動察 Beating のモニタリングによると、大規模モデルの長距離ソフトウェアエンジニアリングタスク解決能力の評価に特化したベンチマークプラットフォーム DeepSWE が最新のランキングを発表し、MiniMax のコーディングモデル MiniMax M3 を正式に公式評価に組み入れました。113 の実在するオープンソースタスクの評価において、MiniMax M3 は 20.4% の Pass@1 通過率を記録しました。この成績は月之暗面の Kimi-k2.6(23.9%)には及ばないものの、小米の mimo-v2.5-pro(19.5%)、智譜の GLM-5.1(17.5%)、Google Gemini 3.1 Pro(9.7%)、DeepSeek V4 Pro(7.5%)を上回ることに成功しました。
以前(6月2日)に独立開発者 @bleysg が発表した独立評価結果と比較すると、MiniMax M3 のパフォーマンスは顕著に向上しています。以前の独立実測では、90分の通常制限時間内での M3 の厳格な通過率はわずか 13.3%(15/113)であり、当時発表されたモデルの中では Kimi や GLM に劣っていました。今回の公式テストでの 20.4% という通過率の大幅な向上は、主に MiniMax が 6月3日に導入した重要な推論アップグレードによるものです。このアップグレードは、偶発的に発生する異常トークンの問題を修正し、長文コンテキストのキャッシュ効率を最適化したことで、長距離プログラミングにおけるコード精度が明らかに改善され、トップモデルとの差も縮まりました。注目すべきは、Pass@4(4回の試行を許可した場合の通過率)を見ると、MiniMax M3 は 48.7% に達し、Kimi-k2.6 と並び、GLM-5.1 の 38.9% を大きく上回っている点です。
しかしながら、高いリソースと計算コストは依然として MiniMax M3 の弱点です。公式ベンチマークテストでは、M3 が単一タスクを解決する際のエージェントステップ数の中央値は 311 ステップ、出力トークン数の中央値は 9.1 万、単一タスクあたりの平均コスト中央値は 5.04 ドルに達しました。これに対し、Kimi-k2.6 の単一タスク解決におけるステップ数の中央値はわずか 136.5 ステップ、コスト中央値は 2.70 ドル、小米 mimo-v2.5-pro のステップ数の中央値は 114.5 ステップ、コスト中央値はさらに低い 1.68 ドルでした。データは、M3 が問題解決の上限と通過率で優れたパフォーマンスを示す一方、計算効率と推論コストの最適化においては、国内の他の主要モデルと比較して依然として大きな改善の余地があることを示しています。