Day 1/5：MiniMax-M1，全球首个开源大规模混合架构的推理模型

小哪吒

2025 年 6 月 17 日，稀宇科技推出了 MiniMax - M1，这是一款全球首个开源的大规模混合架构推理模型。

MiniMax - M1 在面向生产力的复杂场景中表现卓越，是开源模型中的佼佼者，其性能不仅超过国内闭源模型，还接近海外领先模型，同时具备业内最高性价比。该模型支持高达 100 万上下文输入，与谷歌 Gemini 2.5 Pro 比肩，是 DeepSeek R1 的 8 倍，还能实现业内最长的 8 万 Token 推理输出。这得益于其独创的闪电注意力机制混合架构，使其在处理长上下文输入和深度推理时高效性显著。例如，进行 8 万 Token 深度推理时，仅需使用 DeepSeek R1 约 30% 的算力。

此外，稀宇科技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提升强化学习效率，在 AIME 实验中，其收敛性能比字节提出的 DAPO 等算法快一倍，优于 DeepSeek 早期使用的 GRPO。


在技术创新的助力下，MiniMax - M1 的强化训练过程高效且成本可控。整个强化学习阶段仅用 512 块 H800 三周时间，租赁成本 53.74 万美金，远低于预期。

在 17 个业内主流评测集中，MiniMax - M1 表现亮眼。其 M1 - 40k 和 M1 - 80k 在 SWE - bench 验证基准上分别取得 55.6% 和 56.0% 的成绩，虽略逊于 DeepSeek - R1 - 0528 的 57.6%，但远超其他开源模型。在长上下文理解任务中，M1 系列凭借百万级上下文窗口，全面超越开源模型，甚至超越 OpenAI o3 和 Claude 4 Opus，全球排名第二，仅次于 Gemini 2.5 Pro。在代理工具使用场景（TAU - bench）中，MiniMax - M1 - 40k 领跑开源模型，并战胜 Gemini - 2.5 Pro。通常情况下，MiniMax - M1 - 80k 在多数基准测试中优于 M1 - 40k，证明了扩展测试时计算资源的有效性。


目前，MiniMax - M1 的技术报告和完整模型权重已在官方 Hugging Face 和 GitHub 账号开放。vLLM 和 Transformer 两个开源项目分别为其提供了推理部署支持，且正在与 SGLang 合作推进部署支持。基于高效的训练和推理算力使用，MiniMax APP 和 Web 实现不限量免费使用，并以业内最低价格在官网提供 API。