MiniMax M3 把『智慧成本』打到地板：開源權重、百萬脈絡、原生多模態一次到齊

上海的 MiniMax 在 6 月 1 日推出 M3，新聞標題大多在比跑分。很多人第一個反應是「又一個開源模型贏了 GPT」。這個讀法沒錯，但只讀到這一層，會錯過真正的訊號。

照官方與多家評測的整理，M3 把三件事一次塞進同一個開源權重模型：前沿級的 coding 能力、100 萬 token 的脈絡視窗、原生多模態（吃文字、圖片、影片）。權重與技術報告官方稱約十日內於 Hugging Face／GitHub 釋出，coding 上在 SWE-Bench Pro 拿到 59.0%，壓過 OpenAI GPT-5.5 與 Google Gemini 3.1 Pro。這不是小廠的玩具。

先看價格，再看它是誰

M3 的標準 API 定價是 $0.60 input／$2.40 output per 1M token，首週五折。對照之下，同一週被擺在一起比的中國模型一票：Alibaba 的 Qwen 3.7 Max、Moonshot 的 Kimi K2.7、Zhipu 的 GLM 5.2，有評測直接算出 M3 的輸出單價約是 Claude Opus 4.8 的二十一分之一。把這幾家放在一起看，重點不是哪一個跑分高半分，是中國的開源權重正在集體把「智慧」這件商品的單價往地板壓。

但價格只是入口，不是結論。便宜的模型很多，真正重寫遊戲規則的是「便宜」加上「開源權重」這個組合。

開源權重的真正用途：自架，還有資料不出境

閉源的便宜模型，你還是只能透過別人的 API 用，資料要送出去。開源權重不一樣。M3 一旦權重落地，會是同級裡唯一帶原生多模態的開源權重模型，可以自己架、甚至做到 air-gapped 的封閉部署。對受監管的場景，這一句才是重點。

我關心的不是它能不能在雲端跑得更快，是它讓「資料不出境」從理想變成務實選項。醫療、金融這類場景，資料能不能留在自家機房，常常不是工程問題而是合規問題。過去要嘛用昂貴的閉源旗艦、把資料送出去，要嘛退而用能力差一截的本地小模型。M3 這類前沿級開源權重，第一次讓「能力夠用、資料又守得住」這兩件事有機會同時成立。

不過先踩一個剎車。開源權重給了你自架的「可行性」，不等於你架得起、守得住。權重要 GPU、要有人維運、要接驗證機制；模型強只是前提，落地設計才是決定性的那一格。這個立場我寫過很多次了，可信度靠落地流程不是靠模型大小（延續 LLM 在醫療場景的承諾與限制、醫療 AI 合規守門引擎）。便宜跟開源，把門票發給更多人，但門後的工程一點都沒變簡單。

作者本人觀點：AI 變便宜不重要，重要的是你算錢的方式錯了

說到這裡，要講一件比 M3 更重要的事。AI 變便宜這件事，本身沒有那麼重要。重要的是「你原本以為怎麼算錢是對的」，現在不對了。

以前大家習慣這樣想 AI 成本：用多少 token 花多少錢、模型越大越貴、用得越多成本就線性往上加。很像電費，用多少算多少，很直覺。

但 AI 真實在跑的時候，已經不是這樣了。

第一，同一個問題，不同模型「走的路不一樣長」。有的模型三步就解決，有的要二十步推理，中間還去查工具、再重算一次。你看到的是同一個「答案」，後面跑的流程完全不同。

第二，便宜的模型可能反而更貴。因為它想太久（多花 token）、重試很多次、tool call（工具呼叫）繞很多輪。結果是單價便宜，總成本更高。

第三，系統成本不再等於 token 成本。你真正付錢的，變成這個任務來回幾次（iteration，反覆修正的次數）、agent loop（代理自己跑的迴圈）幾輪、要不要重試、要不要叫外部工具、要不要長 context。

所以「錯誤的計價方式」是什麼？就是這種舊思維：「我只要看 token 單價，就知道成本。」

現在正確的問法是：「我要完成一個任務，它會跑幾步？會繞幾圈？會失敗幾次？」

用一個比喻講清楚。舊世界是電梯計費：搭電梯，一層一塊錢，清楚明白。新世界是迷宮計費：你進一個迷宮，有人三步走出去，有人繞三十分鐘才出去，有人還會走回頭路。你付的不是「步數」，是「走出迷宮的整體成本」。

再簡化成一句：AI 的成本已經不是「用多少算多少」，而是「解決一次問題到底要跑多複雜的流程」。

把這個框架擺回 M3，你就會看懂為什麼「單價打到地板」不該讓你直接下單。一個單價便宜、但常常繞遠路的模型，跑你的真實任務時不一定比較省。便宜是 token 那一格的便宜，迷宮那一格便不便宜，要拿你自己的任務去跑才知道。反過來，貴的模型也只有在最難、最長的那種任務上才把多付的錢賺回來，這條規律我在談 Mythos 級模型分層怎麼對應任務難度時拆過：短而規則明確的活，再強的模型也看不出差別。

那到底該怎麼選、怎麼算

順序不能倒。先定義你要解的情境、要碰哪些資料、哪些任務不該交給 AI，再去比模型。從「哪個模型最強、最便宜」開始挑，是選型最常見的失敗模式（這條我在到底什麼是龍蝦講過）。

具體可以盤三格：

• 算總流程成本，不是 token 單價。 拿你自己的代表性任務，去量它跑完一次要幾輪、重試幾次、叫幾次工具，比「總成本」而不是比「每百萬 token 多少錢」。
• 自架前先問守不守得住。 開源權重讓資料能不出境，但 GPU、維運、驗證、責任歸屬要先有人扛。算得起單價，不代表撐得起維運。
• 留換家的餘地。 中國開源模型現在一個月換一批新王，別把提示、資料管線、工作流焊死在單一模型的專屬介面上，換模型的成本要扛得動（這個立場延續 Apple 把 Siri 外包給 Gemini、單一供應商的營運續航風險，解法方向見 微軟 Foundry 的多模型可選性）。

M3 是一個好訊號，代表前沿能力的價格門檻又降了一階，自架與資料自主第一次變得務實。但它不是讓你閉著眼睛換掉現在工具的理由。模型這層越來越便宜、越來越可換，真正決定你花多少、守不守得住的，還是你怎麼定義問題、怎麼設計落地。

常見問題

M3 開源權重，是不是代表現在就能自己架來用？

不是「現在」，是「快了」。官方說約十日內於 Hugging Face／GitHub 放權重與技術報告，開發者指南也提醒，在你親眼看到 checkpoint 上架前，先當它是 API-only。要自架的人，等權重真的落地、licensing 條款看清楚再動，別憑發表會就排上線。

單價只有 Opus 的零頭，是不是直接換最划算？

不一定。單價便宜的是 token 那一層。一個愛繞遠路、重試多的模型，跑你的真實任務時總成本不一定比較低。先拿自己的代表性任務量「跑完一次的整體流程成本」，再決定，別只看每百萬 token 的牌價。

這對受監管產業（像醫療）的意義是什麼？

最大的意義是資料不出境從理想變務實選項。前沿級開源權重讓你有機會「能力夠用、資料又留在自家」。但自架守不守得住，看的是去識別化、權限、驗證與責任歸屬有沒有先到位，不是模型本身強不強。