MiniMax-M1：MiniMax开源的大规模混合架构推理模型

MiniMax-M1是什么？

MiniMax-M1 是MiniMax（稀宇科技）推出的全球首个开源大规模混合架构推理模型，具备卓越的长上下文处理能力和高效的推理性能。其支持高达100万上下文输入和8万Token输出，采用闪电注意力机制，显著提升算力效率。同时，该模型在软件工程、长上下文理解等复杂场景中表现优异，性价比极高，且提供免费不限量使用和低价格API服务。

MiniMax-M1的技术优势

1. 大规模上下文输入与推理输出
   • 支持高达100万上下文的输入，与 Google Gemini 2.5 Pro 相当，是 DeepSeek R1 的8倍。
   • 提供业内最长的8万Token的推理输出。
   • 这主要得益于其独创的闪电注意力机制为主的混合架构，在处理长上下文输入和深度推理时表现出显著的高效性。例如，在8万Token深度推理时，仅需使用 DeepSeek R1 约30%的算力。
2. 高效的强化学习算法
   • 提出了更快的强化学习算法 CISPO，通过裁剪重要性采样权重（而非传统 token 更新）提升强化学习效率。
   • 在 AIME 实验中，该算法的收敛性能比字节近期提出的 DAPO 等强化学习算法快一倍，显著优于 DeepSeek 早期使用的 GRPO。
   • 整个强化学习阶段仅用512块 H800 三周时间，租赁成本仅53.74万美金，比预期少了一个数量级。

MiniMax-M1的性能表现

1. 软件工程场景：MiniMax-M1-40k 和 MiniMax-M1-80k 在 SWE-bench 验证基准上分别取得55.6%和56.0%的成绩，略逊于 DeepSeek-R1-0528 的57.6%，但显著超越其他开源权重模型。
2. 长上下文理解任务：依托百万级上下文窗口，M1 系列在长上下文理解任务中表现卓越，全面超越所有开源权重模型，甚至超越 OpenAI o3 和 Claude 4 Opus，全球排名第二，仅以微弱差距落后于 Gemini 2.5 Pro。
3. 代理工具使用场景
   • MiniMax-M1-40k 在 TAU-bench 中领跑所有开源权重模型，并战胜 Gemini-2.5 Pro。
   • MiniMax-M1-80k 在大多数基准测试中始终优于 MiniMax-M1-40k，验证了扩展测试时计算资源的有效性。

如何使用MiniMax-M1？

1、普通用户

MiniMax-M1已经在MiniMax Web 和 APP 上都保持不限量免费使用。

2、企业和开发者

MiniMax开发者平台提供业内最低价格的 API 服务：

• 0-32k 输入长度：输入0.8元/百万 token，输出8元/百万 token。
• 32k-128k 输入长度：输入1.2元/百万 token，输出16元/百万 token。
• 128k-1M 输入长度：输入2.4元/百万 token，输出24元/百万 token。

前两种模式性价比高于 DeepSeek-R1，后一种模式 DeepSeek 模型不支持。

3、开源与部署

• 在线体验：https://chat.minimax.io/
• Hugging Face：https://huggingface.co/MiniMaxAI
• GitHub：https://github.com/MiniMax-AI/MiniMax-M1
• 技术报告：https://arxiv.org/abs/2506.13585

©版权声明：如无特殊说明，本站所有内容均为AIHub.cn原创发布和所有。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。否则，我站将依法保留追究相关法律责任的权利。