最近 AI 圈最热闹的新模型之一，应该就是 MiniMax-M3。 

开源、1M 上下文、原生多模态、Coding 能力，是现代Token成瘾者最关心的几个关键词。

从社交媒体的反馈看，M3 在测试阶段已经拿到了不错的评价。

当然，热度是一回事，体验又是另一回事。 

我先看了一圈 MiniMax-M3 的官方信息。基准测试成绩不用展开太多，从结果看绝对能上牌桌。

更值得注意的是架构的更迭。MiniMax-M3 采用新的自研 MSA 架构，支持原生超长上下文预训练。官方给出的 M3 API 上下文窗口最高可到 1M tokens，并保障至少 512K tokens 可用。对长程 Agent、长程 Coding、长视频理解这类任务来说，用锦上添花都是不恰当的，完全是基础设施级别的能力。

官方还提到，M3 具备在复杂任务中连续稳定执行数十小时的能力。在 CUDA FP8 GEMM 优化任务里，M3 连续运行约 24 小时，完成 147 次 benchmark 提交，中间经历多个性能平台期，最后做到了 9.4 倍加速。除了 Opus 4.7，其余模型大多在前 30 次提交内就停滞退出。

所以问题来了：发布四天后，在 MiniMax 表示已经调整套餐、修复推理 bug 的前提下，MiniMax-M3 到底有没有跟上国内一线模型的节奏？

这次我拉来 GLM-5.1、DeepSeek V4 Pro，和 MiniMax-M3 一道，做了一组炫技横评。看看它们在开发、理解、生成和多轮修正里的实际表现。

第一关：一句话复刻 FC 公路赛车

第一项测试，我选了一个经常用来检验模型理解能力和组织能力的挑战：用同一条提示词复刻 FC 赛车游戏。 

规则很简单。三个模型使用同一句提示词完成一轮开发，然后我根据各自结果进行一次补充提示，最后看产出结果进行评分。 

提示词：

请用 HTML、CSS 和 JavaScript 复原 FC（NES）《Road Fighter》公路赛车。

要求尽可能接近原版视觉与玩法：

- 俯视角垂直卷轴赛道

- 道路占据屏幕中央

- 两侧为草地场景

- 道路中间为白色虚线

- 玩家车辆位于屏幕下方约1/4区域

- 其他车辆从前方出现

- 车辆尺寸接近FC原版比例

- 保留燃料系统

- 保留阶段（Stage）系统

- 保留得分系统

- 保留碰撞减速机制

- 保留高速驾驶体验

视觉风格：

- 8-bit FC像素风

- 禁止使用现代UI风格

- 禁止使用写实车辆

- 禁止使用3D效果

- 禁止使用卡通漂移玩法

先看 GLM-5.1。 

从功能完成度来看，GLM-5.1 是三者中表现最完整的一个。 它实现了赛道自动偏移的机制，虽然画面中没有真正体现出《Road Fighter》原版那种弯道带来的视觉变化，但至少已经考虑到了相关逻辑。

赛道上的 NPC 车辆数量也比较充足，碰撞体积和动画都十分合理，整体驾驶过程有一定压迫感。

不过它的问题也比较明显。

游戏目标感相对薄弱。玩家进入游戏后，很难第一时间理解自己的核心目标究竟是冲线、计时，还是单纯驾驶生存。与此同时，燃料补给车与普通车辆之间的区分度不足，玩家不容易意识到哪些目标应该主动接触。

再看 DeepSeek V4 Pro。

DeepSeek V4 Pro 的开发过程比另外两家更有条理，代码组织和实现思路也比较清晰。

但最终结果反而是三者中还原度最低的一个。

虽然基础碰撞机制已经实现，但赛道上的车辆密度明显偏低，缺少原版《Road Fighter》那种持续穿梭车流的紧张感。

与 GLM-5.1 类似，它同样存在目标表达不够清晰的问题，而且这个问题要更突出一些。玩家进入游戏后，很难快速理解游戏的主要目标。燃料补给车与障碍车辆之间的视觉差异也不明显，经常会被当成普通障碍车处理。

最后是 MiniMax-M3。 

如果只看玩家对目标的理解速度，那么 MiniMax-M3 的表现是三者中最好的。

它引入了明确的距离目标和计时机制，玩家几乎可以立刻理解自己是在朝终点推进，而不是单纯进行无目标驾驶。

NPC 车辆也具备一定主动移动和追近行为，这一点提升了赛道的动态感，在游玩体验上属于加分项。

不过相比 GLM-5.1，赛道整体仍然显得过于宽松。车辆之间的间距较大，玩家面对的竞驶压力不足，缺少《Road Fighter》原版那种需要频繁寻找缝隙超车的紧迫感。

整体来看，MiniMax-M3 在目标设计上表现最好，GLM-5.1 在玩法完整度和赛道压力方面更接近原版，而 DeepSeek V4 Pro 则更像是完成了一套基础赛车框架，但距离《Road Fighter》的核心体验还有明显差距。

第二关：从论文 PDF 到中文配音视频 

第二项测试更接近自媒体工作流。我下载了 DeepSeek 去年发布 R1 的论文 PDF，只给模型一句宽泛提示：读取 PDF，整理成 Markdown，再写一篇中文解读，最后自己想办法生成视频，包括画面和 TTS 配音。

提示词：

这是你作为一个助手的重大考验。你需要读取DeepSeek_R1.pdf，获取里面的内容，先整理成markdown文件DeepSeek_R1.md，然后制作一个解读内容 DeepSeek_R1_解读.md。最后把这篇稿件自己想办法制作成一个视频文件，你需要自己调用技能或寻找程序去制作画面，TTS配音。解读到视频都必须用中文输出。

这类任务很考验模型的综合能力。它不只是“读懂论文”，还要规划流程、处理文件、组织中文内容、选择工具、生成可交付的视频。

先看 GLM-5.1。

GLM-5.1 最大的优势在配音。它选择了 Edge-TTS 里机械感相对较轻的声音，如果把它当成播客内容，完成度很高。

但作为视频，它的画面更简单，信息组织比较规整，却缺少视频表达的层次。也就是说，听起来不错，中间的 logo 占据了视频的中心，却没有任何表达的意义，看起来还可以再优化一些。

MiniMax-M3 的测试，我特意选在 MiniMax Code 中进行。

主要是想考量 M3 作为中枢，调度自家原生语音模型的 Agent 协同能力。另外我还加大了难度，没有直接投喂 PDF 资料，而是通过指令让它自主去联网搜索、下载并解析，以此来考验它的全链路自主执行能力。

配音就三字：开口醉，听感是三者里最舒服的。

而且它对内容的处理更有自己的判断，不是把论文原文搬运一遍，而是用更轻松的方式讲清楚。另外还有精美的配图，让视觉和听觉能够结合，是不错的加分项。

还有一点很重要：M3 是原生多模态模型，在读取 PDF 图文内容时，不需要额外借助外部 OCR 去识别图片。这在真实工作流里会省掉不少中间步骤，尤其是处理长文档、论文、报告、产品手册这类混合资料时，优势会更明显。

最后是 DeepSeek V4 Pro。

DeepSeek V4 Pro 在配音偏机械。画面上，它更像展示一份完整讲解稿，信息密度高，但“解读感”弱一些。

当然，这一轮提示词本身很宽泛，所以不同模型会有不同取向。GLM-5.1 画面排版还可以更精致些，DeepSeek V4 Pro 更像把内容讲完整，MiniMax-M3 则更像是在自己理解后重新组织表达。三者各有侧重。

第三关：用 Three.js 生成 3D 城市街区

第三项测试，我选了一个讨论热度比较高的 3D 渲染任务。国外已经有不少人用类似题目测试模型的前端和图形能力，这次我改了一版更细的中文提示词。

规则是：只人工处理程序层面的硬问题，比如 JS 引用错误；视觉效果本身不做人工干预。

提示词：

创建一个单文件 Three.js HTML 页面，生成一个可自由观察的 3D 城市街区场景。页面只允许使用 Three.js 和 OrbitControls，不得使用任何外部模型、图片、贴图或素材。 

场景需要包含一条程序生成的城市道路：沥青路面、车道分隔线、转弯导向线、人行横道、路缘石和两侧人行道。道路两侧生成不同高度、不同宽度、不同颜色的多层建筑，建筑外立面需要使用 CanvasTexture 程序生成窗户、门、招牌、墙面纹理和轻微脏污效果，不能简单使用纯色方块代替。 

街道中需要加入基础城市设施，包括路灯、树木、长椅、垃圾桶、消防栓、路牌和简化车辆。车辆需要有车身、车窗、车轮和前后灯，并且可以沿道路缓慢移动。树木、路灯和建筑应有一定随机变化，但整体布局不能混乱。 

加入环境光、定向太阳光和阴影投射。路灯可以使用 PointLight，在夜间模式下发光。页面需要提供简单控制面板，可以切换白天/夜晚、开关车辆动画、重新生成街区、显示或隐藏阴影。 

相机使用 OrbitControls，可自由旋转、缩放和平移，但需要限制俯仰角，避免相机翻到地下。默认视角应能看到完整街区。代码应结构清晰，把道路、建筑、车辆、街道设施、纹理生成、灯光和控制逻辑分成独立函数。 

所有几何体必须由 BoxGeometry、PlaneGeometry、CylinderGeometry、SphereGeometry 等基础几何体组合生成。所有纹理必须通过 CanvasTexture 程序绘制。最终结果必须是一个可以直接保存为 .html 并在浏览器中运行的完整文件。

先放三张动图。你可以先猜一下它们分别来自哪个模型。

答案：

第一张 GLM-5.1，第二张 MiniMax-M3，第三张 DeepSeek V4 Pro。

MiniMax-M3 的最大硬伤，是车的方向不太对，看起来像在横着漂移。这个问题很显眼，也必须扣分。

但如果看整体建模，它的完成度反而最高。建筑立面不是纯色盒子，能看到窗户、墙面、灯光和阴影细节；车辆模型也比另外两家更精细。更重要的是，整个场景看起来像一个真的 3D 街区，而不是几个几何体临时拼出来的演示页面。 

GLM-5.1 的建筑布局逻辑更正确，路面和房屋关系比较稳，但模型细节偏简单。尤其夜间模式，本来应该是展示灯光效果的场景，最后却有点黑得看不清。

DeepSeek V4 Pro 这一轮表现相对弱一些。整体颜色、模型质感、空间层次都不太理想，而且是三者里唯一一个控制面板出现 bug 的模型。

写在最后

这三轮测下来，MiniMax-M3 给我的感觉确实能好那么一点点，但又容易掉链子一点点。

对我来说，这恰恰是 MiniMax-M3 比较有价值的地方，在于它能力完全跟上了国模第一梯队的步伐，工作中偶有瑕疵也比较容易在工作中修正。总而言之，瑕不掩瑜。

更关键的是，达到国模第一梯队的大模型中，MiniMax-M3 是极少数的原生多模态。这意味着，带有读图任务的工作又有一款顶级国模可以用上了 

最后我想说，现在看大模型，单看跑分已经不够了。往往要看人怎么去合作。影响体验的，往往是它能不能理解复杂规则，能不能和你心有灵犀，你会犯错，他也会。但千万不要南辕北辙、想法跑偏。

再提醒下大家，不要直接调 API，MiniMax 官方目前有不错的 Token Plan 活动，如果按照相同价格算，差不多是 Claude 订阅的 15 倍用量。