MiniMax 计划推出 2.7 万亿参数开源模型，或成全球最大开源 AI

MiniMax 2.7 万亿参数模型（M3 Pro）详解

2026 年 7 月 8 日，路透社报道称中国 AI 初创公司 MiniMax 正在开发参数量高达 2.7 万亿 的大语言模型，内部开发代号为 M3 Pro。一位直接知情人士透露，这将是 中国公司发布的最大开源权重 AI 模型，也可能成为全球同类型模型中规模最大的一个。

温馨提示： 路透社的报道 并未明确使用 "M3 Pro" 这一名称，该代号来自 The Information 的补充报道 。截至目前，MiniMax 尚未公布最终的正式名称，最终发布时可能有所不同。

发布时间表

根据多名知情人士透露，该模型 最早有望在 2026 年第三季度发布并开源。不过，路透社也指出内部研发工作仍在进行中，尚未确定确切的发布日期 。与此同时，MiniMax 还计划在本月晚些时候推出其前沿级多模态视频生成模型 H3 。

---

对比 MiniMax 现有模型

MiniMax 的模型迭代速度惊人，从 M1 到 M3 再到规划中的 M3 Pro，参数量实现了跨越式增长：

模型	发布时间	总参数量	活跃参数	架构特点	关键能力
MiniMax-M1	2025 年 6 月	4560 亿	459 亿	MoE + 混合注意力	首个开源混合注意力推理模型；100 万 token 上下文；Apache 2.0 许可证；宣称在某些任务上超越 DeepSeek R1
MiniMax-M3	2026 年 6 月 1 日	~4280 亿	~230 亿	MoE（稀疏注意力）	前沿编码能力（SWE-bench Pro 59.0%）；100 万 token 上下文；原生图像/视频/电脑操作多模态；已在 Hugging Face 开源
M3 Pro（规划中）	待定（最早 2026 Q3）	2.7 万亿	待定（预计延续 MoE 架构）	待公布	可能是全球最大的开源模型

从 M3 的约 4280 亿总参数跃升至 2.7 万亿，意味着参数量增长了约 6.3 倍。如果 MiniMax 延续其 MoE（混合专家）架构路线，每次前向传播的活跃参数量可能仍保持在数百亿级别，但模型的总参数规模将史无前例 。

---

与 DeepSeek V4 Pro 的对比

DeepSeek V4 Pro 是 DeepSeek 的旗舰开源模型，于 2026 年 4 月 23 日发布 。以下是核心规格对比：

对比维度	MiniMax M3（当前）	DeepSeek V4 Pro	规划中的 2.7T 模型
总参数量	~4280 亿	1.6 万亿	2.7 万亿
活跃参数	~230 亿	490 亿	待定
许可证	商业友好	MIT 许可证	待定（预计开源）
核心优势	多模态 + 长上下文 + 智能体编程	纯文本算法编程（Codeforces 最高分，SWE-bench Verified 80.6%）	规模最大，性能未知
SWE-bench Pro	59.0%	55.4%	—
SWE-bench Verified	最高约 73.6%	80.6%	—
上下文窗口	100 万 token	100 万 token	待定
API 输入价格	$0.30/百万 token	$0.435/百万 token	待定
API 输出价格	$1.20/百万 token	$0.87/百万 token	待定

来源：

多数分析指出，MiniMax M3 和 DeepSeek V4 Pro 实际上 "并不直接竞争"——它们针对不同工作负载进行了优化：M3 更适合多模态智能体编程和长上下文任务，而 V4 Pro 则在纯文本算法编程和低成本吞吐方面更胜一筹 。

---

中国开源模型浪潮的宏观背景

2025-2026 年，中国 AI 实验室密集发布了一系列强大的开源模型，MiniMax 的 2.7 万亿参数计划正是这一浪潮的最新高点：

• DeepSeek V4 Pro（2026 年 4 月 23 日）：1.6 万亿参数 MoE，MIT 许可证，前沿编程性能
• 腾讯 Hy3（混元 3.0）：2026 年 4 月 23 日发布预览版，7 月 6 日完整开源（Apache 2.0 许可证）。2950 亿参数 MoE 模型（210 亿活跃参数，192 个专家，top-8 路由），256K 上下文窗口，由前 OpenAI 研究员 Shunyu Yao 领导
• 蚂蚁集团 Ling-2.6-flash（2026 年 4 月 22 日）：1040 亿/74 亿活跃参数的高效 MoE 模型
• 阿里巴巴（通义千问 Qwen）、字节跳动、百川智能等也推出了各自的开放权重模型

这一系列动作反映了中国 AI 实验室的战略选择：以 Apache 2.0 或 MIT 等宽松许可证 开放模型权重，与西方闭源模型（如 OpenAI、Anthropic、Google 的旗舰模型）形成鲜明对比 。

---

对全球 AI 竞争格局的影响

中国开源模型的快速迭代释放出多重信号：

• 规模竞赛升级：MiniMax 的 2.7 万亿参数模型将超越任何已知的西方开源模型总参数量，挑战 "美国算力优势" 的叙事
• 开源作为地缘杠杆：通过开放权重，中国模型可以自由提供给全球开发者，有效绕开硬件出口管制。西方和全球南方的开发者可在自己的基础设施上运行这些模型
• 人才双向流动：腾讯 Hy3 由从 OpenAI 挖来的研究员领导，体现了 AI 人才的双向流动趋势
• 价格竞争白热化：DeepSeek V4 Pro 和 MiniMax M3 在 API 价格上已接近或低于 GPT-5.5 级别，推动全球成本下降
• 基准测试实现追赶：MiniMax M3 在 SWE-bench Pro 上以 59.0% 略超 GPT-5.5 的 58.6%，DeepSeek V4 Pro 在 SWE-bench Verified 上的 80.6% 是所有开源模型最佳

---

部署 2.7 万亿参数模型的技术挑战

一个 2.7 万亿参数的开源模型在部署上将面临极端挑战：

• 内存需求：即使用 8-bit 量化，加载 2.7 万亿参数也需要约 2.7 TB 显存。FP16 格式下则高达约 5.4 TB。这意味着需要数百块 GPU（例如 200 块以上 80GB 的 H100）才能将模型加载到内存中
• MoE 架构可能是关键：MiniMax 的 M1 和 M3 都采用 MoE 架构，仅有部分参数在每次 token 处理时激活（例如 M3 总参数 4280 亿，活跃仅 230 亿）。如果 2.7 万亿模型遵循类似模式，保持较低的活跃参数比（例如约 1350 亿活跃），推理时的实际硬件需求可能远低于总参数规模所暗示的水平，但仍远超单 GPU 的能力范围
• 推理延迟和吞吐量：即使有 MoE 稀疏性，大规模部署这样的模型仍需复杂的张量并行、流水线并行和专家并行技术，以及高带宽互联
• 训练成本：训练 2.7 万亿参数模型需要巨大的算力预算——即使使用高效的 MoE 训练技术，也可能需要数万 GPU 月的计算量

不过，MiniMax 在效率工程方面已有积累：M1 的训练计算量比 DeepSeek R1 少 70%，同时达到了具有竞争力的基准成绩 ；M3 则采用了稀疏注意力机制 。这些创新可能同样应用于 2.7 万亿模型的开发中。

---

全球开发者对中国开源模型的接纳

中国开源模型正获得全球开发者的广泛采用，主要原因包括：

• 定价优势：DeepSeek V4 Pro 价格约 $0.435/百万输入 token，MiniMax M3 约 $0.30/百万，极具竞争力
• 宽松许可证：Apache 2.0（MiniMax M1、腾讯 Hy3）和 MIT（DeepSeek V4 Pro）允许商业使用、修改和再分发，无地域限制
• 基准测试竞争力：这些模型在编程、推理、数学等关键基准上已能与 GPT-5.5 和 Claude 匹敌甚至超越
• 开发者生态：模型权重已上传至 Hugging Face，集成到 OpenRouter、Kilo Code 等平台，全球开发者均可轻松访问

这一趋势表明，中国已不再是 AI 领域算力受限的追赶者——它正通过开放权重的策略，在开源模型领域占据领先地位。计划中的 2.7 万亿参数模型若能落地，将成为中国 AI 开源路线最强有力的宣言。