企业官网建设流程全解析

这次MiniMax M3出来，我连夜测试了几个超级大的项目场景，都是小时级别的任务，效果有点出乎意料。

从M2到M3，这应该是MiniMax推理模型一次很大的代际更新，我记得去年10月初代M2出来，当时MoE成本优势直接把token带进了白菜价，也是首次开始从大语言模型转向agent生产力，导致在OpenClaw模型token榜单上一度登顶。

后来几乎每两个月迭代一个版本，从2.1、2.5、到2.7，但都是2.X系列。

一直到现在M3，我能看到的是MiniMax一直在疯狂地去强化模型的agent能力，几乎把生产力当作第一要义。

因为这个赛道实在是卷，GPT-5.3-Codex短短几个月得到了远超Claude Code的追捧，所以这一次M3的进化也显得非常务实和硬核。

首先是大家一直在提的MSA，MiniMax自研的稀疏注意力架构，重点不在于自研，而是它把1M上下文从噱头变成了实用的功能。

为什么说之前一百万上下文只是挂在天上的参数，用着不爽呢？因为在超长上下文推理场景里，很多模型会变得非常慢，狂吃token，而且极其容易出现胡言乱语的情况，也就是AI幻觉。

稀疏注意力（Sparse Attention）其实早就有了，国内国外主流模型一直在做，不过传统SA是全注意力机制，读百万字小说会逐字通读，虽然准确，但很慢，非常消耗显存，长文本计算复杂度高的离谱。

MiniMax这次做了产品的创新，路还是老路，但换了辆8缸的新车，仍然采用SA，但他们在计算前加了一个“预筛选”的网眼，通过KV-Block（键值块）把不重要的废话直接过滤掉。

简单点说，MSA把一本百万字的书进行了分块，按目录阅读，抓住重点章节，这样大幅降低了计算量，还不容易失忆出错。

我看到官方数据说，在100万上下文场景下，M3的token计算量只有上一代的1/20，解码速度快了15倍。

举个简单的例子，我让M3去review Python数据处理库pandas的代码，这是一个非常庞大的项目，几万个文件，几十万行代码，而且结构复杂。

这个任务看起来复杂，其实一点也不简单。M3没有直接一股脑去读github的仓库文件，而是先制定打法策略，拉起了队伍，通过数据结构、IO、GroupBy、内存管理、扩展集成这5个不同角度去解析，然后汇总。

这其实就是MSA在发挥作用，通过长程记忆和高效注意力分配聚焦关键信息，并进行任务规划。

有意思的是，在Agent执行过程中，M3就像工程队领头一样指挥协调这5个模块干活，还把施工过程记录的清清楚楚。

最终，跑了一个小时，M3产出了6份优化报告，其中5份分模块的，1份汇总报告。

除了MSA，另一点值得讲的是M3的Agent能力，它在底层做了优化设计，比如说他们构建了一个“交互式用户模拟器”框架，相当于虚拟一个技术大佬，进行陪伴式开发，可以进行多轮协作、改需求、给反馈，

确实是这样，Vibe Coding不是线形任务，一条prompt跑到底，需要随时修改、优化、反馈，最终才能拿到像样的产品。

在SWE-Bench Pro上，M3超过了GPT-5.5和Gemini 3.1 Pro，非常接近Opus 4.7的水平，在BrowseComp智能体评测中，M3得分甚至超越了Opus 4.7。

我拿了一个比较复杂的场景去测试M3的编程Agent效果，要求根据车企线索接入流程图，开发接口系统，并输出管理UI和接口文档，由于汽车行业线索来源多达几十个渠道，且存在实时清洗和高并发的情况，所以这个接口系统并不好开发。

提示语和流程图如下：

理解图中内容，设计一套部署在本地服务器的API接口系统，能适配不同平台/不同方式线索接入，且保证API的稳定性、安全性、 鲁棒性。

产出物：

1、API接口系统

2、线索接入管理UI界面

3、接口文档

我是在Trae上配置的M3，Claude Code、Codex也都可以，M3在开发过程中不断的review代码过程，你可以去更改方案，进行协同开发。

当然我在这个过程中发现M3有时候会陷入思维死循环，验证很多次当前方案不行了，却一直不肯换方向，比如python依赖安装，pip损坏安装很多次不行，一直在尝试安装。

当然最终这个bug还是修复了，我拿到了三个文件，完整的API接口系统、UI管理界面、API文档。

其中API接口系统支持不同渠道、不同形式的数据接入，且处理了高并发、错误处理等情况。

后台的UI管理系统，支持线索流转路径，聚合分析。

API接口文档，非常详细。

这个任务不仅依赖M3的代码Agent能力，还需要有多模态的智能识别，因为我只是提交了流程图，它需要通过识别流程图的关键节点来进行开发。

与此同时，我还在测试了M3的网页生成能力，当然我想要的不是那种炫酷的充满设计感，但毫无实际用途的网页，而是能通过搜集数据和信息解决实际问题的实用型网页。

比如说我最近想买车，在MiniMax Code中扔了一张最新的新能源车销量排名图，让它给我输出选车报告，必须得有真实的用户好差评作为参考。

M3就会通过采集Agent努力的从各大平台采集用户声音，补充信息源。

最终它生成一个图文并茂的HTML网页，非常清晰。

我比较喜欢这样的呈现方式，以前做起来很麻烦，但现在扔给AI几分钟能出结果。

总的来说，MiniMax M3这次下了蛮大的决心，想要在Agent中杀出重围，找到自己的一块领地，但可能并不容易，Opus4.7、GPT5.5两座大山在前，而且有Claude Code和Codex这样的顶级框架，但是这一次M3确实已经在试探着去接近，我觉得是好事。

我发现M3发布后其实大家对于token plan的关注度其实已经高于模型本身了，不管国外还是国内都是有较强价格竞争力的，看来大家还是想着怎么用最低的成本做更多的事，这是一个综合ROI的考量，投票权在用户手里。