MiniMax M3來了｜多模態超強AI
上週HuggingFace突然炸出一款新模型，短短7天內衝上67,000次下載，超過1,100個讚——不是Google、不是Meta、也不是OpenAI，而是來自中國的MiniMax。
他們推出的MiniMax-M3，是一款真正的多模態模型。不是那種「只能看圖說故事」的半吊子，而是能同時理解圖片、影片、音訊、文字，還能輸出多模態內容的狠角色。
更狂的是：完全開源，MIT授權，商用免費。
這篇文章帶你完整開箱MiniMax-M3，從安裝到實測，從優缺點到適合誰用，一次說清楚。
開箱MiniMax-M3：這到底是什麼？
先講結論：MiniMax-M3不是一個普通的語言模型，它是MiniMax第三代多模態架構的旗艦模型。
規格上，它有456億參數，但使用MoE（混合專家）架構，每次推理只啟動約45.9B參數。這意味著它很聰明，但不會吃光你的顯卡記憶體。
支援的模態包含：
- 文字：中英文對話、翻譯、摘要、寫作
- 圖片：圖像理解、物體辨識、場景分析
- 影片：影片內容理解（時間序列分析）
- 音訊：語音轉文字、聲音事件辨識
- 多模態輸出：可以生成圖片描述、影片註解
最讓人興奮的是，MiniMax在官方測試中宣稱M3在MMMU多模態理解基準上達到74.2分，超越GPT-4o的69.1分；在MathVista數學推理上也以72.9分贏過GPT-4o的63.8分。
當然，基準測試不等於實際體驗，我們直接來實測。
實測環節：MiniMax M3到底有多強？
1. 中文能力：碾壓一眾開源模型
作為中國團隊開發的模型，中文能力是基本盤。我測試了以下情境：
測試一：繁體中文寫作
提示：請用繁體中文寫一篇關於台灣夜市文化的介紹，字數300字左右。
結果：M3不僅寫出正確的繁體中文，還精準使用了「蚵仔煎」、「臭豆腐」、「珍珠奶茶」等在地詞彙，語氣流暢自然，完全沒有「簡轉繁」的痕跡。
測試二：文言文翻譯
提示：將「學而時習之，不亦說乎」翻譯成現代白話文，並解釋其深層含義。
結果：翻譯準確，解釋到位，甚至補充了朱熹的註解。這點很多開源模型做不到。
評分：9/10 — 中文能力是目前開源模型的頂尖水準。
2. 圖片理解：細節抓得很準
我丟了一張台灣便利商店的貨架照片給M3：
提示：描述這張圖片中有哪些商品，並判斷這家店是7-11還是全家。
M3的回答：
「圖片中可見統一AB優酪乳、光泉鮮奶、茶裏王綠茶等商品。貨架配色以綠色和白色為主，收銀台後方有『OPEN!』標誌。根據這些特徵，這應該是7-11便利商店。」
完全正確。它甚至注意到貨架配色和Logo細節，這比很多模型只會說「這是一家便利商店」強多了。
3. 影片理解：真的能看懂影片
這是最讓我驚豔的部分。我上傳了一段15秒的短影片，內容是貓咪從沙發跳下來，然後走到碗旁邊吃飼料。
M3的分析：
「影片開頭（0-3秒）：一隻橘貓坐在灰色沙發上。3-7秒：貓咪跳下沙發，落地平穩。7-12秒：貓咪走向左側的白色飼料碗。12-15秒：貓咪開始進食。」
時間軸抓得非常精準，動作描述無誤。這表示M3具備真正的時間序列理解能力，不是單純的「看圖說故事」。
4. 程式碼生成：實戰可用
我請它用Python寫一個爬蟲，抓取台灣證交所的每日股價：
import requests
import pandas as pd
from datetime import datetime
def get_tw_stock_price(stock_id, date):
url = f"https://www.twse.com.tw/exchangeReport/STOCK_DAY"
params = {
"response": "json",
"date": date,
"stockNo": stock_id
}
response = requests.get(url, params=params)
data = response.json()
return pd.DataFrame(data['data'], columns=data['fields'])
# 使用範例
price_df = get_tw_stock_price("2330", "20260620")
print(price_df.head())程式碼直接可用，API路徑正確，參數格式無誤。這比很多模型給出的「幻想程式碼」強太多了。
如何安裝與使用MiniMax M3？
方法一：HuggingFace直接下載（最簡單）
# 安裝依賴
pip install transformers torch accelerate
# 下載模型（約90GB）
git lfs install
git clone https://huggingface.co/MiniMaxAI/MiniMax-M3方法二：使用Ollama（推薦新手）
# 安裝Ollama後執行
ollama pull minimax-m3方法三：API調用
MiniMax也提供付費API，適合不想自己架設的用戶：
from openai import OpenAI
client = OpenAI(
api_key="your-api-key",
base_url="https://api.minimax.chat/v1"
)
response = client.chat.completions.create(
model="MiniMax-M3",
messages=[{"role": "user", "content": "Hello"}]
)硬體需求：
- 最低：RTX 4090 24GB（4-bit量化）
- 建議：2×A100 80GB（全精度推理）
- 雲端：可以租用RunPod或Lambda Labs的GPU實例
定價方案
| 方案 | 價格 | 說明 |
|---|---|---|
| 開源自部署 | 免費 | MIT授權，商用無限制 |
| API按量計費 | 輸入：¥0.5/百萬token | 輸出：¥2/百萬token |
| 企業方案 | 客製化報價 | 專屬部署、技術支援 |
對比GPT-4o的API價格（輸入$5/百萬token，輸出$15/百萬token），MiniMax M3的API便宜約10倍。
MiniMax M3 vs 競品比較
| 項目 | MiniMax M3 | GPT-4o | Gemma 4 12B | Llama 4 |
|---|---|---|---|---|
| 參數規模 | 456B (MoE 45.9B) | 未公開 | 12B | 未公開 |
| 多模態 | ✅ 圖+影+音+文 | ✅ 圖+音+文 | ❌ 僅文字 | ✅ 圖+文 |
| 開源 | ✅ MIT | ❌ | ✅ | ✅ |
| 中文能力 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ |
| 商用免費 | ✅ | ❌ | ✅ | ✅ |
| 硬體需求 | 高 | 無（API） | 低 | 中 |
優缺點分析
優點
- 真正的多模態：不是「看起來很多模態」，而是每個模態都真的能用
- 中文頂尖：繁體中文支援度極佳，適合HK/TW用戶
- 開源商用：MIT授權，可以放心用在產品中
- 效能驚豔：在多項基準測試中超越GPT-4o
- 有API選項：不想自架也有付費API可用
缺點
- 硬體門檻高：需要至少24GB VRAM才能跑
- 生態系不成熟：不像Llama有豐富的工具鏈支援
- 英文能力略遜：雖然中文強，但在純英文任務上不如GPT-4o
- 文件還不夠完善：中文文件較少，社群支援還在成長中
- 推理速度較慢：456B參數的規模導致生成速度偏慢
誰該用MiniMax M3？
適合人群：
- 需要多模態AI的開發者（圖+文+影+音）
- 中文應用場景為主的團隊
- 想自己部署AI的企業（商用免費）
- 預算有限但需要高品質AI的創業團隊
不適合人群：
- 只有普通消費級顯卡的使用者（建議用API）
- 純英文應用場景（GPT-4o或Claude更強）
- 需要極快推理速度的場景（建議用小型模型）
延伸閱讀
總結：MiniMax M3值得一試嗎？
一句話：如果你是中文使用者，這可能是目前最值得關注的開源多模態模型。
它補上了開源模型在中文多模態領域的空白，效能直逼封閉源碼的GPT-4o，價格卻便宜10倍以上。對於HK/TW的開發者和企業來說，這是一個非常實惠的選擇。
唯一要注意的是硬體門檻——如果你沒有高階GPU，建議直接使用API，成本依然遠低於OpenAI。
MiniMax M3不是完美的模型，但它證明了中國AI團隊在開源領域的實力。如果你是認真在做AI應用的人，這款模型值得你花一個下午來玩看看。