实锤了！上下文贵了 4 倍，实测重构 Agent 技能，结果让我沉默了...

大家好！我是瓜哥。前互联网技术副总裁，现在带队死磕 AI 编程。

6 月 1 日，MiniMax 发布了最新模型 M3。 我本身是Miniamx 的订阅用户，本着新模型先探索的原则，去官网翻了下，最大的一个变化是：M3 终于带来了 100 万上下文与多模态能力的进化。

在我看来，100 万长上下文 不是什么值得吹嘘的卖点，不过是补齐了和其他头部模型在上下文的差距。

真正让我有点意外的是，Token Plan 的权益缩水了？

社群里老用户们喊着 '退款' 的真正原因是啥？

接下来，我会从新的计费标准和能力，两个维度给大家带来深度拆解。

先看 M3 的实测作品。

① SVG 赛博汽车

② Codex App 截图复刻

③ Skills 生成器重构

重构跑完，我沉默了...

内容很干，强烈建议先收藏再阅读！想了解更多 AI 编程实战技巧，点 '关注' 上车！

01 / 算明白这笔经济账

不少 Token Plan 的老用户吐槽的根源，在于 MiniMax 计费模式经历了一次剧烈的 变动。

具体如下：

① Token Plan 扣费逻辑

• M2.7,按调用次数限制，'次请求/5小时' 窗口，不计 Token 吞吐。

• M3，按 Token 实销积分制，扣减积分，大上下文面临极速缩水。

② API 输入单价（≤512k）

• M2.7,¥2.1 / 百万 tokens

• M3，¥4.2 / 百万 tokens

有个活动，7 天限时 5 折，折后输入单价 ¥2.1 / 百万 tokens。

③ API 输出单价（≤512k）

• M2.7,¥8.4 / 百万 tokens

• M3，16.8 / 百万 tokens

还是 7 天限时 5 折，折后输出单价 ¥8.4 / 百万 tokens。

简单说下结论：

• 计费方式从按次数改为了按 Token 消耗，促销期（7天）结束恢复原价

• 上下文小于 512K 输入/输出，涨价 2 倍

• 上下文大于 512K 输入/输出，涨价 4 倍

那么问题来了！

M3 的长上下文单价相比 M2.7 涨价 4 倍，它的价格增长与新的能力升级是否能匹配？

接下来，让我们一起进入 Coding 实战。

02 / 行不行？实战见真章

我用同为多模态大模型的谷歌的 Gemini 3.5 Flash 与 Minimax M3 来跑同一个项目，均只取一次结果。

看看 M3 的实战表现到底如何？

先更换为最新的 M3 模型。

启动 Claude Code

Case 02 - SVG 赛博跑车生成

我们先用一段极其复杂的 Synthwave/Outrun（合成器波风格） 前端 SVG 动画提示词，来考察 M3 的视觉代码生成极限。

Minimax M3 作品

Gemini 3.5 作品

#####

小结一下：

在这个测试里，M3 的表现很尴尬，不仅车的方向错了，动画视觉细节也明显输给 Gemini。继续往下吧

Case 02 - Codex 视觉界面跨模态还原

为了测试其跨模态的视觉翻译力，将 Codex App 界面截图作为输入，要求其用纯 HTML/Tailwind CSS + 内联 SVG 还原出一个极其逼真 的 UI 页面。

Prompt

基于我提供的 Codex App 页面截图，通过纯 HTML +CSS（ 用现代 Apple 极简主义美学、精致的三栏布局、流畅的微动效与 100% 纯手绘内联 SVG 1:1 像素 复刻一个高颜值的静态 UI 网页，以单文件 HTML的形式交付给我。

Codex App 原图

Minimax M3 作品

Gemini 3.5 作品

小结一下

这一次 M3 的表现还不错，由于都只是给到一张截图进行 UI 复刻，这充分的考察了模型对于图片的空间、组件关系及视觉层次的分析识别和代码对于UI的还原能力。

这一局，双方打个平手。

Case 03 - Skills Builder 代码重构

为了加大难度，我把之前为 Gemini CLI 搓的一个图形化界面的 Skills 技能生成器，丢给 M3，进行代码重构。

核心解决：从只适配 Gemini CLI，转为基于标准的Agent Skills 协议进行重构，适配主流 Agent（智能体）。

这是原本的设计。

我先把代码，从 Github 上拉到了本地，先 /init 初始化，了解下项目。

然后讨论重构方案并开始执行。

具体的执行细节我就跳过了，实测里出现了两个明显情况：

1. 运行时间很长，2个多小时

1. 任务结束后，又花了好几轮进行修复

最后不得不让 Codex 介入做兜底修复，总算是交付了一个能跑的产品。

核心重构的变化：

1. 入口简化为 AI 驱动 Skill 生成，对小白更友好；

1. 基于标准 Agent Skills 协议，支持主流 Agent 直接导入使用；

1. AI生成Skill 后，支持手动编辑，满足高阶用户；

1. 直接内置集成了最新的 Minimax M3 大模型；

1. 用户注册即可免费使用 10 次。

注册页

案例页

文档页

等我再完善下功能，一个图形化界面适配主流Agent 的 AI Skills 生成器就可以开源给大家了。

后期更新到 Github 仓库，有需要自取。

小结一下

M3 跑这几个项目的 token 消耗倒不算很夸张，但对一个并不是非常复杂的 Web 全栈项目的重构来说跟顶尖的 Claude Opus 4.8 和 GPT5.5 比较来说，还有明显的差距。

03 / 5 分钟上手清单

为了帮各位开发者合理避开 '账单刺客' 并完美体验 M3 的最强能力，我整理了份上手自救清单：

① 用量评估

订阅 Token Plan 之前，请仔细评估下你日常开发消耗。Plus 档每月 ¥49 约 6 亿+ tokens，Max 档 ¥119 约 18 亿+ tokens，根据需求和预算进行选择。

② 结合使用

在进行频繁迭代的调试阶段，优先使用 ¥2.1/百万单价的 M2.7 模型进行杂事处理，比如需求讨论、写文档、写测试脚本等。仅在最后需要强类型重构和复杂视觉渲染时，才切换到 M3 输出。

③ 合理分流

如果对 100 万上下文有多模态的强依赖，可以使用谷歌官方 AI Studio进行调试分流。免费层级虽然有请求等频率限制，但对于日常碎片化开发调试仍是不错的省钱选择。

04 / 写在最后

经过这三个项目的深度实测，我们回过头来回答这个终极命题：M3 的能力升级，到底对不对得住成本的上涨？

理性看待本次两个核心能力更新：

1. 支持100万的上下文，没什么可吹的，属于顶尖模型的标配

1. 多模态的支持，在图片识别上表现不错，值得更深入的使用

我的结论：继续在小龙虾/Hermes Agent 里调Minimax M3，真搓项目我还是会老老实实在回到 Codex/Claude Code 的怀抱里来。

So，你会在什么场景下拿 Minimax M3 当主力？

来源参考：

• Google AI 订阅完整对比: https://gemini.google/subscriptions/

• Google AI 定价: https://ai.google.dev/pricing

• MiniMax M3 主页: https://minimaxi.com/

• MiniMax Paygo 价格: https://platform.minimaxi.com/docs/guides/pricing-paygo

• GitHub 仓库(Skills生成器): https://github.com/zhaodl1983/gemini-skills-builder