当百万字卷轴遇上写代码的幽灵：MiniMax M3 的三重觉醒

2026年6月1日，MiniMax 丢出了一份答卷。它并非又一个参数更大的模型，是一套完整的作战装备：一把能读百万行代码的刀、一双能看懂图表的眼睛、一个能在终端里独自工作二十四小时的灵魂。

📜 一、这是啥：阁楼里的制图师

1.1 从 abab 到 M3：一家公司的六年速写

MiniMax 不是一夜冒出来的。2021 年底，几个前商汤工程师在上海租了间办公室，取了个数学味很浓的名字。他们的第一款大模型叫 abab——听起来像婴儿牙牙学语，倒也贴切，毕竟那时候所有人都在学说话。

此后的节奏像一张逐渐拉紧的弓：

• 2025 年 1 月：开源 MiniMax-01 系列，亮出 Lightning Attention——一种把长序列复杂度从平方压到线性的野心；
• 2025 年 6 月：M1 发布，456B 总参数，45.9B 激活，百万上下文——这是国内最早把 1M token 窗口做成常态的模型；
• 2025 年 10 月：M2 切换到 Sparse MoE 架构，230B 总参数里只激活 10B，推理成本压到同水平闭源模型的 8%；
• 2026 年 2 月：M2.5 成为主力旗手，SWE-Bench Verified 刷到 80.2%；
• 2026 年 3 月：M2.7 开启"递归自我进化"实验，模型开始参与生成自己的训练数据；
• 2026 年 6 月 1 日：M3 登场，Coding + 1M 上下文 + 原生多模态，三者齐备，且开源。

这张时间表里藏着一个信号：MiniMax 的发布间隔从半年缩到一个月。发布间隔缩短，并非赶工所致。M2.7 开启的"自我进化"管线开始运转——模型帮模型造数据，人只需在关键节点校准方向。

小贴士：MoE（Mixture-of-Experts）意为"专家混合"。想象一家咨询公司里有 230 位专家，但每次开会只请 10 位最相关的。人少了，会议室小了，但决策质量不降——前提是"请对人"。

1.2 MSA：注意力机制的"稀疏化手术"

Transformer 的注意力机制有个天生的瘸腿：输入序列越长，计算量按平方膨胀。读一千字和读一百万字，后者不是前者的千倍，而是百万倍。这个 \(O(N^2)\) 的诅咒，是所有长上下文模型的第一道鬼门关。

MiniMax 的解法是 MSA——MiniMax Sparse Attention。核心思路很朴素：不必让每个字都问遍所有字。先粗筛，再精算。

具体怎么做？MSA 把 KV cache 切成固定大小的块（block），每个 query token 先跟所有块的"代表"打个照面——算一个块级别的亲和分数。分数高的块留下，低的扔掉。然后只在选中的块内部做精细的注意力计算。

这跟 MoBA（Moonshot AI 的方案）有点像，但刀法不同：

MSA 的一个关键设计叫 "outer gather Q"——以 KV 块为外层来聚合命中的 query。每块只读一次，访存连续，在 M3 的 head 配比下计算访存比显著优于通行方法。官方称比 Flash-Sparse-Attention 和 flash-moba 快 4 倍以上。

小贴士：KV cache 是 Transformer 推理时的"记忆仓库"。每个已生成的 token 都会产生一对 Key 和 Value，存在仓库里供后续 token 查阅。上下文越长，仓库越大，查找越慢。稀疏注意力的本质，是给仓库装上索引系统。

1.3 原生多模态：不是后拼的拼图

很多所谓的"多模态模型"，其实是先训好一个文本模型，再嫁接视觉模块。像给一台纯文字的打字机接上摄像头——能拍了，但眼睛和大脑各说各话。

M3 从 Step 0 就开始多模态混合训练。文本、图像、视频的数据在同一个序列里交替出现，模型从一开始就把不同模态的语义空间揉在一起。MiniMax 的实验表明，交错数据（Interleaved data） 对性能的提升比预期更关键——文本和图像在序列中自然排列，不是人工标注的对齐，而是原生交织。

这带来一个结果：M3 能一边读论文 PDF（图文混排），一边写代码复现实验，一边看实验输出的曲线图调整参数。三种模态不是三个插件，是同一条神经通路上的不同车道。

🔥 二、有啥用：三重面具下的真功夫

2.1 Coding 能力：不是会写代码，是会干工程

M3 在 Coding 基准上的数字，先看表，再拆解：

SWE-Bench Pro 59.0% 是什么水平？超过 GPT-5.5 和 Gemini 3.1 Pro，接近 Claude Opus 4.7。但"接近"二字需要拆开看——Opus 4.7 的具体分数在公开资料中未完全披露，从 GLM-5.1 的对比数据推算，Opus 4.7 约在 57-60% 区间。若差距在 5 个百分点以内，"接近"成立；若超过 10 个点，则是"明显落后"。独立验证尚待第三方实验室跑分。

更值得关注的是 Terminal Bench 66.0% 和 MCP Atlas 74.2%。这两个指标测的不是"写代码"，而是"用工具"——在终端里跑命令、调用 API、查文档、修 bug。这是 Agent 能力的核心：模型不再是文本生成器，而是能动手的环境操作者。

2.2 故事一：十二小时，一篇论文从零到复现

M3 的内部测试里，最打动我的是一个"论文复现"任务。

目标：复现 ICLR 2025 Outstanding Paper《Learning Dynamics of LLM Finetuning》——研究大模型微调过程中的"学习动力学"。

M3 自主运行了接近 12 小时，产出 18 次 commit、23 张实验图表。全程无人干预。

它做了什么？

• 读：用多模态能力看懂论文里的曲线图、公式、数据表格；
• 记：1M 上下文把整篇论文 + 代码 + 实验日志一次性塞进窗口，不用切分；
• 写：编程能力把伪代码变成可运行的实验；
• 调：Agent 能力自主迭代，发现预测概率变化趋势吻合论文描述，观测到 DPO 阶段的 squeezing 效应，验证了 Extend 缓解方法。

这个任务里，四个能力缺一不可。缺多模态，看不懂图；缺长上下文，论文和代码装不下；缺编程，跑不起来；缺 Agent，没人推它下一轮。

2.3 故事二：二十四小时，从废品到生产级 CUDA kernel

FP8 GEMM（矩阵乘）是大模型推理中最吃算力的环节。在 NVIDIA Hopper 架构上手写一个生产级 kernel，资深团队通常需要 1-2 周。

M3 的起点极其苛刻：只有任务描述、一个 benchmark 脚本、一个跑不起来的 Triton 骨架。没有参考实现可以抄。

24 小时内：

• 147 次 benchmark 提交
• 1959 次工具调用
• 自主完成 baseline 实现 → autotune 配置生成 → 性能瓶颈诊断 → CUDA Graph 集成 → persistent kernel 重写 → host 端调度优化

FP8 峰值利用率从首版 7.6% 推到 71.3%，实现 9.4 倍加速。

7.6% 意味着什么？废品。一个几乎不工作的 kernel，被 M3 一步步修到能用、再到好用。这不是"从好到更好"的优化故事，是"从零到一"的创造故事。9.4 倍的前提，是起点够低。

另一个细节：除 Opus 4.7 和 M3 外，其他模型大多在 30 次提交内就放弃退出。M3 的最优解出现在第 145 次——此前经历了多个平台期，但仍在尝试新方向。这种"在死胡同里继续敲门"的执拗，是长程自主迭代能力的硬指标。

2.4 故事三：让 M3 自己"训"模型

如果说 CUDA 优化是"目标明确、反馈清晰"的考试，那训练模型就是开卷作文——没有标准答案，只有"试试看"。

PostTrainBench 的任务：给 M3 四个只完成预训练的 Base 模型，让它在 12 小时内自主完成数据合成 → 训练 → 评测 → 迭代，最终在数学推理（AIME2025）、工具调用（BFCL）、科学推理（GPQA）、算术（GSM8K）、代码（HumanEval）上让模型具备基本能力。

全程无人干预。M3 自己决定合成什么数据、选什么训练策略、评测结果不好时下一轮怎么调。

最终得分 0.37，略低于 Opus 4.7（0.42）和 GPT-5.5（0.39），但明显领先其余模型。

它不是最强的。但它在"没人给标准答案"的旷野里走通了全程。

2.5 多模态实战：SVG-Bench 和 OmniDocBench

M3 在 SVG-Bench（综合评估 SVG 生成）上超过 Opus 4.7，在 OmniDocBench（文档理解）上超过 Gemini 3.1 Pro，在端到端 Agent 评测 Claw-Eval 上拿最高分。

这些数字不如 Coding 指标性感，但它们指向同一个事实：M3 的"眼睛"和"手"是配套的。它能看懂设计稿，然后写出对应的 SVG 代码；它能读一份带图表的研究报告，然后提取数据、画图、写分析。这是原生多模态训练的回响——不是文本模型长了眼睛，是一个新物种从胚胎期就长了复眼和触角。

⚙️ 三、怎么用：把刀交给谁，怎么定价

3.1 MiniMax Code：不只是 Claude Code 的中文版

MiniMax Code 是专为 M3 设计的 Agent 产品。它跟 Claude Code 对位，但刀法不同：

Claude Code 更像一位严谨的工程师：你给需求，它执行，每一步有确认门。MiniMax Code 更像一支小队：Producer 写代码，Verifier 挑 bug，两人吵架，吵出一个更好的版本。用户随时可介入，追加需求或修正方向。

得益于 M3 的原生多模态，MiniMax Code 能做一件事：你在手机上说"帮我打开本地 ERP 客户端，按这份 Excel 批量录入发票信息"，它自动在电脑端完成跨应用、跨文件、跨系统的操作。这是 Computer Use 的落地场景——不是演示，是干脏活。

3.2 Token Plan：便宜量大，不等于好用

MiniMax 的定价像一把 blunt instrument：

按相同价格算，约是 Claude 订阅的 15 倍用量。

但"token 价格 ≠ 模型质量"。便宜量大是必要条件，不是充分条件。M3 的 thinking 模式延迟、API 稳定性、长上下文下的推理一致性——这些才是决定"好不好用"的暗线。官方称 API 支持 thinking / non-thinking 双模式，同一套定价，按需切换。thinking 适合复杂推理和 Agent 任务，non-thinking 响应更快，适合对话和代码补全。

还有一个变量：服务等级。默认通道适合常规请求；优先通道（service_tier=priority）在高并发场景下获得调度优先级和更稳定响应时延，适合 SLA 敏感的工业场景。优先通道目前需销售对接，几天后全量开放。

3.3 API 与开源：十日之约

M3 API 已开放，按上下文长度分两档计价。老用户的原有套餐价格保留，除 M2 外可按对应价格切换到 M3。

MiniMax 承诺：10 天内更新技术报告并开源模型权重。

这个承诺的分量，需要放在历史里看。MiniMax 的 M1、M2、M2.5、M2.7 均按时开源（MIT 协议），Hugging Face 上可查。国内模型"承诺开源后跳票"的案例不少，但 MiniMax 的 track record 是干净的。当然，M3 的 MSA 架构是否能在开源后顺利适配 vLLM、SGLang 等主流推理框架，还需要社区验证。

3.4 局限：数字之外的真实

任何模型都不是银弹。M3 的局限至少有三：

第一，基准测试的语境陷阱。 M3 的多个结果是基于自身基础设施跑的，且使用了 Claude Code、Mini-SWE-Agent、Terminus 等 Agent 框架。这意味着"模型能力"和"脚手架能力"混在一起。同样的模型换一套框架，分数可能浮动。独立第三方复测之前，数字是参考，不是定论。

第二，长上下文下的注意力质量。 MSA 在 1M 上下文下的表现，官方称"绝大部分能力与全注意力打平"。但"绝大部分"留了一扇后门——哪些任务掉了链子？MiniMax 未披露 MSA 在极端长序列上的 needle-in-haystack 精读能力衰减曲线。

第三，多模态的"看懂"不等于"理解"。 M3 能读论文里的图，但能读懂图背后的统计假设吗？能区分显著性标记和噪声吗？原生多模态解决了"格式兼容"，但"语义深度"仍需时间检验。

🌌 尾声：三幕剧之后的留白

MiniMax M3 谈的不是参数更大，是一次能力组合实验：Coding + 1M 上下文 + 原生多模态，三者齐备，且开源。

海外闭源前沿模型拥有这三项能力是常态。国内做到三合一且开源，M3 是第一个。这不是"超越 GPT"的叙事，是"补齐拼图"的叙事。

拼图完整之后，新的玩法才刚刚开始。

M3 的三个实战故事——论文复现、CUDA 优化、自主训练——揭示了一个趋势：下一代 Coding Agent 的比拚，不在单次代码生成的准确率，而在长线程协作能力、规划能力、人与 Agent 的协同效率。模型能独自工作 12 小时、24 小时，能在平台期继续敲门，能在开放问题上自主决策——这些才是从"工具"到"伙伴"的质变。

MiniMax 的 Token Plan 把 frontier 模型的价格压到 Claude 的 1/15，MiniMax Code 把 Agent 能力开放到桌面操作层面。如果 10 天后的开源如期兑现，社区将第一次有机会在本地 GPU 上运行一个同时具备 Coding、1M 上下文、多模态的模型。那不是消费，是接管。

"今天的模型更新速度之快，很容易让人忘记这依然是一件日拱一卒的事情。它有自身客观规律，也会奖赏循着规律扎实前进的团队。"

——MiniMax M3 发布博文末尾

📚 参考文献

1. MiniMax M3 官方发布博文 (2026-06-01). MiniMax M3：前沿 Coding 能力，1M上下文，原生多模态，一个模型全给你. https://www.minimaxi.com/blog/minimax-m3

2. Liu et al. (2025). MoBA: Mixture of Block Attention for Long-Context LLMs. Moonshot AI. 提出块级稀疏注意力机制，通过无参数门控实现 top-k 块选择，在 1M token 上下文下实现 40 倍加速。

3. DeepSeek-AI (2025). Native Sparse Attention: Hardware-Aligned and Natively Trainable Sparse Attention. 提出硬件对齐的原生可训练稀疏注意力，通过粗粒度 token 压缩和细粒度 token 选择两阶段实现高效长上下文建模。

4. Jimenez et al. (2024). SWE-bench: Can Language Models Resolve Real-World GitHub Issues? ICLR 2024. 软件工程基准测试框架，评估 LLM 在真实 GitHub issue 上的修复能力，已成为 Coding Agent 事实标准。

5. Ouyang et al. (2025). KernelBench: A Benchmark for Automatic Kernel Optimization. 评估 LLM 自主优化 GPU kernel 的能力，测试模型从 Triton/CUDA 骨架到生产级实现的迭代优化能力。

#MiniMax #M3 #MSA #稀疏注意力 #Coding #Agent #开源 #小凯