近日，MiniMax公司宣布推出其全新模型MiniMax-M1，该模型作为世界上首个开源的大规模混合架构推理模型，在面向生产力的复杂场景中展现出了卓越性能，成为开源模型中的佼佼者。MiniMax-M1不仅超越了国内闭源模型，还接近了海外最领先模型的水平，同时保持着业内最高的性价比。
MiniMax-M1的一个显著特点是支持高达100万的上下文输入，与闭源模型Google Gemini2.5Pro相当，是DeepSeek R1的8倍，并且能够输出长达8万Token的推理结果。这一成就得益于MiniMax独创的以闪电注意力机制为主的混合架构，使得在处理长上下文输入和深度推理时效率显著提升。例如，在使用8万Token进行深度推理时，MiniMax-M1仅需DeepSeek R1约30%的算力，从而在训练和推理过程中都具有算力效率优势。
此外，MiniMax还提出了更快的强化学习算法CISPO，通过裁剪重要性采样权重来提升强化学习效率。在AIME的实验中，CISPO算法的收敛性能比包括字节近期提出的DAPO在内的其他强化学习算法快了一倍，显著优于DeepSeek早期使用的GRPO算法。这些技术创新使得MiniMax-M1的强化训练过程异常高效，仅用了512块H800三周的时间，租赁成本也大幅降低，比预期少了一个数量级。
在评测方面，MiniMax-M1在业内主流的17个评测集上均取得了优异成绩。特别是在软件工程、长上下文与工具使用等面向生产力的复杂场景中，MiniMax-M1展现出了显著优势。例如，在SWE-bench验证基准上，MiniMax-M1-40k和MiniMax-M1-80k分别取得了55.6%和56.0%的成绩，虽然略逊于DeepSeek-R1-0528的57.6%，但显著超越了其他开源权重模型。同时，依托其百万级上下文窗口，MiniMax-M1在长上下文理解任务中表现卓越，超越了所有开源权重模型，甚至在某些方面超越了OpenAI o3和Claude4Opus，全球排名第二。
值得一提的是，MiniMax-M1在代理工具使用场景（TAU-bench）中也同样领跑所有开源权重模型，并战胜了Gemini-2.5Pro。此外，MiniMax-M1-80k在大多数基准测试中始终优于MiniMax-M1-40k，这充分验证了扩展测试时计算资源的有效性。
在价格方面，MiniMax-M1保持了业内最低的价格。在MiniMax APP和Web上，用户可以不限量免费使用该模型，并通过官网以极具竞争力的价格购买API服务。这一举措无疑将进一步推动MiniMax-M1在市场上的普及和应用。
MiniMax-M1-40k：huggingface.co/MiniMaxAI/MiniMax-M1-40k
MiniMax-M1-80k：huggingface.co/MiniMaxAI/MiniMax-M1-80k
