MiniMax M3 vs M2.7：跑分、规格对比与迁移指南

MiniMax 官方现在只列出两个现行文本模型：MiniMax-M3 和 MiniMax-M3.1-Flash。M2.7 和 M2.5 即将下线，退役日期定在 2026 年 11 月 18 日。如果你的产品还跑在 M2.7 上，需要在这个日期之前定好迁移方案。本文只使用 MiniMax 官方公开的数据对比 M3 和 M2.7，讲清楚请求里到底要改什么，并给出完整的迁移步骤。在 APIMart 上，两个模型都可以通过 MiniMax API 以相同的 OpenAI 兼容格式调用，迁移基本就是改一下配置。

核心要点

• MiniMax M3 是原生多模态模型，可输入文本、图像和视频，上下文窗口 1,000,000 token，单次最多输出 524,288 token；M2.7 的上下文上限是 204,800 token。
• 在 MiniMax 自己公布的跑分图里，M3 在 SWE-Bench Verified 上只比 M2.7 略高（80.5 对 79.9），但在智能体类任务上明显领先：Terminal Bench 2.1 为 66.0 对 51.1，MCP Atlas 为 74.2 对 49.4。
• MiniMax 已于 2026 年 10 月 19 日停止向新用户开放 M2.7 和 M2.5，并将在 2026 年 11 月 18 日正式退役；此后按量付费的请求将无法使用。
• 迁移主要就是把 model 改成 minimax-m3，但思考模式和采样行为有变化：M3 可以关闭思考，M2.x 不行；M3 的 temperature 固定为 1。
• 截至 2026 年 11 月 4 日，APIMart 黄金会员调用两个模型的价格相同，均为每百万 token 输入 0.24 美元 / 输出 0.96 美元。

MiniMax M3 与 M2.7 一览

来源：MiniMax M3 模型卡、MiniMax M2.7 配置、MiniMax 模型列表、MiniMax Chat Completions 参考文档。

从 M2.7 到 M3 变了什么

原生多模态

MiniMax 把 M3 定位为「前沿多模态编程模型」，从训练第一步起就混合多种模态。落到实际使用上，就是同一个模型可以连同提示词一起读截图、扫描版 PDF 页面或短视频。MiniMax 公布的 M3 成绩为 MMMU-Pro 78.1、OmniDocBench 91.6、Video-MMMU 84.6。跑分图里没有 M2.7 在这些测试上的成绩，所以无法做多模态的同口径对比。

上下文窗口扩大到五倍

M3 最多支持 1,000,000 token 的上下文，M2.7 是 204,800。这相当于从「喂给模型一个大模块」变成「喂给它大半个代码库」，或者从一份长合同变成一整套尽调材料。窗口变大不代表远端内容一定能准确召回，正式依赖之前，请先用自己的长输入测一下检索效果。

更长的输出与可控的思考

M3 单次回复最多可输出 524,288 token，MiniMax 建议大多数请求设为 131,072；M2.x 上限是 204,800，推荐 65,536。思考模式也变了：M3 默认是自适应思考，由模型自己判断什么时候需要额外推理，你也可以关掉它来换取更快的回复；M2.x 的思考始终开启，传 disabled 不会报错，但也不生效。

跑分对比：MiniMax M3 vs M2.7

下表数字全部来自 MiniMax M3 模型卡上的跑分图。这些是 MiniMax 自测结果，大多在其内部环境中以 Claude Code 作为脚手架完成，并非独立第三方评测。

来源：MiniMax M3 模型卡（MiniMax 自测）。

有两个规律很明显。在经典的单仓库修 bug 任务上，两者差距很小：SWE-Bench Verified 只差 0.6 分，SWE-Bench Pro 差 2.8 分。如果你的场景主要是「在这个仓库里修这个 issue」，M2.7 原本就已经接近 M3。差距主要拉开在多步骤、重工具调用的任务上：MCP Atlas 和 Claw-Eval 都领先 24.8 分，Terminal Bench 2.1 领先 14.9 分，SWE Atlas-QnA 领先 26.6 分。这几项恰恰最接近「调用工具、执行命令、回答整个代码库相关问题」的智能体场景。

价格

截至 2026 年 11 月 4 日，APIMart 黄金会员调用 minimax-m3、minimax-m2.7 和 minimax-m2.5 的价格一样：每百万输入 token 0.24 美元，每百万输出 token 0.96 美元。换成 M3 不会改变单价，但账单仍可能变化，因为 M3 的自适应思考和更长的输出会改变每次请求消耗的 token 数。切换后的头几天，建议持续观察每次请求的 token 用量。所有 MiniMax 模型的最新价格见 MiniMax 价格页。

上线与退役时间线

• 2026 年 10 月 19 日： MiniMax 停止向新用户开放 M2.5 和 M2.7。
• 2026 年 11 月 18 日： M2.5 和 M2.7 退役。MiniMax 表示，此后按量付费的 API 请求将无法使用。
• 已退役： MiniMax-M2.1、MiniMax-M2 和 M2-her。

截至 2026 年 11 月 4 日，APIMart 仍提供 minimax-m2.7 和 minimax-m2.5。由于 MiniMax 将退役底层模型，建议在 11 月 18 日之前完成切换。

如何从 M2.7 迁移到 M3

请求格式不变，大多数团队一个下午就能完成迁移。按下面五步检查：

1. 修改型号 ID：把 minimax-m2.7（或 minimax-m2.5）改成 minimax-m3。
2. 决定思考模式：M2.7 每次都会先推理再回答，M3 默认自适应思考。聊天、分类这类需要快速直接回答的场景，可以传 "thinking": {"type": "disabled"}。使用 Python 版 OpenAI SDK 时，把它放进 extra_body。
3. 去掉 temperature 调参：M3 的 temperature 固定为 1，传其他值不会生效。如果你之前依靠低温度获得稳定输出，可以改用更明确的指令或结构化输出。
4. 重新设置 max_completion_tokens：M3 最多支持 524,288。长任务可以先按 MiniMax 推荐的 131,072 设置，聊天场景则保留较低上限来控制成本。
5. 重跑评测：在全部切换之前，用真实流量对比质量、延迟和每次请求的 token 用量。

关闭思考的最简请求如下：

curl https://api.apimart.ai/v1/chat/completions \
  -H "Authorization: Bearer $APIMART_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "minimax-m3",
    "messages": [{"role": "user", "content": "用三个要点总结这个 Pull Request。"}],
    "thinking": {"type": "disabled"},
    "max_completion_tokens": 4096,
    "stream": false
  }'

用 Python 版 OpenAI SDK 的等价写法：

import os
from openai import OpenAI

client = OpenAI(base_url="https://api.apimart.ai/v1", api_key=os.environ["APIMART_API_KEY"])

response = client.chat.completions.create(
    model="minimax-m3",  # 原来是 "minimax-m2.7"
    messages=[{"role": "user", "content": "用三个要点总结这个 Pull Request。"}],
    max_completion_tokens=4096,
    stream=False,
    extra_body={"thinking": {"type": "disabled"}},  # 删掉这一行即保留自适应思考
)
print(response.choices[0].message.content)

完整参数见 APIMart Chat Completions 文档。

MiniMax M3 与 Kimi、GLM、DeepSeek 的对比

同一张 MiniMax 跑分图里还包含其他开放权重模型。下表数字直接摘自该图，「-」表示 MiniMax 未给出成绩。MiniMax 注明：DeepSeek、Kimi 和 GLM 的 NL2Repo 成绩取自 Qwen 公布的结果，其他大多数列由 MiniMax 通过各家官方 API 自行测试。

来源：MiniMax M3 模型卡（MiniMax 自测）。

按 MiniMax 的数据，M3、DeepSeek V4 Pro 和 Kimi K2.6 Thinking 在 SWE-Bench Verified 和 BrowseComp 上的差距都不超过 0.4 分；GLM 5.1 Thinking 没有 SWE-Bench Verified 成绩，BrowseComp 为 79.3，落后于另外三者。Kimi K2.6 Thinking 在 NL2Repo 上略微领先；M3 优势最明显的是 Terminal Bench 2.1 和 Claw-Eval。由于这些都是厂商自测结果，更适合用来缩小候选范围，而不是直接下结论，选型前请用自己的任务实测。

该选哪一个？

• 新项目： 用 M3。MiniMax 已不再向新用户开放 M2.7，而且它将在 11 月 18 日退役。
• 生产环境在跑 M2.7： 现在就迁到 M3，趁还有时间做新旧输出的并排对比。
• 需要图像或视频输入： M3 是已确认支持多模态输入的 MiniMax 文本模型。
• 主要是单仓库修 bug： 质量变化预计不大，更大的提升在重工具调用的智能体任务上。

常见问题

MiniMax M3 和 M2.7 有什么区别？

M3 是 MiniMax 当前的旗舰模型，支持文本、图像和视频输入，上下文 1,000,000 token，最多输出 524,288 token，并且可以关闭思考。M2.7 的上下文为 204,800 token，每次都会先思考再回答，目前正在退役。

MiniMax M2.7 要退役了吗？

是的。MiniMax 已于 2026 年 10 月 19 日停止向新用户开放 M2.7 和 M2.5，并将在 2026 年 11 月 18 日让两者退役。此后，按量付费的请求将无法使用。

如何从 MiniMax M2.7 迁移到 M3？

把型号 ID 改成 minimax-m3；决定保留自适应思考还是传 "thinking": {"type": "disabled"}；由于 M3 的 temperature 固定为 1，去掉 temperature 调参；再检查 max_completion_tokens。全部切换前，先重跑一遍评测集。

MiniMax M3 的跑分表现如何？

在 MiniMax 自己的跑分图中，M3 的 SWE-Bench Verified 为 80.5，SWE-Bench Pro 为 59.0，Terminal Bench 2.1 为 66.0，BrowseComp 为 83.5。这些是厂商自测结果，不是独立评测。

MiniMax M3 开源吗？

MiniMax 在 Hugging Face 上以 MiniMax Community License 发布了 M3 的权重。它是采用自有许可证的开放权重模型，商用自部署前请先确认许可证条款。

MiniMax M3 多少钱？

截至 2026 年 11 月 4 日，APIMart 黄金会员调用 MiniMax M3 的价格为每百万输入 token 0.24 美元、每百万输出 token 0.96 美元，与 M2.7 相同。最新价格以 APIMart 上的 MiniMax 模型页为准。

接下来值得关注

MiniMax 已经发布了 MiniMax-M3.1-Flash，官方介绍为一款支持 100 万上下文、可调思考深度的多模态编程模型。APIMart 目前尚未上架，我们也不会猜测上线时间。眼下要做的事很明确：在 11 月 18 日之前把 M2.7 的工作负载迁到 M3，并在迁移过程中持续观察质量、延迟和每次请求的 token 用量。