留意命名：路透社原文 冇直接使用「M3 Pro」呢個代號，但多個後續報道（如 The Information、The Next Web）都確認內部稱為 M3 Pro，不過最終官方名稱可能有變 。

MiniMax 模型發展一覽

MiniMax 嘅模型疊代速度驚人，短短一年內參數量幾何級跳升：

由 M3 嘅 ~428B 跳升至 2.7T，總參數暴增約 6.3 倍。如果 MiniMax 延續 MoE（混合專家）架構，每次前向傳播嘅活躍參數可能維持喺數百億水平，但總參數規模將係開源模型前所未見 。

與 DeepSeek V4 Pro 全面對比

DeepSeek V4 Pro 係 DeepSeek 嘅旗艦開源模型，2026 年 4 月 23 日發布 。兩者規格同定位截然不同：

• DeepSeek V4 Pro：1.6T 總參數，49B 活躍參數，MIT 授權，純文字算法專家——擁有所有語言模型中最高的 Codeforces 評分（3206），以及開源模型中最強嘅 SWE-bench Verified 分數（80.6%）
• MiniMax M3（現有）：~428B 總參數 / ~23B 活躍參數——多模態同數學更強（平均 85.7 vs 31.7），但純編碼 benchmark 不及 DeepSeek V4 Pro
• 計劃中嘅 2.7T 模型：總參數將遠遠拋離 DeepSeek V4 Pro（1.6T）同 MiniMax M3（428B）

多個分析指出，MiniMax M3 同 DeepSeek V4 Pro「幾乎冇直接競爭」——佢哋優化嘅場景唔同：M3 主打多模態代理編碼同長上下文任務，V4 Pro 則擅長純文字算法編碼同低成本吞吐 。

中國開源模型浪潮：2025-2026 年主要發布

中國 AI 實驗室喺 2025-2026 年密集發布強大開源模型：

• DeepSeek V4-Pro（2026 年 4 月 23 日）：1.6T MoE，MIT 授權，前沿編碼性能
• 騰訊 Hy3（Hunyuan 3.0）：2026 年 4 月 23 日預覽，7 月 6 日 Apache 2.0 完整開源。295B 總參數 MoE 模型（21B 活躍，192 專家，top-8 路由），256K 上下文，由前 OpenAI 研究員 Shunyu Yao 領導
• MiniMax-M1（2025 年 6 月）：456B 參數開源推理模型，Apache 2.0
• 螞蟻集團 Ling-2.6-flash（2026 年 4 月 22 日）：104B / 7.4B 活躍嘅效率型 MoE
• 其他如 阿里巴巴（Qwen）、字節跳動、百川等都有開源模型發布

呢啲發布反映中國 AI 實驗室嘅明確策略：以開源（通常 Apache 2.0 或 MIT）對抗西方閉源巨頭（OpenAI、Anthropic、Google）。

同西方 AI 實驗室嘅競爭格局

中國開源模型嘅快速疊代釋放幾個重要信號：

• 規模競賽：MiniMax 嘅 2.7T 模型將超越任何已知嘅西方開源模型總參數量，挑戰美國實驗室嘅「算力優勢」論述
• 開源作為地緣政治槓桿：通過開源權重，中國實驗室令全球開發者免費使用其模型，繞過硬件出口限制。西方同全球南方嘅開發者可以喺自己嘅基礎設施上運行
• 人才流動：騰訊 Hy3 由 OpenAI 前研究員領導，顯示 AI 人才嘅雙向流動
• 價格競爭：DeepSeek V4 Pro 同 MiniMax M3 嘅 API 定價都低於或等於 GPT-5.5，推動全球成本下降
• 基準持平：MiniMax M3 喺 SWE-bench Pro 嘅 59.0% 略高於 GPT-5.5 嘅 58.6%，而 DeepSeek V4 Pro 嘅 80.6% SWE-bench Verified 係開源模型最佳

部署 2.7T 參數模型嘅技術挑戰

一個 2.7T 參數嘅開源模型將帶嚟極端部署難題：

• 記憶體需求：即使使用 8-bit 量化，載入 2.7T 參數都需要約 2.7 TB GPU 記憶體；FP16 更升至約 5.4 TB。呢代表需要數百張 GPU（例如 200+ 張 H100，每張 80 GB）先至可以載入模型
• MoE 架構係關鍵：MiniMax M1 同 M3 都使用 MoE，每次 token 只激活一部分參數（例如 M3 嘅 23B active out of 428B total）。如果 2.7T 模型跟類似模式，活躍參數比例可能維持低水平（例如 ~135B active），推論可以喺較細集群進行，但仍然遠超單張 GPU 能力
• 推論延遲同吞吐：即使有 MoE 稀疏性，大規模服務呢類模型需要複雜嘅張量並行、流水線並行同專家並行，搭配高頻寬互連
• 訓練成本：訓練 2.7T 模型需要巨大算力——即使採用高效 MoE 訓練技術，都可能需要數萬 GPU-月
• 開源權重分發：單純托管同分發 2.7T 參數（可能 5+ TB 權重）對 Hugging Face 等平台已成物流挑戰

不過，MiniMax 已展示強勁嘅效率工程——M1 以比 DeepSeek R1 少 70% 嘅算力訓練，達到競爭性 benchmark ；M3 使用稀疏注意力機制 。佢哋可能為 2.7T 模型採用類似創新。

全球對中國 AI 模型嘅採用趨勢

中國開源模型喺全球獲得顯著採用，原因包括：

• 定價：DeepSeek V4 Pro 約 $0.435/M 輸入 tokens vs MiniMax M3 約 $0.30/M，兩者都極具競爭力
• 寬鬆授權：Apache 2.0（MiniMax M1、騰訊 Hy3）同 MIT（DeepSeek V4-Pro）允許商業使用、修改同重新分發，冇限制
• 基準競爭力：呢啲模型喺編碼、推理、數學等關鍵基準匹配甚至超越 GPT-5.5 同 Claude
• 開發者生態：權重托管喺 Hugging Face，整合到 OpenRouter、Kilo Code 等平台，全球開發者輕易存取

呢個趨勢表明，中國已唔再只係硬件受限嘅跟隨者——佢哋係開源模型發布嘅領導者，用開放作為對抗西方閉源模型領導者嘅競爭護城河。如果 2.7T 模型成功實現，將會係呢個方向最強烈嘅宣言。

留意命名：路透社原文 冇直接使用「M3 Pro」呢個代號，但多個後續報道（如 The Information、The Next Web）都確認內部稱為 M3 Pro，不過最終官方名稱可能有變 。

MiniMax 模型發展一覽

MiniMax 嘅模型疊代速度驚人，短短一年內參數量幾何級跳升：

由 M3 嘅 ~428B 跳升至 2.7T，總參數暴增約 6.3 倍。如果 MiniMax 延續 MoE（混合專家）架構，每次前向傳播嘅活躍參數可能維持喺數百億水平，但總參數規模將係開源模型前所未見 。

與 DeepSeek V4 Pro 全面對比

DeepSeek V4 Pro 係 DeepSeek 嘅旗艦開源模型，2026 年 4 月 23 日發布 。兩者規格同定位截然不同：

• DeepSeek V4 Pro：1.6T 總參數，49B 活躍參數，MIT 授權，純文字算法專家——擁有所有語言模型中最高的 Codeforces 評分（3206），以及開源模型中最強嘅 SWE-bench Verified 分數（80.6%）
• MiniMax M3（現有）：~428B 總參數 / ~23B 活躍參數——多模態同數學更強（平均 85.7 vs 31.7），但純編碼 benchmark 不及 DeepSeek V4 Pro
• 計劃中嘅 2.7T 模型：總參數將遠遠拋離 DeepSeek V4 Pro（1.6T）同 MiniMax M3（428B）

多個分析指出，MiniMax M3 同 DeepSeek V4 Pro「幾乎冇直接競爭」——佢哋優化嘅場景唔同：M3 主打多模態代理編碼同長上下文任務，V4 Pro 則擅長純文字算法編碼同低成本吞吐 。

中國開源模型浪潮：2025-2026 年主要發布

中國 AI 實驗室喺 2025-2026 年密集發布強大開源模型：

• DeepSeek V4-Pro（2026 年 4 月 23 日）：1.6T MoE，MIT 授權，前沿編碼性能
• 騰訊 Hy3（Hunyuan 3.0）：2026 年 4 月 23 日預覽，7 月 6 日 Apache 2.0 完整開源。295B 總參數 MoE 模型（21B 活躍，192 專家，top-8 路由），256K 上下文，由前 OpenAI 研究員 Shunyu Yao 領導
• MiniMax-M1（2025 年 6 月）：456B 參數開源推理模型，Apache 2.0
• 螞蟻集團 Ling-2.6-flash（2026 年 4 月 22 日）：104B / 7.4B 活躍嘅效率型 MoE
• 其他如 阿里巴巴（Qwen）、字節跳動、百川等都有開源模型發布

呢啲發布反映中國 AI 實驗室嘅明確策略：以開源（通常 Apache 2.0 或 MIT）對抗西方閉源巨頭（OpenAI、Anthropic、Google）。

同西方 AI 實驗室嘅競爭格局

中國開源模型嘅快速疊代釋放幾個重要信號：

• 規模競賽：MiniMax 嘅 2.7T 模型將超越任何已知嘅西方開源模型總參數量，挑戰美國實驗室嘅「算力優勢」論述
• 開源作為地緣政治槓桿：通過開源權重，中國實驗室令全球開發者免費使用其模型，繞過硬件出口限制。西方同全球南方嘅開發者可以喺自己嘅基礎設施上運行
• 人才流動：騰訊 Hy3 由 OpenAI 前研究員領導，顯示 AI 人才嘅雙向流動
• 價格競爭：DeepSeek V4 Pro 同 MiniMax M3 嘅 API 定價都低於或等於 GPT-5.5，推動全球成本下降
• 基準持平：MiniMax M3 喺 SWE-bench Pro 嘅 59.0% 略高於 GPT-5.5 嘅 58.6%，而 DeepSeek V4 Pro 嘅 80.6% SWE-bench Verified 係開源模型最佳

部署 2.7T 參數模型嘅技術挑戰

一個 2.7T 參數嘅開源模型將帶嚟極端部署難題：

• 記憶體需求：即使使用 8-bit 量化，載入 2.7T 參數都需要約 2.7 TB GPU 記憶體；FP16 更升至約 5.4 TB。呢代表需要數百張 GPU（例如 200+ 張 H100，每張 80 GB）先至可以載入模型
• MoE 架構係關鍵：MiniMax M1 同 M3 都使用 MoE，每次 token 只激活一部分參數（例如 M3 嘅 23B active out of 428B total）。如果 2.7T 模型跟類似模式，活躍參數比例可能維持低水平（例如 ~135B active），推論可以喺較細集群進行，但仍然遠超單張 GPU 能力
• 推論延遲同吞吐：即使有 MoE 稀疏性，大規模服務呢類模型需要複雜嘅張量並行、流水線並行同專家並行，搭配高頻寬互連
• 訓練成本：訓練 2.7T 模型需要巨大算力——即使採用高效 MoE 訓練技術，都可能需要數萬 GPU-月
• 開源權重分發：單純托管同分發 2.7T 參數（可能 5+ TB 權重）對 Hugging Face 等平台已成物流挑戰

不過，MiniMax 已展示強勁嘅效率工程——M1 以比 DeepSeek R1 少 70% 嘅算力訓練，達到競爭性 benchmark ；M3 使用稀疏注意力機制 。佢哋可能為 2.7T 模型採用類似創新。

全球對中國 AI 模型嘅採用趨勢

中國開源模型喺全球獲得顯著採用，原因包括：

• 定價：DeepSeek V4 Pro 約 $0.435/M 輸入 tokens vs MiniMax M3 約 $0.30/M，兩者都極具競爭力
• 寬鬆授權：Apache 2.0（MiniMax M1、騰訊 Hy3）同 MIT（DeepSeek V4-Pro）允許商業使用、修改同重新分發，冇限制
• 基準競爭力：呢啲模型喺編碼、推理、數學等關鍵基準匹配甚至超越 GPT-5.5 同 Claude
• 開發者生態：權重托管喺 Hugging Face，整合到 OpenRouter、Kilo Code 等平台，全球開發者輕易存取

呢個趨勢表明，中國已唔再只係硬件受限嘅跟隨者——佢哋係開源模型發布嘅領導者，用開放作為對抗西方閉源模型領導者嘅競爭護城河。如果 2.7T 模型成功實現，將會係呢個方向最強烈嘅宣言。