualidade de código separadamente.

Preços do MiniMax M3 vs Hunyuan 4

As tarifas ativas do GPT Proto favorecem o M3 em entrada e saída normais, enquanto o Hy4 tem a leitura de cache mais barata.

Fontes: preços ativos do GPT Proto para MiniMax M3 e Hy4 Preview, verificados em 10 de setembro de 2026.

Preço por milhão de tokens é abstrato, então considere uma tarefa de repositório com 100.000 tokens de entrada e 10.000 tokens gerados:

Essas estimativas multiplicam as tarifas por token exibidas; elas excluem novas tentativas, escritas de cache não mostradas na página do Hy4, execução de ferramentas e quaisquer etapas extras do agente. O custo real, portanto, depende de quanto cada modelo gera antes de concluir a tarefa.

O M3 é a escolha custo-efetiva para codificação comum e agentes com muita saída. O preço de leitura de cache do Hy4 é atrativo quando um grande prefixo estável é reutilizado repetidamente, mas seu preço de saída é $2.376 por milhão de tokens contra $0.96 do M3. Nos dois exemplos acima, o M3 ainda custa menos.

Há uma armadilha de preços que vale a pena evitar. A API direta da MiniMax usa preços por comprimento de contexto e nível de serviço, incluindo um nível padrão com desconto. Isso torna frágil uma afirmação única de que “o GPT Proto é X% mais barato que o oficial”. Para esta comparação, a abordagem mais limpa é comparar as duas rotas ativas do GPT Proto em dólares absolutos e verificá-las novamente antes da publicação.

Velocidade, contexto e prontidão para produção

Não há dados públicos comparáveis suficientes para nomear um vencedor de velocidade. Os números de MSA da MiniMax comparam sua implementação de atenção esparsa com abordagens anteriores. As alegações de arquitetura e inferência da Tencent usam sua própria stack. Nenhum deles é um teste de API na mesma região medindo tempo até o primeiro token, velocidade de saída ou tempo de conclusão para M3 e Hy4 sob carga equivalente.

O rótulo de contexto de 1M precisa da mesma contenção. Ele informa a janela nominal, não se o modelo recuperará um fato pequeno, mas decisivo, enterrado perto do meio de um prompt gigante de repositório. Para trabalho com contexto longo, avalie a precisão das respostas em várias posições do documento e compare com um fluxo de trabalho baseado em recuperação. Enfiar um repositório inteiro em uma única requisição pode ser conveniente, mas também pode aumentar a latência e distrair o modelo com arquivos irrelevantes.

O status de lançamento fornece um sinal de produção mais claro. O M3 é um lançamento completo. O Hy4 é uma prévia inicial cujo próprio card de modelo documenta raciocínio desnecessário e verificação excessiva. Isso não torna o Hy4 inadequado para produção; torna a carga de testes maior.

Para uma rota de produção padrão hoje, eu escolheria o M3. Para o Hy4, comece com tráfego sombra ou um conjunto de avaliação limitado, depois promova-o apenas se o sucesso nas tarefas compensar seu custo extra de tokens e comportamento de prévia.

Licença e auto-hospedagem

O Hy4 é a escolha mais clara para equipes que se importam com uma licença permissiva estabelecida. A Tencent publica seus pesos sob Apache 2.0. A MiniMax distribui o M3 sob a Licença Comunitária MiniMax, então equipes que planejam redistribuição ou auto-hospedagem comercial devem ler esses termos em vez de assumir que todos os lançamentos “de pesos abertos” concedem os mesmos direitos.

A compensação é a infraestrutura. A implantação FP8 de referência da Tencent usa paralelismo de tensor em oito GPUs, além de configurações específicas do modelo para atenção esparsa, decodificação especulativa, análise de raciocínio e chamadas de ferramentas. O Apache 2.0 remove um tipo de atrito; não torna barato servir um backbone de 770B.

Para a maioria dos desenvolvedores de API, a diferença de licença importará menos do que qualidade, latência e custo. Para uma empresa que precisa operar pesos dentro do próprio ambiente, ela pode decidir a comparação por si só: o Hy4 tem o caminho de licenciamento mais limpo, desde que a empresa consiga suportar a stack de serving.

Qual modelo você deve escolher?

O MiniMax M3 vence esta comparação para a maioria dos desenvolvedores. Sua vantagem não é liderar todos os benchmarks — não lidera. O argumento a favor do M3 é que preço, entrada multimodal, controle de raciocínio e maturidade de lançamento formam o melhor pacote para o trabalho diário com API.

O Hy4 Preview não é uma cópia mais fraca. É uma aposta mais especializada. Seus resultados publicados de codificação e agentes são mais fortes, sua licença Apache 2.0 é mais fácil de usar, e seu raciocínio de texto merece uma avaliação séria. Os custos são preço de saída mais alto, entrada somente texto, requisitos substanciais de auto-hospedagem e comportamento de estágio de prévia que a Tencent não escondeu.

Como acessar MiniMax M3 e Hy4 com uma única chave de API

Ambos os modelos usam o endpoint de chat-completions compatível com OpenAI do GPT Proto. Crie uma chave de API, armazene-a em uma variável de ambiente e altere apenas o ID do modelo quando quiser compará-los.

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

Chamar MiniMax M3:

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
  }'

Execute a mesma tarefa com o Hy4 Preview:

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
  }'

Usar um único endpoint e saldo torna mais fácil uma comparação controlada no nível da aplicação: mantenha o prompt, as ferramentas, o timeout e as verificações fixos, depois registre sucesso na tarefa, total de tokens, latência e custo. O GPT Proto fornece acesso a ambos os modelos; sua aplicação ou framework de agente ainda lida com orquestração e permissões de ferramentas.

Você pode começar pela página do modelo MiniMax M3, pela página do modelo Hy4 Preview, ou navegar pelo catálogo completo de modelos do GPT Proto.