提升很大！MiniMax M3 生产力、Token效率实测

作者近期開發了一個語音控制工具，其後端採用Workflow架構來協調各項任務。MiniMax M3發布後，他試圖將其集成入工具鏈，卻發現配置出現bug。這個真實場景成為了三層遞進式測試的起點——通過逐步提升測試難度，評估M3在不同角色下的實際表現。

第一層測試中，作者邀請四款模型擔任「worker」角色——完全被動接收並執行修復bug的任務，由Claude Codex統一編排調度。結果令人眼花：所有模型都成功通過測試，但在資源消耗上差異明顯。Deepseek V4 Pro的token消耗最低，其次是M3，Qwen 3.6消耗最多。在工具調用次數上，M3表現最精簡。Codex評價M3為最佳、Deepseek次之。然而作者敏銳地意識到，既然所有模型都能完成，這個測試其實缺乏區分度，無法真正揭示模型的核心差異。

進入第二層測試，難度陡增——模型不再被動執行，而是同時扮演編排者與執行者。模型需自主設計工作流的dag結構，再執行該流程完成任務。這是個艱難的測試：Qwen、M3、Mimo各自設計了標準的5節點線性流程（設計、實現、測試、review、提交），而Deepseek異類地缺少提交節點；更令人矚目的是Kimi for coding在發現單次流程無法完成後，一度創建多個run重複嘗試，最終才退而求其次用單節點實現。在工作流監控層面，M3展現了令人印象深刻的token效率——其dag status查詢次數遠少於頻繁自糾的Mimo（77次監控檢查）和多次retry的Kimi。從結果質量看，Deepseek生成的膠卷上打上了時間戳標記，使後續的frame selection能精確定位，但這優勢來自編排者自身主動修復而非預設計。根據這輪表現，Kimi因過度消耗token最先淘汰，Mimo因監控頻繁次之。

第三層測試面向真實應用場景——視頻編輯。作者自行開發了film strip技能作為標準工具，將視頻分解為4×4網格的膠卷圖。模型需通過分析膠卷選出關鍵幀，合成一個清理桌面的最終視頻。這個測試無情地暴露了國產模型在多模態視頻理解上的短板。M3的識別在第五幀失手；Qwen 3.6的清理效果最徹底，卻在第四幀遺漏了手臂；Kimi則出現幀重複和殘留物現象。三者都與Claude Codex的完美表現相距甚遠，清楚地說明視頻幀提取與多模態理解是國產大模型的主要弱點所在。

最終，作者做出了冷靜的評估。M3的優勢集中於編排效率與token經濟性，這可能反映了其針對Claude Code Harness類架構的專項訓練，但其動態修改工作流、主動干預流程進度的能力仍有改進空間。Deepseek則因擁有強大的自糾能力而在代碼品質上領先。Qwen在多模態場景中表現相對最優。他強調這些發現的�侷限性——測試範圍有限、場景有限，不能絕對化，但數據確實反映出各模型的不同特性與特長，值得在實際應用中按具體場景選擇。