MiniMax(M3 / M2.7):用稀疏注意力把長上下文做便宜的一家,以及學校要注意的授權問題

一句話答案:MiniMax 走的是「用稀疏注意力把長上下文做到很便宜」這條路,工程思路清晰、價格也真的低;但它的權重用自訂授權、API 在中國內地,對香港學校而言是要先過法律與私隱兩關,才談得上技術評估。

這是甚麼

MiniMax(稀宇科技)是上海的模型團隊,產品線橫跨語言、語音、音樂與影片模型。在語言模型這條線上,它的定位一直很一致:不追求最大,而是追求「同樣的長上下文,更低的成本」。

這個定位由早期的 MiniMax-Text-01 就開始,當時以線性注意力的變體挑戰超長上下文,對後來各家的長上下文設計有影響;到 2026 年的 M3,則換成自家的 MSA 稀疏注意力。對學校而言,不需要理解演算法細節,只需要知道結論:同樣是 100 萬 token 的上下文,MiniMax 的每 token 成本比多數同級模型低。

現行陣容

• MiniMax M3(約 2026 年 6 月):約 4,280 億總參數、每 token 啟動約 230 億,採 MSA 稀疏注意力,100 萬 token 上下文。推廣價每 100 萬 token 輸入 0.30 美元、輸出 1.20 美元,標價為 0.60 / 2.40 美元。權重可在 Hugging Face 下載,採 MiniMax 自訂授權。
• MiniMax M2.7(2026 年 4 月 12 日開源):把「代理導向 + 低成本」定位確立下來的版本,至今仍常見於各類部署。
• MiniMax-Text-01(2025 年 1 月):以線性注意力變體挑戰超長上下文的早期嘗試,在技術史上有其位置。

完整的版本與價格對照,見本頁下方自動生成的系列表。

優點

1. 長上下文的單位成本低。 這是 MiniMax 最實在的賣點。若工作流需要反覆讀大批文件(例如整理全級課業或大量會議紀錄),成本差距在帳單上會非常明顯。
2. 稀疏注意力是真正的工程貢獻。 把 100 萬 token 由「做得到但很貴」推向「做得到而且用得起」,是 2026 年長上下文普及的其中一個原因,值得給予技術上的肯定。
3. 權重公開可下載。 有能力自架的機構可以完全控制資料流向,不必依賴雲端 API——前提是授權條文允許,以及硬件負擔得起。
4. MoE 架構讓推論效率不俗。 每 token 只啟動約 230 億參數,推論速度與延遲表現比同等總參數的密集模型好,對互動式使用有實際分別。

缺點與局限

• 授權是自訂條款。 不是 MIT,也不是 Apache 2.0,條文需要逐項閱讀。學校或辦學團體若要用於校本系統,應先取得法律意見,不能以「開源」二字帶過。
• API 位於中國內地。 直接呼叫即屬跨境資料傳輸,涉及師生個人資料時必須先完成《個人資料(私隱)條例》下的評估。
• 推廣價不等於長期價。 0.30 / 1.20 美元是推廣價,標價是它的兩倍。學校做多年預算時應以標價為基準,把推廣價當成額外的緩衝。
• 自架門檻仍高。 4,280 億總參數要全部載入記憶體,所需硬件遠超一般學校機房;能受惠於這個模型的,主要是有 GPU 叢集的機構。
• 教育場景資料稀少。 沒有針對香港課程的提示範本、教學案例或教師社群,IT 主任要自行摸索,培訓與支援成本比主流供應商高。

香港學校可以怎樣看待它

最務實的態度是:把 MiniMax 當成理解「長上下文為何變便宜」的教材,而不是採購清單上的候選項。

如果學校仍想評估,建議按這個次序處理。第一關是授權:把 Hugging Face 上的授權條文交給辦學團體的法律顧問,確認商用、再散布與標示要求是否與校本用途相容。第二關是資料落地:若計劃呼叫官方 API,就要老實完成跨境傳輸評估,並向家長說明學生資料的處理方式;若計劃自架,這一關可以省掉,但要換成硬件與維運的現實評估。第三關才是模型本身的教育適用性——中文表現、繁體用語、內容政策邊界,都應該用學校自己的題目測試,而不是看跑分。

順帶一提,「便宜」在學校情境往往被高估。以 Edor.ai 的定價模式為例,學校付的是固定年費、AI 用量已包含在內,沒有 token 帳單;在這種模式下,供應商的每 token 價格並不是學校的直接開支,反而是資料處理地點與安全守門更值得關注。

在 Edor.ai 的可用性

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,管理員在後台不會看到這個選項。未接入的原因就是上文兩項:自訂授權條款需要逐項法律核對,以及官方 API 位於中國內地屬跨境傳輸。

我們與 MiniMax 沒有任何合作關係,本頁純粹是把可核實的資料整理出來,方便學校自行判斷。

替代方案

• 想要可在單機運行、資料完全留校的開源模型 → 看 Alibaba Qwen 的 270 億參數級別。
• 想要寬鬆而標準的授權 → 看 騰訊混元 的 Apache 2.0 權重,或 智譜 GLM 的 MIT 授權版本。
• 想比較中國各家模型的價格、授權與可用性 → 讀 DeepSeek、Kimi、Qwen 與 GLM 的比較。
• 想先了解長上下文與 RAG 的分別 → 由 LLM 教室 的相關課節開始。