MiniMax M3实测：全链路Agent能力终于补全了

2026年的模型发布密度令人目不暇接，各大厂商接连推出更强基准的模型。然而对于真正需要将AI融入工作流的用户而言，单纯的性能提升已难以带来惊喜。相比于跑分榜单上的胜负，更重要的是模型是否具备支撑高频Agent场景的核心能力。最近发布的MiniMax M3，让这一期待终于有了具象化的答案。

概述

M3在多项关键评测中交出了令人瞩目的成绩单。在软件工程基准SWE-Bench Pro上得分59.0，超越GPT-5.5和Gemini 3.1 Pro，直逼Opus 4.7；在终端编程擅长的领域更是与Opus 4.7持平。多模态测试集OmniDocBench上超过Gemini 3.1 Pro，自主Agent端到端评测框架Claw-Eval中摘得最高分。这意味着M3在软件工程、多模态理解、自主决策这三个构建完整Agent链路的关键维度上，都达到了第一梯队的水平。

动态工作流实测

作者选择了两个典型场景进行实测验证。首先是复现ICLR 2025 Outstanding Paper Award论文的挑战。根据技术报告数据，M3自主运行近12小时，完成18次commit和23张实验图表，成功跑通核心实验。更值得关注的是其多模态能力——能够将论文中的公式、曲线图、实验设定放在同一长线程中联合处理。这种跨模态的深度理解能力，在以往模型中并不常见。

架构创新与性能提升

第二个测试采用了动态工作流（Dynamic Workflows）机制来复现GPT训练过程。触发方式极为简单，只需在指令中包含"workflow"关键词，系统便会自动识别并生成脚本，在执行前提供预览供确认。在运行过程中，可随时通过/workflow或/config指令调整工作流设置。实测显示，M3配合这一机制能在90分钟内完成从数据准备、模型训练到结果评估的全流程。训练1000步后，原本只能机械回答"A"的模型已能进行逻辑推理、简单乘法运算和基础问答。

定价与选择建议

在Humanize PPT开发项目中，M3展现出令人惊叹的上下文处理能力。只需2分50秒即可读完项目全部代码，并给出精确到行号的修改方案。这背后是M3采用的MSA（Multi-Scale Architecture）新架构，它将每个token的计算量压缩至上一代的1/20。得益于这一架构优化，百万token上下文窗口的预填充速度提升9倍，解码速度提升15倍。对于需要频繁处理长代码库、长文档的开发者而言，这种效率提升带来的体验跃升是革命性的。

如有侵权，请联系删除。