MiniMax M3 评测解读：长上下文、编码与 Computer Use

发布解读，非本站实测。 本文依据公开资料整理，未完成本文模型的付费接口测试。厂商基准只适用于其公布的版本、数据集与条件；未提供可复核来源、原始值及换算方法的衍生评分已撤下。 2026 年的大模型赛道，大多在卷一个维度：要么卷便宜、要么卷上下文、要么卷多模态。MiniMax 在 6 月 1 日发布的 M3 给出的赌注不太一样——它想同时把三件事做到 frontier 水平：前沿的编程能力、100 万 token 的上下文窗口、原生多模态。

这是官方自称的"第一个把 frontier coding + 1M 上下文 + 原生多模态揉进同一个开源模型"的尝试。更激进的，是它采用了全新的 MSA（MiniMax Sparse Attention）架构，并据公开评测称其在 SWE-Bench Pro 上的跑分超过了 GPT-5.5。

一、MiniMax M3 在卷什么？官方公布的三件事

1. MSA：MiniMax Sparse Attention 新架构

M3 最核心的工程亮点是全新的 MSA（MiniMax Sparse Attention）架构。传统 Transformer 注意力机制是"全连接"的，上下文越长计算量呈平方级膨胀。MSA 的思路是稀疏化：只让每个 token 关注真正需要关联的部分，从而在超长上下文下把计算开销压下来。

正是这套架构让 M3 能在不爆炸的算力预算下跑通 100 万 token 上下文。

2. 第一个"三位一体"的开源模型

3. Agentic coding + computer-use

M3 不仅会写代码，还具备操作计算机界面（computer-use）的潜力——看截图、定位元素、执行点击/输入。

来源：MiniMax 官方博客

二、实测案例：公开评测数据

案例 1：SWE-Bench Pro

来源：公开第三方评测，2026-06

案例 2：长上下文

案例 3：多模态 + computer-use

三、价格

四、国内怎么调用？

import os
from openai import OpenAI

client = OpenAI(
  api_key=os.environ["tokenba_API_KEY"],
  base_url="https://api.apizt.com/v1"
)

response = client.chat.completions.create(
  model="MiniMax-M3",
  messages=[{"role": "user", "content": "你好"}]
)

print(response.choices[0].message.content)

核对这个型号的请求与结果

4 步跑通 · MiniMax-M3

五、该不该用它？

信息来源：本文能力描述来自 MiniMax 官方发布及公开第三方评测，非本站实测。其中 SWE-Bench Pro 超越 GPT-5.5 的结论，部分媒体指出尚待独立复测验证。价格数据为发布当日（2026-06-03）apizt 控制台快照，最新价格请以控制台价格页为准。