開源 Agentic Coding 的差距正在收斂，M3 的真正訊號不是跑分

MiniMax M3 最值得認真看的，不是 SWE-Bench Pro 的 59%，雖然這個數字超過 GPT-5.5 和 Gemini 3.1 Pro、接近 Opus 4.7 確實夠硬。真正的訊號是：它是國內第一個把長上下文、多模態、Coding 三件事同時做到的開源模型。缺少任何一條，agentic 任務就會在中途卡住，複現論文要同時讀圖、理解長篇方法論、產出可執行程式碼；優化 CUDA 算子要把架構文件塞進上下文再生成精確實作。這個能力組合，目前閉源世界只有 GPT、Claude、Gemini 最新旗艦能做到。

效率層面，廠商數據顯示 1M 上下文下每 token 計算量壓到上代 1/20，decoding 加速超過 15 倍。這不只是模型品質問題，它把「跑長上下文 agentic loop」的推理成本從「不切實際」推進「可以落地」的區間。讓 agent 自主跑 12 小時復現論文，成本算不算得平，是第一道工程關卡。

對工程師更重要的，是 MiniMax Code 的設計決策：它不是接入 M3 的通用插件，而是與 M3 一起訓練的 harness，對標 Claude Code。「模型＋harness 共同訓練」意味著 agentic workflow 的行為模式在訓練階段就被烤進去，而非在 inference 層打補丁。這個架構選擇的長期效應，比單次跑分難複製。

量子位的第三方實測（數字均引自 brief，非獨立橫評）展示了幾個具體行為特徵：M3 在 agentic loop 中遇到失敗會自我診斷、結果不符就自行調整、全程無人工介入。復現 ICLR 2026 的 Polar Express 論文時，它從等波動條件獨立推導多項式系數，與論文硬編碼數值幾乎完全重疊，走了一遍和原作者相同的數學推導路徑。

另需標注：M3 上線同步調整計費為 Token Plan，引發用戶熱議，官方事後提高週用量上限並對舊用戶維持原設定。定價架構與開發者使用模式的摩擦，在選型時值得列入評估，能力再強，如果計費邏輯對工程師不友善，採用成本就會被低估。

對受眾的具體啟示：如果你正在用 Claude Code 跑 agentic coding，M3 現在值得放進評估清單，不是保證更好，而是「開源替代」第一次不再是明顯次選。如果你在做模型基礎設施，「模型＋harness 一起訓練」的模式值得放進架構思考：它改變的是 agentic behavior 的一致性下限，不只是用戶體驗。

開源在 agentic coding 的差距正在收斂，而且開始用「配套工具鏈一起出」的方式加速收斂。這才是 M3 值得認真看一眼的原因。