MiniMax M3 模型正式開源：原生多模態、百萬上下文
重點摘要
MiniMax 正式開源 M3 模型，具備原生多模態與百萬上下文能力。發布兩週後，該模型在 Artificial Analysis 綜合智能指數排行榜上獲得全球開源模型的最高排名。
## MiniMax M3正式開源：原生多模態＋百萬上下文，全球開源模型新標竿
中國AI新創公司MiniMax於2026年6月初正式發布新一代旗艦開源模型MiniMax M3，同時釋出模型權重與技術論文。M3以「前沿Coding能力、1M超長上下文、原生多模態」三大核心能力組合亮相，不僅是中國首個同時具備這三項頂級開源特性的模型，更在全球開源模型市場中掀起一波新的競爭浪潮。
### 三大核心技術突破
在模型架構方面，M3採用了團隊自主研發的MSA（MiniMax Sparse Attention）稀疏注意力機制。傳統的全注意力機制在處理超長文本時，計算成本會隨著序列長度急遽上升，形成典型的「二次複雜度爆炸」問題。MSA架構透過創新的分塊KV快取管理方式，在百萬Token的上下文規模下，將單Token計算量大幅降低至前一代模型的約二十分之一，同時在預填充階段實現超過九倍的速度提升，解碼階段更達到十五倍以上的加速效果。這項突破使超長上下文的實際應用門檻顯著下降，也為Agent類應用提供了更扎實的底層基礎。
在訓練資料方面，M3從訓練起點便採用了文本、圖像、影片等多種模態交錯排列的數據進行混合訓練，而非在多模態能力上採取「事後補丁」式的處理方式。這種「從零開始」的多模態訓練策略，讓不同模態的語義空間在預訓練階段就深度融合，建立起統一的跨模態理解基礎。
在模型規模方面，M3總參數達4280億，激活參數約230億，屬於混合專家（MoE）架構設計。
### 國際評測榜單表現亮眼
根據國際獨立評測機構Artificial Analysis發布的綜合智能指數排行榜，M3在發布後兩週內即拿下全球開源模型的最高排名，成績超越其他所有開源模型。在更具體的應用場景評測中，M3在SWE-Bench Pro（衡量程式碼生成與軟體工程能力的標竿測試）獲得59.0%的得分，超越GPT-5.5與Gemini 3.1 Pro，並逼近閉源龍頭Opus 4.7。在多模態評測集OmniDocBench上，M3得分超過Gemini 3.1 Pro；在自主Agent端到端評測框架Claw-Eval上，M3同樣拿到最高分。
MiniMax團隊也展示了M3在真實世界任務中的執行能力：在沒有任何人類幹預的情況下，M3自主完成了長達近12小時的頂尖學術論文複現任務——閱讀原始論文、撰寫程式碼、執行實驗並生成數據圖表，產出18次程式碼提交和23張實驗圖表；在CUDA核心優化任務中，M3自主完成147次基準測試提交和近兩千次工具調用，將硬體峰值利用率從7.6%拉升至71.3%，實現九倍以上的效能提升。
### 降低門檻、拓展場景
對開發者與企業用戶而言，M3開源的意義不僅在於技術水準的提升，更在於它將過去只有頂級閉源模型才能負擔的多模態與長上下文能力，帶進了開放生態系。M3目前已在GitHub與Hugging Face平台釋出模型權重，MSA技術論文同步發布於arXiv，供全球研究社群檢視與使用。
在應用落地層面，M3的超長上下文能力使其能夠在一次推理中處理完整的程式碼倉庫、長篇技術文件或多輪複雜任務協作；原生多模態能力則支援圖像、影片理解以及桌面端電腦操作（Computer Use），可用於辦公自動化、企業軟體操作、跨應用環境任務執行等實際生產力場景。
值得注意的是，中國國產GPU廠商摩爾線程在M3開源的同時，也宣布其AI訓推一體智算卡MTT S5000已完成對M3的首發即時適配。該卡配備80GB高頻寬記憶體與原生FP8精度加速，單卡稠密AI算力達1000 TFLOPS，並兼容vLLM與SGLang主流推論框架。硬體與軟體的協同優化，正在為M3的在地化部署提供更完整的技術路徑。
### 開源與閉源的新賽局
M3的發布，正值全球開源模型與閉源模型競爭進入新階段的關鍵時刻。零一萬物創辦人兼CEO李開復近期指出，不是每個國家都需要從零打造OpenAI，但每個國家都需要擁有自主可控的AI能力；基於領先開源模型進行本地化繼續訓練，花費僅為從零訓練的百分之幾，是大多數國家更現實的選項。而開源證券等機構的分析也顯示，2026年頭部模型Token調用量大幅躍升，多模態應用的爆發正進一步加速整體產業格局的演變。
M3作為目前全球唯一同時具備百萬上下文、頂級程式碼能力與原生多模態三項前沿能力的開源模型，已為開發者與企業提供了一個可以直接與頂級閉源模型對標的開放選項。接下來值得持續關注的幾條線索包括：開發者社群圍繞M3建構的生態系發展速度、企業實際部署應用的成效、以及中國國產AI軟硬體在M3帶動下的整合進展。隨著AI模型從「理解」走向「執行」，開源陣營的角色與影響力正迎來新的轉折。
Related
相關文章
Liquid AI Introduces LFM2.5-Embedding-350M and LFM2.5-ColBERT-350M: Dense Bi-Encoder and Late-Interaction Models for Fast Multilingual Search Across 11 Languages
This week, Liquid AI released two new retrieval models. They are LFM2.5-ColBERT-350M and LFM2.5-Embedding-350M. Both hold 350M parameters. Both are the first bidirectional members of the LFM family. They build on LFM2.5-350M-Base, released in March. The pair targets fast multilingual and cross-lingual search across 11 languages. Their footprint is small enough to run almost anywhere. Both are available now on Hugging Face under the LFM Open License v1.0. LFM2.5 Retrievers The two models share one backbone but represent text differently. LFM2.5-Embedding-350M is a dense bi-encoder. It turns each document into a single vector. Pick it when you want the fastest search and the smallest, cheapest index. LFM2.5-ColBERT-350M is a late-interaction model. It converts each token into a vector rather
Perplexity Launches Brain, a Self-Improving Memory System That Builds a Context Graph of an Agent’s Work and Learns Overnight
Most AI memory remembers the user. It stores your preferences, your tastes, and your role. Perplexity is taking a different path. Today, Perplexity launched Brain, a self-improving memory system for its agent product, Computer. Brain does not focus on remembering you. It remembers what the agent did. That reframes what memory in AI is for. What is Perplexity‘s Brain Brain is a self-improving memory system. It builds a context graph of the work Computer performs. At set intervals, such as overnight, Brain reviews that graph. It then teaches itself how to do the work better. The idea is straightforward. The more work you do, the more efficient Brain makes your Computer. Brain is rolling out today to Perplexity Max and Enterprise Max subscribers in Research Preview. Two Axes of AI Memory Perp
智譜新高，MiniMax承壓，“大模型雙雄”命運殊途
這篇消息聚焦「智譜新高，MiniMax承壓，“大模型雙雄”命運殊途」。原始導語提到：大模型在被市場重新定價 從 AI 情報角度來看，這類內容值得關注其背後的技術進展、產品落地、產業競爭與後續市場影響。
華為昇騰 0 Day 支持智譜 GLM-5.2 模型，提供全面推理優化
華為昇騰 AI 宣佈在智譜開源 GLM-5.2 大模型當天即完成深度推理優化。通過 MOE 大融合算子、通信計算融合、高併發調度等七項關鍵技術，顯著提升編程和長程任務的處理效率，現已支持 A3 系列產品部署。#AI 大模型# #國產算力#
企業AI轉型再添利器：青雲科技算力雲接入 MiniMax-M3 模型
企業AI落地面臨高效低成本難題。青雲科技旗下基石智算平臺接入國產開源大模型MiniMax-M3，提供新算力支持。MiniMax-M3以卓越上下文處理能力等三大核心技術見長，依託自研架構，助企業便捷部署AI業務。
阿里開源統一科學大模型 LOGOS，僅用五十六分之一參數超越微軟
阿里 ATH-Token Foundry 聯閤中國人民大學高瓴人工智能學院開源科學基礎模型 LOGOS。該模型採用統一科學語法與純序列建模範式，在六大科學任務上匹配或超越傳統專用方法。其中 LOGOS-1B 僅 1B 參數，即展現出極高效率，性能超越參數量達 8×7B 的微軟模型。