MiniMax M3 的技術規格
| 項目 | MiniMax M3 |
|---|---|
| 模型系列 | MiniMax M3 前沿基礎模型 |
| 提供者 | MiniMax |
| 架構 | MiniMax Sparse Attention (MSA) |
| 輸入類型 | 文字、圖片、影片 |
| 輸出類型 | 文字 |
| 上下文視窗 | 最多 1,000,000 tokens (最低保證 512K) |
| 主要強項 | 程式設計、代理式工作流程、多模態推理、長上下文處理 |
| 推理模式 | 思考模式開/關 |
| 工具使用 | 代理工作流程、工具呼叫、終端任務執行 |
| 部署 | API、MiniMax Code、Token Plan、即將釋出的開放權重 |
| 多模態支援 | 自零開始的原生多模態預訓練 |
| 發佈日期 | 2026 年 6 月 |
什麼是 MiniMax M3？
MiniMax M3 是一款前沿級 AI 模型，圍繞三項歷來多見於閉源系統的能力而設計：先進的程式設計表現、百萬 token 上下文處理，以及原生多模態理解。不同於後期再擴充視覺能力的模型，M3 從一開始即作為多模態模型進行訓練，使視覺與文字推理之間能達成更深入的對齊。
該模型基於 MiniMax Sparse Attention (MSA)，這是一種稀疏注意力架構，旨在在保留程式設計、推理與代理任務效能的同時，讓百萬 token 的上下文在計算上變得可行。
MiniMax M3 的主要功能
- 1M-token 上下文視窗： 支援超大型程式碼庫、冗長的研究語料、跨多文件分析，以及長時間運行的代理會話。
- 面向代理的架構： 為自主任務分解、工具呼叫、迭代規劃與多步驟執行而設計。
- 原生多模態： 在不依賴獨立視覺堆疊的情況下，處理文字、圖片、圖表、螢幕截圖與影片輸入。
- 進階程式能力： 在包括 SWE-Bench Pro、Terminal-Bench 與 KernelBench 在內的軟體工程基準上表現強勁。
- 長時程執行： 已展示長達數小時的自主工作流程，包括研究復現與 CUDA 最佳化專案。
- 可配置推理： 可啟用思考模式以處理更深度的推理工作負載，或關閉以獲得更低延遲的互動。
MiniMax M3 的基準表現
MiniMax 報告顯示，其在程式設計、代理式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 | 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 |
該公司還表示，M3 在多項面向程式設計的基準上超越 GPT-5.5 與 Gemini 3.1 Pro，並在部分評測中接近 Claude Opus 4.7 的表現。這些說法來源於 MiniMax 的內部基準披露，應結合同步出現的第三方獨立測試加以解讀。
長上下文架構與 MSA
MiniMax Sparse Attention (MSA) 是 M3 能夠處理百萬級上下文的架構創新。MSA 並非對整個序列施以完整的二次方注意力，而是進行區塊層級路由，並在選定的上下文區域上執行稀疏注意力。
據 MiniMax 稱，這在大上下文長度下大幅降低了計算需求，並帶來：
- 在 1M 上下文長度下，預填效能快逾 9×
- 解碼效能快逾 15×
- 在 1M 上下文規模下，每個 token 的計算量約為前一代的 1/20
這些改進旨在使程式碼庫規模的程式開發與長時程代理工作流程變得可行。
MiniMax M3 對比 Claude Opus 4.7 與 Gemini 3.1 Pro
| 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 |
| 代理式程式設計側重 | 非常強 | 非常強 | 強 |
| SWE-Bench Pro | 59.0% | 根據 MiniMax 報告更高 | 根據 MiniMax 報告較低 |
| 開放權重可用性 | 已規劃 | 否 | 否 |
| 長時程代理工作流程 | 主要設計重點 | 強 | 強 |
已知限制
- 多數基準披露目前來自 MiniMax，而非獨立評測機構。
- 開放權重的模型檔與完整技術報告已宣佈，但在發佈時尚未廣泛釋出。
- 在各類生產環境中的真實可靠性仍由開發者社群持續驗證中。
- 百萬 token 上下文的工作負載可能比標準推理工作負載帶來更高的營運成本與延遲。
代表性使用案例
程式碼庫規模的軟體工程
分析大型程式碼庫、執行多文件重構、產生補丁、審閱 Pull Request，並維持長期的開發上下文。
自主研究代理
支援文獻回顧、文件綜述、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
在同一推理工作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
執行涉及測試、部署編排、相依管理與迭代偵錯的複雜工程工作流程。
企業知識系統
針對大量政策、合約、技術文件與內部知識庫進行搜尋與推理。
模型版本與可用性
MiniMax M3 於 2026 年 6 月正式發佈，作為 MiniMax 模型產品線的旗艦繼任者。該模型可透過 MiniMax API 生態系與 CometAPI 使用。