MiniMax发布开源模型M1，性能直逼Gemini 2.5 Pro

作者


 
  • • 超高效率: 中国AI独角兽MiniMax发布开源模型M1，凭借混合闪电注意力架构，推理效率是竞品的4倍，而整个强化学习训练成本仅为惊人的53万美元。
  • • 旗舰级性能: M1拥有100万Token输入和8万Token输出的旗舰级能力，在软件工程、长文本理解等关键生产力任务上，性能超越一众开源模型，甚至在部分场景比肩乃至超越了OpenAI o3、Claude 4等闭源巨头。
  • • 创新RL框架: 首次提出全新强化学习算法CISPO，并攻克了混合架构下的精度不匹配、优化器敏感等工程难题，实现了高效稳定的长链条推理训练。
  • • 完全开源普惠: 模型权重、技术报告全部公开，并提供行业最低价API和免费应用，旨在推动AI平民化，让顶尖智能触手可及。

AI竞赛的“内卷”与破局者

AI的世界，从未像今天这样喧嚣。一边是OpenAI、Google、Anthropic等巨头轮番上演“神仙打架”；另一边，国内大模型赛道也卷起了一场腥风血雨，“价格战”的屠刀挥向了每一个token。

在这场以 “烧钱”和“堆规模”为主旋律的竞赛中，一个根本性的问题摆在所有产品经理和工程师面前：除了无尽的军备竞赛，AI的未来还有没有第三条路？牌桌上真的没有新玩法了吗？

2025年6月16日，来自中国的AI“小神龙”——MiniMax，用一款名为M1的新模型，给出了一个响亮的回答。它像一位精通内力的武林高手，不追求肌肉的绝对围度，却以惊人的效率和精准的打击力，成为了赛道上最不容忽视的效率破局者。

M1的旗舰规格：重塑产品边界

让我们先看M1的旗舰规格，每一项都重新定义了AI产品的可能性。


下表直观对比了M1与全球顶尖模型的输入/输出能力，这是评估一个模型能否承载复杂应用的基础。

Table 1: M1在输入和输出长度上均达到世界顶级水平。
模型
最大输入长度 (Max Input)
最大输出长度 (Max Output)
MiniMax-M1-80k
 1M tokens 80K tokens
Gemini 2.5 Pro
 1M tokens
64K tokens
OpenAI o3
200K tokens
100K tokens
Claude 4 Opus
200K tokens
32K tokens
DeepSeek-R1-0528
128K tokens
64K tokens
Qwen3-235B
128K tokens
32K tokens

而在综合性能上，M1更是在多个关键领域展现了统治力。

对于产品经理而言，这张图意味着M1在软件工程、长文本理解、AI Agent等高价值场景具备了顶级的竞争力。对于工程师来说，这意味着M1不仅是个“理论上”强大的模型，更是在实际复杂任务中被验证过的可靠工具。

那么，如此惊人的效率与性能，究竟是如何锻造出来的？

深度拆解：M1的引擎室里有什么？

对于产品经理，这部分解释了M1低成本、高性能背后的“魔法”。对于工程师，这是你一直在等待的技术深潜。

核心架构：混合闪电注意力

M1的基座是MiniMax-Text-01，一个拥有4560亿总参数、45.9亿激活参数和32个专家（Experts）的庞大MoE模型。其真正的革命性在于其混合注意力架构。

传统Transformer的Softmax注意力，计算复杂度是O(n²)。M1则创造性地将它与一种名为“闪电注意力”（Lightning Attention，一种I/O感知的线性注意力实现）结合，其核心设计是：

  • • 架构比例： 每7个Transnormer模块（使用闪电注意力）搭配1个Transformer模块（使用Softmax注意力）。
  • • 工作原理： 这就像一个高效的专家团队，大部分日常计算由速度飞快的“专员”（闪电注意力）以O(n)线性复杂度处理，只在需要全局信息聚合的关键节点，才由“首席科学家”（Softmax注意力）进行精算。

这种设计带来了颠覆性的效率提升。



结论是震撼的：当生成长度达到10万个token时，M1消耗的算力（FLOPs）仅为DeepSeek R1的25%！ 这意味着更低的推理成本（TCO）和更快的响应速度。

强化学习（RL）框架：从算法创新到工程落地

M1的另一个杀手锏是其高效的RL框架，这不仅包括算法创新，更包含了一系列扎实的工程实践。

算法创新：CISPO

工程师都清楚，传统RL算法（如PPO）会“裁剪”掉低概率的探索性token，但这会扼杀模型的“灵感火花”。为此，MiniMax提出了全新的CISPO（Clipped IS-weight Policy Optimization）算法。

  • • 核心思想： 不裁剪token更新，而是裁剪重要性采样（IS）权重。这保留了完整的思考链条，允许模型进行“笨拙”但宝贵的探索，从而学会更复杂的推理。
  • • 效果： 在AIME数学竞赛实验中，其收敛速度是字节跳动DAPO算法的2倍。



工程挑战与解决方案

作为首个大规模应用混合注意力进行RL训练的团队，MiniMax趟平了许多坑，这些经验对工程师极具价值：

  1. 1. 计算精度不匹配问题： 团队发现RL训练中，训练模式和推理模式下的token概率存在巨大差异，导致奖励无法增长。通过逐层分析，定位到问题出在LM head的高幅度激活值上。


    • • 解决方案： 将LM head的计算精度提升至FP32，成功将两种模式的概率相关性从0.987提升至0.997，解决了训练不收敛的致命问题。
  2. 2. 优化器超参数敏感问题： 混合架构的梯度范围极广（从1e-18到1e-5），标准AdamW优化器配置（betas=(0.9, 0.999)）会导致不收敛。
    • • 解决方案： 经过细致调试，最终采用betas=(0.9, 0.95), eps=1e-15的配置，稳定了训练过程。
  3. 3. 数据与课程设计： M1的RL训练数据极其丰富，涵盖了数学、逻辑推理（基于自研的SynLogic框架合成）、编程、以及从真实GitHub issue构建的沙盒化软件工程环境。
    • • 训练策略： 采用课程学习（Curriculum Learning），先用规则明确、有确定性奖励的任务（如数学、编程）进行训练，再逐步混入需要模型化奖励的通用任务，确保模型在扩展能力的同时，核心推理能力不退化。

正是这一系列从算法到工程的创新，最终造就了53万美元训练出顶级模型的效率奇迹。

应用场景解读：M1为三大未来战场而来

对于产品经理来说，最关心的是技术能落地到哪些场景。M1的优势集中在以下三大领域：

场景一：软件工程——不止是代码补全，更是问题解决者

SWE-bench测试要求模型修复真实的GitHub Bug。M1在此取得了56.0%的惊人成绩。这意味着它可以深度参与到代码调试、Bug修复、甚至系统重构等高价值环节，成为工程师真正的“智能副驾”。

场景二：长文本处理——从财报分析到知识库构建

凭借100万Token的上下文能力，M1在长文本“大海捞针”任务上的表现超越了OpenAI o3和Claude 4。这为产品带来了无限可能：

  • • 企业知识库问答： 一次性读入所有内部文档，提供精准回答。
  • • 智能投研/法务助手： 快速分析几百页的财报或复杂的法律合同，提炼要点。
  • • 科研辅助： 整合海量研究论文，发现新的洞见。

场景三：AI Agent——赋予应用自主决策的“大脑”

在模拟真实世界场景的TAU-bench测试中，M1的工具使用和规划能力甚至超越了Gemini 2.5 Pro。这表明M1有潜力成为下一代AI Agent最强大的“大脑”，让应用能够自主理解任务、调用API、与环境交互，完成复杂的工作流。

M1正在改写AI游戏规则

M1的发布，其意义远超模型本身，它更像一份宣言，正在为产品经理和工程师们揭示新的可能性。

规则一：从“堆规模”到“提效率”

M1证明，AI竞赛的关键，正在从“静态规模”（参数量）的比拼，转向 “动态能力”（测试时计算）的扩展效率。未来的赢家，不一定是模型最大的，但一定是在解决问题时， “想”得最深、最快、最便宜的。

规则二：顶级性能开源，重塑竞争格局

M1以顶级性能开源，打破了“最强模型皆闭源”的迷思。这为工程师提供了前所未有的机会，也为产品经理提供了对抗巨头、实现差异化创新的利器。

规则三：极致性价比，加速AI应用落地

最关键的是商业模式。M1不仅在APP/Web端免费，其API定价更是极具颠覆性。

这种 “掀桌子”式的定价，将极大降低AI应用的开发和运营成本，加速从金融、法律到科研、教育等各行各业的AI应用落地。

下一个AI时代，从“聪明”地思考开始

MiniMax M1的横空出世，为我们描绘了一幅激动人心的未来图景。它告诉所有AI领域的建设者：智慧的较量，最终比拼的不是蛮力，而是思想的深度和效率。

当AI学会了像人类一样，在面对难题时能够“停下来，想一想”，并且这种思考的成本变得微不足道时，一个真正由AI驱动的生产力革命，才算真正拉开序幕。

推荐阅读

  • • 技术报告原文 (工程师必读): MiniMax-M1: Scaling Test-Time Compute Efficiently with Lightning Attention，https://arxiv.org/abs/2506.13585
  • • Hugging Face模型下载: https://huggingface.co/MiniMaxAI
  • • GitHub项目地址: https://github.com/MiniMax-AI/MiniMax-M1


 

（文：子非AI）

发表评论