M3模型实战：如何完整复现一篇ICLR获奖论文

复现一篇荣获ICLR 2025 Outstanding Paper Award的论文，这件事听起来就颇具挑战性。尤其是当这篇论文包含了多页公式推导、6张带有详细标注的实验曲线图、3个核心算法伪代码、原始数据集链接，以及整整12页附录实验日志时——说实话，目前只有M3这个开源模型能够胜任这一任务。

核心难点主要体现在三个方面：超长文本上下文处理能力（需要将整篇论文、代码和日志一次性输入）、原生多模态理解能力（必须准确识别图中坐标轴标签和曲线趋势），以及前沿的代码生成能力（能够自动编写可运行的PyTorch训练脚本并完成调参）。这三项条件缺一不可，而M3恰好是目前唯一能同时处理这三类输入的开源模型。

准备阶段：构建符合M3能力边界的输入包

首先下载论文PDF原文，接着使用MiniMax最新推荐的PDF-OCR-MultiModal工具，批量提取全部文字和图像——最终你会得到一个包含127页文本、23张高分辨率图表PNG、4个LaTeX公式块的ZIP压缩包。这一步本质上是在为M3进行“数据清洗”，将原始论文中分散在不同位置的关键信息整合到一起。

接下来是关键操作：将论文PDF、提取出的PNG图表、附录中的CSV实验日志，以及作者公开的GitHub仓库README.md，全部合并成一个Markdown文件。总长度必须控制在98.7万tokens以内——超过这个阈值，M3的自动截断机制就会激活，后半段公式被截断，后续工作将前功尽弃。

打开MiniMax Code Web界面，新建一个Agent任务，将整理好的Markdown全文粘贴进去。记得勾选两个开关：“启用多模态解析”和“开启长程推理会话”。这两个开关若不开启，模型的能力就会被限制住。

启动复现：设置关键约束与验证锚点

在提示词的第一行，直接写明执行顺序：“请严格按以下顺序执行：①解析图2a中横轴单位与纵轴物理量；②复现Algorithm 1伪代码为可运行PyTorch模块；③用图3b所示学习率衰减策略训练模型；④输出与原论文Table 4完全一致的三组数值。”——这一步相当于为模型绘制施工蓝图，避免其自行发挥偏离方向。

有两种方式可以提交任务：

方式一：使用API调用。在curl命令中加上 --header "x-minimax-long-context: true"，否则默认的上下文窗口只开启32K模式，图表识别功能根本不会启动。

方式二：通过Token Plan控制台提交。上传ZIP包之后，在“验证锚点”栏手动填入论文Figure 4的峰值坐标值 (0.82, 0.94)。M3会在每一轮生成后自动比对，一旦偏离超过±0.03就会回退重试。这个机制相当于为模型设置了一个自动检票口，误差超标便勒令重新执行。

监控与干预：识别失败信号并精准介入

整个复现过程并非一键完成，你需要像盯盘一样关注几个关键信号：

首先，观察commit频率。如果连续45分钟没有新commit产生，说明M3陷入了局部最优循环——此时必须人工中断，重置“当前任务状态”，然后重新走一遍流程。

其次，检查图表生成质量。如果M3输出的Figure 5曲线出现了锯齿状的非平滑波动（原论文里是光滑的指数衰减），立即在对话框输入 “请重新生成Figure 5，禁用torch.compile，改用torch.jit.script封装”。这个异常是已知的FP8精度损失导致的绘图问题，有固定的修复方法。

第三，核验数值结果。M3输出的Table 4第三列数值如果是 0.731 ± 0.012，而原文是 0.731 ± 0.008，说明随机种子未对齐。补发一条指令：“set torch.manual_seed(42) and numpy.random.seed(42) before data loading”——即可解决。

最后，等界面显示 “✅ All 18 commits completed”，并且生成的23张图表命名格式分别为 fig2a_reproduce.png、table4_validation.json 时，整个复现流程才算真正跑完。