MiniMax 釋出 M3 模型：採用 MSA 架構，支援 100 萬 Token 上下文、原生多模態與智慧程式設計

MiniMax 於 2026 年 6 月 1 日正式釋出 MiniMax M3 模型。該模型採用全新的 MSA（MiniMax 稀疏注意力）架構，支援 100 萬 Token 的上下文視窗，並原生支援影像、影片輸入以及桌面電腦操作。API 已上線，可透過 MiniMax Code、MiniMax Token Plan 和 MiniMax API 使用。

M3 是 M2.7 之後的下一代模型。MiniMax 將其定位為首個將前沿編碼效能、100 萬 Token 上下文視窗與原生多模態輸入結合於單一架構的開源權重模型。模型權重和技術報告將在釋出後 10 天內公開。

MSA 架構 MSA 透過“KV 外部聚合 Q”的方式，將 KV 快取分塊，每個塊只讀取一次，記憶體訪問連續。相比全注意力機制，在 100 萬 Token 上下文下，每個 Token 的計算量僅為上一代 M2 模型的 1/20，預填充階段速度提升 9 倍以上，解碼階段速度提升 15 倍以上。與 Flash-Sparse-Attention 等開源實現相比，速度提升超過 4 倍。

編碼與智慧基準 MiniMax 報告了以下基準測試結果：SWE-Bench Pro 得分 59.0%，超越 GPT-5.5 和 Gemini 3.1 Pro，接近 Opus 4.7；Terminal-Bench 2.1 得分 66.0%；SWE-fficiency 得分 34.8%；KernelBench Hard 得分 28.8%；MCP Atlas 得分 74.2%；Claw-Eval 在評估模型中得分最高；SVG-Bench 超越 Opus 4.7；OmniDocBench 得分高於 Gemini 3.1 Pro；OSWorld-Verified 計算機使用任務完成率達 70.06%。

MiniMax 還構建了互動式使用者模擬框架，用於多輪開發者協作訓練和評估。

原生多模態 M3 從訓練的第一步起就進行混合模態訓練，文本、影像和影片同時訓練。MiniMax 報告稱，交錯資料（文本與影像自然混合）對模型效能的影響比通常認為的更關鍵。訓練資料規模達到約 100 萬億 Token。

實際任務示例

• 論文復現：M3 自主執行近 12 小時，復現了 ICLR 2025 最佳論文實驗，產生 18 次提交和 23 張實驗圖。
• CUDA 核心最佳化：M3 在約 24 小時內最佳化了 FP8 GEMM 核心，將 Hopper FP8 峰值利用率從 7.6% 提升至 71.3%（9.4 倍加速）。
• PostTrainBench：M3 在 12 小時內自主完成資料合成、訓練、評估和迭代，得分為 0.37。

MiniMax Code MiniMax Code 是基於 M3 構建的智慧代理產品，支援多智慧體團隊、生產者+驗證者迴圈和計算機使用。

API 與定價 M3 API 已在 platform.minimax.io 上線。輸入長度不超過 512K Token 時按標準費率計費，超過 512K 則按長上下文費率計費。提供思考模式切換。Token Plan 套餐從每月 20 美元（約 17 億 Token）起。