MiniMax M1

# 一、简介与定位

Minimax M1是中国上海的AI独角兽企业MiniMax（稀宇科技）于2025年6月17日发布的开源大规模混合架构推理大模型，核心定位是面向开发者和生产力场景的高效能、低成本开源基座模型。

其名称中“M”是MiniMax模型家族的通用前缀，代表“MiniMax自研基座”，“1”代表该混合架构推理模型的首个版本，核心功能聚焦于超长上下文处理、高效代码生成和智能体工具调用。使用门槛极低，官方App与Web端支持不限量免费使用，API服务采用分档定价模式，无强制订阅要求，无免费额度限制但按实际使用量计费；同期发布的“兄弟模型”包括视频生成模型Hailuo 02、通用智能体MiniMax Agent等，共同构成MiniMax“开源周”的核心产品矩阵。

目前Minimax M1仍处于生命周期的活跃阶段，未被淘汰，是MiniMax开源模型体系中的核心主力之一，其最突出的核心特点是“高性能与低成本兼具”，以百万级上下文窗口和极低的训练、推理成本，成为Agent时代热门的开源基座选择。

# 二、发展历程

# 2.1 研发背景

Minimax M1发布前，全球大模型行业已从“参数规模比拼”进入“效率、成本、落地能力”的竞争下半场。当时主流大模型分为两大阵营：海外阵营以OpenAI GPT-4o、Anthropic Claude 3 Opus、谷歌Gemini 2.5 Pro为主，优势是性能强劲但训练推理成本高昂，部分模型不开源；国内阵营以DeepSeek R1、Qwen3、文心大模型4.5为主，其中DeepSeek R1凭借较强的推理能力和开源特性占据市场优势，但长文本处理能力和成本控制仍有提升空间。行业普遍面临“高性能与低成本难以兼顾”“长文本处理效率低”“开源模型工具调用能力不足”的痛点，Minimax M1正是在这样的行业局势下诞生，主打“开源+高效+低成本”，打破“算力-资本”壁垒，填补开源模型在超长上下文推理领域的短板。

# 2.2 关键节点

MiniMax自2022年初成立以来，始终聚焦AGI研发，2023年下半年开始偏离行业主流的稠密架构，转向“稀疏激活”的MoE架构研究，为混合架构的研发奠定基础。2025年1月，MiniMax发布并开源新一代“01系列”模型，其中MiniMax-Text-01模型已具备400万tokens的超长上下文处理能力，成为M1模型的技术雏形。同年3月，MiniMax完成品牌拆分，优化产品布局，集中资源推进推理模型的研发与开源准备，随后进入内部内测阶段，重点测试长文本处理、代码生成和工具调用的稳定性与效率。2025年6月17日，MiniMax正式对外发布Minimax M1，同步开源模型权重和技术报告，开启为期五天的“开源周”活动，M1作为开篇产品，迅速引发行业关注。

# 2.3 家族构成

Minimax M1隶属于MiniMax全栈模型矩阵，该家族涵盖文本、语音、视频、图像与音乐五大方向，核心相关模型如下：

MiniMax-Text-01：M1的前代文本模型，2025年1月发布并开源，主打400万tokens超长上下文处理，为M1的混合架构和长文本能力提供了核心技术积累，定位为“超长上下文基础语言模型”。

Minimax M1：2025年6月发布，全球首个开源大规模混合架构推理模型，定位为“Agent时代首选开源基座模型”，聚焦长文本推理、代码生成和工具调用，主打高效能、低成本。

Minimax M2.7：M1的后续升级文本模型，2026年发布，主打模型自我进化，强化工程与Coding能力、复杂Office自动化能力和Agent Harness能力，定位为“生产级交付的高阶推理模型”。

Hailuo系列（如Hailuo 02）：与M1同期及后续迭代的视频生成模型，定位为“高动态、高质感视频生成模型”，其中Hailuo 02因“猫跳水”视频出圈，具备媲美谷歌Veo3的性能。

Speech系列（如Speech 2.6）：语音生成模型，定位为“Agent适配型语音模型”，具备超低时延、超拟人特性，支持多语言、多口音、多音色生成，与M1协同支撑多模态智能体研发。

# 三、核心技术剖析

# 3.1 固有技术

Minimax M1继承了前代MiniMax-Text-01模型的核心优势，底层基于Transformer架构，保留了标准的Transformer encoder-decoder结构，确保文本理解与生成的基础能力。同时，继承了常规的监督微调（SFT）和人类反馈强化学习（RLHF）对齐手段，通过真实人类反馈优化模型输出的准确性和实用性，避免出现偏离人类需求的生成内容。此外，还延续了MiniMax家族一贯的多模态适配能力，可无缝集成MiniMax MCP（多模态输出工具），支持文本、语音、视频等多模态内容的协同处理，为智能体开发提供基础支撑。

# 3.2 创新技术

Minimax M1的核心竞争力在于两大创新技术，彻底解决了传统开源模型“长文本效率低、训练成本高”的痛点，具体解读如下：

1.  独创Lightning Attention（闪电注意力）混合架构：这是M1实现百万级上下文处理的核心技术。传统Transformer模型的注意力机制，计算量会随文本序列长度呈平方级增长，处理长文本时不仅效率低下，还会消耗大量算力。而Lightning Attention混合架构，通过优化注意力计算方式，打破了这一限制，使模型能够原生支持100万tokens的上下文输入和8万tokens的推理输出，且计算效率大幅提升——进行8万tokens深度推理时，所需算力仅为DeepSeek R1的30%，生成10万tokens时，推理算力仅为DeepSeek R1的25%，从根本上降低了长文本处理的算力成本。简单来说，就是让模型“记住”超长文本的能力更强，同时处理速度更快、更省资源。

2.  自研CISPO强化学习算法：传统强化学习算法（如PPO、GRPO、DAPO）要么训练效率低，要么稳定性不足，导致模型训练成本居高不下。M1采用的CISPO算法（Clipped IS-weight Policy Optimization），另辟蹊径通过裁剪重要性采样权重，而非调整Token更新方式，来提升强化学习的效率和稳定性。实验数据显示，在AIME测试集中，CISPO的收敛性能比字节跳动的DAPO算法快一倍，也显著优于DeepSeek早期使用的GRPO算法。这一创新直接将M1的强化学习训练成本控制在53.47万美元，仅使用512张H800 GPU，耗时三周，远低于OpenAI、谷歌动辄上亿美元的训练成本，也低于DeepSeek R1的557.6万美元，实现了“低成本高性能”的突破。

# 四、表现评估

# 4.1 历史与现状

刚发布时，Minimax M1凭借“全球首个开源大规模混合架构推理模型”“百万级上下文窗口”“极致性价比”三大亮点，迅速引爆行业，发布当天便在Hugging Face平台成为热门模型，位列全球开源模型第二，仅次于DeepSeek R1-0528，同时引发海外X平台、开源社区的广泛关注，被业内评价为“倒逼行业真开源、卷成本”的标杆模型。截至2026年4月，M1仍保持活跃状态，虽已被后续的MiniMax M2.7等模型迭代，但作为开源基座模型，其在长文本处理、代码生成领域的优势依然突出，仍是开发者搭建智能体、处理复杂文档的优选开源模型之一，API服务和免费使用渠道持续正常运营，社区生态不断完善。

# 4.2 优势亮点

结合业内公认的评测集数据和媒体实测，Minimax M1的优势主要集中在三个核心维度，表现处于行业第一梯队：

1.  长文本处理能力：在MRCR长文本评测集中，M1凭借100万tokens的上下文窗口，全面超越所有开源对手，甚至击败了OpenAI的GPT-4o和Anthropic的Claude 3 Opus，仅以微弱差距落后于谷歌Gemini 2.5 Pro，位列全球第二。其上下文处理能力与Gemini 2.5 Pro持平，是DeepSeek R1和Qwen3的8倍，是GPT-4o和Claude 4的5倍，可轻松处理《红楼梦》《三体》三部曲等百万字级别的长篇文本，无明显遗忘或信息丢失问题。

2.  代码生成能力：在SWE-bench代码评测中，M1的40k版本和80k版本分别取得55.6%和56.0%的优异成绩，显著超越其他所有开源模型，稳居开源模型第一梯队，能够高效完成代码编写、调试、优化等任务，适配主流编程语言，满足软件工程场景的核心需求。

3.  工具调用能力：在TAU-bench工具调用评测集中，M1-40k模型领跑所有开源模型，甚至超越了闭源的Gemini 2.5 Pro，具备强大的智能体工具调用能力，可无缝集成GitHub、Figma、Slack、Notion等常用工具，通过API key快速接入，为智能体开发提供了便捷支撑。

此外，M1的性价比优势极为突出，API定价远低于同类开源模型，0-32k输入长度区间，输入成本仅0.8元/百万token，输出8元/百万token，不到DeepSeek R1的20%和50%，且支持不限量免费使用，大幅降低了开发者和普通用户的使用门槛。

# 4.3 缺点与不足

客观来看，Minimax M1并非完美，仍存在以下明显短板，主要集中在非核心生产力场景：

1.  通用文本生成的细腻度不足：相较于GPT-4o、文心大模型4.5等模型，M1在文学创作、情感表达等场景中表现一般，生成的文本缺乏细腻的情感张力，语言风格较为单一，难以满足高质量文学创作、沉浸式角色扮演等需求。

2.  数学推理能力较弱：在数学计算题、复杂逻辑推理题（如高等数学、奥数题）中，M1的正确率明显低于DeepSeek R1、Qwen3等同类模型，容易出现计算错误、逻辑断层的问题，不适用于高精度数学计算场景。

3.  小语种支持不足：模型主要优化中文和英文处理能力，对日语、法语、西班牙语等小语种的理解和生成能力较弱，存在翻译不准确、语义偏差等问题，难以满足多语种场景的使用需求。

4.  开源生态仍需完善：虽然M1开源了模型权重和技术报告，但相较于DeepSeek、Qwen等成熟开源模型，其社区二创、第三方适配工具较少，开发者遇到问题时的解决方案相对有限，后期维护和迭代的频率也低于后续升级模型。

# 五、重大事件

1.  2025年6月17日：Minimax正式发布Minimax M1，同步开源模型权重和技术报告，开启“开源周”活动，M1作为全球首个开源大规模混合架构推理模型，发布后迅速引发行业关注，登上国内AI领域热门话题，被多家科技媒体报道，海外开源社区也纷纷跟进测评。

2.  2025年6月中下旬：M1在Hugging Face平台快速崛起，成为全球第二热门模型，同时其极致性价比引发行业讨论，倒逼多家模型厂商调整API定价策略，推动开源模型“性价比竞争”的趋势，被分析人士评价为“打破算力壁垒的标杆事件”。

2025年7月：依托M1的技术基础，MiniMax推出的Hailuo 02视频生成模型，生成的“猫跳水”视频在海外社交平台获得3亿现象级播放量，开创“动物奥运会”AI视频新品类，间接带动M1的曝光度，让更多开发者关注到该模型的基座能力。

2025年下半年：Minimax与国家超算平台、vLLM等主流开源框架达成合作，优化M1的部署效率，让开发者能够更轻松地部署和使用M1模型，进一步扩大了M1的开源生态影响力，推动其在智能体开发、长文本处理等场景的落地。