MiniMax M3 Hands-on: Multimodal Reasoning Test

•MiniMax M3 聲稱是首個結合了前沿編碼、百萬級上下文窗口和原生多模態能力的開源模型，儘管其權重尚未完全發布以供獨立驗證。
•M3 採用專有的 MiniMax 稀疏注意力（MSA）架構，該架構透過兩階段機制顯著降低了長上下文處理的計算成本，使其每 token 計算量僅為前一代 M2 的 1/20。
•該模型在編碼和代理任務方面表現出色，在 SWE-Bench Pro 等基準測試中超越了 GPT-5.5 和 Gemini 3.1 Pro，並在 BrowseComp 網頁瀏覽基準測試中超越了 Claude Opus 4.7。
•M3 支援文字、圖像和影片輸入，並能操作桌面電腦，展現了其在複雜代理工作流程中的應用潛力，例如自主重現研究論文實驗或優化 NVIDIA Hopper GPU 核心。

📊 競品分析▸ Show

模型名稱	多模態能力	上下文窗口	開源狀態	SWE-Bench Pro (編碼)	BrowseComp (網頁瀏覽)	Terminal-Bench 2.1 (終端執行)	API 定價 (每百萬 token)
MiniMax M3	文字、圖像、影片、桌面操作	1M tokens (保證 512K)	聲稱開源 (權重待發布)	59.0%	83.5%	66.0%	輸入 $0.30 / 輸出 $1.20 (促銷價)
Anthropic Claude Opus 4.8	通用多模態	長上下文 (具體數值未提供)	閉源	69.2% (Opus 4.8)	79.3% (Opus 4.7)	74.6% (Opus 4.8)	通常較高
OpenAI GPT-5.5	通用多模態 (GPT-5.4 支援視覺+音訊、電腦操作)	未明確提供	閉源	58.6%	未明確提供	未明確提供	通常較高
Google Gemini 3.1 Pro	文字、圖像、影片、音訊	1M tokens (Gemini 3.5 Flash)	閉源	54.2%	未明確提供	未明確提供	通常較高

MiniMax 稀疏注意力 (MSA) 架構:
- 取代標準 Transformer 模型中計算複雜度呈二次方增長的注意力機制，以解決長上下文處理的成本問題。
- 採用兩階段機制：輕量級索引分支首先掃描輸入 token 並選擇相關的鍵值 (KV) 緩存區塊，然後僅對這些選定的區塊執行昂貴的注意力計算。
- 在百萬級 token 上下文長度下，每 token 計算量降至前一代 M2 的 1/20。
- 據 MiniMax 報告，輸入處理速度提升約 9.7 倍，響應生成速度提升約 15.6 倍（在完整上下文長度下）。
- 與 DeepSeek 的多頭潛在注意力不同，MSA 在未壓縮的鍵值數據上操作，公司聲稱這避免了長上下文中的精度損失。
原生多模態訓練:
- M3 是從「零步驟」開始進行混合模態訓練的原生多模態模型，而非將預訓練的文本網絡與單獨的視覺模型融合。
- MiniMax 重組了整個數據管線，將預訓練數據擴展到數百 TB，實現了文本和視覺語義空間的深度對齊。
上下文窗口:
- 支援高達 100 萬 token 的上下文窗口，並保證至少 512K token，為長程代理任務、長程編碼和長影片理解提供基礎設施。

開源多模態模型將加速 AI 創新與普及。

MiniMax M3 作為首個結合前沿編碼、百萬級上下文和原生多模態能力的開源模型，降低了尖端 AI 技術的門檻，鼓勵更廣泛的開發者社區參與創新。

AI 代理的自主執行能力將大幅提升。

M3 在自主重現研究論文和優化 GPU 核心等任務中展現的長程自主執行能力，預示著 AI 代理在複雜、多步驟任務中的應用將更加廣泛和高效。

稀疏注意力機制將成為長上下文 AI 模型的主流技術。

MiniMax 稀疏注意力 (MSA) 顯著降低了長上下文處理的計算成本並提升了速度，使其成為實現經濟高效的百萬級 token 上下文窗口的關鍵技術，其他領先模型也採用了類似方法。

2021-12

MiniMax 成立

2022-10

推出 Glow 應用程式 (後更名為 Talkie)

2024-03

阿里巴巴集團領投 6 億美元融資，公司估值達 25 億美元

2025-01

推出 MiniMax-01 LLM 產品線，包括 MiniMax-Text-01 和 MiniMax-VL-01

2025-10

推出 MiniMax M2 模型

2026-01

MiniMax 在香港證券交易所上市

2026-03

推出 MiniMax M2.7 模型

2026-06

推出 MiniMax M3 模型

MiniMax M3 手測：多模態推理能力實測