MiniMax-M1 - MiniMax最新开源的推理模型

发布于 2025-06-17 · MiniMax-M1是MiniMax团队最新推出的开源推理模型，基于混合专家架构（MoE）与闪电注意力机制（lightning attention）相结合，总参数量达 4560 亿，每个token激活 459 亿参数。模型超过国内的闭源模型，接近海外的最领先模型，具有业内最高的性价比。

MiniMax-M1是什么

MiniMax-M1 是 MiniMax 团队推出的开源推理模型，混合专家架构（MoE）加闪电注意力机制（lightning attention），总参数 4560 亿，每个token激活 459 亿。按官方说法，它的表现超过国内闭源模型、接近海外最领先的模型，性价比在业内算高的。MiniMax-M1 原生支持 100 万token 上下文，提供 40 和80K 两种推理预算版本，长输入和复杂推理都用得上。基准测试里，MiniMax-M1 在多个指标上超过 DeepSeek 等开源模型，复杂软件工程、长上下文理解、工具使用这些任务表现不错。

MiniMax-M1的主要功能

长上下文处理：输入支持100万token，输出 8万toke，长文档和复杂推理任务正合适。
高效推理：40K 和 80K 两种推理预算版本，算力花得更省，推理成本也低。
多领域任务优化：数学推理、软件工程、长上下文理解、工具使用这几类任务都拿得出手。
功能调用：结构化功能调用支持，外部函数的调用参数能识别、能输出，和工具对接方便。

MiniMax-M1的技术原理

混合专家架构（MoE）：模型拆成多个专家模块（Experts），每个专家管一类子任务或一部分数据。输入按特征动态分派到不同专家，算力用得省，也能并行处理。参数规模虽然大，计算性能还能撑住，复杂任务也接得下。
闪电注意力机制（Lightning Attention）：闪电注意力把计算流程理顺，冗余计算少了，注意力模块的效率就上来了。稀疏注意力只盯输入里关键的那部分，复杂度再降一档。长序列处理因此高效，100万 token 的上下文也撑得住。
大规模强化学习（RL）训练：训练用的是大规模强化学习，靠奖励信号调输出，复杂任务上的表现因此更好。团队还提出了新的 RL 算法 CISPO，裁剪的是重要性采样权重而不是 token 更新，训练效率和模型性能都提升。混合注意力设计本身也让 RL 跑得更顺，混合架构扩展 RL 时的那些麻烦被绕开了。

MiniMax-M1的性能表现

软件工程任务：SWE-bench 验证基准上，MiniMax-M1-40k 和 MiniMax-M1-80k 的成绩分别是 55.6% 和 56.0%，略低于 DeepSeek-R1-0528 的 57.6%，但比其他开源权重模型高出一截。
长上下文理解任务：百万级上下文窗口撑着，M1 系列在长上下文理解任务上超过所有开源权重模型，甚至压过 OpenAI o3 和 Claude 4 Opus，全球排第二，只以微弱差距落后于 Gemini 2.5 Pro。
工具使用场景：代理工具使用场景（TAU-bench）里，MiniMax-M1-40k 在所有开源权重模型中排第一，赢了 Gemini-2.5 Pro。

MiniMax-M1的项目地址

GitHub仓库：https://github.com/MiniMax-AI/MiniMax-M1
HuggingFace模型库：https://huggingface.co/collections/MiniMaxAI/minimax-m1
技术论文：https://github.com/MiniMax-AI/MiniMax-M1/blob/main/MiniMax_M1_tech_report

MiniMax-M1的产品定价

API调用推理成本定价：
- 0-32k 输入长度：
  - 输入成本：0.8元/百万 token。
  - 输出成本：8元/百万 token。
- 32k-128k 输入长度：
  - 输入成本：1.2元/百万 token。
  - 输出成本：16元/百万 token。
- 128k-1M 输入长度：
  - 输入成本：2.4元/百万 token。
  - 输出成本：24元/百万 token。
APP和Web端：MiniMax APP 和 Web 上不限量免费。