미니맥스, 100만 토큰 컨텍스트 지원 추론 모델 'M1' 오픈소스 공개

MiniMax-M1은 100만 토큰의 컨텍스트 윈도우와 8만 토큰의 추론 출력을 결합한 오픈소스 대규모 추론 모델입니다. 전체 프로젝트 코드베이스나 수백 페이지짜리 문서를 통째로 넣고 복잡한 논리 추론을 수행해야 하는 개발자에게 최적화된 도구입니다.

무엇을 할 수 있나

생산성 및 코딩 환경을 위해 MiniMax는 M1-40k와 M1-80k 두 가지 버전을 내놓았습니다. 실제 소프트웨어 버그를 해결하는 SWE-bench 검증 세트에서 각각 55.6%와 56.0%를 기록해, DeepSeek-R1-0528의 57.6%에 바짝 근접하며 다른 오픈소스 모델들을 크게 제쳤습니다.

가장 큰 장점은 긴 문맥 이해력입니다. 100만 토큰 윈도우를 활용해 긴 문맥 작업에서 OpenAI o3와 Claude 4 Opus를 넘어섰으며, 폐쇄형 모델인 구글 Gemini 2.5 Pro에 이어 글로벌 2위에 올랐습니다.

에이전트 도구 호출 성능을 측정하는 TAU-bench에서도 MiniMax-M1-40k는 모든 오픈소스 모델을 제치고 Gemini 2.5 Pro보다 뛰어난 점수를 기록했습니다. 또한 8만 토큰 출력을 허용한 M1-80k가 대부분의 테스트에서 40k 버전보다 높은 성적을 거둬, 추론 시간을 충분히 줄수록 성능이 뚜렷하게 향상됨을 입증했습니다.

연산량을 70% 줄인 비결

긴 문맥 추론은 일반적으로 막대한 GPU 자원을 소모하지만, M1은 구조적 설계를 통해 이를 해결했습니다.

첫 번째는 Lightning Attention 메커니즘을 적용한 자체 하이브리드 어텐션입니다. 8만 토큰에 달하는 깊은 추론을 수행할 때 DeepSeek R1의 약 30% 수준의 연산량만 사용하므로, 추론 계산 비용을 약 70% 절감할 수 있습니다.

두 번째는 자체 개발한 강화학습 알고리즘 CISPO입니다. 기존 토큰 업데이트 방식 대신 중요도 샘플링 가중치를 클리핑하는 기법을 써서 학습 효율을 크게 끌어올렸습니다. AIME 수학 시험 실험에서 다른 알고리즘 대비 2배 빠른 수렴 속도를 기록하며 바이트댄스의 DAPO와 DeepSeek 초기의 GRPO를 모두 앞질렀습니다.

이러한 최적화 덕분에 강화학습 훈련 단계 전체에서 512장의 H800 GPU를 단 3주 동안만 사용했습니다. GPU 대여 비용은 단 53만 4700달러로, 당초 예상치보다 한 자릿수 적게 들었습니다.

어디서 써볼 수 있나

모델의 전체 가중치와 기술 보고서는 허깅페이스(Hugging Face)와 깃허브(GitHub)에 공개되었습니다.

로컬 배포의 경우 오픈소스 추론 프레임워크인 vLLM과 Transformer가 이미 지원하고 있으며, SGLang 지원 작업도 함께 진행 중입니다.

서버를 직접 띄우기 번거롭다면 MiniMax 웹사이트와 모바일 앱에서 무제한 무료로 즉시 체험해 볼 수 있습니다.

API 가격도 파격적입니다. 20만 토큰 이하 입력 구간은 100만 토큰당 입력 0.4달러, 출력 2.2달러로 DeepSeek-R1보다 저렴합니다. 20만~100만 토큰 구간은 입력 1.3달러, 출력 2.2달러로, 타사 오픈 API가 제공하지 못하는 초장문 추론을 지원합니다.

왜 중요한가

방대한 코드베이스 분석이나 장문 법률 문서 검토, 다단계 에이전트를 구축하려는 개발자에게 M1은 긴 문맥과 깊은 추론을 오픈소스로 동시에 해결해 준 가뭄의 단비 같은 도구입니다. 문맥 제한으로 개발이 막혔던 워크플로가 있다면 지금 바로 테스트해 볼 가치가 충분합니다.

우리는 M1이 추론 모델 개발에서 무작정 연산 자원만 쏟아붓지 않고도 프론티어급 성능을 낼 수 있음을 보여줬다고 생각합니다. 50만 달러 남짓한 훈련 비용으로 폐쇄형 모델에 맞서는 성능을 뽑아낸 사례는, 오픈소스 AI 진영의 효율성 기준을 한 차원 높였습니다.