MiniMaxM1重磅开源超越DeepSeekR1媲美Gemini25Pro和Cla

MiniMax 深夜开源了训练成本只要53万美元的开源模型M1，输出长度达到8万Token！

MiniMax 放出了一颗重磅炸弹—— MiniMax-M1 ，这是全球首个开源的大规模混合注意力推理模型。

这个模型最炸裂的地方在哪？

100万Token的输入，8万Token的输出 ，这个上下文窗口长度直接刷新了开源模型的纪录。

更离谱的是，M1 的训练成本只要 53.47万美元 ！

要知道，现在训练一个大模型动辄就是几千万美元起步，MiniMax这波操作属实是把成本打到了地板上。

性能碾压一众大佬

看看官方放出的跑分数据，MiniMax-M1在多个维度上的表现都相当炸裂。

在数学推理任务AIME 2024上，MiniMax-M1-80K拿到了 86.0分 ，虽然比不上DeepSeek-R1-0528的91.4分，但已经超过了Claude 4 Opus的76.0分。

更牛的是在编程任务上，LiveCodeBench的测试中，MiniMax-M1拿到了 65.0分 ，直接把DeepSeek-R1原版的55.9分甩在身后。

拥有13.6万粉丝的AI研究员Aran Komatsuzaki(@arankomatsuzaki)兴奋评价称：

MiniMax-M1是一款开源大型语言模型，具备46亿活跃参数，展现出几乎达到最新技术水平的推理和自主智能代理能力。

研究员Wenhu Chen(@WenhuChen) 表示：

该模型表现优异但发布低调，显示了该模型在多项指标上的强劲实力。

开源社区炸锅了

消息一出，整个AI圈都沸腾了。

Hugging Face的训练LLM工程师elie(@eliebakouch)激动地回应：

走起来了 😍

Hugging Face的首席"get-shit-done"官Vaibhav (VB) Srivastav(@reach_vb)更是连发多条推文：

太强了！！你们太牛了！而且还是Apache许可证，爱了爱了

Minimax M1 456B支持百万上下文，性能优于DeepSeek R1和Qwen 235B。

AI 研究员Florian S(@airesearch12)看到LiveCodeBench的成绩后直接惊呼：

卧槽，这真的太强了！你告诉我一个开源模型在LiveCodeBench上打败了Opus 4？！

vLLM团队(@vllm_project)神速响应：

vLLM团队确认已在Day 1支持该模型的推理运行，并发布了相关适配补丁。

独立开发者Johnny(@j4redux)感叹：

1百万上下文窗口 + 4万输出在tau bench retail上超越了gemini 2.5 pro——太疯狂了！

技术细节：混合架构的魔力

翻看技术报告，MiniMax-M1的成功离不开几个关键创新。

首先是 混合专家(MoE)架构 结合 闪电注意力机制 。

模型总参数量456亿，但每个Token激活的参数只有45.9亿，这种设计既保证了性能又控制了计算成本。

更重要的是他们提出的 CISPO算法 ——一种新颖的强化学习算法，通过裁剪重要性采样权重而非Token更新，显著提升了训练效率。

Google DeepMind研究员rohan anil(@ arohan )从技术角度深入分析：

根据近期论文的分析，推理时间的核心限制是KV（key-value）记忆访问。该访问成本与生成长度呈二次关系。MiniMax-M1包含10个完整的Attention层，其KV维度为128×8×2=2048，而对比模型R1的KV维度为576。

这种混合架构设计让MiniMax-M1在处理10万Token生成任务时， 计算量只有DeepSeek R1的25% 。

硅谷开发者valn1x(@valn1x)爆料：

这比o1的训练效率高了15000-20000倍。这是实际数字。

Chubby♨️(@kimmonismus)总结道：

天哪！

该模型支持世界上最长的上下文窗口：可处理100万令牌的输入和8万令牌的输出。采用强化学习训练，训练成本仅为53.47万美元，效率领先。

实战案例展示

兴奋的网友们纷纷上手，贡献了无数的 M1 实操case（都不用我上手了）——可以看到了M1 模型的真正实力。

UI组件生成

只需一个提示词，M1就能即时构建带有canvas动画粒子背景的HTML页面：

交互式应用开发

让M1创建一个打字速度测试应用，它生成了一个干净、功能完善的Web应用，可以实时追踪WPM（每分钟字数）：

可视化工具

创建带有canvas动画粒子背景的HTML页面，粒子能够平滑移动并在接近时连接：

游戏开发

M1还能创建迷宫生成器和路径寻找可视化工具，随机生成迷宫并逐步可视化A*算法求解过程：

部署指南

MiniMax提供了两个版本供选择：

1. MiniMax-M1-80k版本 （8万Token思考预算）：

from transformers import AutoTokenizer, AutoModelForCausalLM# 加载模型和分词器model_name = "MiniMaxAI/MiniMax-M1-80k"tokenizer = AutoTokenizer.from_pretrained(model_name)model = AutoModelForCausalLM.from_pretrained(model_name)# 使用模型进行推理inputs = tokenizer("你的输入文本", return_tensors="pt")outputs = model.generate(**inputs, max_length=80000)response = tokenizer.decode(outputs[0])

2. MiniMax-M1-40k版本 （轻量版，4万Token思考预算）：

model_name = "MiniMaxAI/MiniMax-M1-40k"# 其余代码与上面相同

AI 专家Alexandre Strube(@alexandre_ganso) 则关心 硬件要求，：

推荐的推理硬件，我猜测需要8x GH200 144GB，还是96GB的就够了？

而手快的Novita AI(@novita_labs) 则已经第一时间提供了API 服务：

Minimax-M1已在Novita上线！世界首个开源的大规模混合注意力推理模型！💰 0.55 / 2.2 per 1M tokens (输入/输出)

展望

前银行软件工程师Lincoln 🇿🇦(@Presidentlin)的评论道出了很多人的心声：

欢迎回到开源阵营 💙

北欧AI研究院(@nordicinst)评价：

MiniMax-M1是一款开源人工智能模型，具备高达1,000,000个令牌的上下文处理能力，同时采用了一种超高效的强化学习技术。该模型旨在为北欧地区的AI创新者提供强大且经济的解决方案。

MiniMax这次的开源举动，收获了全球网友的全面认可，也展示了其在AI领域的全面实力。