La première entrée est toujours la source de l’épingle. La confiance globale est une moyenne pondérée de la fermeté avec laquelle chaque référence étaye les heures de début et de fin retenues ci-dessus ; une référence compte moitié moins pour chaque tranche de 180 jours d’ancienneté par rapport à la plus récente.
L'article d'actualité de MiniMax est daté du 06.16.2025 et son rapport technique a été soumis à arXiv[6] le 16 juin 2025 ; Analytics Vidhya[3] (18 juin) indique que M1 a été lancé le jour 1 de la MiniMaxWeek et OpenRouter[4] référence minimax/minimax-m1 au 17 juin (UTC).
China Daily item on the Shanghai government site, 24 June 2025: MiniMax[1]-M1 is the world's first open-source, large-scale, hybrid-attention reasoning model with performance on par with top players, followed by the Hailuo 02 video model on 18 June and MiniMax Agent on 19 June.
Analytics Vidhya, 18 June 2025: M1 released on day 1 of the five-day MiniMaxWeek under Apache 2.0, 1M input and 80K output tokens, hands-on tests of an animation simulation, a web-search task and a logic puzzle, plus the MiniMax[1] Agent beta.
OpenRouter listing (read from its models API): MiniMax[1]: MiniMax M1, added 17 June 2025, 1,000,000-token context, $0.55 per million input and $2.20 per million output tokens.
Model card: 456B total and 45.9B active parameters, 1M-token context (8x DeepSeek R1), 40K and 80K thinking budgets, Apache 2.0, CISPO, about 25% of DeepSeek-R1 FLOPs at 100K tokens, and the full benchmark table with notes on SWE-bench and TAU-bench setups.[1]
Il manque quelque chose ou une erreur s'est glissée ? Dites-le avec vos mots : un lien qui étaye cette épingle, une autre date de début ou de fin et pourquoi, ou une information absente ou erronée. L'IA la vérifie au regard des sources de l'épingle, en cherche de meilleures et ajoute toute page qui vous donne raison. Les sources de l'épingle restent celles qui comptent le plus. L'IA regarde aussi les images : une image qui montre autre chose, ou qui le montre mal, passe en dernier ou est remplacée.
Titre original: MiniMax-M1 Released
Le tableau des résultats de la fiche du modèle MiniMax-M1 (budget de réflexion entre parenthèses) ; "--" non communiqué, "*" sous-ensemble de HLE en texte seul[5].
| Benchmark | MiniMax-M1-80K | MiniMax-M1-40K | Qwen3-235B-A22B (32k) | DeepSeek-R1-0528 (64k) | DeepSeek-R1 (32k) | Seed-Thinking-v1.5 (32k) | Claude 4 Opus (64k) | Gemini 2.5 Pro 06-05 (64k) | OpenAI-o3 (100k) |
|---|---|---|---|---|---|---|---|---|---|
| AIME 2024 | 86.0 | 83.3 | 85.7 | 91.4 | 79.8 | 86.7 | 76.0 | 92.0 | 91.6 |
| AIME 2025 | 76.9 | 74.6 | 81.5 | 87.5 | 70.0 | 74.0 | 75.5 | 88.0 | 88.9 |
| MATH-500 | 96.8 | 96.0 | 96.2 | 98.0 | 97.3 | 96.7 | 98.2 | 98.8 | 98.1 |
| LiveCodeBench | 65.0 | 62.3 | 65.9 | 73.1 | 55.9 | 67.5 | 56.6 | 77.1 | 75.8 |
| FullStackBench | 68.3 | 67.6 | 62.9 | 69.4 | 70.1 | 69.9 | 70.3 | -- | 69.3 |
| GPQA Diamond | 70.0 | 69.2 | 71.1 | 81.0 | 71.5 | 77.3 | 79.6 | 86.4 | 83.3 |
| HLE (sans outils) | 8.4* | 7.2* | 7.6* | 17.7* | 8.6* | 8.2 | 10.7 | 21.6 | 20.3 |
| ZebraLogic | 86.8 | 80.1 | 80.3 | 95.1 | 78.7 | 84.4 | 95.1 | 91.6 | 95.8 |
| MMLU-Pro | 81.1 | 80.6 | 83.0 | 85.0 | 84.0 | 87.0 | 85.0 | 86.0 | 85.0 |
| SWE-bench Verified | 56.0 | 55.6 | 34.4 | 57.6 | 49.2 | 47.0 | 72.5 | 67.2 | 69.1 |
| OpenAI-MRCR (128k) | 73.4 | 76.1 | 27.7 | 51.5 | 35.8 | 54.3 | 48.9 | 76.8 | 56.5 |
| OpenAI-MRCR (1M) | 56.2 | 58.6 | -- | -- | -- | -- | -- | 58.8 | -- |
| LongBench-v2 | 61.5 | 61.0 | 50.1 | 52.1 | 58.3 | 52.5 | 55.6 | 65.0 | 58.8 |
| TAU-bench (compagnie aérienne) | 62.0 | 60.0 | 34.7 | 53.5 | -- | 44.0 | 59.6 | 50.0 | 52.0 |
| TAU-bench (commerce de détail) | 63.5 | 67.8 | 58.6 | 63.9 | -- | 55.7 | 81.4 | 67.0 | 73.9 |
| SimpleQA | 18.5 | 17.9 | 11.0 | 27.8 | 30.1 | 12.9 | -- | 54.0 | 49.4 |
| MultiChallenge | 44.7 | 44.7 | 40.0 | 45.0 | 40.7 | 43.0 | 45.8 | 51.8 | 56.5 |