MiniMax M3凭借100万token上下文窗口，支持整份案卷（如82万token的起诉状、答辩状、证据目录及庭审笔录）一次性输入，通过纯文本预处理、缓存启用与结构化标注指令，实现争议焦点提取、隐性冲突识别及跨页时间轴生成，准确率高达91.7%。
☞☞☞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☜☜☜
你需要在法律实务中快速比对两份超长判决书、梳理跨数十页的案情脉络，并提取争议焦点与证据链断点——MiniMax M3的100万token上下文窗口，让整套法律文书一次性喂入模型成为现实，无需分段切片或信息丢失。
将完整案卷喂入M3进行端到端分析
第一步：把起诉状、答辩状、全部证据目录、三次庭审笔录（合计约82万token）合并为单个UTF-8编码的.txt文件，确保无乱码、无隐藏分节符；【必须用纯文本格式，Word或PDF直接上传会导致OCR噪声干扰语义解析】
第二步：调用M3 API时，在请求体中显式设置"max_tokens": 16384（输出上限），并启用cache_enabled: true——M3会自动缓存已解析的案卷结构，后续追问“请对比第3组证据与被告质证意见”时响应速度提升3.2倍。
第三步：发送指令：“逐页标注原文中所有时间戳、主体名称、金额数字，用【】标出；对每处【】后追加一行‘类型：X’，X从{时间/当事人/标的额/法律条款}四类中选填。”这一步强制模型建立结构化锚点，为后续逻辑链回溯打下基础。
识别法律文书中的隐性冲突点
方法一：用M3的原生多模态能力处理扫描件中的手写批注。上传带红笔圈阅的PDF原件，指令中明确要求：“仅分析第7页右下角手写‘此证据原件未出示’旁的指纹区域，判断该批注是否覆盖原始打印文字，并输出被覆盖字符的Unicode码位。”
方法二：输入指令：“列出所有原告主张的‘违约行为’，再逐条匹配被告答辩状中对应的‘否认理由’，若某条否认理由未引用任何证据编号（如‘证据12’‘附件三’），则标记为【逻辑悬空】。”这步能暴露答辩策略漏洞，M3在BrowseComp评测中对此类跨文档指代消解准确率达91.7%。
生成可交付的案情时间轴
① 向M3提交指令：“以‘2023-04-12 原告签署《技术服务协议》’为起点，严格按时间先后顺序提取全部具有法律意义的行为节点，每个节点必须含精确日期、行为主体、行为性质（签约/付款/发函/起诉等）、对应文书页码。”
② 收到初步时间轴后，立即追加指令：“检查第5节点‘2024-01-08 被告发送终止通知’与第7节点‘2024-01-15 原告回函’之间，是否存在原告在通知发出后、回函前实施的补救行为？若存在，补充该行为的时间、方式及所依据的合同第X条。”【M3的100万上下文保证这两个相隔47页的节点仍在同一推理窗口内，无需人工定位】
③ 将最终时间轴粘贴至Word，全选→开始→段落→设置行距为1.25，完成交付排版。
