今天打开手机，原本只想扫一眼股价，结果看到MiniMax股价大跌15%。赶紧翻了一圈新闻，原来是M3发布了。
翻看M3的技术报告，坦白说，真的不差。从各项benchmark来看，甚至可以说是惊艳的——SWE-Bench Pro 59%，超过GPT-5.5，逼近Opus 4.7；BrowseComp 83.5直接把Opus 4.7踩在脚下；百万上下文、原生多模态，外加自研MSA稀疏注意力架构。
当然，股价从来跟业绩和实力没什么直接关系，但这两个信息摆在一起，确实有点诡异。再去X上翻翻评论和开发者社区，发现骂声确实比叫好声更响，尤其是中文社区。这就有意思了——两级分化背后藏着什么？值得聊聊。
先说说指标里的“小心思”
59%的SWE-Bench Pro，这个数字本身没问题。SWE-Bench Pro是目前公认最接近真实软件工程场景的基准，考的是用代码修真实项目里的bug，还得跑测试验证，不能蒙，含金量够。59%是个实打实的高分。
但翻到MiniMax技术报告里，关于Terminal Bench 2和VIBE-Pro这两个测试，有一行注释写着：使用了Claude Code作为评测脚手架进行测试。
这意味着MiniMax采用了Claude Code的工具链，测自己模型的Coding能力，然后拿这个分数去跟Claude Opus 4.7做比较。这个操作有点让人困惑。
一个疑问是：其他模型是否也采用类似评测方式？只有MiniMax说了“真话”？还是只有MiniMax是这样的？仔细翻了一下，其实SWE benchmark、Terminal Bench 2和VIBE-Pro都是基于Claude Code做的测试。准确来说，像Terminal Bench 2这类需要在环境里连续执行工具调用的Agent评测，在当前行业里用脚手架跑是惯例，Claude Code、OpenCode都是常见选择。脚手架本身不是问题，问题在于——当你用A的框架测B的能力，然后对外宣传跟A比肩，这就有点“不讲武德”了。
模型的原生能力和“用某个脚手架跑出来的能力”，是两回事。用户很难分辨SWE-Bench Pro 59%这个数据里有多少是模型能力，有多少是脚手架加成。难怪很多人已经完全不信各种评测指标了。
在MiniMax官号下面，这样的吐槽比比皆是。
我们来说说“开源”的诚意
与其他发布的开源模型不同，MiniMax这次没有公布模型大小。一个多大的模型取得了这样的成绩？这让开发者们充满困惑。其次，让很多开发者不满的是没有公布模型“权重”。最新说法是“发布后10天内开源”，模型先API上线，权重后面跟上。
这又回到了上面的话题——这种做法充满“心机”。面向一向追求坦诚的程序员来说，可以理解，但确实不那么“坦荡”。为什么这么说？这种安排更多是商业逻辑上的考虑：先通过API收回一波成本，再开源，无可厚非。但如果你今天对社区宣传的是“开源”，却又不给权重，社区没有办法在本地环境里验证任何评测数据。所有人只能通过API访问模型，既无法复现benchmark，也无法独立摸清模型底细。开源社区的核心价值就是“可复现、可验证”。所以当先宣传开源，再说权重“过几天给”，这两件事放在一起，社区的质疑声也就很自然了。
类似这种：
或者这种：
最扎心的，还是Coding Plan的调整
前两个都还是技术范畴的讨论，Coding Plan的调整才是骂声最集中的地方。以前MiniMax的Coding Plan一直以“量大管饱”著称——它是按照请求次数做限制的，限制的是速率：每5小时滚动窗口内的请求次数，但没有月度Token总量的上限。一个重度开发者，只要不超速，可以持续低速地跑。有老用户算过，他一个月实际跑下来消耗了三十亿token，有的甚至五十亿+，而月费就是那几十块钱。
这是之前的“黄金时代”，每个月无上限地跑，自己控制节奏。但是，在没有预告的情况下，M3发布同步推了Token Plan，把这套规则改了。改成了按总量来看：Plus套餐49块6亿token，最新说法相当于Claude Pro 5倍用量，听起来很划算。
但深究一下最新细则，这个6亿token是按单次调用50K token来估算的，折算出来大约是12000次调用。
你想想看，M3支持百万上下文，真正的重度使用场景，单次调用几十万token是常态，6亿token一下子就见底了。更让人难以接受的是，原来承诺老用户不受周限额限制，现在却出尔反尔。这怎么可能不炸？
最新很快出来回应：
V2EX上有用户直接把这次和之前的“代金券事件”并列，说MiniMax这是又背刺了一次老用户。能让用户翻出来历史账单一起算，说明积累的信任是真的在消耗。
说回技术本身，MSA这个创新有点意思
其实，MiniMax这次发布的技术本身是有点东西的，但都被一系列“骚操作”盖住了。特别是M3的底层架构创新，客观来看确实有一些新东西令人兴奋。
MiniMax自研了一个叫MSA（MiniMax Sparse Attention）的稀疏注意力机制。
传统Transformer的注意力计算是O(n²)的，上下文长度翻10倍，计算量暴涨100倍，这是做长上下文一直绕不开的魔咒。MSA的思路是对KV（Key-Value）做高精度的分块，然后做稀疏化，相比之前DSA、MoBA这些方案，它能更精准地覆盖到有用的上下文，而不是随机裁掉一些。
与此相关的是底层算子层面，首创了「以KV为外循环去聚合Q」的计算方式，每个KV块只被读一次，内存访问是连续的，速度比开源的Flash-Sparse-Attention快4倍以上。实际效果，跟上一代M2相比，在百万上下文下，prefilling阶段加速超过9倍，decoding加速超过15倍，单token计算量只有上一代的1/20。
这个方案与之前DeepSeek的路径也有所不同。DeepSeek V4主攻的是“混合压缩架构”与“极低精度计算”（CSA + HCA机制）。这意味着什么？以前跑百万上下文是奢侈品，现在是真的能用的基础设施了。
从技术路线来看，MiniMax在长上下文、多模态和Agent能力这三块的均衡程度，在国内厂商里确实算突出的。其他家可能某一块打得很猛，但三个同时达到前沿水平的，M3是第一个对外宣称的。这个宣称对不对，等独立评测结果出来再看，但方向本身是很清晰的。
最后说几句
真不知道应该怎么理解这次M3的发布。是因为沉寂太久，所以太着急？太焦虑了？模型本身是在进步的，MSA架构是真创新，长上下文推理效率是实打实提升了，三模态均衡（而且是原生多模态）这件事也确实是难的。但发布的方式确实在消耗用户信任，这在争抢开发者的市场里，这番操作让人看不明白。
开源社区的理解很朴素：你说开源就得给权重，你说诚意就别搞文字游戏，你要改价格就得提前说清楚。现在的局面，骂声和期待同时存在，这本身是个好信号——说明大家还在关注，还有情绪，还没有走人。就看MiniMax接下来这10天，权重放出来之后，独立评测会不会把那些指标打回原形了。
