实测屠榜的 MiniMax M3：打的是硅谷闭源巨头的脸？

文 | 超前实验室，作者｜西西弗柿，编辑｜无心插柳柳橙汁

一直以来，大模型行业流行着这么一句话：小作坊用料猛。

最近，一个没人听说过的小团队，推出了 MopMonk（扫地僧），拿 MiniMax M3 做基座，在 AI 安全领域的奥运会级榜单 CyberGym 上，以 73.1% 的成功率杀进全球前七，成绩紧贴 Open AI，强势拿下中国第一的位次。

要知道，CyberGym 可不是什么野榜，含金量早已得到行业认可：

作为加州大学伯克利分校（UC Berkeley）团队打造的 AI 网络安全能力评估基准，TA 包含 1507 个真实漏洞实例，全部来自 Google OSS-Fuzz 项目沉淀下来的历史漏洞，考察的是越狱攻击、信息泄露防护这些实战场景。

能在这种榜单上排到这个位置，实力无需多言。

值得注意的是，扫地僧作为基座的 MiniMax M3 总参数量仅约 4280 亿，而 GPT 等竞品的参数量高达 10 万亿，二者不是同一辆级，但扫地僧却驾驶着 M3 弯道超车，上演了一出 " 小钢炮出奇迹 "。

这让行业不禁追问：M3 这个基座本身，到底有多能打？

先画个重点，M3 是第一个同时把 1M 超长上下文、原生多模态、前沿 Coding 三件事做到一梯队的开源模型。

要知道，单点能力强不足为奇，市面上有多模态能打的模型，有代码能力强的模型，但如果你狂叠 buff，把三个条件叠在一起施压，那市面上能打的，几乎只剩 GPT、Claude 等头部厂商的旗舰。

而如今，开源的 M3 也做到了，无疑是狠狠打了硅谷巨头的脸，好比当年 DeepSeek 横空出世、让中国 AI 迎来国运时刻。

我们斥巨资（误），开了个 49R 的会员，拿它跑了一轮酣畅淋漓的系统实测，设计了三组场景、多个任务，从视频理解能力一路测到工程化系统搭建能力，看看 M3 是否实至名归！

多模态能力，是企业级 AI 照妖镜

先测多模态能力。

这里我要先请大家思考一个问题：过去一年，业界都在谈 Agent，但 Agent 为什么迟迟无法大规模落地？

因为模型一旦进入真实业务流，就需要同时处理长上下文、理解多模态内容、最后还得依托强代码能力动手干活，任何一块短板，都会导致 " 链路断裂 "。

尤其是多模态，至关重要，毕竟，未来的交互不是纯文本，是 " 屏幕截图 + 语音 + 视频 + 文字 " 的混合流，你不可能每次都手动把视频转成文字，再喂给 AI。

而 M3 强悍的的原生多模态能力，正是模型进入企业场景时必要的 " 眼睛 "：

作为国内少数有视频生成大模型底子的厂商，其把 " 视觉理解 " 原生集成到语言模型里，这步棋走得很有前瞻性。

基于此，我们设计了两层难度递增的视频理解任务。

首先，我们丢给 M3 一个 B 站科技类视频，明确要求 M3 用不超过 300 字的精炼语言，总结视频的核心观点、最终评测结论与核心价值信息，输出核心结论加三条论据，每条必须标注精确到秒的时间点。

注意，这个设计的巧思是要有画面依据，不能只看字幕，必须真的去看视频里发生了什么。

比如画面里出现了一个测试数据的图表，字幕里提到了对应的结论，你得把这个对应关系找出来。

这并不是一件简单的事，要知道，市面上很多模型处理视频，说到底就是把语音转成文字，然后当一篇文章来理解。画面是什么，跟文字怎么对应，它不管。

但我们的要求强度很高，你得真的看懂画面，不是翻译字幕就行。

M3 做到了，其不仅生成了符合视频内容的结论，还列出了三个关键画面时间点 + 论据，每条论据都精确对应到了视频的具体时间点，直接把一条长视频拆成了可回溯的证据链，

这对我来说，这是一个提升工作效率的神器。

我经常需要看一些行业的长视频，什么发布会、学术讲座、开发者访谈，最耗时间的往往不是写，而是看那些视频，一个多小时的东西，想快速找到关键信息，要么二倍速跳着看，要么到处搜别人写的总结，拾人牙慧。

但现在，M3 能同时看画面、听字幕、做交叉推理，然后给你一个带时间戳的结构化分析，相当于 TA 帮我看了一遍，还做了会议重点。

爽哉爽哉！

顺着这个思路，我们又升级了一下难度，丢了一个英文的编程教学视频给 M3，要求它把完整的操作步骤拆成 Step 1 到 Step N，翻译核心技术术语，每个步骤标上时间戳，最后输出一个可以直接当教程看的中文文档。

可见，M3 按时间轴列出了步骤，从数据准备、目标定义、命令式实现、范式对比，到 React 渲染应用、异步并发应用、反模式提醒和收尾，每一行都有秒级时间范围，可以说非常贴心了。

对于自媒体行业的朋友来说，这个能力是真的实用！

毕竟，我们早已进入视频时代，教程越来越视频化，测评越来越视频化，发布会越来越视频化。

但工作需要的东西，很多时候还是文档，毕竟，视频很好看，但不好检索，你不能拿着一个视频去开工，你需要步骤，需要表格，需要链接，需要命令，需要可复制的材料。

于是中间就有一个巨大的转换成本。M3 在这里干的事，就是把这个转换成本打掉了。

懒到最后，应有尽有啊。

用 M3 做网页、仪表盘，是否能打？

既然 M3 已经能把视频里的核心结论和论据整理出来，那它能不能直接动手，把这些内容做成一个完整、可运行的单文件 HTML 页面？

说干就干，输入要求，让 M3 把视频分析结果变成一个完整、可直接运行的单文件 HTML 页面，用于展示视频核心结论与带时间戳的论据，适配深色模式，具备良好的视觉效果与交互体验。

而且，页面要有固定顶部导航栏、首屏结论卡片、论据展示区，每个论据模块附带 6 比 9 的截图占位图，时间戳要支持点击跳转到 B 站对应时间点，全局深色模式，响应式适配桌面和平板。

来看结果，M3 做了一个个深色风格的页面，标题区域、结论卡片、指标卡、时间锚点都已经摆出来了。页面里出现了 iQOO 15 Ultra 的视频结论展示，有类似 59.7 到 59.9 fps、≥ 33 fps、44.2 ° C、13:23h 这样的指标卡。

甚至，还有 " 三个时间锚点，回到视频现场看证据 " 这样的细节。

这就很妙，如果说刚才的那个视频理解任务，产物还是文本，那么到了这里，M3 已经把文本组织成网页了。

它开始考虑阅读节奏、视觉层级、导航、卡片、锚点、深色模式。一个视频，被压缩成了一页可阅读、可点击、可回看的信息页面。

我不夸张地说，这个页面的完成度，放在平时如果让一个前端来做，没个半天搞不定。

但现在是你把上一轮的输出粘贴进去，一个 Prompt，它就给你了。

从 " 理解一段内容 " 到 " 把这段内容变成一个可交互的网页产品 "，中间没有人工插手。我觉得这就是 AI 的神奇之处，它把之前需要多个角色、多个环节才能完成的事情，简化成了一条流水线。

然后，我们又得寸进尺，往前走了一步。

同一个视频，要求 M3 从画面和字幕里提取量化测试数据，性能、功耗、帧率之类的，输出成结构化 JSON，然后基于 ECharts 生成一个深色视觉风格的交互式数据仪表盘。

仪表盘要有四项核心指标总览卡片、一个测试分类下拉筛选框、柱状图和趋势对比图双图表区。切换分类的时候，指标卡片和两个图表要实时联动更新。

我的指令里面包含了数据提取、格式规范、前端工程、交互逻辑四个环节。任何一环掉了链子，整个东西就跑不起来。

看到 M3 交出来的结果的时候，我确实惊艳了一下。。。

这已经不是写一段能跑的代码了，这是模型能 " 看懂一个视频里的数据，把它结构化，然后做成一个能用的工具 "，过程非常丝滑。

这是一个很关键的跨越，网页是给人看的，看板是给人用的。一个好的看板，不只是漂亮，它要能筛选、能对比、能帮助你做判断。

我知道很多人会说，这不就是 HTML 吗？以前也能生成啊。

对，以前也能。但这次让我觉得不一样的地方，是它前面接的是视频理解，后面接的是工程化产物。

也就是说，它不只是孤立地写一个页面，它是在一条链路里工作，视频多模态理解，内容总结，信息网页，数据看板，这几个环节连起来以后，意义就变了。

要知道，一个模型最难的从来不是单点炫技，而是在连续任务里不散架，从 " 总结内容 " 升级到 " 组织界面 "，再升级到 " 生成交互工具 "，一气呵成。

M3，做到了。

从零搭建工程化系统，M3 能不能当架构师用？

接下来，再放个大招，我们来测测，M3 能不能理解 " 系统该怎么搭 " 这件事。

简单说就是，如果你告诉它你要一个什么样的工程化方案，它能不能把架构、模块、异常处理、配置管理这些东西全想清楚，然后给你一套能跑的东西。

我们设计了两个 Harness 任务，都是从零搭建一套完整的工程化基础设施。

第一个，是自动化模型评测 Harness。要求 M3 写一套完整的 Python 测试夹具，功能包括，读取 JSONL 格式的测试集，并发调用 MiniMax 官方 API，BLEU 加语义相似度双指标评分，失败自动重试，最后生成一个可视化的 HTML 报告，要求模块化、注释清晰、异常处理完善、兼容 Python 3.10 以上，所有依赖必须是 PyPI 公开主流库。

M3 给出了一个完整的 eval_harness.py，从输入读取到并发调用，从指标计算到报告生成，该有的模块一个不少，还给出了运行结果：

report 文件约 7133 bytes，HTML 报表显示 75% pass rate，也就是 6 pass、1 fail、1 error，并且和 mock 数据一致，它还解释了评分维度，接口契约、并发正确性、重试策略、指标选择、报告可用性、工程化都被覆盖。

没错，M3 没把任务理解成 " 写个脚本 "，而是在搭一个可验证、可运行、可扩展的小系统，点个赞。

下一个任务难度更高，是线上稳定性与漂移监控 Harness。要求 M3 设计一套完整的模型线上监控方案，包括 Python 主脚本和 YAML 配置文件。

核心功能是每 30 分钟自动探测一次，向 M3 发送 10 条固定金标准提示词，记录响应延迟、输出长度、与上一次同提示词输出的余弦相似度。然后对历史数据算均值和标准差，当前值超出均值 ± 3 个标准差就判定为异常漂移，触发 SMTP 邮件告警，邮件里要写清楚异常指标名称、当前值、历史均值、阈值范围、触发异常的提示词。

这是一个运维工程师才会做的事情。定时任务、统计检测、报警机制、配置管理，一整套要在两个文件里跑通，而 M3 完成了。

这些任务的共同点是什么？

都不是让模型回答一个问题，它们是在让模型设计一套持续工作的机制。

所以你能看到，M3 不仅能写一个函数、一个页面，它能理解一个系统该怎么搭，TA 展现出的，是能看懂、能拆解、能执行、能交付的全链路能力。

而且它是开源的，Token Plan 每月 49 块，性价比拉到 Claude 的十五倍。一个开源模型做到这个程度，很良心了。

几乎可以确定的是，在接下来半年，这种能力有望催生一大批 " 一人公司 " 或 " 超级个体 "，他们只需要创意和对业务的理解，剩下的工程化脏活累活，AI 全包。

MiniMax M3 开源，打的是硅谷巨头的脸

最后，我想说，当头部闭源厂商都在涨价或限流时，MiniMax 开源的这步棋，打在了闭源巨头的七寸上。

在很多中小企业和独立开发者眼中，" 接近闭源旗舰的效果 + 十五分之一的价格 "，意味着生产流程的重构。

以前不敢用 AI 做的 " 高频低敏 " 任务，比如批量视频元数据提取、海量日志分析，现在可以无脑上 AI 了，随便用，白菜价，跑上一天也不心疼。

而且，" 扫地僧 " 这波出圈，也是神助攻。

用 M3 做基座，在安全榜单屠榜，这个案例太漂亮了，直接打破了 " 开源模型不安全、不专业 " 的刻板印象，为 M3 进入金融、政务等高合规要求领域扫清了心理障碍。

当然，这也很打闭源巨头的脸：

开源模型在长文本、多模态、代码能力上全面追平闭源旗舰时，闭源厂商的护城河在哪里？

如果仅仅是 " 更稳定 " 或 " 更安全 "，这个壁垒在快速变薄。

而对我们普通人来说，那自然是大大的利好：

长期以来，开发者做复杂项目高度依赖 Claude 等巨头，而 M3 的出现，给了国内开发者一个 " 不卡脖子 " 的高性能底座。特别是在涉及敏感数据的场景，开源 + 国产的组合具有巨大的战略价值。

对于创业者来说，最好的时代，已经来了。