我们离理想大模型还有多远：MiniMax M3 测评
阮一峰约 6 分钟一、引言
我问大家一个问题，普通用户的理想大模型应该什么样？
在我看来，如果你要天天使用一个大模型，它最好同时满足四个条件。
（1）性能强，尤其具有强大的编程能力。
（2）上下文窗口大，最好达到100万 Token，原因见后文。
（3）多模态，不仅处理文本，还处理图片、视频、音频等，最好还能操作计算机。
（4）价格不贵，量大，便宜，管饱。
那么，有符合这些条件的理想模型吗？
很可惜，据我所知，好像没有。国外的旗舰模型倒是符合前三个条件，但是太贵了；国内的开源模型虽然不贵，但往往是单模态，做不到（文本、图像、视频、音频）全兼容，而且上下文窗口也不大。
二、MiniMax M3
本周一，MiniMax 发布了他们最新的旗舰模型 M3[1]。
我原来没在意，心想只是一次常规的版本升级，但是看了一眼发布报告[2]，突然震惊地发现，它竟然同时符合上面的四个条件。
相比上一个版本 M2.7，这次升级后，上下文窗口从20万增大到100万，单模态的文本模型升级为多模态，基准测试的得分也没有降低。至于价格，有提供配套的 Token Plan。
看上去，它完全是理想大模型的候选人。
这激发了我的兴趣，第一时间就做了一些简单测试。
三、100万上下文窗口
开始之前，先解释一下，更大的上下文窗口有什么好处。
上下文窗口（context）指的是模型一次能够处理的最大 Token 数量。这个值越大，能够一次向模型提供的背景信息就越多，理论上生成的结果也会越准确。
对于大型项目和长程操作，每一轮跟模型交互，都会附带从头开始的所有操作结果。显然，大的上下文窗口对它们非常重要，不会有材料放不下的顾虑。
上下文窗口比较常见的是20万 Token，为什么不放得更大一些呢？
原因是 Token 越多，计算量越大。每一个 Token 都要计算跟其他 Token 的关系，随着上下文窗口的增大，计算量会急剧增长，从而影响模型的性能和成本。
MiniMax M3 的上下文窗口是100万 Token，属于普通用户能够接触到的最大级别。
它敢做这么大，是因为使用了新的技术方案：稀疏注意力架构 MSA。这种方案将 Token 分块和筛选，选出代表性的 Token 参与计算，从而避免了全量计算。官方介绍[3]说，同样数量 Token 的情况下，计算量仅为“上代模型的 1/20”。
“在100万上下文下，M3 每 token 计算量仅为上代模型的 1/20。在 prefilling 阶段，我们实现了超过 9 倍的加速倍率，在 decoding 阶段有超过 15 倍的加速优势。而且在多个对照实验中，MSA 的绝大部分能力与全注意力打平。”
这就是说，跟上一代相比，虽然上下文窗口增大了5倍，但是计算量反而是下降的，而且还不影响生成质量（“绝大部分能力与全注意力打平”）。
四、编程能力测试
从官方提供的测试基准成绩来看，新的技术方案的表现非常好。
“在衡量 Coding 能力的 SWE-Bench Pro 上，MiniMax M3 超过 GPT-5.5 和 Gemini 3.1 Pro，接近 Opus 4.7。
在综合评估 SVG 生成性能的基准 SVG-Bench 上，MiniMax M3 超过 Opus 4.7。”
从这些得分来看，它跟美国头部模型的能力在同一个级别。
下面，我用自己常用的那套测试题[4]，测一下它的编程能力。所有生成结果，都已经部署到官方沙盒，大家可以点击每个测试的链接，进行查看。
需要说明的是，现在的顶级大模型，一般的编程题已经测不出能力极限了，只能用来看看表现。
测试一：网页 UI 重构[5]
测试二：网页 3D 动画《天文轨道模拟器》[6]
测试三：网页游戏《愤怒的小鸟》[7]。
测试四：网页 2D 动画《麦克斯韦小恶魔》[8]
测试五：SVG 图片生成《鹈鹕骑自行车》[9]
做完这些测试，我可以肯定地告诉大家，每一题的表现都比上个版本 M2.7 好，生成结果的质量都非常高，都是完全可以接受的。
就连“网页 UI 重构”这种上个版本已经做得很好的测试，这次都有改进提高，建议大家自己点进去，查看比较。
就这几个测试而言，MiniMax M3 的表现确实不输给其他顶级模型。当然，限于时间精力，这些测试都是前端相关，没有涉及更复杂的后端编程场景。
五、多模态能力
MiniMax M3 的另一大改进，是从单模态变为多模态，接受图片和视频的输入，并能操作电脑桌面。这项能力也得到了很高的测试基准成绩。
“多模态测试集 OmniDocBench 上，MiniMax M3 得分超过 Gemini 3.1 Pro，在面向自主 Agent 的端到端评测框架 Claw-Eval 上，MiniMax M3 得到最高分。”
我猜测，这个版本加入多模态，应该跟上下文窗口变大有一定关系，毕竟较大的 Token 处理能力能保证图像和视频有较好的处理效果。下面是几个简单测试。
测试六：图片理解，下面有几块红色积木？
M3 的回答：
测试七：OCR（文字识别），解读下面的财务报表截图。
M3 的回答：
测试八：视频理解，这段视频[10]0:16处的小动物是什么？
M3 的回答：
从这几个测试来看，M3 的多模态效果还不错，不仅能用来编程，还能用它处理图像和视频。
六、MiniMax Code 和 Token Plan
最后提一下，这次除了大模型以外，还发布了一个桌面客户端：MiniMax Code[11]。
它对标 Claude Code 和 Codex，主要用来编程。
它的底层是开源项目 OpenCode 和 Pi Agent，针对 M3 做了优化，官方推荐两者一起使用。
这个桌面端除了编程，还具备 Computer Use 能力，可以连接手机，通过手机来操作电脑。
官方举了一个例子，你可以对着手机说：“帮我打开本地 ERP 客户端，按这份 Excel 批量录入发票信息”。这个桌面端就会按照命令操作。我这次主要测大模型，就没测这个桌面端，但是我觉得，这个软件本身就有着巨大的想象空间。
这个桌面端和网页端还有配套的 Token Plan[12]，提供按量计费的套餐。
这次的套餐，跟以前相比，有所变化。据官方说明[13]，因为 M3 的 Token 消耗增加，套餐从按次改成了按 Token 计费，并且增加了每周限额。最便宜套餐是每月49元，6亿 Token，一般个人使用应该够了。即使如此，相比其他 Token 套餐，还是十分有性价比。
以前没有周限额的 Token Plan，在二手平台上，现在变成高价出售。这也从一个侧面说明，它的套餐还是挺受欢迎的。
七、总结
初步试用后，我对 MiniMax M3 的印象非常正面。因为以前从 M2.5 升级到 M2.7 时变化不大，我对它的期望并不高，但是测试下来，M3 的这次升级非常有感，在各个方面都明显强于 M2.7。
再加上，它的上下文窗口加大到100万 Token，以及原生支持多模态，所以我觉得，这个模型值得推荐，国内好像没有其他开源模型同时做到这些点。
综合来看，MiniMax M3 是一个各方面很均衡、都不弱的模型，符合理想大模型的条件：性能强，适用面广，价格不高，适合日常使用，也可以给龙虾那样的智能体使用。
这次只是简单测测，我后面还会进一步测试，也建议大家试试这个模型，共同探索它在复杂场景下的表现。
（完）
References
[1] 旗舰模型 M3:https://www.minimaxi.com/models/text/m3[2]发布报告:https://www.minimaxi.com/blog/minimax-m3[3]介绍:https://www.minimaxi.com/blog/minimax-m3[4]测试题:https://github.com/ruanyf/ai-test-case[5]网页 UI 重构:https://rclbzya2xln3.space.minimaxi.com/[6]《天文轨道模拟器》:https://f1qk78kfu1tx.space.minimaxi.com/[7]《愤怒的小鸟》:https://5a98vxbyruy2.space.minimaxi.com[8]《麦克斯韦小恶魔》:https://jlxev7520nc1.space.minimaxi.com[9]《鹈鹕骑自行车》:https://yv6thlmhtvfg.space.minimaxi.com[10]这段视频:https://www3.cde.ca.gov/download/rod/videosample1.html[11]MiniMax Code:https://agent.minimaxi.com/download[12]Token Plan: https://www.minimaxi.com/
[13] 官方说明: https://platform.minimaxi.com/docs/token-plan/migration