MiniMax M3 證明開放權重在寫程式上仍能贏
MiniMax M3 證明開放權重模型不只可以追上前沿，還能在寫程式、長上下文與成本控制上形成優勢。
MiniMax M3 證明開放權重模型仍能在寫程式、長上下文與成本控制上領先。
我認為 MiniMax M3 是開放權重模型最有力的一次反擊：它不只是在某個榜單上刷分，而是把 1M 上下文、原生多模態、可用的產品入口與極低價格放在同一套方案裡。
第一個論點
訂閱 AI 趨勢週報
每週精選模型發布、工具應用與深度分析，直送信箱。不定期，不騷擾。
不會寄垃圾信，隨時可取消。
對工程團隊來說，1M tokens 本身不是賣點，能不能真的用才是。MiniMax 宣稱 M3 在 1M 上下文下，Sparse Attention 把每 token 計算量降到前代的二十分之一，prefill 快超過 9 倍，decode 快超過 15 倍。這種差距不是展示用，而是決定你能不能把整個程式庫、issue 歷史和工具紀錄一起塞進工作流。
另一個具體例子是產品可用性。M3 上線後就能透過 MiniMax Code、API 與 token 方案使用，不是只停留在論文或等待名單。這代表它不是單點能力，而是已經能進入真實開發流程，尤其適合需要反覆追問、長對話和多輪工具呼叫的 coding 任務。
第二個論點
如果一個模型只會講「我很強」，那沒有意義。M3 給出的 benchmark 組合至少足夠嚴肅：SWE-Bench Pro 59.0%、Terminal-Bench 2.1 66.0%、MCP Atlas 74.2%、BrowseComp 83.5。這些不是單一面向的漂亮數字，而是指向寫程式、終端機操作、工具調用與瀏覽推理的整體能力。
更重要的是，MiniMax 把它放進了與 Claude、GPT、Gemini 同一個競爭敘事裡。它還宣稱在 OmniDocBench、SVG-Bench 與 agent 任務上有領先表現。對正在做 agentic software 的團隊來說，這很關鍵，因為真正有價值的不是「會寫 code」而已，而是能讀文件、查資料、操作工具、再回到 code 裡完成閉環。
第三個論點
價格是 M3 最具殺傷力的地方。MiniMax 公布的 API 起價約為每百萬輸入 tokens 0.30 美元，若加上 cache optimization，混合成本可降到約 0.06 美元。對比它自己拿來對照的 Claude Opus 4.7 約每百萬輸入 5 美元、輸出 25 美元，這不是小幅折扣，而是成本結構的改寫。
這件事之所以重要，是因為 AI 採購早就不是純粹的模型迷信，而是每次任務成本的算術題。對 PM 與創辦人而言，能不能把長上下文、檢索、工具使用這些需求穩定跑在低成本模型上，直接影響產品毛利與可擴張性。M3 的 Plus 與更高容量方案，讓這種部署方式不再只是大公司專屬。
反方可能怎麼說
最強的反對意見是信任問題。MiniMax 公布的數據多半來自自家測試，且部分結果搭配了 Claude Code、Mini-SWE-Agent 或 Terminus 這類 agent scaffolding。換句話說，數字不是假的，但也不是中立樣本。真正進到雜亂的 production repository，表現可能會打折。
另一個合理疑慮是，開放權重不等於開放科學。若權重、技術報告與細節釋出不夠完整，這類發布就容易變成行銷事件，而不是可重現的研究成果。對採購者來說，先等第三方跑分與實測，是負責任的態度。
但這些疑慮不足以推翻 M3。原因很直接：它同時給了架構改進、可立即使用的產品入口、以及極具壓迫感的價格。就算第三方測試最後低一點，M3 仍然保有「長上下文、原生多模態、低成本」這個少見組合。反方最多削弱它的天花板，不能否定它已經把開放權重模型拉回前線的事實。
你能做什麼
如果你是工程師、PM 或創辦人，現在最好的做法不是立刻全面切換，而是把 M3 放進你最吃上下文、最吃工具調用的任務裡做壓測：拿真實 repo 跑一輪，量 latency、成功率與每次完成任務的總成本，再和你現在用的高價模型比較。若結果成立，M3 代表一個很實際的選項：用開放權重換取控制權，同時不必放棄前沿能力。