![]()
大模型全面迈入“长上下文、低成本、高推理”阶段。
MiniMax 正式开源其首个推理模型 M1，原生支持百万级上下文长度，在推理效率、计算成本和复杂任务能力上展现出与 DeepSeek R1、Qwen3-235B 等模型不同的技术路径与性能表现。
出品丨AI 科技大本营（ID：rgznai100）
国内 AI 六小虎之一的 MiniMax 在其官方 X 平台宣布，正式开源其最新研发的大语言模型 MiniMax-M1。此举作为其“MiniMaxWeek”系列发布活动的首日亮点。
MiniMax-M1 被称为是全球首个开放权重的大规模混合注意力推理模型。凭借混合门控专家架构（Mixture-of-Experts，MoE）与 Lightning Attention 的结合，MiniMax-M1 在性能表现和推理效率方面实现了显著突破。
-
Hugging Face:https://huggingface.co/collections/MiniMaxAI/minimax-m1-68502ad9634ec0eeac8cf094
-
GitHub: https://github.com/MiniMax-AI/MiniMax-M1
-
Tech Report: https://github.com/MiniMax-AI/MiniMax-M1/blob/main/MiniMax_M1_tech_report.pdf
M1 上下文 8 倍 DeepSeek，计算量仅 1/4
性能与效率双杀
M1 是基于此前发布的 MiniMax-Text-01 模型打造，具备 4560 亿参数规模，其中每个 token 激活约 459 亿参数。模型原生支持最长 100 万 tokens 的上下文输入，是 DeepSeek R1 所支持长度的 8 倍。
此外，得益于其高效的 Lightning Attention 机制，在生成长度为 10 万 tokens 的场景下，MiniMax-M1 的计算量（FLOPs）仅为 DeepSeek R1 的 25%，在长文本处理任务中具备显著优势。
超 3000 人的「AI 产品及应用交流」社群，不错过 AI 产品风云！诚邀所有 AI 产品及应用从业者、产品经理、开发者和创业者，扫码加群：
进群后，您将有机会得到：
· 最新、最值得关注的 AI 产品资讯及大咖洞见
· 独家视频及文章解读 AGI 时代的产品方法论及实战经验
· 不定期赠送热门 AI 产品邀请码
在训练策略方面，MiniMax-M1 采用大规模强化学习（RL）方式，在数学推理、沙盒环境下的软件工程等多样任务中进行了全面优化。
除了混合注意力机制本身带来的 RL 训练效率提升外，MiniMax 还提出了名为 CISPO 的创新型强化学习算法。
与传统方法不同，CISPO 针对的是重要性采样权重而非 token 更新进行裁剪，有效提升了学习稳定性与性能表现，在对比实验中优于现有主流 RL 变体。
在实际训练中，MiniMax-M1 的完整强化学习训练在 512 块 H800 GPU 上仅耗时三周，成本控制在 53.47 万美元，展现了极高的效率与性价比。
目前，MiniMax-M1 提供两个版本，分别设定 40K 与 80K 的思维预算（thinking budget），其中 40K 版本为中间训练阶段的成果。
在标准基准测试中，MiniMax-M1 在复杂软件工程、工具使用与长上下文任务等方面表现突出，整体表现已达到甚至超越 DeepSeek-R1 与 Qwen3-235B 等代表性开源模型。
MiniMax-M1 是开源即上线，大家进入 MiniMax 官网即可体验。
官网：https://chat.minimaxi.com/
笔者直接把 MiniMax-M1 技术报告发上去，让其翻译成通俗易懂的中文技术报告。
在不到 30 秒的时间，报告里的公式、表格全部放都翻译出来了。
（文：AI科技大本营）
