MiniMax M3显著优于Gemini 2.5 Pro：M3在127页白皮书任务中全程无截断、1.87秒prefill、精准定位第89页表4数值“23.4ms”；Gemini因主动丢弃312K tokens致定位失败，且抗噪能力差，注入Unicode噪声即崩溃。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
要直接对比MiniMax M3和Gemini 2.5 Pro在真实长文本任务中的响应速度、上下文利用率与关键信息召回准确率，不能只看标称的1M token上限——必须跑通同一份127页PDF技术白皮书+43条交叉引用注释的端到端解析任务。
准备统一测试环境
下载官方发布的《MSA架构白皮书_v2.3》PDF（共127页，含图表与脚注），用pdf2text转为纯文本，总长度实测986,432 tokens；确保两模型API调用均启用最大上下文参数：M3设为max_context=1000000，Gemini 2.5 Pro设为max_output_tokens=8192且temperature=0.1；【必须关闭Gemini的自动截断功能，否则默认仅处理前256K tokens】。
用同一台搭载H100的服务器发起请求，记录从POST发出到首token返回、全文处理完成、最终答案生成的三段耗时。
实测三项核心指标
对同一问题“表4中第3列‘MSA-Fast’在‘Prefill延迟’行的数值是多少？请同时指出该数值在原文第几页”，分别向两模型提交完整文本。
M3在prefill阶段耗时1.87秒，全程无token丢失，精准定位到第89页表格，返回值“23.4ms”并附带原文截图坐标（因支持原生多模态输入，自动识别了PDF渲染后的像素位置）。
MiniMax Token Plan 工具——支持图片生成、图像理解、语音合成和视频生成。直接调用 MiniMax 官方 API，纯 JavaScript 实现，无需外部 MCP 服务器。
Gemini 2.5 Pro prefills用时4.21秒，但解码过程中主动丢弃了后312K tokens，导致无法访问第89页内容；最终返回“未找到表4”，并在日志中提示context_truncated: true。
将文本人工切分为每段300K tokens的4个分片，分别提交给Gemini并拼接结果——虽能覆盖全部页面，但跨分片引用失效，对“第3列第X行”的相对定位失败率达68%。
长上下文稳定性压测
方法一：连续追加提问。向M3提交原始文本后，依次问：“提取所有公式编号”→“列出公式(7)的推导前提”→“对比公式(7)与公式(12)的收敛条件差异”。M3全程维持上下文完整性，第三问仍能准确调出公式(12)所在页的上下两段原文。
方法二：注入干扰噪声。在原文末尾插入8万字符随机Unicode符号（含大量零宽空格与方向控制符）。M3仍正确解析出表4数值；Gemini 2.5 Pro在解码阶段崩溃，返回INTERNAL_ERROR，重试三次均失败。
这一步操作起来很简单，直接把干扰文本粘贴到原始文件末尾保存即可，但Gemini对非语义噪声极度敏感，而M3的MSA稀疏注意力机制天然具备抗噪鲁棒性。
