近日，國內(nèi) AI 初創(chuàng)公司 MiniMax 發(fā)布了一款全新的語言大模型 MiniMax-M1。

有兩個方面最引人注目：

1.高達100萬Token的上下文處理能力。

2.極具競爭力的訓練成本效益。

M1 那個“1,000,000 token 上下文窗口”的數(shù)字，它幾乎是 GPT-4o 的 8 倍，是大多數(shù)企業(yè)內(nèi)用 LLM 一次上下文能處理信息量的極限突破。

大上下文也很燒錢，處理這么長的輸入輸出意味著更大的內(nèi)存占用和更高的計算量。而 MiniMax-M1 把這件事“做得便宜”。據(jù)官方披露，M1 的訓練總成本僅為 53.47 萬美元，約為 DeepSeek R1 的十分之一，而之前的GPT-4 更是要上億美金起步。

據(jù)說，這要歸功于兩個設計巧思：其一是 CISPO，這種自研的強化學習算法用更聰明的采樣方式節(jié)省了大量重復訓練成本；其二是混合專家架構（MoE）+ 快速注意力機制，它只激活最需要的那部分參數(shù)。

高性能，也可以很便宜

低成本并沒有犧牲性能。在多個重要基準測試中，MiniMax-M1 的表現(xiàn)比 DeepSeek-R1 和 Qwen3 等知名開源模型更為突出。

圖片

在數(shù)學推理難題 AIME 2024 中，它的準確率達到 86.0%。在代碼生成任務 SWE-bench Verified 中取得 56.0%，在函數(shù)調用測試 TAU-bench 中得分 62.8%。這些數(shù)據(jù)意味著它不僅“看得懂”長文本，還能“用得上”。

盡管與 GPT-4o、Gemini Pro 2.5 等封閉式頂級模型相比，它仍存在通用理解能力上的差距，特別是在高維復雜指令、語言微妙語境等任務中，但在開源模型陣營中，它已進入第一梯隊。

圖片

其次，MiniMax-M1 保持了完整開放：Apache-2.0 協(xié)議，支持商用、修改、永久免費使用。這讓它在技術價值之外，也具備戰(zhàn)略價值——它是任何一家企業(yè)都可以“據(jù)為己有”的大模型。

據(jù)說，M1是全球首個開源大規(guī)?；旌霞軜嫷耐评砟Ｐ汀?/span>

而在產(chǎn)品策略上，MiniMax 并沒有追求全面均衡，而是選擇了“關鍵能力超配”的方向：超長上下文、極低計算成本、易部署的架構和極寬松的許可。

它有兩個版本：40k 和 80k tokens 輸出上限，分別對應不同推理預算。這種設置非常工程化——越多預算帶來更完整的推理，但也更慢更貴。MiniMax 把決策權交還給開發(fā)者和企業(yè)用戶，讓他們自己調節(jié)“速度-成本-性能”三者之間的平衡。

它還原生支持 structured function calling，適配 vLLM 和 Transformers 等主流框架，可快速集成進已有基礎設施，構建具備“智能體”能力的產(chǎn)品。它甚至預裝了搜索、視頻生成、語音合成等多模態(tài)能力插件，為應用構建節(jié)省了大量研發(fā)資源。

這并不是“另一個大模型”，而是一個面向未來任務形態(tài)的基礎設施嘗試。