先说几个关键结论：同样是宣称支持“百万上下文”，但不同模型如何调度、压缩和激活这些 token，才是决定其能力上限的根本差异。MiniMax M3 选择了一条更务实的稀疏注意力技术路线，而 Gemini 3.1 Pro 则在长程依赖处理中暴露了积弊。

在1M上下文窗口下，MiniMax M3 依靠其MSA（MiniMax Sparse Attention）稀疏注意力架构，将每个 token 的计算量压缩至上一代 M2 的 1/20。相比之下，Gemini 3.1 Pro 仍沿用全注意力或混合稀疏方案，在面对同等超长输入时，prefilling 阶段的显存占用与延迟会急剧增加。也就是说，当你输入一份包含50页PDF、3段视频帧摘要和2万行日志的复合内容时，M3 能自动激活关键片段并屏蔽背景噪声；而 Gemini 在长序列任务中，很容易丢失早期设定的约束条件，尤其是在需要回溯第87页表格与第3小时视频中某个 UI 弹窗之间的联动判断时，其响应准确率会出现明显下降。

上下文不是靠堆叠，而是靠稀疏调度实现的

从技术核心来看，MiniMax M3 的 MSA 架构本质上是一种动态稀疏注意力机制。它不像传统全注意力模型那样“不加区分”地处理每一个 token，而是像一位经验丰富的编辑，能够快速定位文本中的关键段落并激活它们。更重要的是，这种稀疏性具有动态特性，能够根据输入内容实时调整注意力窗口与注意力分配。换句话说，长上下文不再是一块僵化的内存，而是一个可以灵活滚动的“注意力舞台”。

反观 Gemini 3.1 Pro，其全/混合注意力方案在处理相同长度的输入时，计算复杂度仍呈平方级增长，因此不得不依赖外部工具链进行文档分片或提示词压缩——这种“人工切菜”式的做法，在复杂长程任务中极易导致状态断层。

真正的原生多模态不是“能看图片”，而是“图文与桌面实时联动”

这里有一项关键差异：真正的多模态能力，远不止“能识别图片中的文字”。

M3 给出的解决方案是端到端的桌面操控能力。举个例子：如果你输入“把截图里标红的三行 Excel 数据，填入本地 ERP 系统‘采购入库单’第4栏”，模型会自动识别截图中的坐标、字段语义以及当前桌面窗口层级，随后调用内置的 MiniMax Code 智能体完成跨应用粘贴——整个过程不依赖 OCR 后端或任何外部插件，这项能力直接内嵌在模型权重中。需要说明的是，桌面操控权限需要用户主动向本地客户端授权，未授权时该能力会静默禁用。

而 Gemini 3.1 Pro 虽然支持图片输入，但无法直接操作桌面。它需要先将图像转换为文字描述，再交由外部 Agent 调度工具链执行，中间必然存在指令失真与状态断层的风险。更关键的是，官方并未开放桌面控制 API，所有自动化操作都依赖第三方桥接方案，这本质上是一种“半残”的多模态能力。

编程与Agent能力在长程任务中实现真正协同

在编程和 Agent 任务方面，两者的差距同样不在于单次代码生成的质量，而在于长程任务拆解与稳定性。

M3 在 SWE-Bench Pro 测试中获得了 59.0% 的分数，小幅领先于 Gemini 3.1 Pro。但更值得关注的是其自动化复现能力：例如，在复现论文《Learning Dynamics of LLM Finetuning》中的实验时，M3 耗时近12小时、全程无需人为干预——期间它自动解析了 PDF 中的数学公式、比对 SVG 图表趋势、调整 DPO 训练超参数、重跑失败实验、生成归因报告，并验证了论文中提到的 squeezing 效应是否得到缓解。

在整个流程中，100万上下文并不是一个静态缓存，而是一个动态的滚动窗口：前20万 token 存储原始论文与参考文献，中间50万加载实验代码与日志流，后30万实时注入新的观测结果并触发反思模块。这种架构意味着，你无需手动切分文档或添加诸如“请记住前面第3节定义的loss函数”这类提示词——长程依赖处理对 M3 来说是默认行为，而非需要额外配置的附加功能。

而 Gemini 3.1 Pro 在相同任务中，会出现上下文截断，进而导致后续步骤误判初始设定的情况。这正是“全注意力”方案在其能力天花板上的真实映射：并非内存不足，而是缺乏灵活调度的能力。