据動察 Beating 監測,專注於評估大型模型解決長程軟體工程任務能力的基準平台 DeepSWE 發布最新榜單更新,正式將 MiniMax 編碼模型 MiniMax M3 納入官方評測。在 113 個真實開源任務的評測中,MiniMax M3 錄得了 20.4% 的 Pass@1 通過率。儘管這一表現仍落後於月之暗面的 Kimi-k2.6(23.9%),但已成功超越小米的 mimo-v2.5-pro(19.5%)、智譜的 GLM-5.1(17.5%)以及谷歌 Gemini 3.1 Pro(9.7%)和 DeepSeek V4 Pro(7.5%)。
相比此前(6 月 2 日)獨立開發者 @bleysg 發布的獨立評測結果,MiniMax M3 的表現有了顯著的進步。在此前的獨立實測中,在 90 分鐘常規時限下 M3 的嚴格通過率僅為 13.3%(15/113),在當時公布的模型表現中落後於 Kimi 和 GLM。此次官方測試中 20.4% 的通過率顯著提升,主要得益於 MiniMax 在 6 月 3 日部署的重大推理升級。該升級修復了偶發生成異常 Token 的問題並優化了長上下文快取效率,使模型在長程編程中的程式碼精度明顯改善,同時也拉近了其與頂級模型的差距。值得注意的是,如果看 Pass@4(允許嘗試 4 次的通過率),MiniMax M3 達到了 48.7%,與 Kimi-k2.6 並列,顯著高於 GLM-5.1 的 38.9%。
然而,高昂的資源和計算開銷依然是 MiniMax M3 的短板。在官方基準測試中,M3 解決單個任務的 agent 步驟中位數高達 311 步,輸出 Token 中位數達 9.1 萬個,單次任務平均成本中位數達 5.04 美元。與之相比,Kimi-k2.6 解決單個任務的中位數步驟僅為 136.5 步,成本中位數為 2.70 美元;而小米 mimo-v2.5-pro 的步驟中位數僅為 114.5 步,成本中位數更低至 1.68 美元。數據表明,儘管 M3 在解決問題的上限和通過率上表現不俗,但在計算效率和推理成本優化上,較之國內其他主流模型仍有較大提升空間。