前段时间一直在处理其他事务，直到今天才真正抽出时间深度体验 MiniMax M3。说实话，最初并没有太高的期待——毕竟网络上众说纷纭，评价不一。作为老用户，我此前一直使用 M2.7 完成各类任务，整体体验还算顺手。
但实际上手之后，反而有了一些意外惊喜。M3 主打的三大核心亮点——1M 超长上下文、多模态融合能力以及 Agentic Coding 智能编程——在实机测试中都展现出了不错的效果。
关于口碑问题，更多集中在 Token Plan 商业策略调整方面。好在官方在前不久推出了老用户补偿方案，算是及时的补救措施。就当前的定位而言，继续使用 M2.7 处理日常任务，同时借助 M3 探索更多新玩法，不失为一个灵活的组合策略。先来看看实际测试表现，Token Plan 的问题后续再细聊。
M3 实际体验究竟如何？
让我们从几个真实的应用场景切入。
场景一：利用多模态能力，将讲座视频转化为图文笔记
过去使用 MiniMax M2.7 最大的缺憾便是缺乏多模态支持，导致部分工作流无法顺畅执行，必须额外配置一个多模态模型来补齐。M3 填补了这一短板后，整体适用性得到了显著提升。
在 MiniMax Code 中实际操作了一次：直接将一份 MP4 格式的讲座视频完整传入，指令要求从中截取关键的 PPT 画面并自动标注时间戳。
M3 会先调用其「视频理解」与「图片描述」模块，通览全部内容，再调用本地 ffmpeg 工具完成截图操作。截图完成后还会自动检查图片质量与表达效果，必要时自行校准修正。
一次执行通过，最终结果如下：
最终输出的图文笔记效果展示：
场景二：高效处理超长播客文本
近年来长视频播客越来越受欢迎。中文播客还好，通勤时戴上耳机就能听完；英文播客则没有那么轻松，尤其是 Lex Fridman 的节目，很多超过 4 个小时。好在他每次都会附带完整的 Transcript 文本。
不妨拿最近他与 VLC 作者、FFmpeg 维护者 JBK 的访谈来试试手。
先将 Lex 自带的视频章节信息移除，只保留时间戳和对话内容，然后向 M3 发出指令：「请帮我整理出主要讨论的话题，并生成带时间戳的目录大纲。再根据播客内容，转写一篇 4000 字左右的科技博客文章。」
对比 Lex 官方提供的原始时间戳大纲，M3 的章节拆分准确率相当高，在多个关键时间节点上几乎完全匹配，而且给出了更细粒度的子章节划分：
在没有刻意优化提示词的情况下，M3 生成的博客文章内容也相当直白实用。通读一遍即可快速抓住播客的核心要点，作为独立阅读材料完全够用。
如果计划在社交媒体上发布，还可以根据个人风格进一步调整提示词，或者搭配多模态功能生成一些配图。
场景三：调研并深入理解大型代码库
MiniMax M3 的另一大亮点是 1M 超长上下文窗口。不过仍建议将实际上下文控制在 200K~500K 以内，并在接近上下文窗口上限时主动切换对话。
在日常工作中真正需要跑满 1M 上下文的场景并不多见。最近发现一个很有价值的项目「Understand Anything」，可以在 Token Plan 配额比较充裕的时候，挑选一些感兴趣的代码仓库交给 Agent 进行自动化分析。
例如，将 PewDiePie 前两天开源的 Odysseus 完整交给 M3 来分析。首次分析确实耗时较长，跑了将近两个多小时。但分析完成后，会生成一个可交互的前端页面，帮助快速理解项目架构与核心逻辑。
在此基础上，如果还有疑问，可以继续在 Claude Code 中针对代码库提出具体问题。
这种深度理解分析会消耗较多 Token，比较适合在 Token Plan 空闲时段运行。
场景四：根据一张截图复刻一个 Agent 工作台
最后聊一个编程场景。目前我桌面上常驻着多种不同的 Agent：Claude Code、Codex、OpenClaw、Hermes，以及 Pi、OpenCode 等。一方面是尝鲜体验留下的代码资产，另一方面不同 Agent 确实各有所长。将不同 Agent 固化为特定的角色与分工，按需挑选合适的数字员工，甚至让它们协同合作，是一个颇具潜力的方向。
我一直希望将这些工具整合到一个类似斯坦福小镇风格的工作台中，但始终未能正式开工。
前阵子出现的 Marvis 有类似理念的雏形，不过它是一款商业化产品，并不能灵活接入和管理各类 Agent Gateway。
后来在 Claude Code 中将一张 Marvis 截图发给 M3，要求它复刻出一个可自定义接入的本地项目。首先在 Plan 模式下澄清若干需求：
随后 M3 全程自主完成 Coding 与搭建，期间未收到任何额外修改指令。
耗时 20 多分钟后，最终成果如下：
逐一点击测试，完成度相当高，所有按钮和菜单均可正常交互。配置好 API key 后，大模型也能顺利对话。
整体来看，除了 SVG 前端绘制得有些抽象之外，M3 在这个项目上的表现令人满意。后续可以使用不同的 gateway 或 API_SERVER 将其他 Agent 接入进来，配置角色与分工。说到底，UI 只是一个前端呈现——不管叫马厩、虾笼，还是套个三国武将的外壳，底层都是 Agent 通信与协作。如果有类似的开源项目也欢迎推荐。
从实测结果来看，M3 本次宣传的核心能力基本都得到了验证。综合来看，Agent 智能体、超长上下文、原生多模态能力三者组合，使得 M3 找到了自己的生态位。背后的技术细节已有不少文章详细讲解，这里不再赘述。
小结
最后聊聊 Token Plan。
对于习惯了 MiniMax 量大管饱风格的老用户而言，M3 的性价比确实不如之前的 M2.7。但商业运营终究需要算账，不可能一直补贴下去。虽然给老用户的迁移方案来得稍晚一些，但总归有了着落。
类似的问题，每个模型公司都会经历，这是迈向成熟的必经之路。MiniMax M3 的这次发布，既有技术上的高光时刻，也有运营上的失误与补救。这也说明，一个好的 AI 模型想要真正赢得用户认可，必须将技术、产品和商业三者都理顺，缺一不可。
M3 的技术实力是过关的。它通过新的 MSA 架构解决了长文本处理的效率与成本问题，同时在代码和多模态理解方面也表现不俗。虽然经历了一些风波，但最终给出了一个具有竞争力的定价与补偿方案。你可以根据实际需求测试 M3 的表现，也可以继续用 M2.7 养虾，都是不错的选择。
无论如何，MiniMax 依然坚持开源路线，为开发者提供了除少数几家闭源巨头之外，更具性价比的高性能选择。M3 的答卷已经交出，剩下的就看市场与开发者的反馈了。
