minimax

这种教育考核方式鼓励学生探索 Claude、DeepSeek 和 MiniMax 三个模型的长处与短板，出题难倒AI，从而培养批判性思维和AI时代所需的竞争力。

讨论比较新款 Minimax M3 模型与其前代 M2.7，寻求发布两周后的用户反馈。

本文评测了在双Strix Halo（256GB显存）上运行GLM 5.2（IQ2M量化版本）的性能，生成速度仅约7 token/s，编码任务耗时是DeepSeek V4 Flash的两倍，性价比远不如其他模型，因此不建议在此硬件配置下使用。

现在有了适用于 llama.cpp 的 MiniMax M3 EAGLE 草稿模型的 GGUF 转换，可在兼容硬件上实现推测解码加速。

MiniMax Sparse Attention (MSA) 通过增加一个路由分支，选择性选择键值块进行注意力计算，在100万token时实现了注意力计算量最高减少28.4倍，在H800 GPU上实现了14.2倍更快的预填充和7.6倍更快的解码，同时匹配全注意力基准性能。

一个对 vLLM 的拉取请求为 MiniMax M3 增加了张量并行度 3 的支持（使用其 NVFP4 量化），使得该模型可以在 3 台 DGX Sparks（每台 87GB 显存）上运行。

Minimax 的这篇论文介绍了 MiniMax Sparse Attention，它向 GQA 添加了一个微小的索引分支，用于为每组选择 top-k KV 块，从而实现 GPU 原生的稀疏性，并在一个 109B 多模态 MoE 上实现了指数级的加速。

MiniMax M3 模型现已在 HuggingChat 上可用，这是一个支持 Artifacts 的开源 AI 聊天应用。

Minimax 的 M3 模型需要 vllm 更新以支持 sm_120 计算能力，因为当前仓库仅支持 sm_100。

MiniMaxAI 宣布计划于周五为其即将发布的 M3 模型发布开放权重，继之前的 M2.7 模型之后。

本周测试的免费AI工具评测，包括Claude、MiniMax Agent、K2Think、Indic LLM Arena和Together.ai playground，诚实评估其能力和局限性。

MiniMax的涨价和模型限制正在将用户推向DeepSeek等竞争对手以及Claude或ChatGPT等高端选项，颠覆了其先前作为廉价、可用日常工具的声誉。

MiniMax 开源了四个 AI 文档生成技能（PPT、PDF、Excel、Word），无需 API Key 即可使用，旨在解决 AI 生成文档格式混乱、公式错误等问题。

四种前沿AI模型（Nemotron 3 Ultra、DeepSeek V4、MiniMax M3、Qwen 3.7 Max）在相同两个提示词上的对比，附完整结果链接。

M3在基准测试中取得了不错成绩，但其真正令人印象深刻的是在进行代码更改前进行风险评估和“事前验尸”分析的能力，突显了在混乱的遗留仓库中进行重构时更为谨慎和彻底的方法。

一场讨论，比较DeepSeek V4 Pro、MiMo-V2.5-Pro和MiniMax M3在本地或OpenRouter使用中的最佳性价比，重点关注代理和编码任务，并提及Hermes Agent和Qwen 3.6变体。

Minimax M3 模型似乎没有政治审查，在偏见基准测试中在中国的大语言模型中显得格外突出。

MiniMax新推出的m3模型在terminal-bench 2.1上取得了与Opus 4.7相同的分数，但计算量和成本仅为原来的二十分之一，这归功于其全新的MiniMax Sparse Attention架构。

Minimax 发布了其 M3 模型，如一篇博客文章中所宣布。

MiniMax 发布了关于其 M2 系列的详细技术报告，并预告了即将推出的 M3 模型。该模型采用一种新颖的稀疏注意力机制，在百万 token 上下文中实现高达 15.6 倍的解码速度提升。