MiniMax M3是全球首个融合超长上下文、多模态与编码能力的开源模型。本文实测其金融分析场景：准确识别苹果K线图关键点位，提取财报核心数字并验证营收同比，一次生成可视化HTML看板，对比Gemini和DeepSeek在细节严谨性与代码审美上更胜一筹。适合开发者与金融从业者，支持私有部署。
Tags:
上周，MiniMax 正式发布了新一代旗舰模型 M3，在 AI 圈子里引发不少讨论。
这次 M3 升级亮点，同时支持超长上下文、前沿编码能力和原生多模态。
在过去两年，大家几乎都觉得开源模型想与顶级闭源模型一比，必须同时具备这三项能力。
如今 M3 做到了，也是全球首个将这三大能力合在一块的开源模型。
然后就是，为了适配 M3，MinMax 还发布 MiniMax Code，体验和 CodeX 类似。
今天抽空体验一下，同时实测看看 M3 模型的 多模态、Coding 等能力。
这次实测会把 M3 当成一名金融分析师，帮忙完成看 K 线图、读财报、做可视化图表总结。
前几天，苹果全球开发者大会 WWDC 刚结束，股价出现点波动，正好让 M3 来分析下。
读 K 线图
首先来看下 M3 的多模态能力，准备了一张苹果近半年的日 K 线图。
打开 MiniMax Code，让它仔细观察 K 线图上的所有信息，并说说近期趋势、波动幅度、最高最低价格等。
可以上下滚动的图片
M3 很快就输出结果，可能是着急了点，输出的 Markdown 内容工具都忘记渲染了。
但 M3 识别到的信息全部准确，最高点 317.4、最低点 242.97、还有各项指标的具体数值。
甚至是真的读懂了 K 线图里柱子的涨跌幅，点出 5 月初一根红色大阳线拔地而起，突破压力线。
同样的 Prompt 和 K 线图，也发给了多模态识别当中标杆 Gemini 3.1 Pro 模型，做了下对比。
说实话，两者的数值识别准确度都丝毫不差，但论看图的细致，M3 略胜半筹。
M3 读出的信息更多、画面感更强，就如一根关键的大阳线都能观察到，这个的确惊艳。
可以上下滚动的图片
啃财报
准备上难度了，继续测试一下 M3 模型对 长文档检索 和 多步推理能力。
丢给它一份苹果最新季度财报的 PDF，有几十页内容，也可以测试 M3 超长上下文表现如何。
要求它要提取核心财务数字并标明出处，计算核心数据、以及拆解各业务线营收占比。
可以上下滚动的图片
M3 的表现有点出乎意料，提取出来的数字和页数，大部分我都去核对了一下都是正确的。
在计算营收同比时，它给出的是 16.6%，而财报里写的是 17%，表现得挺严谨的。
甚至还自己做一次验证，把各产品线营收加总，去跟总营收对上账，确认没有遗漏。
这种不硬凑、不糊弄、严谨的表现，这时候感觉 M3 确实是一位不错的专业分析师。
同一份财报同样 Prompt，这次选择发给擅长金融分析方面的 DeepSeek V4 Pro 对比看看。
可以上下滚动的图片
第一眼感受，DeepSeek 输出的内容排版比 M3 要直观简洁的多，而且还有 LaTeX 公式。
内容排版 M3 略输一筹，这也可能是 MiniMax Code 对输出的内容渲染还不是很完善。
另外 DeepSeek 在分析财报提取、计算、同比、占比这些数字也是正确的。
但发现了严重的错误，它把财报里一笔欧盟罚款的币种，从「欧元」认为是「英镑」。
数字金额没错，但对币种符号它搞错了，这在金融场景里属于非常严重的犯错。
这次 M3 与 DeepSeek 的对比，在读文档推算数值这块实力相当，但论严谨和细节 M3 要更好一些。
做可视化分析看板
然后继续，看下 M3 这次的 Coding 能力，据说比上一代模型有了很大的提升。
为了与 DeepSeek 对比，我先让 M3 把前面分析 K 线图和财报得到的信息，做一次整理。
拿到这份总结后，分别在 M3 和 DeepSeek 上新开一个对话，做一个单页 HTML 分析看板。
要求放上关键指标卡片、各业务线营收占比的图表、近期走势，以及风险点等信息。
下面分别是 M3 和 DeepSeek 出来的页面效果图，两者均是一次生成。
这次对比很明显 M3 做出来页面要比 DeepSeek 好很多，连 K 线图都给画了出来。
而 DeepSeek 页面上的营收占比位置，还出现了文字重叠，页面上的信息点也不够简洁直观。
同样一次直出，两者数据虽没错，但 M3 的代码编写能力，还有 UI 审美更胜一筹。
下判断
最后让 M3 对这次苹果的股票分析做一次系统性的总结，作为这次实测收尾。
可以上下滚动的图片
从输出的结果来看，它没有直接抛出是涨还是跌，而是把所看到的 K 线图和财报结合一起。
客观地分别列出看多的理由、看空的风险，以及几处还要继续盯的不确定性。
还指出财报里有一项资产数据变动偏大，但原文没解释，也如实标明存疑。
没有强行下定论，不替我们拍板、只把判断依据说清楚，反而让我觉得 M3 更加靠谱。
需要说明下，上面分析得到的结论，仅供参考，不构成任何投资建议，大家可以自我评估。
写在最后
以上就是今天的 M3 体验，顺便与Gemini 3.1 Pro、DeepSeek-V4-Pro 模型实测对比了下。
整体来看，M3 这次升级把强大的编码能力、超长上下文和原生多模态能力整合在一起后，可以用它来完成很多工作场景。
就比如这次的分析场景，直接用 M3 就能完成一整个分析链路，无需切换到不同模型、不同工具来接力完成。
无论是对开发者，还是金融从业者来说，这种「全流程跑通」的能力，都要比单项跑分更有价值。
过去想跑通这样一整条链路，基本只能依赖闭源商用模型，数据也得交出去。
如今有一个能自己掌控、私有部署的开源模型选择，对看重数据隐私的应用场景就有解法了。
今天的分享到此结束，感谢大家抽空阅读，我们下期再见，Respect！
没有评论:
发表评论