独立测评揭国产旗舰Coding模型真实水位
国产大模型厂商MiniMax上月高调发布M3旗舰模型，宣称具备"前沿Coding能力"并剑指行业顶尖水准。然而，一位独立开发者的实测报告却揭示出另一番景象。
DeepSWE实测：13.3%通过率与59%官方数据的落差
独立开发者 @bleysg 近日在DeepSWE长程软件工程基准上对MiniMax M3进行了独立评测。这项包含113个真实开源功能开发任务的测试显示，模型在90分钟常规时限内仅取得**13.3%（15/113）**的严格标准通过率。
这一数字与MiniMax官方在发布时宣称的SWE-bench Pro **59.0%**评测成绩形成了鲜明对比，暴露出不同Benchmark评测标准之间可能存在的显著差异。
国内竞品横向对比：M3位列中游
在已公布的DeepSWE榜单中，MiniMax M3的表现落后于国内主流竞品：
- Kimi-k2.6：24%通过率
- GLM-5.1：18%通过率
- MiniMax M3：13.3%（15/113）
- Gemini 3.1 Pro：10%
- DeepSeek V4 Pro：8%
值得注意的是，在SWE-bench Pro这一更受认可的权威基准上，MiniMax官方数据显示M3得分超过GPT-5.5和Gemini 3.1 Pro，接近Opus 4.7的64.3%水准。这一差异表明，Benchmark的选取和评测方式对结果影响巨大。
分语言表现：JavaScript领先，Rust全灭
评测数据揭示了MiniMax M3在不同编程语言任务上的表现分化：
| 语言 | 通过率 |
|---|---|
| JavaScript | 40.0%（2/5） |
| TypeScript | 17.1%（6/35） |
| Go | 11.8%（4/34） |
| Python | 8.8%（3/34） |
| Rust | 0%（0/5） |
此外，在未完全解决的113个任务中，有35个任务的隐藏测试通过率已超过90%，被归类为"近乎通过"。全部任务中仅8次因破坏既有代码导致失败，表明模型倾向于生成保守补丁，回归缺陷风险较低。
高昂算力成本成显著短板
尽管代码防回归表现尚可，但M3的运行开销成为显著短板。DeepSWE基准下，模型解决单个任务的数据中位数令人关注：
- 运行步骤中位数：325步
- 输出Token中位数：8万个
- 单任务平均成本中位数：7.48美元
高昂的资源开销意味着，相比主流前沿模型，M3在计算效率上仍有较大提升空间。报告同时指出，若放宽运行时间限制至更长周期，模型的扩展时限通过率可提升至16.8%（19/113），额外解决4个耗时超过90分钟的多文件复杂任务。
行业背景：Coding能力成国产大模型必争之地
这一评测结果折射出国产大模型厂商在Coding赛道的激烈竞争。2025年至2026年间，智谱GLM、MiniMax、月之暗面Kimi、DeepSeek等头部厂商相继将研发资源集中投向Coding方向，相继发布专项模型并刷新各项基准榜单。
然而，钛媒体此前报道指出，各厂商在Benchmark选取、评测环境和配置参数上的差异，使得横向对比往往缺乏统一标尺。独立实测数据的出现，为行业提供了一面更客观的镜子。