---
title: "🔥MiniMax M3模型发布，长程任务能力显著提高 🌟性能：和GPT-5.5 和 Gemini 3.1 Pro互有来回，接近Opus 4.7。原生多模态模型"
topic_id: 45544584144422548
created_at: 2026-06-01T13:17:17.096+0800
source: zsxq
type: topic
cssclasses: zsxq-vault
---

# 🔥MiniMax M3模型发布，长程任务能力显著提高 🌟性能：和GPT-5.5 和 Gemini 3.1 Pro互有来回，接近Opus 4.7。原生多模态模型

- 序号：198
- 星球链接：[打开网页](https://wx.zsxq.com/group/15522451881222/topic/45544584144422548)
- 附件：图片 0，音频 0，文档 0
- 音频文件：_无音频_

## 图片

_无图片_

## 正文

🔥MiniMax M3模型发布，长程任务能力显著提高

🌟性能：和GPT-5.5 和 Gemini 3.1 Pro互有来回，接近Opus 4.7。原生多模态模型 （从 Step 0 开始进行多模态混合训练），支持图片和视频的输入，并能操作电脑桌面。是 国内第一个齐备这些要素的模型，也是目前唯一的开源模型。

🌟技术：再再再证明，Attention是国内模型的优化重点 ，M3采用的就是前几天放出来的全新注意力架构 MSA （MiniMax Sparse Attention ）， 1M 超长上下文。在 100 万上下文下，M3 每 token 计算量仅为上代模型的1/20。在 prefilling 阶段，实现了 超过9倍的加速倍率 ，在 decoding 阶段有 超过15倍的加速优势。数据上，文本和图像或其他模态在序列中交替自然排列，对训练模型有性能提升，训练数据token已达到100万亿量级 。

🌟Long Horizon：长程任务是目前衡量模型性能的金指标。1）M3自主运行了接近12小时 ，复现了一篇paper的结果，全程自主产出 18 次 commit 与 23 张实验图表，并跑通了核心实验。2）M3约24小时的连续执行，实现资深团队 1–2 周的集中投入进行的H卡FP8 矩阵乘（GEMM）kernel，共完成 147 次 benchmark 提交、1959 次工具调用。3）M3能够 指导训练更小的模型。

🌟定价：没有卷价格！ M3短文本（≤512k）原价是M2.7的2x，目前5折优惠；长文本相比于M2.7提升为4x价格。

## 总体总结

主题正文
1. 🌟性能：和GPT-5.5 和 Gemini 3.1 Pro互有来回，接近Opus 4.7。
2. 原生多模态模型 （从 Step 0 开始进行多模态混合训练），支持图片和视频的输入，并能操作电脑桌面。
3. 🌟技术：再再再证明，Attention是国内模型的优化重点 ，M3采用的就是前几天放出来的全新注意力架构 MSA （MiniMax Sparse Attention ）， 1M 超长上下文。
4. 在 prefilling 阶段，实现了 超过9倍的加速倍率 ，在 decoding 阶段有 超过15倍的加速优势。
5. 数据上，文本和图像或其他模态在序列中交替自然排列，对训练模型有性能提升，训练数据token已达到100万亿量级 。
6. 1）M3自主运行了接近12小时 ，复现了一篇paper的结果，全程自主产出 18 次 commit 与 23 张实验图表，并跑通了核心实验。
7. 2）M3约24小时的连续执行，实现资深团队 1–2 周的集中投入进行的H卡FP8 矩阵乘（GEMM）kernel，共完成 147 次 benchmark 提交、1959 次工具调用。
8. 长文本相比于M2.7提升为4x价格。