前沿編程能力，1M上下文和原生多模態的“三合一”模型。

本文為IPO早知道原創

作者｜Stone Jin

據IPO早知道消息，MiniMax于6月1日正式發布新一代通用模型 MiniMax M3。M3采用全新的自研稀疏注意力架構MiniMax Sparse Attention（MSA），在編程及智能體能力、超長上下文及原生多模態等多個關鍵方向，均實現代際突破。

值得一提的是，M3是國內首個同時具備“前沿 Coding 能力、1M超長上下文、原生多模態”三項核心能力的大模型，也是目前全球唯一具備完整能力組合的開源選項。

從底層注意力機制重寫百萬上下文

支撐 M3 三大能力合一的，是其自研的稀疏注意力架構MSA（MiniMax Sparse Attention）。相較傳統全注意力機制，MSA能夠顯著降低長上下文下的計算成本，并將上下文窗口提升至100萬token。這意味著模型在處理長文檔、復雜代碼倉庫、多輪任務協作等場景時，能夠在一次推理中保留更完整的信息鏈路。MiniMax披露，在100萬上下文規模下，M3單token計算量僅為上一代模型的約1/20，推理效率顯著提升。

除模型架構升級外，MiniMax在底層推理算子層面也進行了進一步優化。通過重新設計數據讀取與計算路徑，相關性能較主流開源方案提升4倍以上。

某種程度上而言，這也是全球大模型競賽的重要新變量。隨著Agent任務復雜度不斷提高，“更長上下文、更穩定記憶、更低成本推理”正在成為決定產品可用性的關鍵能力。

多項指標比肩國際頂級閉源模型

M3在Coding&Agentic 能力明顯提升，在涵蓋軟件工程、終端執行、效率與協議理解等多個維度的國際權威評測中，均達到國際領先水平：在衡量 Coding 能力的 SWE-Bench Pro 上，MiniMax M3 超過 GPT-5.5 和 Gemini 3.1 Pro，接近 Opus 4.7。在綜合評估 SVG 生成性能的基準 SVG-Bench 上，MiniMax M3 超過 Opus 4.7。

在多模態測試集 OmniDocBench 上，MiniMax M3 得分超過 Gemini 3.1 Pro，在面向自主 Agent 的端到端評測框架 Claw-Eval 上，MiniMax M3 得到最高分。

據介紹，M3 在編程與 Agent 訓練中創新引入交互式用戶模擬器框架——通過模擬真實開發者在協作過程中的行為模式，讓模型在訓練和評測階段就接觸到更接近生產環境的交互場景。

事實上，從代碼開發、研究分析，到跨應用協同執行，Coding&Agentic 能力正逐步成為全球頭部模型的新競爭焦點。此次MiniMax重點強化這一能力，也被外界視為對下一階段AI產品形態的提前布局。

訓練數據規模推至100萬億Token量級

MiniMax表示，M3從訓練起點便采用文本、圖片、視頻等多模態混合訓練，并在數據規模和訓練管線上進一步擴展。模型不僅支持圖像與視頻理解，也具備桌面操作能力，可在復雜跨應用環境中執行Computer Use任務。

M3 是一個從 Step 0 開始進行多模態混合訓練的模型。MiniMax 在報告中強調，Interleaved data（交錯數據）——文本和圖像等其他模態在序列中交替自然排列的數據——對模型性能帶來的提升，比一般認為的更加關鍵。在為這些數據重構整套數據管線后，MiniMax 已可以將訓練數據 Token 規模提升至 100 萬億的量級。

這意味著模型能力正在從語言理解進一步向真實數字環境延伸。無論是辦公自動化、企業軟件操作，還是更復雜的生產力場景，AI進入實際執行層的速度正在明顯加快。

同源訓練：MiniMax Code亦迎更新

同日，MiniMax Code 也迎來更新：作為專為 M3 設計、并與 M3 一起訓練的 Agent 產品，MiniMax Code 能夠充分發揮 M3 在長上下文、Coding/Agentic、原生多模態方面的能力，是搭配 MiniMax-M3 的首選 Agent。在長程復雜任務上，MiniMax Code 的 Agent Team 可以將大型任務拆解為多階段、可并發、可動態調整的 Workflow，由 Agent 集群協作推進。

商業化方面，MiniMax同步推出Token Plan訂閱方案。Plus版每月49元，提供6億token；Max版每月119元，提供18億token；Ultra版每月469元，提供55億token。

隨著M3發布，MiniMax在全球AI競賽中的定位正在進一步清晰：它以"開源+多能力合一"的前沿模型為差異化定位，填補國內AI生態在這一維度的空白。

AI產業仍處于高速演進階段，隨著模型能力持續逼近真實工作場景，圍繞Agent的下一輪競爭，已經提前打響。