MiniMax M3开源了。 一般愿意开源的，都是过时的，还有未开源的弹药未释放。 Hugging Face 主仓库（推荐）： 这里提供完整模型权重（~428B 总参数、~23B 激活参数，原生多模态，支持 1M 上下文），支持 Safetensors/PyTorch 格式下载，还有量化版本（如 MiniMaxAI/MiniMax-M3-MXFP8）。 GitHub 仓库（配套代码和文档）： 包含推理指南、MSA（MiniMax Sparse Attention）相关支持等。

MiniMax M3 月初的发布，关注度明显被 GLM 5.2 和 Kimi 最新模型压过去了。 这还真不一定说明 MiniMax M3 不强。 它有 1M context、coding、agent、多模态和效率优势，技术点其实不少的。 但问题也在这里：亮点太多，主线反而不够锋利。 GLM 5.2 很容易被记住：开源权重、MIT、agentic coding、榜单强。 Kimi 也很容易被记住：coding agent 模型，直接绑定 Kimi Code。 MiniMax M3 给人的感觉更像是一个能力很全的工程型模型，但没有抢到一个足够清晰的标签。 现在模型发布已经不只是比参数、比 benchmark 了。 更关键的是： 你能不能用一句话，让开发者知道为什么今天就该试你。

还好还好，我的M3苹果笔记本还能战斗几年，一年拿出来用的次数不超过10次😂，除了办签证的时候用一下以外，其他时候基本不用，也不打游戏，也不去星巴克假装上班

折腾了两天，MiniMax M3 终于让我驯服了。 现在我只要说一句话，Hermes Agent 就会带着 M3 自己去干活：拉 Git 最新代码、执行 CI、编译、跑全量测试、分析结果。如果中间遇到点小问题，它还会自己查日志、自己修，最后把测试结论交给我。 最关键的是，这活根本不需要 GPT 5.5、DeepSeek V4 Pro 这种“尖子生”出马。 M3 就够了。 以前我总觉得，AI 越聪明越适合干活。现在越来越觉得不是这么回事。很多重复性的流程，真正需要的不是最聪明的大脑，而是一个听话、便宜、能一直干的员工。 就像公司不会让 CTO 天天去点发布按钮一样。 现在我的 GPT 和 DeepSeek 负责写 SOP、设计方案、解决疑难杂症；M3 负责按 SOP 一遍一遍执行。分工一下，效率反而更高。 最重要的是，我买的是年会员。 不用也是浪费。 现在终于把它从聊天机器人，培养成了一个真正会干活的数字员工。:::

在本地 Mac Studio M3 Ultra 上，1-bit GLM-5.2 GGUF 以约 21.6 tok/s 的速度运行，表现出色。我们将其与 Claude 4.8 Opus 和 GPT-5.5 进行了同样的提示对比，一探三者在一轮输出中的差异。 各自的优劣势如何，你更倾向于哪款模型的输出？

MiniMax 今日发布 M3 大模型 目前唯一同时具备顶尖编程、百万级超长上下文与原生多模态桌面操控能力的开源路线模型（计划 10 天内开源权重）。 在 SWE-Bench Pro 上拿下 59.0% 成绩，超越 GPT-5.5 与 Gemini 3.1 Pro，接近 Opus 4.7；Terminal Bench 2.1 也达到 66.0%。首创稀疏注意力 MSA 架构，百万上下文下每 token 计算量降至上代 1/20，预填充加速 9 倍、解码加速 15 倍。 实测已能自主复现 ICLR 2025 论文、24 小时内调用工具 1959 次优化 Hopper FP8 算子。MiniMax Code 同步更新，支持 computer use 桌面操控。 订阅 Plus 档每月 49 元即可获得 6 亿 token（约 Claude Pro 的 5 倍容量），API 已上线，提供 thinking 与快速模式。

大家的Mac Studio M3 Ultra 512GB内存都跑的什么本地大模型啊？ 我现在本地跑两个 `Qwen3.5-397B-A17B-6bit MLX`，实测大约 **21 tokens/s**； 日常快模型 `Qwen3.6-35B-A3B-4bit` 大约 **52 tokens/s**。 内存占用350gb左右 给openclaw接本地api对话速度也满意。 请问老哥这个大模型是最优选择么？ 有没有能榨干它的推荐，谢谢🙏