MiniMax 開源推理模型 M1：支援百萬上下文，推理算力省 70%

MiniMax-M1 是一個把 100 萬 token 上下文與 8 萬 token 深度長鏈推理結合起來的開源推理模型。如果你平時需要讓 AI 一次性吃進整套大型程式碼庫或幾百頁技術規範，再做多步複雜的邏輯推演，它就是專門為此設計的工具，整體表現逼近閉源的 Google Gemini 2.5 Pro。

它能做什麼

在程式碼與工程任務上，M1 推出了 MiniMax-M1-40k 和 MiniMax-M1-80k 兩個版本。在衡量軟體工程解決能力的 SWE-bench 驗證基準上，兩者分別取得了 55.6% 和 56.0% 的成績，緊跟 DeepSeek-R1-0528 的 57.6%，顯著超越了其他開源權重模型。

長上下文理解是它的拿手好戲。依託 100 萬 token 的視窗，它在長文本基準測試中超越了 OpenAI o3 和 Claude 4 Opus，全球排名第二，僅稍遜於 Gemini 2.5 Pro。

在智慧體工具呼叫的 TAU-bench 測試中，MiniMax-M1-40k 同樣領跑所有開源模型，成績超過了 Gemini 2.5 Pro。基準測試還顯示，輸出上限達 8 萬 token 的 M1-80k 在絕大多數測試中都穩步優於 40k 版本，說明給足推理計算資源確實能讓它解出更難的問題。

算力消耗怎麼降下來的

長上下文推理往往極其消耗算力，M1 能做到高效執行，核心靠兩處底層架構設計。

首先是混合注意力機制。它結合了自研的 Lightning Attention，大幅優化了超長上下文輸入與深度推斷時的計算。在進行 8 萬 token 的深度推理時，它消耗的算力僅為 DeepSeek R1 的 30% 左右，相當於直接省下了 70% 的計算開銷。

其次是強化學習演算法 CISPO。與傳統的逐 token 更新不同，CISPO 通過裁剪重要性取樣權重來提升強化學習效率。在 AIME 數學基準實驗中，它的收斂速度達到其他強化學習演算法的兩倍，快於字節跳動的 DAPO，也明顯好於 DeepSeek 早期採用的 GRPO。

得益於這兩項改進，模型最終的強化學習訓練異乎尋常地省錢。整個階段僅租用了 512 塊 H800 顯示卡，訓練 3 周，算力租賃成本僅為 534700 美元，摺合人民幣約 390 萬元，比團隊最初預估少了一個數量級。

去哪裡試，怎麼部署

目前 MiniMax 已在 Hugging Face 和 GitHub 上公開了完整的技術報告與全套模型權重。

在本地和私有化部署方面，開源推理框架 vLLM 和 Transformer 已經原生支援 M1，團隊也正在與 SGLang 合作推進適配。

如果你不想自己折騰顯示卡，MiniMax 的網頁端和 App 現已開放無限制免費體驗。

對於呼叫 API 的開發者，官方給出的定價也極具競爭力。輸入 20 萬 token 以內，每百萬 token 輸入 0.4 美元、輸出 2.2 美元，價格比 DeepSeek-R1 更低；20 萬到 100 萬 token 區間，每百萬 token 輸入 1.3 美元、輸出 2.2 美元，填補了超長輸入推理的定價空白。

為什麼重要

對於經常需要分析整套工程專案、做長篇法務合同比對或構建複雜多步智慧體的開發者，M1 填補了開源領域超長上下文與深度推理不能兼得的空白。如果你的工作流長期被上下文長度和昂貴的推理卡住，現在就很值得拿真實業務資料去測一測。

我們認為，M1 證明了推理模型不一定要靠堆砌算力硬砸。通過在注意力層和強化學習演算法上做工程微調，僅靠 50 多萬美元的訓練預算就能做出對標前沿閉源模型的長文本推理，這不僅給開源開發者提供了一件趁手的硬核工具，也會倒逼整個行業重新審視推理的效率邊界。