MiniMax 釋出 M3 模型：支援 100 萬上下文與原生多模態，解碼快 15 倍

MiniMax M3 是一個支援 100 萬 token 上下文、原生多模態並具備桌面電腦操作能力的開源權重模型。它主打程式碼工程和複雜 Agent 任務，把此前商業閉源模型才普遍具備的三項核心能力打包進了開源生態中。

它能做什麼

在程式碼和終端任務上，M3 在 SWE-Bench Pro 上拿到了 59.0% 的成績，超過了 GPT-5.5 和 Gemini 3.1 Pro，在 Terminal-Bench 2.1 和 MCP Atlas 上也分別達到 66.0% 與 74.2%。

除了跑分，它展示的長程自主工程能力更值得關注。在官方測試中，M3 自主執行近 12 小時，完成了 ICLR 2025 獲獎論文的核心實驗復現，全流程交出了 18 次提交和 23 張實驗圖表。

在底層的運算元最佳化任務中，給它一段跑不通的骨架程式碼，M3 連續探索 24 小時，通過 147 次基準測試提交和近 2000 次工具呼叫，把 NVIDIA Hopper 架構上的 FP8 GEMM 硬體峰值利用率從 7.6% 一路拉昇到 71.3%，實現了 9.4 倍的加速。

它還支援原生多模態輸入，能看懂影像和影片，並配合 MiniMax Code 實現桌面電腦操作，用來處理辦公搜尋或跨軟體工作流。

怎麼做到的與怎麼用

為了跑通 100 萬上下文，M3 採用了自研的 MSA（MiniMax Sparse Attention）稀疏注意力架構。它通過更精確的 KV 分塊和連續記憶體讀取機制，避開了全注意力機制計算量隨長度平方級膨脹的問題。

在 100 萬 token 長度下，M3 的單 token 算力消耗降到上一代模型的二十分之一，預填充速度提升超 9 倍，解碼速度比前代提升 15 倍，實測運算元效率超過了 Flash-Sparse-Attention 等開源方案。

同時，M3 從預訓練第 0 步就採用了圖文交錯的原生多模態訓練，並在後訓練中用模擬器框架專門強化了多輪互動和長程規劃能力。

目前 M3 已經開放權重，開發者可以通過 MiniMax Code、Token Plan 以及官方 API 直接上手呼叫。

為什麼重要

對開發者和研發團隊來說，M3 填補了開源生態的一個空白：此前想要同時兼顧百萬長上下文、原生多模態與頂尖程式設計智慧體能力，幾乎只能依賴昂貴的閉源介面。

我們認為，M3 最亮眼的是它在長時間任務中展現出的耐挫力與自主決策水平。連續迭代 140 多輪才摸索出最佳運算元解法，說明它不是簡單碰運氣，而是真正能在結構化長上下文中保持規劃邏輯。如果你需要一個能做深度程式碼重構、長時間自主排錯且不想受制於商業 API 的底座模型，M3 絕對值得現在就拉起來跑一跑。