MiniMax发布M3模型，百万token自研架构曝光

在正式启动A股上市辅导后，这家港交所上市公司的上海AI团队MiniMax，于昨天（6月1日）再度放出重磅消息——全新一代通用大模型MiniMax M3正式登场。那么，M3究竟解决了哪些实际痛点？当前的大模型在读取超长文档、处理复杂代码时，往往存在越往后越遗忘、计算成本高且速度慢的问题。M3正是瞄准这些核心短板而来。作为国内首个将前沿编程能力、1M超长上下文、原生多模态三大能力“打包”于一体的AI大模型，这一技术突破引发业内热议：M3是否直接对标美国Anthropic公司今年4月发布的Claude Opus 4.7？后者以极致指令遵循、高清视觉、深度推理和专业代码著称。客观来看，M3目前未必全面超越Opus 4.7，但它的竞争策略截然不同——开源路线叠加超高性价比。

从实测数据来看，开源的M3在综合能力上已非常逼近Claude Opus 4.7。例如，在专门衡量编程能力的SWE-Bench Pro评测基准中，MiniMax M3直接超越了OpenAI的GPT-5.5与谷歌的Gemini 3.1 Pro，距离Opus 4.7仅一步之遥。另一个值得关注的亮点是M3的“原生多模态”特性。许多大模型训练到后期才硬性加入图像、视频理解能力，而M3从训练初始阶段就将文本、图像、视频等多种模态混合训练。这好比在双语环境中成长的孩子，语言驾驭能力天然更胜一筹。

技术底牌：自研稀疏注意力架构MSA

全球大模型竞争已进入白热化阶段，各家若想保持领先优势，关键在于当Agent（智能体）的任务复杂度不断升级时，模型如何实现更长的上下文、更稳定的记忆，同时大幅降低推理成本。M3的底气源于MiniMax自主研发的稀疏注意力架构MSA（MiniMax Sparse Attention）。相比传统的全注意力机制，MSA在长上下文场景下显著降低了计算开销，并将上下文窗口直接拉升到100万token——相当于两本中文长篇小说的体量。这意味着，在长文档分析、复杂代码仓库解析、多轮任务协作等场景中，M3能够保留更完整的信息链路，不会读到后面就忘了前文的重点。更关键的是，MiniMax一贯的性价比优势依旧突出：M3的单token计算量仅为上一代模型的大约二十分之一。干的活差不多，计算量却差了一个数量级。

值得一提的是这家公司的研发节奏：去年6月刚发布M1，第四季度便密集推出M2和M2.1，今年2月又放出M2.5，如今M3已正式亮相。AI行业的终极竞争拼的是智能进化的速度，从这一节奏来看，上海这家人工智能企业的研发效率确实无可挑剔。