2026 年 6 月 1 日，MiniMax 正式發佈開源新旗艦 MiniMax-M3。這是業界第一個在單一模型裏同時做到三件事的開放權重模型：前沿級編程能力、100 萬 token 上下文窗口、原生多模態輸入。SWE-Bench Pro 跑出 59.0 分，直接反超 GPT-5.5 和 Gemini 3.1 Pro，逼近 Claude Opus 4.7。
更有衝擊力的是價格。官方標準價輸入 $0.60 / 輸出 $2.40 每 1M tokens，本身就只有同級閉源模型的 5%-10%；發佈期再疊加限時 5 折，降到輸入 $0.30 / 輸出 $1.20。目前 MiniMax-M3 已同步上線 API易 apiyi.com 平臺，對齊官網 5 折價，疊加充值贈送後實際成本最低約 4.1 折，活動截止 6 月 8 日零點（UTC+8）。
本文會把 MiniMax-M3 的架構亮點、基準成績、價格階梯和接入代碼一次講清，幫你在活動窗口期內判斷它值不值得切換。
MiniMax-M3 是什麼：開源陣營的"三合一"旗艦
MiniMax-M3 是 MiniMax 繼 M2 系列之後的新一代旗艦，定位是面向編程和 Agent 場景的通用模型。它採用細粒度 MoE（混合專家）架構，總參數約 229.9B，每個 token 僅激活約 9.8B 參數，分佈在 256 個專家上。這意味着它在推理成本上更接近一個 10B 級別的小模型，能力上卻對標第一梯隊旗艦。
訓練數據規模約 100 萬億 tokens，並且從預訓練階段就混入了圖文交錯數據。所以 MiniMax-M3 的多模態是"原生"的——圖像、視頻理解能力直接長在語義空間裏，而不是後期外掛視覺編碼器拼接出來的。除了圖片和視頻輸入，它還支持桌面計算機操作（Computer Use），爲 Agent 場景留足了接口。
官方承諾模型權重和技術報告將在發佈後 10 天內完全開源，屆時可以在 HuggingFace 與 GitHub 獲取，支持私有化部署和微調。參考此前 M2 系列採用的修改版 MIT 許可，商用門檻預計很低，具體以正式發佈的許可證爲準。
MiniMax-M3 核心規格一覽
| 維度 | MiniMax-M3 規格 |
|---|---|
| 發佈時間 | 2026 年 6 月 1 日 |
| 架構 | 細粒度 MoE，總參數 229.9B / 激活 9.8B，256 專家 |
| 注意力機制 | MSA（MiniMax Sparse Attention）稀疏注意力 |
| 上下文窗口 | 1,000,000 tokens（約爲 M2 系列的 5 倍） |
| 模態支持 | 文本 + 圖像 + 視頻輸入，文本輸出，支持桌面操作 |
| 訓練數據 | 約 100T tokens，圖文交錯多模態語料 |
| 思考模式 | 可開關的 Thinking 模式，價格一致 |
| 開源計劃 | 發佈後 10 天內開放權重與技術報告 |
🎯 快速體驗建議：想第一時間驗證 MiniMax-M3 的真實水平，不必等權重放出再自建集羣。我們建議直接通過 API易 apiyi.com 的 OpenAI 兼容接口調用，模型名填
MiniMax-M3即可，幾分鐘就能跑通對比測試，活動期間成本還能再砍一半。
MiniMax-M3 基準成績：SWE-Bench Pro 59.0 意味着什麼
SWE-Bench Pro 是目前公認最難的真實軟件工程基準之一，考察模型在真實倉庫裏修 Bug、寫補丁的端到端能力。MiniMax-M3 拿到 59.0 分，官方對比數據顯示這一成績同時超過了 GPT-5.5 和 Gemini 3.1 Pro，與 Claude Opus 4.7 只有一步之遙。對一個即將開源、激活參數不到 10B 的模型來說，這是開源陣營首次在該基準上壓過閉源旗艦。
編程之外，Agent 相關指標同樣亮眼。Terminal-Bench 2.1 拿到 66.0 分，MCP Atlas 拿到 74.2 分，BrowseComp 自主瀏覽任務 83.5 分——最後這項甚至小幅超過了 Claude Opus 4.7。多模態側，SVG-Bench 超過 Opus 4.7，文檔理解基準 OmniDocBench 高於 Gemini 3.1 Pro。
當然它並非全面碾壓。在考察科研後訓練能力的 PostTrainBench 上，MiniMax-M3 得分 0.37，低於 Claude Opus 4.7 的 0.42，與 GPT-5.5 的 0.39 基本持平。也要提醒一句：目前這批數字主要來自官方技術博客，第三方獨立複測還在進行中，關鍵業務建議自己跑評測確認。
MiniMax-M3 與主流旗艦模型對比
| 基準測試 | MiniMax-M3 | 對比結論 |
|---|---|---|
| SWE-Bench Pro | 59.0 | 超過 GPT-5.5 與 Gemini 3.1 Pro，逼近 Opus 4.7 |
| Terminal-Bench 2.1 | 66.0 | 終端 Agent 任務第一梯隊 |
| BrowseComp | 83.5 | 小幅超過 Claude Opus 4.7 |
| MCP Atlas | 74.2 | 工具調用與 MCP 生態適配能力強 |
| SWE-fficiency | 34.8 | 兼顧補丁質量與效率 |
| PostTrainBench | 0.37 | 低於 Opus 4.7（0.42），持平 GPT-5.5（0.39） |
如果你想橫向驗證這些數字，可以在 API易平臺上用同一套 Prompt 同時調用 MiniMax-M3、GPT-5.5 和 Claude Opus 4.7——平臺統一了接口格式，切換模型只需要改一個 model 參數，非常適合做 A/B 評測。
MiniMax-M3 架構解析：MSA 稀疏注意力如何撐起 1M 上下文
100 萬 token 上下文不稀奇，稀奇的是讓它在經濟上可行。MiniMax-M3 的答案是自研的 MSA（MiniMax Sparse Attention）。傳統全量注意力的計算量隨上下文長度平方級增長，而 MSA 把 KV 緩存切成塊，每個 query 只精確檢索最相關的 KV 塊，實現了更高的有效上下文覆蓋率。
官方給出的工程數據相當激進：在 1M token 上下文下，MiniMax-M3 的單 token 計算量只有上一代 M2 的 1/20；預填充（prefill）提速超過 9 倍，解碼（decode）提速超過 15 倍；算子層面比開源的 Flash-Sparse-Attention 快 4 倍。換句話說，把整個代碼倉庫、幾百頁 PDF 或一小時會議視頻塞進上下文，延遲和成本都不再是勸退項。
這對開發者的直接意義是：很多原本需要 RAG 切片、向量檢索、多輪摘要才能處理的長文檔任務，現在可以"一把梭"直接塞進 prompt。長程 Agent 任務也不再需要頻繁壓縮歷史，任務連貫性顯著提升。
💡 長上下文實測提示：1M 上下文的計費分兩檔，超過 512K 輸入後單價翻倍。我們建議在 API易 apiyi.com 控制檯先用 200K-400K 級別的真實文檔測試效果，確認質量達標後再上更長的輸入，平臺的用量統計能幫你精確覈算每次調用的 token 成本。
MiniMax-M3 API 價格：限時 5 折 + 充值疊加最低約 4.1 折
MiniMax-M3 的定價採用按輸入長度分檔的階梯模式。0-512K tokens 輸入走標準檔，超過 512K 走長上下文檔。發佈期全線 5 折，API易 apiyi.com 已同步對齊官方折扣，活動截止 2026 年 6 月 8 日零點（UTC+8），之後的折扣政策待定。
MiniMax-M3 API 價格階梯表（每 1M tokens）
| 計費檔位 | 輸入（5 折現價） | 輸出（5 折現價） | 恢復後標準價（輸入/輸出） |
|---|---|---|---|
| 0-512K 輸入 | $0.30 | $1.20 | $0.60 / $2.40 |
| 512K 以上輸入 | $0.60 | $2.40 | $1.20 / $4.80 |
直觀感受一下這個價格：同樣跑一個百萬 token 級的代碼審查任務，用閉源旗艦模型可能要花十幾美元，MiniMax-M3 活動價只需要零點幾美元，成本差距在 10-20 倍量級。對高頻調用的 Agent 流水線、批量代碼遷移、長文檔處理場景，這個差價一個月就能省出一臺開發機。
在 API易平臺上還能再降一層。平臺的充值贈送活動可以與 5 折模型價疊加，折上折之後實際成本最低約 4.1 折。如果你的團隊本來就有穩定的模型調用量，在 6 月 8 日前完成充值是最划算的窗口。
MiniMax-M3 API 快速上手：5 分鐘完成接入
MiniMax-M3 在 API易平臺走標準的 OpenAI 兼容協議，任何支持自定義 base_url 的 SDK、框架或客戶端都能無縫接入。唯一要注意的坑：模型名 MiniMax-M3 嚴格區分大小寫，M 必須大寫，寫成 minimax-m3 會報模型不存在。
接入只需三步：在 API易 apiyi.com 註冊並創建 API Key；把 base_url 指向 https://api.apiyi.com/v1；model 參數填 MiniMax-M3。下面是最簡 Python 示例：
from openai import OpenAI
client = OpenAI(
api_key="sk-your-apiyi-key",
base_url="https://api.apiyi.com/v1" # API易統一接口
）
response = client.chat.completions.create（
model="MiniMax-M3"， # 注意大小寫，M 必須大寫
messages=[
{"role": "user"， "content": "用 Python 實現一個帶 LRU 緩存的斐波那契函數"}
]
）
print（response.choices[0].message.content）
需要傳圖像或視頻時，沿用 OpenAI 的多模態消息格式即可，把 content 改成包含 image_url 的數組，MiniMax-M3 會在同一個會話裏完成視覺理解和代碼生成。Cline、Cursor、OpenClaw 這類 Agent 工具，只要在設置裏改 base_url 和 model 名，就能直接把編程助手的底座換成 MiniMax-M3。
MiniMax-M3 適用場景速查
| 場景 | 適配度 | 說明 |
|---|---|---|
| Agent 編程 / 自動修 Bug | ⭐⭐⭐⭐⭐ | SWE-Bench Pro 59.0，長任務不丟上下文 |
| 整倉代碼分析與遷移 | ⭐⭐⭐⭐⭐ | 1M 上下文可容納完整中型倉庫 |
| 長文檔 / 多模態文檔解析 | ⭐⭐⭐⭐⭐ | OmniDocBench 超過 Gemini 3.1 Pro |
| 自主瀏覽與工具調用 Agent | ⭐⭐⭐⭐ | BrowseComp 83.5，MCP Atlas 74.2 |
| 科研後訓練 / 前沿推理 | ⭐⭐⭐ | PostTrainBench 弱於 Opus 4.7，可混合調度 |
混合調度是更現實的用法：日常高頻的編碼、文檔任務交給 MiniMax-M3 喫掉 80% 的調用量，最難的推理任務保留給 Claude Opus 4.7 或 GPT-5.5。通過 API易的統一接口做模型路由，一套代碼就能實現這種"性價比分層"策略，不需要維護多家供應商的密鑰和 SDK。
MiniMax-M3 常見問題 FAQ
Q1：MiniMax-M3 的 5 折活動什麼時候結束？
活動截止 2026 年 6 月 8 日零點（UTC+8），API易平臺與 MiniMax 官網同步。之後的折扣政策官方尚未公佈，按慣例可能恢復標準價。如果有批量調用計劃，建議在截止前完成充值，疊加充值贈送後實際成本最低約 4.1 折。
Q2：MiniMax-M3 真的開源嗎？現在能下載權重嗎？
官方承諾發佈後 10 天內開放模型權重和技術報告，預計在 HuggingFace 的 MiniMaxAI 主頁放出。截至本文發佈，權重尚未上傳完成。等不及自部署的團隊可以先用 API 驗證效果，等權重放出後再評估私有化的硬件投入——230B 總參數的 MoE 模型，本地部署對顯存的要求並不低。
Q3：1M 上下文是噱頭還是真能用？
MSA 架構讓 1M 上下文在工程上真正可用：prefill 提速 9 倍以上、decode 提速 15 倍，單 token 計算量降到上一代的 1/20。不過要留意計費分檔，輸入超過 512K 後單價翻倍，建議按任務實際需要控制上下文長度，而不是無腦塞滿。
Q4：MiniMax-M3 和 GPT-5.5、Claude Opus 4.7 怎麼選？
看任務類型和預算。編程 Agent、長上下文、多模態文檔場景下，MiniMax-M3 的性價比目前沒有對手；最頂尖的複雜推理和科研類任務，Opus 4.7 仍有優勢。我們建議用真實業務 Prompt 在 API易平臺做小規模對比測試，數據會比任何評測榜單都更有說服力。
總結：MiniMax-M3 把旗艦能力打到了"白菜價"
MiniMax-M3 的發佈給 2026 年的模型市場扔下了一顆深水炸彈：開源權重 + SWE-Bench Pro 59.0 反超 GPT-5.5 + 100 萬上下文 + 原生多模態，疊加只有閉源旗艦 5%-10% 的官方定價。即便後續第三方複測讓部分分數回落，它在"性價比"這個維度上的統治力也很難被撼動。
短期最值得行動的是價格窗口：限時 5 折（輸入 $0.30 / 輸出 $1.20 每 1M tokens）截止 6 月 8 日零點，在 API易 apiyi.com 疊加充值活動可以做到最低約 4.1 折。先用最小成本把評測跑起來，再決定是否把生產流量切過去，這是當下最穩妥的策略。
活動詳情與最新模型動態，可以查看 API易官方公告： docs.apiyi.com/news/minimax-m3-launch
作者: APIYI Team
專注 AI 大模型 API 聚合與最佳實踐，更多模型評測與接入指南歡迎訪問 API易 apiyi.com。
