MiniMax M3：稀疏注意力與長上下文的成本實驗

技術簡報常把 MiniMax 標成「100 萬 token 最便宜的一檔」；採購會議上要先分清楚的是，便宜的是 API 牌價，不是法律審批與 GPU 叢集。

MiniMax（稀宇科技）用 MSA 稀疏注意力把長上下文的 token 成本壓下來，工程方向清楚，M3 的推廣價 0.30 / 1.20 美元在開發者圈確實吸睛。對香港學校，它更像理解 2026 年長上下文普及的教材，而不是可直接勾選的校本供應商——自訂授權與內地 API 兩關要先過。

MiniMax 在語言模型這條線做甚麼

MiniMax 是上海的模型團隊，產品線橫跨語言、語音、音樂與影片。語言模型一脈的定位一致：不追最大參數榜，而追「同樣 100 萬 token，更低的帳單」。

2025 年 1 月的 MiniMax-Text-01 以線性注意力變體挑戰超長上下文；2026 年 4 月 12 日開源的 M2.7 確立「代理導向 + 低成本」路線；約 2026 年 6 月的 M3 則改用 MSA 稀疏注意力，約 4,280 億總參數、每 token 啟動約 230 億。教師不需要讀論文，只需記住：同樣塞滿上下文，MiniMax 的 API 單價低於多數同級對手——若你真的選擇塞滿。

學校會碰到的型號

權重在 Hugging Face 以 MiniMax 自訂授權公開；API 定價分推廣價與標價：

一位辦學團體的 IT 顾问試算：若用 M3 推廣價處理全港學校群組的會議紀錄批量摘要，帳面比旗艦便宜六成——但法律顧問看完自訂授權後，項目暫緩，改試 Apache 2.0 的 Hy3。數字好看，關卡往往在條文。

錢從哪裡出

API 路線： 推廣價 0.30 / 1.20 美元／ 100 萬 token 令大批量長文件任務在帳單上好看；標價翻倍，預算應以 0.60 / 2.40 為底。官方 API 在中國內地，含學生資料的呼叫屬跨境傳輸，合規成本不在價目表上。

自架路線： 權重可下載，但 4,280 億總參數要全部載入記憶體，需伺服器級 GPU 叢集。MoE 讓推理變快，不讓採購變輕。對 Edor.ai 用戶，平台固定年費已含 AI 用量——供應商 token 牌價再低，也不自動等於校本支出；資料處理地點與守門機制才是主賬。

把整份學期教材一次塞進 100 萬 token，是在用長上下文省 RAG 的設定費，卻在燒 token 本體——校本場景多半反過來做。

在 Edor.ai 裡擔任甚麼角色

目前未接入。 平台原生支援 OpenAI、Azure OpenAI、Anthropic、Poe 與本地 Ollama；MiniMax 不在其中，管理員後台看不到選項。原因即上文兩項：自訂授權需逐項法律核對，官方 API 在內地屬跨境傳輸。

若學校已自架且法律過關，理論上可經 Ollama 提供端點讓 Edor.ai 指向——但我們未作原生整合測試，硬件與授權責任全在校方。較穩的路線仍是平台已支援供應商，或 Apache 2.0 / MIT 授權、可在單機試跑的較小型號。

甚麼場景適合、甚麼場景不適合

可能適合： 資訊科技科講解稀疏注意力與 MoE；辦學團體在 legal + GPU 兩關都過後，離峰批量處理大量行政文本（用標價試算）；研究「長上下文 vs RAG」成本對照的學術探究（無學生個人資料）。

不適合： 未完成授權審核就寫入採購文件。以推廣價做三年撥款預算而未備標價方案。學生批改、對話含姓名與作品內容卻呼叫內地 API。單校無 GPU 叢集卻規劃自架 M3 全校上線。以為「開源權重」就等於 MIT——MiniMax 是自訂條款。

給學校的取捨

• 如果你要過校董會最快，就先選 Apache 2.0 或 MIT 標準授權的模型，把 MiniMax 留作技術參考而非預設供應商。
• 如果你看中長上下文成本，就先試校本知識庫 RAG，再決定是否值得為「整份文件塞進模型」付 token 帳。
• 如果你仍要評估 M3，就以標價 0.60 / 2.40 美元做預算、把 Hugging Face 授權交法律顧問，並在含學生資料前完成跨境私隱評估。