
从 Agent 经济学的痛点,到 49 元的 Plus Token Plan
过去讨论 AI 替代人、解放人,常默认 AI 更便宜,但这是有条件的。特别是在 Coding Agent 场景,一项关于 Agentic Coding 成本的研究分析 8 个前沿模型在 SWE - bench Verified 上的运行轨迹发现,Agentic Coding 类任务 token 消耗不是线性增长,甚至可达普通代码问答的 1000 倍。而且,token 消耗增多,准确率不一定变高,很多任务准确率在中等成本区间达到峰值后趋于饱和。
这是因为 Coding 需要用户把完整项目文件、代码上下文喂给 AI 才能产出可用代码,是输入 token 远大于输出 token 的场景,生产级场景中上下文成本极高,甚至超人力成本。这也解释了为何很多过去在 AI 使用上激进的企业今年态度反复。如 OpenClaw 创始人 Peter Steinberger 曾晒出 30 天消耗约 130 万美元 OpenAI API token 的账单,覆盖 6030 亿 token、760 万次请求,背后是约 100 个 Codex agent 在跑自动化开发任务;Uber 的 CTO 与 COO 先后公开吐槽,公司到 2026 年 4 月已花完全年 Claude Code 预算。
在这种背景下,MiniMax M3 的性价比是 Agent 普及的关键。Agent 不能试错就做不了复杂任务,试错太贵企业和个人开发者就会保守。以前模型竞争核心是智力上限,Agent 时代,单位成本下的有效工作量才是重点,所以 M3 的性价比也是产品能力的一部分。同时,也让人思考支撑其性价比的根源和产品体验究竟如何。
为什么行业发展到现在,需要更强的 Coding 和长程自主迭代
价格解决了敢不敢用的问题,下一步用户关心值不值得用。M3 官方给出的 Coding benchmark 数据好看:SWE - Bench Pro 59.0%、Terminal Bench 2.1 66.0%、SWE - efficiency 34.8%、KernelBench Hard 28.8%、MCP Atlas 74.2%。但这些数字应作为参考,真正亮点是官方用 M3 实现的两个实际案例:复现论文和优化 CUDA 的 Hopper FP8 GEMM kernel。
先看 Hopper FP8 GEMM kernel 优化案例。M3 仅依据任务描述、benchmark 脚本和不能直接运行的 Triton 骨架,在约 24 小时内完成 147 次 benchmark 提交和 1959 次工具调用,将 Hopper FP8 GEMM 的硬件峰值利用率从 7.6% 推到 71.3%,实现 9.4 倍加速。重要的是,最优解出现在第 145 次提交,而除 Opus 4.7 和 M3 外,其余模型大多在前 30 次提交内不再取得新进展并主动退出。这表明模型需在多个平台期持续诊断、尝试、验证、推翻、再尝试,要维持目标、记住历史、理解 benchmark 反馈,避免搞乱系统,这也是 Coding Agent 和代码补全工具的区别。
真实生产级环境中,代码第一次跑不起来、性能差、优化引入新 bug 都很正常,工程任务大部分时间花在诊断、验证、回滚、再尝试上。这个能力不仅靠模型参数大,还需训练数据接近真实用户逻辑。为此,MiniMax 构建了交互式用户模拟器,模拟真实开发者在同一 session 中不断补充需求、调整方案、派发任务、反馈修正。所以,benchmark 结果漂亮重要,但不能直接用于生产环境,真实协作是 multi - turn、multi - file、multi - tool、multi - objective 的,谁能将训练和评测从一次性解题推进到持续协作,谁就更接近下一代 Coding Agent。
再看复现论文案例。M3 被要求复现 ICLR 2025 Outstanding Paper Award 论文 Learning Dynamics of LLM Finetuning,自主运行近 12 小时,产出 18 次 commit 和 23 张实验图表,跑通核心实验,观测到 SFT 阶段预测概率变化、DPO 的 squeezing 效应以及 Extend 缓解方法。该任务复杂,需要模型具备智能上限、长上下文、编程、多模态、工具调用、事实纠偏等多种能力。
M3 从 Step 0 开始做多模态混合训练,使用文本、图像和其他模态自然交错的数据。在 Agent 语境下,这意味着模型更易进入真实工作现场,能帮开发者看架构图、错误截图、性能曲线、PR 页面和终端输出,帮研究员读论文正文、表格、图像、曲线和公式,还能帮企业员工在 ERP、Excel、网页后台、本地客户端、聊天工具之间切换,让多模态与智能紧密结合。测试中让 AI 根据《西游记》小说制定交互地图,模型需找到 100 回、60 余万字的原文并通读理解,还要处理原著地名散乱、虚实空间混杂等问题,将文字描述转成地图画面并生成开发代码,对模型多种能力和审美都是考验。最终生成的 HTML 页面截图显示,路线图与剧情吻合,不同地点对应现实世界方位基本一致。
稀疏注意力搞定 1M 上下文已经不新鲜,但如何保证命中率?
讲完价格和 Coding,能理解 M3 用稀疏注意力机制支撑 1M 上下文的逻辑。长上下文如今不稀奇,很多模型宣传 200K、1M 甚至更长,但窗口长不代表模型会用。Agent 需将过去的失败、用户偏好、项目结构、工具反馈沉淀进上下文,导致模型上下文中堆满超长代码文件、终端日志、失败记录、benchmark 输出、用户反馈、历史工具调用和中间推理痕迹。
长上下文是基础,但窗口越长,噪音越多,输出质量越差,成本越易失控。使用稠密注意力,上下文长度扩张和输出效率受限,成本易失控;使用普通稀疏注意力,能省成本,但牺牲细粒度信息定位能力。而 Agent 执行中最怕漏细节,关键报错、边界条件、曲线异常等都可能影响任务进行。所以,实现长上下文不难,难的是兼顾成本、效率和命中率。
MiniMax 并非现在才开始做长上下文和稀疏注意力。2025 年年初的 MiniMax - 01 用了 Lightning Attention,将模型训练上下文做到 1M,推理尝试外推到 4M 更长上下文;去年同期的 MiniMax - M1 用 hybrid attention,加上 MoE 和强化学习,主打长上下文、长推理和复杂软件工程任务;M2 曾短暂回退到稠密注意力路线,到 M3 借助 MSA 再次回归稀疏注意力。
相比业内其他稀疏注意力方案 DSA、MoBA 等,MSA 通过 scalable sparse attention、document - wise RoPE、KV cache compression 和 Memory Parallel 等设计,可使训练和推理复杂度呈线性,从 16K 扩展到 100M tokens 时性能退化低于 9%。通过精准 KV 分块升级,在算子层通过 KV outer gather Q 减少重复读取,整体计算访存比是开源的 Flash - Sparse - Attention 和 FlashMoBA 的 4 倍以上。借助 MSA,M3 在 1M 上下文下每 token 计算量是上代模型的 1/20、prefill 超过 9 倍加速、decoding 超过 15 倍加速,多数场景下能力追平全注意力模式。
这些优化在用户端体现为长任务成本低且信息把握精准。如把《国富论》喂给 M3 做亚当斯密逻辑下的模拟世界游戏,需百万级上下文通读全书,提炼量化演算规则,将文字理论转化为数值公式。构建模拟世界游戏还需 Agent 进行长时序推演,理解玩家政令结果,按古典经济学逻辑迭代面板数据,且不违背原著底层经济规律。结果显示,M3 精准还原了斯密理论,税制、关税影响生产率与财富增减,办学政策对税务、劳动生产率、国家财富积累和人口有不同影响,用户自定义政策后,系统自动逐年演算经济变迁,完整还原政策随时间释放经济红利的设计。长上下文只有达到这种效果才有意义。
Agent 时代,最稀缺的不是智能,而是可负担的智能
M3 的发布,单点优化重要,它也是国产模型从追 benchmark 转向做系统、让 agent 融入企业与个人日常所需的重要尝试。复杂任务需要长上下文,长上下文带来成本、速度和信息命中率问题,所以需要 MSA 这种高效注意力机制;Coding Agent 需要持续迭代,持续迭代消耗大量 token,所以模型既要会写代码,又要在多轮失败中维持目标、读懂反馈、继续推进;真实工作环境是多模态的,只会处理文本,Agent 难以处理多类型任务;高频使用要足够便宜,否则用户和企业不敢充分使用 Agent。每个点单独看不新鲜,但组合起来是 Agent 能力进入开发者和企业日常工作流的关键。
4395



被折叠的 条评论
为什么被折叠?



