MiniMax M3実測、オープンソースで3要素を同時達成

中国のAI企業MiniMaxが公開したオープンソース大規模言語モデル「M3」が、実戦的なベンチマークで存在感を示している。総パラメータ数約4280億の同モデルをベースにしたAIセキュリティ特化エージェント「掃地僧（MopMonk）」が、サイバーセキュリティ分野の評価指標「CyberGym」で73.1%の成功率を記録。OpenAIのモデルに迫るスコアで中国勢トップに立った。

CyberGymはカリフォルニア大学バークレー校（UC Berkeley）が開発したベンチマークであり、Google OSS-Fuzzプロジェクトで蓄積された1507件の実在脆弱性をテストケースとして採用する。脱獄攻撃や情報漏洩対策といった実戦シナリオを評価する点で、業界内での信頼性は高い。

注目すべきは、競合であるGPTシリーズのパラメータ規模が10兆に達するのに対し、M3はその半分以下の規模で同等の性能を引き出している点だ。M3は、1M（約100万トークン）の超長コンテキスト、ネイティブマルチモーダル処理、最先端のコード生成という3要素を同時に第一線の水準で実現した初のオープンソースモデルとされる。単一指標での強みだけなら市場には複数のモデルが存在するが、この3条件を同時に満たすモデルはGPTやClaudeといったクローズドソースのフラッグシップに限られていた。

中国のテクノロジーメディア「钛媒体」による実測では、M3のマルチモーダル能力とコード実行能力が詳細に検証されている。以下、その内容を基にM3の実力を分析する。

マルチモーダル能力の検証

企業向けAIエージェントの実用化において、マルチモーダル処理能力は重要な要素である。エージェントが実際のビジネスフローに組み込まれる際、長いコンテキストの処理、画像や動画などのマルチモーダルコンテンツの理解、コードによる実作業の実行が求められる。M3は動画生成基盤モデルを持つMiniMaxの強みを活かし、視覚理解を言語モデルにネイティブ統合している点が特徴だ。

実測では2段階の動画理解タスクが設計された。第1段階では、ビリビリのテクノロジー系動画を入力として、300字以内の要約と核心結論、3つの論拠を秒単位のタイムスタンプ付きで出力するよう要求。重要なのは、字幕だけでなく画面に映るグラフやデータとの対応関係を理解する必要がある点だ。

M3は動画内容に沿った結論を生成しただけでなく、3つの重要な画面タイムポイントを正確に特定し、各論拠と動画のタイムスタンプを対応付けた。長尺動画をトレース可能な証拠の連鎖に分解する能力を示している。

第2段階では、英語のプログラミング教育動画を入力とし、完全な操作手順をStep 1からStep Nに分解、コア技術用語の翻訳、各ステップへのタイムスタンプ付与、最終的にチュートリアルとして利用可能な中国語ドキュメントの出力を要求。M3はデータ準備、目標定義、実装手法、比較分析、応用例、アンチパターン警告、まとめまで、各行に秒単位の時間範囲を付与した構造化ドキュメントを生成した。

コード生成と可視化能力

M3のマルチモーダル理解とコード生成の組み合わせは、より実用的な応用へと展開できる。実測では、動画分析結果を完全で実行可能な単一ファイルHTMLページに変換するタスクが実施された。要求仕様は、固定トップナビゲーションバー、ファーストビューの結論カード、論拠表示エリア、各論拠にスクリーンショットプレースホルダー画像、タイムスタンプのリンク、ダークモード対応、デスクトップとタブレットへのレスポンシブ対応と多岐にわたる。

出力されたHTMLは、タイトルエリア、結論カード、指標カード、タイムアンカーを備えたダークスタイルのページだった。指標カードには性能数値が表示され、「3つのタイムアンカーで動画現場に戻って証拠を確認」といったUI上の工夫も見られる。動画1本が、読み、クリックし、参照可能な情報ページに変換された形だ。

さらに難易度を上げ、同一動画から画面と字幕の定量テストデータ（性能、消費電力、フレームレートなど）を抽出し、構造化JSONとして出力させた上で、EChartsベースのインタラクティブデータダッシュボードを生成させるタスクも実施された。4つの核心指標概要カード、テストカテゴリのドロップダウンフィルター、棒グラフとトレンド比較グラフを含む要件に対し、M3はデータ抽出からフォーマット仕様、フロントエンド実装、インタラクションロジックまでを一貫して処理した。

業界への示唆

M3の登場は、オープンソースモデルとクローズドソースモデルの能力差が急速に縮小していることを示している。特に、マルチモーダル・長文脈・コード生成という3要素の同時達成は、エンタープライズ向けAIエージェントの実用化において重要なマイルストーンとなる可能性がある。

過去にはAIモデルの性能を巡る議論が、いわゆる「AIトークンパコリプス」のようなコスト問題や、「原始人語でコスト削減」といった非効率的な対応策が話題になることもあった。M3のように、パラメータ規模が小さくても高効率な推論を実現するモデルの登場は、こうしたコスト問題に対する現実的な解決策の一つと評価できる。

一方で、中国メディアの実測結果であり、第三者による検証が待たれる点も事実だ。また、評価に使用された動画が特定の言語や文化圏に偏っていないか、汎用性の確認も必要だろう。

GLM 5.2が示すAI推論利益の縮小の文脈でも指摘されている通り、AIモデルの性能競争は激化の一途をたどっている。M3のようなオープンソースモデルの台頭は、AI業界の収益構造そのものにも影響を与える可能性がある。

編集部の見解

短期的には、M3の性能はAIエージェントの導入障壁を下げる可能性がある。特に、クローズドソースのAPI依存から脱却したい企業にとって、オープンソースでマルチモーダルとコーディングを両立する選択肢の出現は朗報だ。ただし、実運用における安定性やレイテンシ、日本語を含む多言語対応の質については、さらなる検証が必要と見る。 長期的な視点では、オープンソースモデルの性能向上が、クローズドソース大手のビジネスモデルに与える影響は無視できない。M3のような「3要素同時達成」モデルが普及すれば、AIエージェントの適用範囲は現在のテキスト中心のユースケースから、動画・音声・画像を含むマルチモーダル業務へと拡大するだろう。これは AIエージェント初の自律ランサムウェア攻撃 が示唆した通り、エージェントの能力向上がセキュリティ上の新たなリスクも生むことを意味する。 編集部として問いたい。

参考

• 钛媒体「実測屠榜的MiniMax M3：打的是硅谷闭源巨頭的脸？」 — 2026-07-08公開