6 月 1 日，MiniMax 發表了 M3。一句話總結賣點：一個開源權重的模型，同時塞進百萬 token 上下文、前沿級的寫程式能力，還帶原生多模態。MiniMax 說，這三樣湊在一起的，它是頭一個。
真正的功夫在「稀疏注意力」上
M3 的底座是一套名為 MSA（MiniMax Sparse Attention）的新架構。
要了解它解決了什麼，得先知道老問題：標準的全注意力，算力隨上下文長度平方往上漲——上下文一長，成本就爆炸。這也是為什麼「百萬上下文」喊了這麼久，真用起來都嫌貴。
MSA 就是衝這個去的。MiniMax 給的數字：在百萬 token 這個長度上，M3 每個 token 的算力只有上一代 M2 的二十分之一；預填充快了 9 倍多，解碼快了 15 倍多。
換句話說，百萬上下文這次不只是「能用」，是「用得起」。
跑分：自己報的，挺猛
程式設計是 M3 主打的方向。MiniMax 列出的成績：
- SWE-Bench Pro：59.0%（超過 GPT-5.5、Gemini 3.1 Pro，逼近 Opus 4.7）
- Terminal-Bench 2.1：66.0%
- MCP Atlas：74.2%
- OSWorld（電腦操作）：70.06%
這套數字要是屬實，對一個開源權重模型來說相當能打。
但得潑盆冷水：這些都是 MiniMax 自己跑、自己報的，第三方還沒複現。已經有海外媒體直接拿「前沿宣稱、跑分未經驗證」當標題了。所以聰明的做法是——等十天後權重和技術報告放出來，社群自己上手測了再下結論。
價錢也擺出來了
MiniMax 這次連套餐都標好了：
- Plus：每月約 17 億 token，20 美元
- Max：每月約 51 億 token，50 美元
- Ultra：每月約 98 億 token，120 美元
API 已經能用，模型權重和技術報告說大概十天內放到 Hugging Face 和 GitHub。
放到大背景裡看，這是國產開源大模型又一次往「長上下文 + 能幹活的 Agent」方向使勁。DeepSeek、Qwen、Kimi 已經在這條路上卷了一年，MiniMax 這次的差異化押在架構效率上——不比誰參數大，比誰在百萬上下文這個尺度上，算得又快又便宜。
這一刀，砍的是閉源模型「長上下文太貴」的那點護城河。
參考來源：CocoLoop、MiniMax Releases MiniMax M3 with MSA Architecture Supporting 1M-Token Context（MarkTechPost）；MiniMax M3: Open-weight model with a million-token context challenges proprietary leaders（The Decoder）；MiniMax M3 Open-Weight Coding Model: Frontier Claims, Unverified Benchmarks（TechTimes）