一位直接知情人士向路透社透露，這將是「中國公司發布的最大開源 AI 模型，也可能是全球最大的開源模型」。

重要提醒： 路透社的原始報導 並未明確使用「M3 Pro」這個名稱；此代號來自《The Information》等其他媒體的後續報導。最終正式名稱可能有所不同。

MiniMax 模型世代演進：從 M1 到 M3 Pro 的飛躍

MiniMax 的模型發展速度驚人，短短一年內從 M1 進化到 M3 Pro：

從 M3 的約 4,280 億參數躍升至 2.7 兆，總參數增加了約 6.3 倍。若 MiniMax 延續其 MoE 策略，每次前向傳播活躍的參數量可能維持在數百億至千億等級，但總參數規模將開創開源模型的新紀元 。

與 DeepSeek V4-Pro 的綜合比較

DeepSeek V4-Pro 是 DeepSeek 的旗艦開源模型，於 2026 年 4 月 23 日推出 。以下是兩者關鍵對比：

關鍵洞察： 多數評測指出，MiniMax M3 與 DeepSeek V4-Pro 其實「鮮少直接競爭」——它們針對不同工作負載進行優化：M3 擅長多模態代理編碼與長上下文任務，而 V4-Pro 則專注於低成本、高效能的純文字演算法編碼 。

中國開源模型浪潮：2025-2026 年的集體爆發

MiniMax 的計劃並非孤例，而是中國 AI labs 在 2025-2026 年一波強大開源模型釋出浪潮的一部分：

• DeepSeek V4-Pro（2026 年 4 月 23 日）— 1.6T MoE，MIT 授權，前端編碼性能
• 騰訊 Hy3（Hunyuan 3.0） — 2026 年 4 月 23 日預覽，7 月 6 日完整開源（Apache 2.0）。295B 參數 MoE 模型（活躍 21B，192 專家），256K 上下文 。由前 OpenAI 研究員 Shunyu Yao 主導
• 螞蟻集團 Ling-2.6-flash（2026 年 4 月 22 日）— 104B/7.4B 活躍的高效率 MoE
• 阿里巴巴（Qwen）、字節跳動、百川智能 等其他中國實驗室也陸續釋出開源模型

這反映了一種刻意策略：中國 AI labs 傾向釋出開源模型（通常採 Apache 2.0 或 MIT 授權），與大多保持封閉的西方實驗室（OpenAI、Anthropic、Google）形成鮮明對比 。

與西方 AI 實驗室的競爭態勢

中國開源模型的快速迭代傳遞了幾項重要信號：

• 規模競賽： MiniMax 計劃的 2.7T 模型將超越任何已知的西方開源模型總參數，挑戰美國實驗室長期以來的「算力優勢」敘事
• 開源地緣政治槓桿： 透過公開釋出權重，中國實驗室讓其模型免費供全球開發者使用，繞過了硬體出口管制。西方及全球南方開發者可在自有基礎設施上運作這些模型
• 人才流動： 騰訊 Hy3 由從 OpenAI 挖角的研究員 Shunyu Yao 主導，說明了 AI 人才的雙向流動
• 價格競爭： DeepSeek V4 Pro 與 MiniMax M3 在 API 價格上均與 GPT-5.5 相當或更低，推動全球成本下降
• 基準測試平起平坐： MiniMax M3 在 SWE-bench Pro 的 59.0% 略勝 GPT-5.5 的 58.6%，而 DeepSeek V4 Pro 在 SWE-bench Verified 的 80.6% 是所有開源模型之最

部署 2.7 兆參數模型的巨大挑戰

一個 2.7T 參數的開源模型將帶來極端的部署挑戰：

• 記憶體需求： 即使採用 8-bit 量化，載入 2.7T 參數仍需約 2.7 TB 的 GPU 記憶體。在 FP16 精度下，則高達 ~5.4 TB。這需要數百顆 GPU（例如 200 顆以上 H100，每顆 80 GB）才能將模型載入記憶體
• MoE 架構是關鍵： MiniMax 的 M1 與 M3 均採用 MoE 架構，每次運作只啟動一小部分參數（如 M3 的 428B 總參數中僅啟動 23B）。若 2.7T 模型遵循類似模式，每次運作活躍參數可能在 ~135B 左右，使推論在較小叢集上成為可能，但距離單 GPU 可負荷的規模仍非常遙遠
• 推論延遲與吞吐量： 即使有 MoE 稀疏性，要提供如此規模的模型服務仍需高度複雜的張量並行、管線並行與專家並行技術，並搭配高頻寬互連
• 訓練成本： 訓練 2.7T 參數模型需要龐大算力預算——即使採用高效的 MoE 訓練技術，也可能耗費數萬 GPU 月
• 開源分發： 單純託管與分發 2.7T 參數（潛在 5+ TB 的權重檔案）對 Hugging Face 等儲存庫本身就是一項物流挑戰

不過，MiniMax 已展現出強大的效率工程能力——M1 在訓練時僅使用 DeepSeek R1 30% 的算力就達到競爭性基準 ，而 M3 則採用稀疏注意力機制 。他們可能為 2.7T 模型採用類似的創新。

全球開發者對中國 AI 模型的採用趨勢

中國開源模型在全球獲得顯著關注，原因包括：

• 價格優勢： DeepSeek V4 Pro 收費 ~$0.435/M 輸入 tokens，MiniMax M3 則約 $0.30/M，兩者與西方 API 價格相比極具競爭力
• 寬鬆授權： Apache 2.0（MiniMax M1、騰訊 Hy3）與 MIT（DeepSeek V4-Pro）允許商業使用、修改與再發布，沒有任何限制
• 基準測試競爭力： 這些模型在關鍵基準（編碼、推理、數學）上與 GPT-5.5 和 Claude 平起平坐或超越
• 開發者生態系： 權重託管於 Hugging Face，整合至 OpenRouter、Kilo Code 等平台，讓全球開發者輕鬆取用

這一趨勢顯示，中國已不再是 AI 領域僅追趕硬體限制的跟隨者——它在開源模型釋出上已是領導者，並以開放性作為對抗西方封閉模型領導者的競爭護城河。計劃中的 2.7T 模型，若成功實現，將是這項策略迄今最有力的宣言。

一位直接知情人士向路透社透露，這將是「中國公司發布的最大開源 AI 模型，也可能是全球最大的開源模型」。

重要提醒： 路透社的原始報導 並未明確使用「M3 Pro」這個名稱；此代號來自《The Information》等其他媒體的後續報導。最終正式名稱可能有所不同。

MiniMax 模型世代演進：從 M1 到 M3 Pro 的飛躍

MiniMax 的模型發展速度驚人，短短一年內從 M1 進化到 M3 Pro：

從 M3 的約 4,280 億參數躍升至 2.7 兆，總參數增加了約 6.3 倍。若 MiniMax 延續其 MoE 策略，每次前向傳播活躍的參數量可能維持在數百億至千億等級，但總參數規模將開創開源模型的新紀元 。

與 DeepSeek V4-Pro 的綜合比較

DeepSeek V4-Pro 是 DeepSeek 的旗艦開源模型，於 2026 年 4 月 23 日推出 。以下是兩者關鍵對比：

關鍵洞察： 多數評測指出，MiniMax M3 與 DeepSeek V4-Pro 其實「鮮少直接競爭」——它們針對不同工作負載進行優化：M3 擅長多模態代理編碼與長上下文任務，而 V4-Pro 則專注於低成本、高效能的純文字演算法編碼 。

中國開源模型浪潮：2025-2026 年的集體爆發

MiniMax 的計劃並非孤例，而是中國 AI labs 在 2025-2026 年一波強大開源模型釋出浪潮的一部分：

• DeepSeek V4-Pro（2026 年 4 月 23 日）— 1.6T MoE，MIT 授權，前端編碼性能
• 騰訊 Hy3（Hunyuan 3.0） — 2026 年 4 月 23 日預覽，7 月 6 日完整開源（Apache 2.0）。295B 參數 MoE 模型（活躍 21B，192 專家），256K 上下文 。由前 OpenAI 研究員 Shunyu Yao 主導
• 螞蟻集團 Ling-2.6-flash（2026 年 4 月 22 日）— 104B/7.4B 活躍的高效率 MoE
• 阿里巴巴（Qwen）、字節跳動、百川智能 等其他中國實驗室也陸續釋出開源模型

這反映了一種刻意策略：中國 AI labs 傾向釋出開源模型（通常採 Apache 2.0 或 MIT 授權），與大多保持封閉的西方實驗室（OpenAI、Anthropic、Google）形成鮮明對比 。

與西方 AI 實驗室的競爭態勢

中國開源模型的快速迭代傳遞了幾項重要信號：

• 規模競賽： MiniMax 計劃的 2.7T 模型將超越任何已知的西方開源模型總參數，挑戰美國實驗室長期以來的「算力優勢」敘事
• 開源地緣政治槓桿： 透過公開釋出權重，中國實驗室讓其模型免費供全球開發者使用，繞過了硬體出口管制。西方及全球南方開發者可在自有基礎設施上運作這些模型
• 人才流動： 騰訊 Hy3 由從 OpenAI 挖角的研究員 Shunyu Yao 主導，說明了 AI 人才的雙向流動
• 價格競爭： DeepSeek V4 Pro 與 MiniMax M3 在 API 價格上均與 GPT-5.5 相當或更低，推動全球成本下降
• 基準測試平起平坐： MiniMax M3 在 SWE-bench Pro 的 59.0% 略勝 GPT-5.5 的 58.6%，而 DeepSeek V4 Pro 在 SWE-bench Verified 的 80.6% 是所有開源模型之最

部署 2.7 兆參數模型的巨大挑戰

一個 2.7T 參數的開源模型將帶來極端的部署挑戰：

• 記憶體需求： 即使採用 8-bit 量化，載入 2.7T 參數仍需約 2.7 TB 的 GPU 記憶體。在 FP16 精度下，則高達 ~5.4 TB。這需要數百顆 GPU（例如 200 顆以上 H100，每顆 80 GB）才能將模型載入記憶體
• MoE 架構是關鍵： MiniMax 的 M1 與 M3 均採用 MoE 架構，每次運作只啟動一小部分參數（如 M3 的 428B 總參數中僅啟動 23B）。若 2.7T 模型遵循類似模式，每次運作活躍參數可能在 ~135B 左右，使推論在較小叢集上成為可能，但距離單 GPU 可負荷的規模仍非常遙遠
• 推論延遲與吞吐量： 即使有 MoE 稀疏性，要提供如此規模的模型服務仍需高度複雜的張量並行、管線並行與專家並行技術，並搭配高頻寬互連
• 訓練成本： 訓練 2.7T 參數模型需要龐大算力預算——即使採用高效的 MoE 訓練技術，也可能耗費數萬 GPU 月
• 開源分發： 單純託管與分發 2.7T 參數（潛在 5+ TB 的權重檔案）對 Hugging Face 等儲存庫本身就是一項物流挑戰

不過，MiniMax 已展現出強大的效率工程能力——M1 在訓練時僅使用 DeepSeek R1 30% 的算力就達到競爭性基準 ，而 M3 則採用稀疏注意力機制 。他們可能為 2.7T 模型採用類似的創新。

全球開發者對中國 AI 模型的採用趨勢

中國開源模型在全球獲得顯著關注，原因包括：

• 價格優勢： DeepSeek V4 Pro 收費 ~$0.435/M 輸入 tokens，MiniMax M3 則約 $0.30/M，兩者與西方 API 價格相比極具競爭力
• 寬鬆授權： Apache 2.0（MiniMax M1、騰訊 Hy3）與 MIT（DeepSeek V4-Pro）允許商業使用、修改與再發布，沒有任何限制
• 基準測試競爭力： 這些模型在關鍵基準（編碼、推理、數學）上與 GPT-5.5 和 Claude 平起平坐或超越
• 開發者生態系： 權重託管於 Hugging Face，整合至 OpenRouter、Kilo Code 等平台，讓全球開發者輕鬆取用

這一趨勢顯示，中國已不再是 AI 領域僅追趕硬體限制的跟隨者——它在開源模型釋出上已是領導者，並以開放性作為對抗西方封閉模型領導者的競爭護城河。計劃中的 2.7T 模型，若成功實現，將是這項策略迄今最有力的宣言。