M3模型架构升级与视觉能力引入

MiniMax M3在参数规模上显著扩大，虽然推理速度有所降低，但引入了关键的图像理解能力。与仅能进行文本生成的M2.7不同，M3能够接收图片输入并转化为代码或逻辑判断。在基准测试方面，官方数据显示其性能优于Kimi K2.6（一个1万亿参数的模型）以及GLM 5.1，并在Terminal Bench等指标上超越旧版旗舰。尽管存在争议性的非商业许可证条款，限制衍生产品的商业化使用，但M3在本地部署上的可行性依然突出。

"It is a top dog. You can see that it's better than Kimmy K 2.6... It isn't, but it's saying that it is better."

3D体素生成测试：从幻觉到精准视觉解析

在对比M2.7与M3的图像生成能力时，测试者输入了一张图片并要求创建3D体素动画。M2.7因缺乏视觉模块，仅凭文字提示“幻觉”出了一只熊的动画；而M3成功识别出图片中的猫。在禁用思考模式下，M3生成了包含轻微Z-fighting（深度冲突）的猫体素模型。尽管动画仅表现为整体缩放而非独立肢体运动，但其视觉解析能力远超M2.7的盲目猜测。

"It has visual understanding... It's made a nice little cat. There's obviously a bit of zed fighting over the situation here."

思考模式对生成质量与资源消耗的影响

启用自适应思考模式后，M3生成的token数量（约3000）反而少于禁用思考时，且生成质量保持美观。当强制开启深度思考模式时，token消耗激增至6700个。通过多轮迭代优化，模型逐步解决了头部与身体分离、尾巴穿透身体的几何错误。尽管最终生成的猫动画仍存在尾部穿过躯体的瑕疵，且未能完全执行“舔嘴唇”的指令，但整体生成质量显著优于M2.7。值得注意的是，随着模型复杂度提升，推理速度从34 tokens/s降至12 tokens/s。

M3在钢琴生成中展现进步但速度显著下降

在测试M2.7时，开启思考模式后生成了4,500个token的钢琴代码。虽然音符与歌词未同步移动，但整体视觉效果优于M2.7的基础生成版本。尽管质量有所提升，其推理速度从32 token/s降至9 token/s。作者指出这种性能损失是开启深度思考的代价，并期待通过推测解码等技术优化未来速度。对比之下，M3在自适应思考模式下表现更佳，证明了模型迭代带来的实际进步。

"Is it going to actually say the words? So, took a little to start. It's got the lyrics, but the lyrics aren't moving with the piano..."

Flappy Bird与人脸生成测试暴露模型局限性

在Flappy Bird游戏中，M3自适应思考模式以17 token/s的速度运行4,000个token后，生成的游戏逻辑依然破碎且难度过高。随后的人脸生成测试中，M2.7在开启思考时陷入重复循环，而M3在8,700个token后生成了类似“土豆头”的怪异图像。尽管M3最终在10 token/s的速度下完成了29,000个token的生成并展示了头部旋转动画，但其结果被形容为“闹鬼般的”人类形象。这表明尽管M3在代码完整性上优于前代，但在视觉真实感与逻辑稳定性上仍有明显短板。

"That is not a face, but it's a head potato... It's even got the stem. Look, you can see the stem in the back here where we'll get our CPUs plugged in."

Minecraft生成对比：M2.7在效率与质量上全面胜出

在Minecraft代码测试中，未开启思考的M2.7以31 token/s的速度生成8,000个token，内存占用仅242GB；而M3在相同条件下速度降至70 token/s（此处原文数据可能存在笔误或指代不同基准，但明确M2.7更快且内存占用更低），仅生成出类似“Jumbolina”的劣质结果。当开启自适应思考时，M3消耗26,000个token（10 token/s）生成了纹理稳定的优质世界，而M2.7在开启思考后直接崩溃。数据显示，M3仅在深度推理模式下才展现出超越前代的代码质量优势。

M3在行星生成中超越M2.7的失控循环

在测试动态星球生成时，MiniMax M3展现出比M2.7更稳定的代码逻辑。虽然启用了自适应思考模式，但模型并未像M2.7那样陷入冗长的文字描述循环（如“它要在月球上做一个环”），而是直接生成了可运行的代码。尽管M3生成的地球呈现为蓝色且水位过高，外观略显怪异，但其核心渲染逻辑完整。相比之下，M2.7在启用思考模式后消耗了50,000个令牌仅用于描述意图，导致代码生成失败。M3生成的行星在触发小行星撞击时产生了合理的爆炸效果，证明了其代码执行的有效性优于M2.7的纯文本推理。

Super Mario 3D：思维模式下的生成质量与性能对比

在Super Mario 3D游戏的测试中，开启“思维”模式后模型生成了16,000个token。尽管生成过程出现了一些不可见的障碍导致初期卡顿，但最终成功构建了游戏地图并找到了旗帜。与之前的版本相比，生成的视觉效果非常相似，虽然过程中有丢失元素的情况，但整体表现被评价为“不错”。

"Yeah, boy. We won Super Mario 3D... This is not too shabby of a Super Mario game."

地图可视化：从等时线到未来主义风格的性能瓶颈

在地图测试中，MiniMax M2.7生成的等时线地图清晰展示了不同颜色代表的通勤时间（如黄色8小时、红色4小时），但无法显示具体交通方式。当尝试切换城市时，开启思维模式导致模型进入失控循环，不断打印不同城市的名称。为了限制测试时长，仅允许生成30个城市。

相比之下，MiniMax M3在关闭思维模式下生成了30,000个token，呈现出一种类似《Syndicate》游戏的未来主义风格。虽然视觉效果复古且加载缓慢（文件较大），但支持缩放和点击交互。开启自适应思维模式后，token消耗激增至81,000个，其中大部分用于推理而非代码编写。进一步测试显示，开启思维模式后token消耗达到113,000个，模型甚至开始列举美国所有机场和火车站的细节，导致响应被限制在10万token以内。

"It goes into a runaway loop. It starts printing out the different cities... 81,000 tokens and most of it is just trying to figure out what it's going to do."

拼写游戏与数学推理：思维模式对准确率的决定性影响

在“Words”（拼字）游戏测试中，M2.7生成的版本较为基础且菜单系统无响应。开启思维模式后生成量增加至11,000多个token，并包含展示逻辑的表格。M3在开启思维模式下生成了27,000个token，虽然UI外观一般，但布局切换和菜单系统功能正常，证明开启思维模式能显著提升应用完整性。

在数学奥林匹克题目测试中（求解所有实数），M2.7和开启思维模式的版本均回答错误。然而，MiniMax M3在自适应模式（Adaptive Mode）下消耗了44,000个token，最终得出了正确答案。这表明尽管推理过程耗时较长（“reasoned itself to infinity”），但额外的参数和思维深度对于解决复杂数学问题至关重要。

"M3 thinking disabled. He got the answer wrong with thinking at adaptive mode. It got the answer correct... 44,000 tokens."

结论

MiniMax M3在代码生成完整性与视觉解析能力上显著优于M2.7，特别是在启用自适应思考模式后能解决复杂几何错误并生成可运行的游戏逻辑。然而其短板明显：推理速度大幅降低，且在高负载任务（如地图生成）中易陷入冗长的文本循环或产生幻觉。M3仅在深度推理模式下展现质量优势，适合对代码逻辑要求高且容忍低速度的场景；若追求实时交互或视觉真实感，其表现仍不稳定。