摘要： 2026年6月1日，MiniMax发布新一代旗舰大模型M3——国内首个同时具备前沿Coding & Agentic能力、百万token超长上下文、原生多模态三大Frontier能力的开源模型。它舍弃了上一代的MoE架构，转而采用自研MSA稀疏注意力机制，在SWE-Bench Pro上超越GPT-5.5，逼近Claude Opus 4.7。这不仅是一次模型迭代，更标志着国产大模型从"单点追赶"正式迈入"系统竞争"的新阶段。
一、三件套：不是堆料，是重新定义"Frontier"
大模型的竞争，早已过了"参数多就是王"的蛮荒时代。2026年，真正拉开差距的是三个词：编程能力、超长上下文、原生多模态。
这三项能力，海外只有Claude Opus 4.7和GPT-5等极少数闭源模型同时具备。开源阵营？一个都没有——直到MiniMax M3出现。
M3的"三件套"不是简单拼凑：
- 前沿Coding & Agentic能力：SWE-Bench Pro 59.0%，超越GPT-5.5和Gemini 3.1 Pro，与Opus 4.7差距仅3%。在Claw-Eval端到端Agent评测中拿下最高分，能自主拆解任务、调用工具、多步推理，写出的代码目标是"直接可交付"而非"能跑但需要人改"。
- 1M（100万）token超长上下文：API最高支持1,048,576 token，稳定可用512K+。你可以把整个项目的源码+文档+几百个文件一次性丢给它，它不会"忘了前面说过什么"。
- 原生多模态：从训练的第零步就是文本+图片+视频混合训练，不是"文本模型外挂图像编码器"的缝合怪。支持图片和视频输入，甚至能直接操作电脑桌面，执行跨应用、跨文件、跨系统的复杂任务。
国产大模型第一次不是"某个维度接近"，而是在三个核心维度同时站上了国际第一梯队的起跑线。
二、MSA架构：舍弃MoE，另辟蹊径
M3最让人意外的，不是它做了什么，而是它没做什么。
上一代M2.5用的是MoE（混合专家）架构——这是当前主流开源模型的标配，DeepSeek、Qwen、Mixtral都在用。M3却完全舍弃了MoE，转而采用自研的MSA（MiniMax Sparse Attention）稀疏注意力架构。
这是一个大胆的决定。为什么？
MoE的本质问题：MoE通过"稀疏激活"降低计算量，但它解决的是"参数多但每次只用一部分"的问题，并没有解决注意力机制本身的O(n²)复杂度瓶颈。上下文一长，计算量仍然指数级爆炸。
MSA的解题思路：直接在注意力层面做稀疏化。传统全注意力机制要求每个token与之前所有token计算相似度，序列越长越慢越贵。MSA通过KV块选择取代全注意力，只关注重要的token块，跳过无关信息。
具体来说，MSA采用"KV块为外层、聚合命中query"的KV outer gather设计，比DSA、MoBA等方案更精确地为KV分块，实现更高的有效上下文覆盖。在算子层直接优化，访存速度比Flash-sparse-attention快4倍。
效果有多猛？MiniMax官方数据显示：
| 指标 | 提升幅度 |
|---|---|
| 1M上下文下单token计算量 | 降至上代M2.5的1/20 |
| 预填充（Prefill）速度 | 提升9.7倍 |
| 解码（Decode）速度 | 提升15.6倍 |
这意味着什么？在1M上下文下，M3的推理成本不再是一个"天文数字"，而是一个工程上可用的数字。百万级上下文从"实验室玩具"变成了"生产环境工具"。
MoE是"省参数但不省注意力"，MSA是"直接省注意力本身"。这是一次底层范式的切换，不是修修补补。
三、开源策略：不只是"开源"，是"开完整"
开源大模型这件事，说起来容易做起来难。很多厂商的"开源"更像是一种营销——开源一个残血版基础模型，真正的能力锁在API后面。
M3的策略不同。MiniMax明确表示计划在发布后10天内开源权重，而且是完整的三件套能力：编程、长上下文、多模态，一个不少。
这一点非常关键。此前开源生态的选择是分裂的：
- 想要强编程能力？等DeepSeek-Coder，但没有原生多模态。
- 想要长上下文？某些模型支持128K甚至256K，但1M从未有过。
- 想要多模态？LLaVA、Qwen-VL有，但编程能力偏弱。
M3是第一个把这三项能力完整打包进开源方案的模型。对于开发者社区来说，这意味着不再需要"拼积木"——一个模型就能覆盖代码生成、长文档处理、多模态理解、Agent自动化等主流场景。
更值得注意的是M3的工程适配性：完美兼容Claude Code和各类AI Agent框架，支持OpenAI兼容协议，接入改造成本极低。在Hopper优化FP8算子任务中，M3在24小时内自主调用工具1959次，将硬件利用率从7.6%提升至71.3%，加速9.4倍——这已经不只是"能用"的程度了。
四、行业影响：从"单点追赶"到"系统竞争"
M3的发布，放在国产大模型的发展脉络里看，意义远超一个产品迭代。
2024年，国产大模型的核心叙事是"追GPT-4"——某一个维度接近就算胜利。那时候是"单点追赶"。
2025年，叙事变成了"某些维度超越"——DeepSeek在代码上追平，Qwen在长上下文上突破。但始终没有一个模型能在多个核心维度同时站上第一梯队。
2026年，M3的出现标志着"系统竞争"的开始——不再是某个单项接近国际顶尖，而是三项核心能力同时达到Frontier级别，并且以开源方式提供给社区。
这种转变的影响是深远的：
- 开发者生态的重心可能转移：当开源模型能提供闭源模型90%的能力组合，且成本更低、数据更可控，越来越多团队会选择开源路线。
- 本地部署不再是"能用就行"：M3的能力组合让本地部署真正具备生产力价值，而不是只能做简单的文本问答。
- Agent应用的门槛进一步降低：编程+长上下文+多模态，恰好是Agent自动化最需要的三个能力。M3的开源意味着更多团队可以低成本搭建高能力的Agent系统。
当国产开源模型开始提供"完整能力组合"而非"单项突出"，竞争维度已经变了。
五、铠盒AIBOX-A1：让M3的能力从云端落地到桌面
M3的开源权重发布后，一个问题自然浮现：这么强的模型，普通人怎么用？
云端API当然是一条路，但对于很多场景——企业内网数据隔离、个人隐私保护、长期7×24小时运行的Agent任务——本地部署才是刚需。
这正是铠盒AIBOX-A1的价值所在。作为一款智能体计算机，铠盒AIBOX-A1的定位不是"跑大模型推理的算力怪兽"，而是"让AI 7×24小时替你干活"的常驻设备：
- ARM架构，6 TOPS算力：不追求跑满参数的大模型推理，而是专注于轻量级模型和Agent调度
- 7×24小时运行：低功耗设计让它可以全年不间断运行，跑定时任务、监控数据、自动化工作流
- 微信扫码即用：不需要配置开发环境，不需要懂Docker，开机扫码就能开始用
- 物理隔离：数据不出设备，企业合规、个人隐私都不用担心
想象一个场景：M3的Agent能力通过API远程调用，铠盒AIBOX-A1作为本地的"指挥中心"7×24小时运行——定时从企业内网抓取数据、调用M3做代码审查和文档生成、把结果推送到微信。云端的大脑+本地的手脚，这才是AI Agent真正落地的形态。
铠盒智能 | 让AI 7×24小时替你干活的智能体计算机 · AI前沿