MiniMax 前9期观察
保留最初的同阶段统计与案例,后续见第14回合停局报告。
本文保留最初0—8期窗口的统计;后续已扩展到完整0—13期,现行评价以规划兑现、反省后的改变和目标保持为核心,见行为评分、停局报告与v0.3榜单。
2026-10-20。本篇是两次实际运行的描述性比较;野榜评分与暂定排名另列,事实统计与主观评分分开。没有新增模型调用或改变游戏进程、存档。
结论:用户感受到的落差有可核实的行为依据。最明显的是决策效率、事实/时序一致性以及君主与议会之间的修正循环,而不是所有经济指标都落后。MiniMax 的代码能力与此处的长局表现可以同时成立。
比较口径与限制
接入来源由对局提供者说明并授权公开:MiniMax来自MCode,DeepSeek来自OpenCode,Qwen来自Qoder;另列的Gemini历史参考来自反重力(Antigravity),见来源表。接入层与后端修订号没有被独立控制,不能默认等同官方直连API。
MiniMax实验:八国均 MiniMax M3.1 Flash high,24×24、种子20261020;保存边界第9期。对照实验:秦魏燕周为 DeepSeek V4.1 Flash high,韩赵齐楚为 Qwen3.8 Flash high,种子20261018;当前保存边界第69期。只比较双方已经完整结算的第0—8期,以第9期开局作结果截面,绝不拿69期的国力压9期新局。
对照前9期使用该局最初分支的日志与第18期存档,而非当前20期回退分支截去的开局。对照第7期有一次未完成周期的中断/重做;耗时和模型批次数取各国最终完成的那次行动块,排除已废弃尝试。工具动作及未成功回执以保存下来的宿主审计为准,不直接数日志行。MiniMax 原始日志与审计条数也不完全相同,因此两种计数没有混用。调用数是君主侧批次数,不含议会的独立模型请求;行动耗时则包含议会审核等待。
两局不是控制实验:地图资源不同、八个同模型自博弈对上四D四Q混合生态、议会也随君主采用对应模型,提示、版本及承伤/回血规则不同。对照0—8期为 experimental0.12.0/army2.8.1,MiniMax为experimental0.14.0/army2.10.0。对照还加载了 native:handbooks1.3.1-experimental 的早期开局策略讲义,MiniMax运行时已经移除这份讲义;首期上下文显示 system 约4.7k对3.2k。双方当前存档虽均记为0.14.0,不能据此把对照早期误当成同版运行。前9期MiniMax窗口700k,DeepSeek当时也是700k(后来的200k恢复分支不用于本次开局比较),Qwen约262k。high只是双方配置档位相同,并不意味着跨模型推理预算相等。
客观结果:更多时间,没有同量级的产出增加
| 第0—8期 / 第9期开局 | MiniMax八国 | 4D4Q对照 |
|---|---|---|
| 已完成国别行动 | 72 | 72 |
| 君主模型调用批次 | 497 | 303 |
| 国别行动总耗时,含议会 | 26,623秒 / 7.40小时 | 6,842.5秒 / 1.90小时 |
| 每国每期平均耗时 | 369.8秒 | 95.0秒 |
| 每国每期中位耗时 | 154.6秒 | 84.7秒 |
| 每国每期P90耗时(nearest-rank) | 1,303.3秒 | 170.4秒 |
| 宿主审计动作 | 1,265 | 640 |
| 查询 / 规则 / 记忆检索动作 | 498 | 149 |
| 未成功回执,含议会否决 | 84 / 6.64% | 21 / 3.28% |
| 国策提交,含首版及同轮重复 | 39 | 9 |
| 实际触发国策修订审核 / 否决 | 24 / 11 | 1 / 0 |
| 第8期GDP合计 | 405.98 | 405.48 |
| 第8期直接金币生产合计 | 105 | 88 |
| 第9期开局国土 / 现存军队 | 51格 / 16支 | 52格 / 25支 |
| 第9期开局现金合计 | -47 | 884 |
| 第8期净资产合计 | 21,648.15 | 23,516.78 |
| 第8期未清债务合计 | 749 | 957 |
| 同国同资源同回合买卖的组数 / 期末累计空转指标合计 | 14 / 61.23金 | 3 / 8.375金 |
GDP是当期价名义量,交易价格内生;跨局不是固定价生产数量比较。军队支数没有校正步兵与民兵、HP及位置。现金低、借债、暂缓扩军本身不算失误,必须结合后续现金流与实际可行动能力。未成功回执中包含合法提出但未获议会批准的国策,不能把84次全部叫作非法工具调用;其中11次是审核否决,7次是同一期重复提交国策。
MiniMax耗时约为3.89倍,但总GDP只差约0.12%,国土几乎相同;直接金币生产反而高19.3%。因此不能写成“经济全面崩溃”,也不能说新模型没有有效经营。落差更接近:为了相近的早期结果,付出了更高推理与交互成本,并形成更薄的流动性缓冲与更多执行摩擦。
落差集中在哪里
以下每格依次为 MiniMax / 同位置对照,D=DeepSeek、Q=Qwen;仅作位置对照,资源种子差异仍然存在。
| 国家 | 对照模型 | 调用批次 | 总分钟 | 未成功回执 | 第8期GDP |
|---|---|---|---|---|---|
| 秦 | D | 32 / 29 | 24.1 / 13.1 | 7 / 1 | 51.0 / 49.8 |
| 魏 | D | 166 / 32 | 201.8 / 13.5 | 40 / 2 | 46.7 / 60.9 |
| 韩 | Q | 96 / 39 | 115.1 / 10.5 | 18 / 5 | 51.7 / 50.2 |
| 赵 | Q | 38 / 68 | 22.1 / 21.6 | 2 / 9 | 55.0 / 39.3 |
| 燕 | D | 50 / 28 | 31.0 / 11.1 | 5 / 1 | 49.6 / 54.3 |
| 齐 | Q | 50 / 47 | 18.6 / 19.4 | 4 / 1 | 56.0 / 57.7 |
| 楚 | Q | 35 / 31 | 16.3 / 10.5 | 4 / 2 | 45.0 / 46.1 |
| 周 | D | 30 / 29 | 14.8 / 14.4 | 4 / 0 | 51.0 / 47.0 |
魏与韩占MiniMax国别总耗时约71.4%。魏第7期用2026.6秒(33.8分钟),第6期1933.8秒;韩第4期1814秒。魏在第6、7、8期连续被否决,宿主generation从0变为1,触发一次君主更替。不能因此推成每个MiniMax席位都差:齐的同期总耗时甚至略低于Qwen对照,赵的错误回执更少,第8期GDP更高;MiniMax燕的国土也更多。
各国各期的计时及调用批次见行动块摘录,聚合与选定审计回执见evidence.json。原始文件标识见来源清单。
具体行为,比“想得多不多”更能说明问题
- 魏第6期反复重新买回刚卖出的粮。保存审计记录为:先卖15,再买20,再卖10,再买10,随后连卖5、5、5。各笔间没有生产结算。最终买30、卖40,既重复承受价差,也与上一版“不再同回合既买又卖”的承诺相冲突。这不是地图种子差异能解释的错误;对照也有空转,但同期只有3组,MiniMax有14组。
- 魏第4期先把#2、#3移动,再分别将已移动者与新兵编进进攻批次,两批均因行动额度/新兵不能行动而整批未执行。不是不会组织兵力,而是没把“知道规则”落实成逐支军队的行动账本。审计762—766可复核,见evidence.json。
- 魏第8期在负现金下卖掉补给,两个4.5HP伤兵陷入断供风险;申请称臣又因外交手续费付不起而失败,最终遣散两支伤兵。不能按议会原话说“最终已经断粮战死”:审计1201明确是遣散。这里的实质问题是多个局部补救共同耗尽了之后的选项,而不是单笔借款本身错误。
- 韩反复把现金、木料、资源落点、夺地日期和建造日期写入长国策;纸面时序一度出现“尚未占领就开工”和收支算术不自洽。第9期最终给出的长计划已经修正为先占后建、考虑补给,显示它具备纠错能力;但这份改进是经过多轮高成本反复才得到的。关键评价应是多次修订有没有稳定保住此前已核准的事实,而不是文章有多少条。
- 同一模型的审查并非独立真值。魏第6期的议会将每笔交易回执的累计churn指标 2.5、3.6、5.3333、6、5.7143、5.5再次相加,称亏28.64金;
Market.churn返回的是截至当前的累计重叠指标,最终本国本资源应取最后一条5.5,不可再加总。君主随后在解释中接受并复述了28.6的错误数字。也就是说,“严厉自我批评”在这里产生了新的伪事实,而不只是检查错误。证据见两段逐字摘录,累计口径见市场实现。
议会仍纠正了很多真实问题,不能因一处误判把所有否决作废。反过来也不能用“议会说错了”就不查引擎。同源的君主与审查方更适合当作一个被评估的代理系统,不能算两个互相独立的裁判。
单轮长、思考久:能确认什么
保存时君主侧累计输出计数约283.7万,思考估算约282.0万;议会另有约49.4万思考估算。思考计数来自本地文本token估算,输出计数来自上游用量,口径不同,不能相减求正文长度,也不能用二者相除声称“99%算力都在思考”。代码在 clients/provider.py 中明确将这一路思考标为 reason_estimated。
君主模型调用累计wall为22725.0秒,其中首块等待约1006.7秒,流式阶段约21470.2秒,占wall约94.5%;议会另耗3901.4秒。流式时间还可能包含chunk间停顿,不等同于纯GPU解码时间。但结合极长输出和反复调用,证据不支持把大多数时间简单归给“网关排队”,也不支持“每次调用只是网络慢”的解释。这里同时有每次输出长、调用次数多、审核往返多三种成本。
如何解释“代码很好,但游戏有落差”——以下均为假说
- 代码修复通常有明确交付物、可反复撤销的编辑、编译器/测试作外部裁决。游戏要求把现金、库存、行动额度、异步结算、盟约义务和跨期承诺持续绑在一起,错误常在不可逆动作后才暴露。两种任务依赖重叠但不相同的能力组合。
- 当前最像的短板是状态与时序一致性:会逐项算,但跨数次调用后把旧值、未来动作和已完成动作混合。长思考不能自动替代稳定的状态维护。
- 长篇国策和自我审查可能形成反馈放大:计划越长,数字和承诺越多;修正文档时引入新断言;审查再抓住新矛盾,推动下一轮重写。魏/韩的时间集中与多轮审核和这个假说相容,但不足以证明训练时优化目标是什么。
- 代码/工具流程的领域特化、对特定提示结构依赖、同模型审查交互、稀有坏轨迹与随机波动,都可能贡献落差。目前没有证据把原因唯一归结为训练过拟合、基准污染、参数规模或某种注意力结构。
更严谨的表述是:本次MiniMax high在这一环境中体现出能力迁移和闭环稳定性的落差;尚不能从这两局推导整体能力低于DeepSeek/Qwen,更不能证明代码能力是假的。
对“上位DeepSeek”的回应:先看厂商自己的表
公开宣传应接受公开检验。本文回应的是“MiniMax可以全面替代、上位DeepSeek”的能力判断;不需要先证明厂商训练方法存在问题,才有资格报告实际使用中的失败。反过来,批评也必须对自己的证据负责。
对局提供者表示,“斩杀DeepSeek”的说法来自MiniMax自身宣传。本文尚未保存能核验这一措辞的官方原帖,因此不把这几个字作为已经核实的官方逐字引语,也不将发布页“模型能力全面提升”直接解释成“全面超过DeepSeek”。下表只回应可以核验的官方比较数据。
| 官方比较项目 | MiniMax M3.1 Flash | DeepSeek V4.1 Flash 1017 | DeepSeek V4.1 Flash(原版) |
|---|---|---|---|
| Automation-Bench v1.0.6 | 62.8 | 60.5 | 54.8 |
| Terminal-Bench 4.0 | 38.1 | 42.3 | 31.2 |
| DeepSWE v1.1 | 73.7 | 77.0 | 74.2 |
| NL2Repo | 61.2 | 68.2 | 65.4 |
数据为厂商自报,节录自官方发布页及其原始对比表,核对日期2026-10-20;这里只选取四个有共同数据的项目,不是对整张表的胜率统计。MiniMax确有领先项目,但在这几个代码相关项目中也有落后,甚至并非全部超过原版DeepSeek。“存在领先”和“全面上位”是两种不同主张,后者得不到这张表支持。 本局接入的DeepSeek具体后端版本未独立验证,不能把1017列当成本局模型的精确基准成绩。
游戏观察进一步说明:即使编码任务中表现出色,也不能直接保证陌生规则下的长期经营、状态维护和自我纠错同样可靠。这些实际失败值得公开,厂商的榜单也不能使它们失效;但本局仍不足以估计MiniMax在整个任务分布上胜过DeepSeek的概率。
因此,“智能不是一个均匀标量”是合理的工作假设;“MiniMax只会代码”“已经证实过拟合”“一个榜单胜出就应在陌生长期博弈里全面胜出”都超出了当前证据。
下一步若要区分模型与环境因素,最省资源的是给三者同一份冻结的国别状态、相同规则和历史,要求输出下一期可执行动作与结算前现金/库存预测,再离线核对;分别固定审查方或不触发新国策审核。这样的单步诊断仍替代不了多种子、多席位互换的长期对局,但比继续增加这两局的无控制总回合数,更容易定位迁移短板。本次未执行额外付费测试。