Theo giám sát của Beating, nền tảng chuẩn mực DeepSWE chuyên đánh giá khả năng của các mô hình lớn trong việc giải quyết các tác vụ kỹ thuật phần mềm đường dài đã công bố bản cập nhật bảng xếp hạng mới nhất, chính thức đưa mô hình mã hóa MiniMax M3 của MiniMax vào đánh giá chính thức. Trong đánh giá trên 113 tác vụ mã nguồn mở thực tế, MiniMax M3 đạt tỷ lệ Pass@1 là 20,4%. Mặc dù kết quả này vẫn thấp hơn so với Kimi-k2.6 (23,9%) của Moonshot AI, nhưng đã vượt qua thành công mimo-v2.5-pro (19,5%) của Xiaomi, GLM-5.1 (17,5%) của Zhipu AI, cũng như Gemini 3.1 Pro (9,7%) của Google và DeepSeek V4 Pro (7,5%).
So với kết quả đánh giá độc lập do nhà phát triển @bleysg công bố trước đó (ngày 2 tháng 6), hiệu suất của MiniMax M3 đã có sự cải thiện đáng kể. Trong bài kiểm tra độc lập trước đó, với thời gian giới hạn thông thường là 90 phút, tỷ lệ vượt qua nghiêm ngặt của M3 chỉ đạt 13,3% (15/113), xếp sau Kimi và GLM trong số các mô hình được công bố. Tỷ lệ vượt qua 20,4% trong bài kiểm tra chính thức lần này được cải thiện rõ rệt, chủ yếu nhờ vào bản nâng cấp suy luận quan trọng mà MiniMax triển khai vào ngày 3 tháng 6. Bản nâng cấp này đã khắc phục vấn đề tạo Token bất thường ngẫu nhiên và tối ưu hóa hiệu suất bộ nhớ đệm ngữ cảnh dài, giúp độ chính xác mã của mô hình trong lập trình đường dài được cải thiện rõ rệt, đồng thời thu hẹp khoảng cách với các mô hình hàng đầu. Đáng chú ý, nếu xét Pass@4 (tỷ lệ vượt qua khi cho phép thử 4 lần), MiniMax M3 đạt 48,7%, ngang bằng với Kimi-k2.6 và cao hơn đáng kể so với GLM-5.1 (38,9%).
Tuy nhiên, chi phí tài nguyên và tính toán cao vẫn là điểm yếu của MiniMax M3. Trong bài kiểm tra chuẩn chính thức, số bước agent trung bình để giải quyết một tác vụ của M3 lên tới 311 bước, số Token đầu ra trung bình là 91.000, và chi phí trung bình cho mỗi tác vụ là 5,04 USD. So với đó, số bước trung bình của Kimi-k2.6 để giải quyết một tác vụ chỉ là 136,5 bước, chi phí trung bình là 2,70 USD; trong khi số bước trung bình của Xiaomi mimo-v2.5-pro chỉ là 114,5 bước, chi phí trung bình thậm chí thấp hơn ở mức 1,68 USD. Dữ liệu cho thấy, mặc dù M3 có hiệu suất tốt về giới hạn giải quyết vấn đề và tỷ lệ vượt qua, nhưng về hiệu quả tính toán và tối ưu hóa chi phí suy luận, vẫn còn nhiều dư địa cải thiện so với các mô hình chính thống khác trong nước.
