中国MiniMax开源百万Token模型，真实编程任务超越GPT-5.5

2025年4月24日，MiniMax发布M3，该模型有意超越其前代M2，旨在重新定义开源前沿模型的能力。发布时间点至关重要。西方实验室如OpenAI和Anthropic正将其最佳模型置于付费墙和API限制之后。MiniMax选择以开源权重形式发布M3，这一决定兼具技术分量和竞争意义。minimax-launches-m27-model-with-strong-software-engineering-and-office-productivity-skills

该模型集成了MiniMax认为前沿系统所需的三个要素：原生多模态（图像和视频输入）、智能体编程以及百万Token上下文窗口。三者共存于单一架构中，并非事后添加。这种集成方式，已在GPT-4o和Claude 3.5等模型中实现，使M3成为中国首个提供全套功能的开源模型。one-million-tokens-four-flagships-the-real-benchmark-is-what-you-can-actually-use

稀疏注意力的算术

M3的技术基础是MSA（MiniMax稀疏注意力），这是一种全新架构，旨在解决全注意力机制的核心扩展限制：序列长度的二次复杂度。稀疏注意力并非全新概念，已有DSA和MoBA等解决方案，但MSA采用了更细粒度的KV块分区方法，团队称其实现了更高的有效上下文覆盖率。

效率提升是实实在在的。在百万Token级别，M3的每Token计算量仅为M2的1/20。预填充阶段速度提升超过9倍，解码速度提升超过15倍。这些数字来自自定义内核实现，即KV outer gather Q，它按顺序读取内存，相比Flash-Sparse-Attention和flash-moba等开源实现实现了4倍加速。the-hidden-bottleneck-in-ai-inference-why-deepseeks-dspark-rewrites-the-rules-of-speculative-decoding

MiniMax报告称，MSA在大多数基准测试中的能力与全注意力机制相当。这一说法至关重要。如果稀疏注意力引入盲点，导致召回率、幻觉或指令遵循方面的损失，那么上下文扩展带来的收益将隐含代价。所提供的基准测试未显示性能倒退，但独立验证将给出最终答案。

智能体训练的新方法

MiniMax对智能体能力的处理是该模型最重要的一次押注。大多数编程基准测试测试单轮任务：模型接收提示并生成解决方案。真正的开发是多轮、迭代和协作的。MiniMax构建了一个交互式用户模拟器框架，训练模型处理多轮交互序列，包括需求澄清、反馈修订和任务切换。why-your-ai-agent-might-ace-the-task-but-flunk-the-process-enter-skillcoach

在标准智能体基准测试上的结果表现扎实：SWE-Bench Pro为59.0%，Terminal Bench 2.1为66.0%，MCP Atlas为74.2%。但框架本身更为重要。通过将智能体基准测试差距视为训练数据问题而非架构限制，MiniMax开辟了一条其他实验室可以遵循的路径，一条不需要专有环境或封闭基础设施的路径。

真实世界演示：基准测试与工作流之间的差异

除了基准测试，MiniMax还发布了两项详细的案例研究，展示了模型在长时间自主执行中的能力。

论文复现。 MiniMax让M3独立复现了一篇ICLR 2025杰出论文奖获奖作品。模型自主运行了近12小时，产生了18次提交和23张实验图表。它匹配了SFT阶段的概率趋势，观察到了原始DPO实验中讨论的压缩效应，并验证了Extend缓解方法。所有这些仅来自论文PDF和代码库的单一输入，完全在百万Token上下文窗口内处理完成。anthropic-launches-claude-science-an-ai-workbench-for-scientific-research-1

CUDA内核优化。 技术上更具揭示性的测试涉及一个极其狭窄、高度专业化的优化问题：为NVIDIA Hopper GPU编写生产级FP8 GEMM内核。M3仅收到任务描述、基准测试脚本和一个非功能性Triton骨架。无参考代码。在24小时内，经过147次基准测试提交，模型经历了六轮优化，从基线仅达到7.6%的硬件峰值利用率，最终提升至71.3%。实现了9.4倍的加速。最优解决方案出现在第145次提交，经过多次平台期。这种持久性在语言模型中极为罕见，后者通常在30次尝试后停止迭代。the-verification-horizon-why-rewarding-coding-agents-is-getting-harder

PostTrainBench评估中，M3在12小时内训练了四个基础模型，涉及数学、工具调用和编程任务（得分0.37，对比Opus 4.7的0.42和GPT-5.5的0.39），这表明MiniMax将智能体能力视为管道级技能，而不仅仅是单轮推理结果。

定价策略：价格仅为对手的十五分之一

API定价和Token计划订阅使得MiniMax的竞争定位一目了然。Plus层级每月49元人民币（6.80美元），提供6亿Token，约是Claude Pro每月20美元容量的五倍。在极端规模下，Ultra层级每月469元人民币（65美元），提供55亿Token，约是Claude Max每月200美元容量的三倍，而价格约为其三分之一。

MiniMax将此视为理性之举：让被西方API定价排除在外的开发者能够经济地使用前沿模型。这是否会导致可持续的营收模式，或是中国AI云定价的竞底，取决于未来一年的推理效率和需求扩展。how-alibaba-cloud-pushed-its-way-into-20-gartner-quadrants-and-what-it-means-for-the-ai-cloud-race

复杂性与未解问题

M3的演示令人印象深刻，但仍有若干问题未解决。首先，模型的后训练数据管道严重依赖于交错数据，即文本、图像和视频在训练序列中混合。MiniMax的内部实验表明，这比合成数据扩展效果更好，但团队尚未披露确切比例或策展方法，使得独立复现变得困难。ai2-releases-olmo-eval-an-open-evaluation-workbench-for-active-llm-development

其次，模型仍在逐步推出中：权重和技术报告承诺在十天内发布。在此之前，社区依赖API访问和MiniMax自身的基准测试进行验证，这是一种开源项目传统上回避的信任要求。

最后，虽然M3的演示展示了长时间自主性（12和24小时），但这些都是精心界定的任务。模型能否在开放、模糊的目标（智能体系统的真正考验）中维持可靠行为，仍有待观察。

开源前沿模型的明确方向

MiniMax M3并未声称在所有方面超越GPT-4o或Claude Opus 4.7。但通过将多模态理解、长上下文推理和智能体编程整合到一个开源包中，并辅以全新设计的架构和奖励迭代交互的训练管道，它强有力地证明了开源权重模型能够以极小成本在能力上竞争。minimax-launches-m25-a-coding-and-agentic-ai-model-with-state-of-the-art-performance

下一步是采用。如果M3的开源发布和激进定价吸引了一个开发者生态系统，而该生态系统本身在此模型基础上构建智能体工作流，那么中国与西方前沿实验室之间的差距可能会比许多人预期的更快缩小。