MiniMax-M1：全球首个开源混合架构推理模型评测
深入解析MiniMax最新开源力作——M1推理模型。作为开源社区首个大规模混合架构模型，M1的核心竞争力清晰可见：在生产力导向的复杂任务中，它稳居开源模型第一梯队，性能超越国内闭源模型，逼近海外顶尖水平，同时成本效率达到行业最优。
M1最突出的技术亮点，是支持业界最高100万token的上下文窗口——与闭源阵营的Google Gemini 2.5 Pro持平，是DeepSeek R1的8倍。推理输出长度同样达到业内最长的8万token。
这一成绩源于独创的混合架构，核心是闪电注意力机制。在处理长上下文推理与深度思考时，该架构展现出极高效率。实测表明，用8万token进行深度推理，仅需DeepSeek R1约30%的算力消耗。这种效率优势贯穿训练与推理全流程。
此外，团队提出了更快的强化学习算法CISPO。通过裁剪重要性采样权重（而非传统token更新）来加速收敛。在AIME基准实验中，CISPO的收敛速度是字节近期发布的DAPO算法的两倍，也显著优于DeepSeek早期采用的GRPO方案。
两项技术突破带来了极为高效的强化训练。整个强化学习阶段仅使用512块H800 GPU，耗时三周，总租赁成本仅为53.74万美元——比初始预算低了一个数量级。
在17个主流评测集上，M1的表现为：
在软件工程、长上下文理解及工具使用等生产力密集型场景中，优势尤其明显。MiniMax-M1-40k与MiniMax-M1-80k在SWE-bench验证集上分别达到55.6%和56.0%，略低于DeepSeek-R1-0528的57.6%，但大幅领先其他开源模型。依托百万级上下文窗口，M1在长上下文任务中全面碾压所有开源权重模型，甚至超越OpenAI o3与Claude 4 Opus，全球排名第二，仅以微小差距落后于Gemini 2.5 Pro。在袋内工具使用（TAU-bench）中，MiniMax-M1-40k同样位居所有开源权重模型之首，并击败了Gemini-2.5 Pro。
值得特别关注的是，MiniMax-M1-80k在大多数基准测试中均优于MiniMax-M1-40k——这有效验证了扩展测试时计算带来的性能提升。
完整技术报告与模型权重已同步发布在官方Hugging Face及GitHub仓库。vLLM与Transformer两大开源框架均已提供推理部署支持，与SGLang的集成适配也正在推进中。
由于训练与推理算力使用极为高效，MiniMax APP及Web端均保持不限量免费使用，API定价亦为行业最低。0-32k输入长度：输入0.8元/百万token，输出8元/百万token；32k-128k输入长度：输入1.2元/百万token，输出16元/百万token；128k-1M输入长度：输入2.4元/百万token，输出24元/百万token。前两种模式的性价比均超越DeepSeek-R1，最后一种模式DeepSeek模型不支持。
除M1外，未来四个工作日还将陆续发布更多更新，值得保持关注。
与每个人共享智能。
