MiniMax M3 的技術規格
| 項目 | MiniMax M3 |
|---|---|
| Model family | MiniMax M3 frontier foundation model |
| Provider | MiniMax |
| Architecture | MiniMax 稀疏注意力(MSA) |
| Input types | 文字、影像、影片 |
| Output types | 文字 |
| Context window | 最多 1,000,000 個 token(最低保證 512K) |
| Primary strengths | 程式設計、Agent 化工作流程、多模態推理、長上下文處理 |
| Reasoning mode | 思考模式可開啟/關閉 |
| Tool use | Agent 工作流程、工具呼叫、終端任務執行 |
| Deployment | API、MiniMax Code、Token Plan、即將推出的開放權重釋出 |
| Multimodal support | 從零開始的原生多模態預訓練 |
| Release date | 2026 年 6 月 |
什麼是 MiniMax M3?
MiniMax M3 是一款前沿級別的 AI 模型,圍繞三大歷來多見於閉源系統的能力打造:進階的程式設計表現、百萬 token 的上下文處理,以及原生多模態理解。不同於將視覺作為後期擴充加入的模型,M3 自訓練之初即為多模態模型,使視覺與文字推理之間能達到更深層的對齊。
該模型基於 MiniMax 稀疏注意力(MSA),這是一種稀疏注意力架構,旨在在保留程式設計、推理與 Agent 任務表現的同時,讓百萬 token 上下文在計算上變得可行。
MiniMax M3 的主要特性
- 1M-token 上下文視窗: 支援超大規模程式碼庫、冗長的研究語料、多文件分析與長時間 Agent 會話。
- 面向 Agent 的架構: 為自主任務分解、工具呼叫、迭代式規劃與多步驟執行而設計。
- 原生多模態: 在不依賴獨立視覺模組的情況下處理文字、影像、圖表、螢幕截圖與影片輸入。
- 進階程式設計能力: 在包括 SWE-Bench Pro、Terminal-Bench 與 KernelBench 在內的軟體工程基準上表現強勁。
- 長期執行: 展示了多小時的自主工作流程,包括研究復現與 CUDA 最佳化專案。
- 可配置的推理: 可啟用思考模式以處理更深度推理工作負載,或停用以獲得較低延遲的互動。
MiniMax M3 的基準表現
MiniMax 報告顯示其在程式設計、Agent 執行與多模態評測任務上達到前沿水準。報告的結果包括:
| 基準測試 | 分數 |
|---|---|
| SWE-Bench Pro | 59.0% |
| Terminal-Bench 2.1 | 66.0% |
| SWE-fficiency | 34.8% |
| KernelBench Hard | 28.8% |
| MCP Atlas | 74.2% |
| BrowseComp | 83.5 |
| PostTrainBench | 37.1 |
公司同時表示,M3 在多項偏向程式設計的基準上超越 GPT-5.5 與 Gemini 3.1 Pro,並在特定評測中接近 Claude Opus 4.7 的表現。上述主張來自 MiniMax 的內部基準披露,應結合獨立第三方測試一併解讀。
長上下文架構與 MSA
MiniMax 稀疏注意力(MSA)是支撐 M3 百萬 token 上下文能力的架構創新。MSA 並非對整個序列套用完整的二次方注意力,而是對區塊層級進行路由,並在選定的上下文區域上執行稀疏注意力。
據 MiniMax 表示,這在大上下文長度下可顯著降低計算需求,並帶來:
- 在 1M 上下文長度下,預填效能提升超過 9×
- 解碼效能提升超過 15×
- 在 1M 上下文規模下,每 token 計算量約為前一代的 1/20
這些改進旨在讓程式碼庫級的開發與長期 Agent 工作流程變得實用可行。
MiniMax M3 與 Claude Opus 4.7、Gemini 3.1 Pro 的比較
| 能力 | MiniMax M3 | Claude Opus 4.7 | Gemini 3.1 Pro |
|---|---|---|---|
| 上下文視窗 | 最高 1M | 公開可用的上下文層級較小 | 大上下文多模態 |
| 原生多模態訓練 | 是 | 是 | 是 |
| Agent 化程式設計側重 | 非常強 | 非常強 | 強 |
| SWE-Bench Pro | 59.0% | 依 MiniMax 報告更高 | 依 MiniMax 報告更低 |
| 開放權重可用性 | 規劃中 | 無 | 無 |
| 長期 Agent 工作流程 | 主要設計重點 | 強 | 強 |
已知限制
- 目前多數基準披露來自 MiniMax,而非獨立評估機構。
- 開放權重模型檔與完整技術報告已宣布,但在發佈時尚未廣泛釋出。
- 實際生產環境中的可靠性仍在開發者社群中驗證。
- 百萬 token 上下文工作負載可能比標準推理帶來更高的運營成本與延遲。
代表性使用情境
程式碼庫級軟體工程
分析大型程式碼庫、執行多檔案重構、產生修補、審查 Pull Request,並維持長期的開發上下文。
自主研究型 Agent
支援文獻回顧、文件綜整、基準分析,以及需要數十萬 token 的長時間研究工作流程。
多模態技術分析
在同一推理流程中解讀螢幕截圖、架構圖、圖表、技術文件與影片內容。
終端與 DevOps 自動化
執行包含測試、部署編排、相依管理與迭代除錯的複雜工程工作流程。
企業知識系統
搜尋並推理大量政策、合約、技術文件與內部知識庫。
模型版本與可用性
MiniMax M3 於 2026 年 6 月正式推出,作為 MiniMax 模型產品線中的旗艦接班者。該模型可透過 MiniMax API 生態系與 CometAPI 取得。