428B 参数全部开源， MiniMax 这步棋走对了
凌晨刷到一条消息，愣了三秒。
MiniMax 把 M3 模型的权重，直接传到了 HuggingFace 上。428B 总参数， 23B 激活——这体量，放到一年前，只有 OpenAI 和 Google 敢玩。
而现在，一家中国公司说：权重全开，随便下载。
这不只是一个模型，是三个能力焊在一起
看 M3 的参数表，第一反应是"贪心"。
编码与 Agent 能力： SWE-Bench Pro 59.0%， Terminal Bench 2.1 66.0%， SWE-fficiency 34.8%， KernelBench Hard 28.8%， MCP Atlas 74.2%。这串数字翻译成人话——它能读代码、改代码、跑测试、修 Bug ，基本是一个初级程序员的水平。
100 万 token 上下文：靠自研的 MiniMax 稀疏注意力机制实现。100 万 token 是什么概念？大概能把一整本《三体》塞进去，然后让它帮你找 bug。
原生多模态：不是后期拼上去的视觉模块，是训练阶段就一起学的。
三个能力单独拎出来都不差，焊在一起——这就是为什么圈子里的反应不是"又出一个模型"，而是"这东西能跑 Agent 了"。
"权重 10 天后发布"——这句话才是重点
注意，传上去的是模型结构和技术报告，权重还要等大约 10 天。
为什么不一股脑全放出来？我猜有两个原因：
一是安全审查。428B 的模型，能力边界需要测试，尤其 Agent 能力意味着它能操作文件系统、调用 API ，不能直接裸奔。
二是节奏感。先放消息炸一波讨论，再放权重引爆第二波传播。这比"静默上线等你们自己发现"高明得多。
对比一下 DeepSeek 的路线：直接放权重+论文，学术范儿。Qwen 的路线：模型+API 同步上，商业导向。MiniMax 这次的选择，更像是一场精心设计的开源营销。
开源军备竞赛，已经打到第二轮了
2024 年是开源大模型的元年， DeepSeek-V3 和 Qwen-72B 让所有人意识到：开源模型真的能用了。
2025 年进入分化期。有人做端侧（小模型），有人做垂直（医疗、法律、代码），有人开始卷 Agent 能力。
2026 年的主题词是**"Agent-ready 的开源模型"**。
MiniMax M3 就是这个赛道的新选手。它的竞争对手不是 GPT-5 或 Claude 4——那些闭源模型不在同一个战场。它真正的对手，是同样开源的 Llama 4、Qwen 3、DeepSeek V4。
这场仗的打法很清晰：谁能让开发者用最低成本跑出最好的 Agent 效果，谁就赢下生态。
23B 激活参数，藏着 MiniMax 的真实算盘
428B 总参数听着吓人，但关键数字是23B 激活参数。
这意味着什么？意味着推理成本远低于同等总参数量的稠密模型。你可以把它理解成：一个有 428 个专家的团队，但每次只叫 23 个人出来干活。
这对开发者来说是实打实的好消息——跑得起，部署得了，不用租一柜子 H100。
MiniMax 显然算过这笔账。如果做一个 428B 全激活的模型，推理成本会劝退 90%的开发者。MoE 架构+稀疏注意力，既保住了参数规模带来的能力上限，又控制了推理成本。
这才是真正聪明的做法。
最后说句真话
开源模型能不能追上闭源？这个问题已经问了两年了。
我的观察是：在"通用对话"这个维度，差距已经很小了。但在"复杂推理"和"超长上下文理解"上，闭源模型仍然有优势。
MiniMax M3 试图用 100 万 token 上下文和 Agent 能力来切一个新口子。如果 10 天后放出的权重真能达到技术报告里的数字，那它至少证明了一件事——
开源模型不一定非要沿着闭源模型的路线追赶，它可以开辟自己的战场。
这步棋，走对了。
封面高亮关键词: MiniMax 开源, 428B 参数