MiniMax M3 测评

评测组小编 • 文章来源: 大模型观测员 • 1小时前 • 评测

短的结论：筑起高台摘星辰

基本情况：

在 4 月初，智谱发布的 GLM-5.1 彻底拉开了与 MiniMax M2.7 的差距，问鼎国产模型 Coding 王座至今。而彼时稀宇的下一代模型尚在襁褓，在硬扛了 2 个月压力之后，M3 终于落地。

新 M3 在综合逻辑性能上相比上一代有巨大飞跃，稳定性也来到了国模上游区间。但代价也同样显著，Token 用量不等比地上涨了77%，位居所有模型之首。大部分中等任务消耗涨至 60～70K 用量，所以毫不意外的，复杂任务大量超长。如果不计成本敞开跑，M3 的极限分数大概还能上升 5 分左右，仍落后于 DeepSeek V4 Pro。

而在 Coding 场景，M3 整体优于前代 M2.7，在输出质量，架构思维，测试手段上明显提升，进入可用区间。

虽然 M3 的定价在折扣后持平上代，但受用量影响，综合成本已大幅高于前代。如果未来折扣取消，成本还将上涨一倍。

逻辑成绩：

*1 表格为了突出对比关系，仅展示部分可对照模型，不是完整排序。

*2 题目及测试方式，参见：大语言模型-逻辑能力横评 26-05 月榜

*3 完整榜单更新在 https://llm2014.github.io/llm_benchmark/

*4 红字模型代表工作在推理模式下(慢思考)，黑色模型则是对应的非推理模式(快思考)

下面重点对比 MiniMax M3 与性能相近的 DeepSeek V4 Flash（以下简称 DS4 Flash），部分参照前代 M2.7。

优势：

长文幻觉：在长文本任务中，M3 表现出较好的上下文幻觉抑制能力，能较为准确的从文中任意位置找到关键信息。相关题目中 M3 通常不会因为“看不见”而丢分。前不久的新题#65，需要模型反复检索文本拼凑信息，国产模型几乎全灭，而 M3 表现与 Qwen3.7 Max 相似，也能拿到高分。
复杂推理：需要说明，大部分复杂推理任务，M3 都会因为超过规定推理长度，输出空白，仅从有效输出部分来看，长链推理任务M3 显著进步，表现达到国产第一梯队。不过从思维链来看，M3 解决这类问题主要靠保守的逐步试探，每一步都输出大量中间状态信息，较少出现“灵机一动”瞬间。

不足：

指令遵循：M3 的指令遵循表现出较高的不稳定性，其本身具备强遵循能力（上限高），简短且明确的指令基本可以稳定无误的遵守，显著优于前代。长指令的遵循较为随机，处于能较好遵循到完全不遵循之间。尤其在长工况环境，模型工作产生了较长上下文之后，这种问题更加凸显，表现是前半程还能准确无误的执行，在某个转折点后，突发失智。
思考效率：M3 在大部分任务上的的思考消耗都高于 DS4 Flash max 档位，仅在直觉类问题上，DS4 Flash 思路不对，采用穷举法，而 M3 能找到正确巧妙解法，所以 Token 用量更低。考虑到这种表现通常只存在万亿以上模型，或许暗示 M3 的参数规模同样不小。在中低难度任务上，M3 通常也会消耗达到 30K 级别，而 SOTA 模型普遍在 10K 以内。M3 的思维链中充斥着重复的确认，以及中英文互译等内容，优化空间不小。

MiniMax M3 的编程能力整体较 M2.7 有较大进步，其中前端工程从需要人工辅助，进化为可自行 Debug。M3 的开发行为被调教的非常严谨，会遵循先规则，再按模块逐个实现和测试，最后跑全流程测试，再更新记忆或文档。M3 的架构设计能力进步很大，能结合项目实际做出不用力过猛，刚刚好的架构安排。前端的 UI 实现也继承了前代的审美，精细度较高，但 M3 也存在把调试信息写到 UI 上的小毛病，实战时需要额外约束。 M3 的测试部分消耗的 Token 和时间甚至数倍于编码。

图中是一次 M3 典型的编码过程，可以看到自测（灰色问号）到交付（红旗）少则16 轮，多则106轮。M3 的第一遍直出代码质量并不高，自测过程通常伴随持续的 Bugfix。

然而充分自测也不能保证 M3 最终交付的代码是 Bug Free 的，前文有提到 M3 在长工况下有概率丢失原始指令，在 Coding 场景就表现为，经过几十上百轮工作后，反而遗忘了最初要求中的部分细节，虽然功能整体测试通过，但功能会有缺失，甚至违背初始要求。M3 可以交付尚可用的代码，但需要控制每次实施的变更规模，改动尽量控制在千行以内。

总体上，M3 的编程能力进入到可用区间（超过 Sonnet 4.5），但离 Opus 4.5 差距还十分显著。主要输在细节控制，开发效率上。M3 的自测环节不可省略跳过，否则代码将几乎不可用。对于复杂 Bug，结合其视觉理解能力，可进行自主高效定位，通常不会磨超过 3 轮。

赛博史官曰：

在大模型竞赛中，不存在魔法。MiniMax 的进步并不慢，M3 距离M2.7 也不过 2 个月，如果说前代靠的是孤注一掷，全部参数倾注到 Agentic 相关能力上，那么 M3 则是朝通用智力方向拉回了一些，有更多精力照顾其他泛用领域。

不过也依然能通过测试管窥 MiniMax 在这代模型上的思考与取舍，在效率与质量的权衡上，选择了先保证交付结果。这也是目前市面上同代模型的主流选择，只不过 M3 在效率上舍弃的多一些罢了。但欠账总有要还的一天，这是 MiniMax 即将要面对的问题。

本文来自转载大模型观测员，观点仅代表作者本人，发现AI平台仅提供信息存储空间服务。
如若转载，请联系原作者；如有侵权，请联系编辑删除。