什麼是 MiniMax M3？MiniMax 的 100 萬上下文多模態旗艦

MiniMax M3 是來自中國實驗室的原生多模態、開放權重語言模型，該實驗室也是 M 系列文字模型、Hailuo 影片模型與 Music 系列的幕後推手。該實驗室於 2026 年 6 月 1 日發布，它從 MiniMax M2.7 手中奪下公司自家模型清單的榜首，帶來一百萬個 token 的上下文視窗、原生文字、圖像與影片輸入，以及該實驗室稱為 MSA 的稀疏注意力架構。

這個部落格的封存庫中有十四篇文章提到 {{1}}MiniMax M3{{/1}}。直到現在，其中沒有一篇是關於它本身。這個模型在{{2}}一次又一次的比較{{/2}}中作為對手出現——是較新的 Gemini、Qwen、Grok 或 GPT 用來衡量的{{3}}開放權重參考基準{{/3}}——而這裡一直沒有讀者可以點進、進而了解 MiniMax M3 究竟是什麼的頁面。這就是那個頁面。

規格表

MiniMax M3 是一款混合專家模型，根據 MiniMax 隨權重一同發布的模型卡，其總參數約為 4,280 億，每個 token 約啟動 230 億參數。它原生即為多模態，而非以文字為主再外掛視覺能力：模型卡描述其從第一步開始就以交錯模態進行訓練，且該模型接受文字、圖像與影片輸入並回傳文字。

• 上下文視窗：1,048,576 個詞元，我們自家的型錄條目載明保證至少有 512,000 個詞元的可用上下文
• 最大輸出：我們型錄頁面上為 512,000 個詞元；MiniMax 並未在其自家資料中公布最大輸出數字，因此請將 512K 視為我們的數字，而非供應商的
• 模態：輸入文字、圖像與影片；輸出文字
• 參數：總計約 428B，每個詞元約 23B 活躍
• 推理控制：具備 enabled、adaptive 與 disabled 模式的 thinking 參數
• 建議取樣設定：temperature 1.0、top_p 0.95
• 架構：MiniMax Sparse Attention（MSA），即 arXiv 論文 2606.13392 的主題
• 端點形式：OpenAI 相容的 chat completions

最受矚目的架構主張，是關於長上下文下的注意力成本。MiniMax 表示，在百萬 token 視窗下，MSA 的預填充速度比 M2 快超過 9 倍，解碼速度則快超過 15 倍，並將每 token 運算量削減至上一代的大約二十分之一。這些是廠商公布的數據，我們尚未看到有人獨立複現。

MiniMax M3 在 MiniMax 自家產品線中的定位

這是語言模型產品線的頂規之作，但值得精確說明那條產品線包含什麼，因為 MiniMax 所保留、仍列於清單上的模型，尾端比大多數實驗室都更長。該廠商自家的模型文件將它們分成兩類。

• 目前模型：MiniMax M3、MiniMax M2.7、MiniMax M2.7-highspeed
• 舊版模型，仍列出：MiniMax M2.5、MiniMax M2.5-highspeed、MiniMax M2.1、MiniMax M2.1-highspeed、MiniMax M2
• 其中最早的 MiniMax M2，具備 200,000 個詞元的上下文，以及包含思維鏈在內、最高 128,000 個詞元的輸出
• MiniMax 並未在同一份文件中公布 M2.7 或 M2.1 的上下文或輸出限制

代際差距確實存在，但在兩款模型同時出現的唯一一項指數上，差距並不巨大。Artificial Analysis 在 Intelligence Index v4.3.2 修訂版上給 MiniMax M3 評為 29 分，並在同一修訂版上給 MiniMax M2.7 評為 23 分——29 分讓 M3 在該修訂版的表格中於 114 款模型裡排名第 16，而 23 分則讓 M2.7 排名第 36。M2.7 於 2026 年 3 月發布。這次躍升只是一步，而非一個世代，而且值得從同一修訂版來解讀這兩個數字：這項指數於 2026 年 9 月 7 日重新校準，該日期之前的分數與之後的分數無法互相比較。

費用是多少

MiniMax 在其按用量付費的價目表上，依請求規模為 M3 定價，而公布的費率相較於較高的定價，享有永久的 50% 折扣。

• 最多 512K 輸入 token：每百萬輸入 token $0.30、每百萬輸出 token $1.20、每百萬快取讀取 $0.06 —— 對比定價表的 $0.60 / $2.40 / $0.12
• 超過 512K 輸入 token：每百萬輸入 $0.60、每百萬輸出 $2.40、每百萬快取讀取 $0.12 —— 對比定價表的 $1.20 / $4.80 / $0.24
• 優先服務層級：標準費率的 1.5 倍，因此小型請求層級為 $0.45 / $1.80 / $0.09，透過將 service_tier 設為「priority」來選用
• 未公布：MiniMax 未列出 M3 的快取寫入價格，僅有快取讀取價格

OrcaRouter 以同樣的價格提供 MiniMax M3——輸入 $0.30、輸出 $1.20——且未在供應商費率之上加收任何費用。它是我們型錄中的精選模型，流量也絕非微不足道：截至撰稿時，過去七天內已路由了 1.537 億個 token，首字時間（time-to-first-token）的 p50 為 4.26 秒，p95 為 10.00 秒。

MiniMax M3 有哪些可量化的優勢

先從 MiniMax 自行公布的數字談起，這些數字全都是廠商自行提供的，而且我們還沒看到任何第三方重現過。

• SWE-Bench Pro：59.0%
• Terminal-Bench 2.1：66.0%
• SWE-fficiency：34.8%
• MCP Atlas：74.2%
• BrowseComp：83.5，這是廠商在代理式搜尋上主打宣傳的數字
• Video-MME：84.6（512 幀），而外部 API 的幀數上限為 640
• KernelBench Hard：28.8%
• OSWorld-Verified：68.70%（最多 100 步），在 200 步時升至 70.06%

獨立的評測結果也指向相同方向。Artificial Analysis 在修訂版 v4.3.2 中，將 MiniMax M3 的 Intelligence Index 評為 29，在 114 個模型中排名第 16，而每個模型跑一次該指數的費用為 0.51 美元——在該成本指標上於 114 個模型中排名第 21。輸出速度為每秒 106.4 個 token，相較中位數 67.1；首個 token 時間為 1.25 秒，相較中位數 2.33 秒。這兩項都優於同級距的典型表現，而價格則遠低於該級距。

同一索引系列的第三方重新發布補齊了各項子分數：SWE-bench Verified 為 80.5%，tau-squared-bench 為 88.9%，AA-GPQA Diamond 為 92.9%，AA-LCR 為 83.0%，AA-IFBench 為 82.9%，OmniDocBench 1.5 為 91.6%，USAMO 2026 為 85.7%。文件理解與指令遵循看起來是真正的強項，而長上下文推理分數也與其架構設計的敘事相符。

它在哪些方面有可量化的糟糕表現

這些坦誠的弱點集中在兩個地方，而兩者都可見於已公布的數字中。

• 代理能力的落差最為關鍵：在同一份第三方轉載中，MiniMax M3 在 AA Coding Index 拿下 58.6 分，但在 AA Agentic Index 僅得 30.8 分。它撰寫程式的表現，遠遠優於自主執行長時間多步驟任務的能力。
• 知識與幻覺：AA-Omniscience Index 為 1.4，準確率 16.7%，幻覺率 18.4%。這是一個會對自己不懂的事物自信回答的模型。
• OSWorld 2.0：4.6%
• CritPt：3.7%，這是我們在各處找到 M3 最弱的公開發表分數
• ResearchClawBench：19.8%
• 冗長程度：完成 Intelligence Index 需輸出 1.2 億個 token，在 114 個模型中排名第 11 —— 這是個話很多的模型，而在偏重推理的提示上，這會反映在帳單上
• 綜合分數的下限：某第三方彙整機構給出 100 分中的 55.28 分，在 505 個模型中排名第 60，不過這僅涵蓋 481 項基準中的 50 項，因此該綜合分數是下限而非定論

有些項目根本沒有被測量，而我們寧願如實說明，也不願填補這個空白。MiniMax 以外的任何人都沒有重現上方的廠商基準表。Artificial Analysis 本身並未發布 M3 的 Coding Index 或 Agentic Index 數字——58.6 與 30.8 這對數字來自第三方轉載同一系列指數。Artificial Analysis 將 AA-Omniscience 列為其指數的一個組成部分，但並未發布 M3 的 Omniscience 數值分數。MiniMax 並未公布最大輸出數字，所以我們自家模型頁面上的 512K 是我們自己的。而且廠商價目表上完全沒有快取寫入價格。

誰應該選擇 MiniMax M3，而誰又應該選擇其他方案？

當任務同時需要長上下文與多模態能力時，就選 MiniMax M3。一百萬個 token 並支援影片輸入、可自行下載執行的開放權重，再加上每百萬 token 0.30 美元的輸入價格，這樣的組合在開放權重領域中沒有其他方案能乾淨俐落地比擬。長文件分析、影片理解、儲存庫規模的程式碼閱讀，以及文件擷取流程，正是其實測優勢所在——OmniDocBench 的 91.6% 與 AA-LCR 的 83.0%，就是支持它的有力數據。

有三種情況，請改選其他方案。如果你不需要上下文視窗或視覺輸入，MiniMax M2.7 的價格同樣是 $0.30/$1.20，在目前的指數修訂版上得分為 23，而 M3 為 29，而且營運負擔較小——M3 的優勢並非免費，只是標價相同。如果你的工作負載是自主代理，而非程式設計，代理能力的落差就是該另尋他處的理由，而 MiniMax 自家的比較表也指向同一處：在 PostTrainBench 上，廠商報告 M3 為 0.37，而 Opus 4.7 為 0.42、GPT-5.5 為 0.39，這是它唯一公布的基準測試，M3 在其中同時輸給兩者。而如果你需要沒有附帶條件的授權，請先讀下一段再決定。

授權條款正是許多報導略過的關鍵陷阱。MiniMax M3 是依 MiniMax Community License 發布，而非 Apache 或 MIT。非商業用途免費。商業用途雖獲允許，但你必須顯著展示「Built with MiniMax M3」。年營收低於 2,000 萬美元時，你需提交一次性通知；超過此門檻，則需事先取得 MiniMax 的書面授權，並透過電子郵件提出申請，主旨為「M3 licensing - authorization request」。該授權條款也附有一份禁止用途的附錄。如果你要推出產品，這是一項法律審查，而不是形式程序。

實用摘要

MiniMax M3 是 MiniMax 語言系列目前的旗艦：一個約 428B 參數的混合專家模型，每個 token 約有 23B 啟用參數、一百萬 token 的上下文、原生影片與圖像輸入，以及稀疏注意力——供應商將其歸功於在完整上下文下，每個 token 的運算量減少 20 倍。它於 2026 年 6 月 1 日發布，所以這是一款已然成熟的模型，而非新模型——2026 年 9 月有趣的問題不是它好不好，而是它適合你工作負載的哪一半。

實測得到的答案是：它在程式碼與文件方面很強，在知識方面表現普通，在自主代理式工作上則偏弱。以它所能做到的事而言，它很便宜，而且它是少見的開放權重模型，其長上下文的主張經得起獨立檢視。授權條款則是大多數團隊必須自行斟酌取捨的部分。

MiniMax M3 在 OrcaRouter 上以供應商原價運行，零加成，並透過與這裡其他所有項目相同的 OpenAI 相容端點提供服務：一組 API 金鑰即可觸及 200+ 個模型，若端點失效會自動容錯轉移，而當你想固定或混合路由時，還可使用路由 DSL。如果你想在決定前將它與型錄中其餘項目比較，模型頁面提供了即時價目表、首個 Token 時間的百分位數與流量資料。