MiniMax發佈新模型M3，競爭轉向長上下文與Agent能力

2026年6月1日 17:40

重點摘要

MiniMax 推出新模型 M3，將競爭焦點轉向長上下文處理與 Agent 能力。該模型強調「多模態 + 長上下文 + 工具執行」的閉環，被視為 Agent 邁向產業級應用的關鍵配置。

站內 AI 整理稿

### MiniMax 推出 M3 模型，AI 戰場轉向長上下文與 Agent 實戰能力

中國 AI 獨角獸 MiniMax 近日正式發表新一代大型語言模型 M3，直接將競爭焦點從單純的參數規模競賽，拉向「長上下文」與「Agent 能力」的實用性戰場。業界普遍認為，這波迭代不僅是技術參數的升級，更代表 AI 模型從「能對話」邁向「能辦事」的關鍵轉折。M3 的出現，讓市場開始重新審視：什麼才是真正能落地的產業級 AI 模型？

長上下文（Long Context）一直是大型語言模型的技術難點。過去多數模型能穩定處理的上下文長度多在 4K 到 8K tokens 之間，若要分析整份合約、長篇研究報告或連續多輪對話，往往會出現「記不住前面說了什麼」的窘境。M3 此次主打支援更長的上下文窗口，意味著開發者可以在單次對話中放入更完整的資料，模型也能在更宏觀的脈絡下進行推理與回應。這項突破對於法律、金融、醫療等需要處理大量文件的行業尤其重要。

然而，單有長上下文還不夠。MiniMax 在 M3 中特別強調「Agent 能力」的強化，也就是讓模型不僅能理解文字，還能自主規劃任務、調用外部工具（如搜尋引擎、資料庫、API），並根據回饋動態調整行動。這正是原文那句「『多模態+長上下文+工具執行』的閉環，已成為 Agent 走向產業級應用標配」的核心意涵。當模型能同時看懂圖片、理解長文、又能操作外部工具時，它就不再只是聊天機器人，而是能真正替你完成複雜工作的數位助理。

從背景脈絡來看，今年以來各家 AI 廠商陸續從「拼參數」轉向「拼實用」。OpenAI 推出工具使用（Function Calling）功能、Anthropic 強化長上下文與 Agent 框架，而中國的 MiniMax 此刻推出 M3，顯然是希望在全球 AI 應用競賽中站穩一席之地。過去模型比誰的考試分數高，現在比誰能幫企業自動化處理客服、數據分析、流程審批等真實場景。M3 的發布，等於把這股「Agent 化」浪潮推向新高度。

這波技術轉向可能帶來深遠影響。對開發者而言，未來不必再為了讓模型「記住」對話歷史而設計複雜的記憶機制，M3 的長上下文讓開發更直覺；對企業來說，過往 AI 專案常卡在「模型無法執行外部操作」的瓶頸，如今 M3 的 Agent 能力有望大幅降低導入門檻。但同時，長上下文也意味著更高的運算成本，如何平衡效能與開銷，將是實際部署時的關鍵考驗。

讀者接下來可以關注幾個重點：首先是 MiniMax 是否會公開 M3 的基準測試成績，特別是在長上下文檢索與多步驟工具執行的評測上；其次是其他中國 AI 公司（如智譜、百川）是否會跟進推出類似能力的模型，進一步推高產業標準；最後則是 M3 在開源社群與雲端平台上的生態發展——畢竟一項技術要普及，除了模型本身夠強，還需要開發者願意圍著它建構應用。總之，長上下文與 Agent 能力的結合，正悄悄改寫 AI 落地的遊戲規則。

原始來源：鈦媒體 ↗

查看原始來源

TechWebAI Agent

網易有道全面向AI轉型全場景Agent矩陣亮相圖博會

{"id":"39ef5947-b77a-4904-bf03-ff6264f08dc4","object":"response","model":"deepseek-v4-flash","output":[],"stop_reason":"max_output_tokens","usage":{"input_tokens":154,"output_tokens":200,"total_tokens":354}}

剛剛閱讀分析

Hugging Face BlogAI Agent

MosaicLeaks: Can your research agent keep a secret?

Back to Articles MosaicLeaks: Can your research agent keep a secret? Enterprise Article Published June 18, 2026 Upvote - Alexander Gurung agurung Follow ServiceNow Rafael Pardinas rafapi-snow Follow ServiceNow TL;DR Deep research agents increasingly combine private local documents with external tools like web retrieval, creating a privacy risk: an agent's external queries may leak sensitive information. MosaicLeaks proposes a new deep-research task with multi-hop questions that interleave public and private information. Across the models we tested, agents frequently leaked private information, and training only for task performance made it worse. We propose a mosaic-leakage-aware RL training method, Privacy-Aware Deep Research (PA-DR), which raises strict chain success (the share of chains

16 小時前閱讀分析