DISAHKANKeyakinan tarikh: DISAHKANDinyatakan sebagai tetapSejauh mana sumber menyatakan tarikh itu: disahkan, dijadualkan, dianggarkan, ditangguhkan atau belum disahkan.Tunjuk semua pin DISAHKAN86% KEYAKINANKeyakinan keseluruhan: 86%Sejauh mana sumber dan rujukan pin menyokong tarikhnya.Purata berpemberat bagi sejauh mana 6 rujukan, termasuk sumber, menyokong masa mula dan tamat pin; sesebuah rujukan diambil kira separuh kurang bagi setiap 180 hari lebih lama daripada yang terbaharuTunjuk semua pin pada keyakinan 75% atau lebih baik
Siaran berita MiniMax[1] bertarikh 06.16.2025 dan laporan teknikalnya dihantar ke arXiv[6] pada 16 Jun 2025; Analytics Vidhya[3] (18 Jun) menyatakan M1 dikeluarkan pada hari 1 MiniMaxWeek dan OpenRouter[4] menyenaraikan minimax/minimax-m1 pada 17 Jun (UTC).- Mula
- 16 Jun 202590% KEYAKINANdaripada sumber
MiniMax-M1 Dilancarkan
Diterjemah secara automatik daripada asal
Tajuk asal: MiniMax-M1 Released
MiniMax melancarkan M1, model penaakulan berat terbuka 456B dengan campuran pakar hibrid dan perhatian kilat, konteks 1M token serta output penaakulan 80K token, dilatih dengan algoritma pembelajaran pengukuhan baharu pada kos yang dilaporkan sebanyak $534,700.
- MiniMax melancarkan M1 pada 16 Jun 2025 sebagai model penaakulan berat terbuka yang disifatkannya sebagai model penaakulan perhatian hibrid berskala besar sumber terbuka pertama di dunia, dengan berat dan laporan teknikal di Hugging Face dan GitHub serta penggunaan percuma tanpa had pada aplikasi dan laman webnya; ia merupakan hari 1 MiniMaxWeek[1][3][5][6]
- M1 ialah model campuran pakar hibrid dengan perhatian kilat yang dibina atas MiniMax-Text-01: 456B parameter keseluruhan, 45.9B diaktifkan bagi setiap token, konteks 1M token (lapan kali ganda DeepSeek R1) dan output penaakulan sehingga 80K token, dikeluarkan dalam versi bajet pemikiran 40K dan 80K di bawah Apache 2.0[5][6]
- MiniMax menyatakan perhatian kilat membolehkan M1 menggunakan kira-kira 25% FLOP DeepSeek-R1 pada penjanaan 100K token, dan algoritma CISPO-nya, yang memangkas berat persampelan kepentingan dan bukannya kemas kini token, menumpu dua kali lebih pantas daripada DAPO pada AIME; keseluruhan larian RL mengambil masa tiga minggu pada 512 GPU H800 dan menelan kos yang dilaporkan $534,700[1][5][6]
- Pada kad modelnya, M1-80k mencatat 86.0 pada AIME 2024 (DeepSeek-R1-0528 91.4), 56.0 pada SWE-bench Verified (R1-0528 57.6, Claude 4 Opus 72.5), 73.4 pada OpenAI-MRCR pada 128K (Gemini 2.5 Pro 76.8) dan 62.0 pada TAU-bench airline (Gemini 2.5 Pro 50.0)[5]
- Harga API MiniMax ialah $0.40 setiap sejuta token input dan $2.20 setiap sejuta token output sehingga 200K input, serta $1.30 dan $2.20 melebihi had itu; OpenRouter menyenaraikan $0.55 dan $2.20 dengan konteks 1M, dan MiniMax menyusuli M1 dengan model video Hailuo 02 pada 18 Jun dan MiniMax Agent pada 19 Jun[1][2][4]
Ciri-ciri utama
- Seni bina hibrid: tulang belakang campuran pakar digabungkan dengan mekanisme perhatian kilat, dibina atas MiniMax-Text-01, yang menurut MiniMax menjadikan pengiraan konteks panjang dan penaakulan mendalam cekap[1][5][6]
- Pembelajaran pengukuhan berskala besar pada pelbagai tugas termasuk persekitaran kejuruteraan perisian dalam kotak pasir, yang dikreditkan MiniMax bagi kekuatannya dalam kejuruteraan perisian, penggunaan alat dan tugas konteks panjang[6]
- SWE-bench Verified dijalankan dengan perancah Agentless pada 486 daripada 500 tugasan, dan TAU-bench menggunakan GPT-4.1 sebagai model pengguna tanpa alat tersuai dan sehingga 40 langkah[5]
- Panggilan fungsi disokong, dengan vLLM disyorkan untuk pengeluaran dan Transformers turut disokong; sokongan SGLang masih dalam proses semasa pelancaran[1][5]
Penanda aras
Jadual keputusan daripada kad model MiniMax-M1 (bajet pemikiran dalam kurungan); "--" tidak dilaporkan, "*" subset HLE teks sahaja[5].
| Penanda aras | 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 (tanpa alat) | 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 (syarikat penerbangan) | 62.0 | 60.0 | 34.7 | 53.5 | -- | 44.0 | 59.6 | 50.0 | 52.0 |
| TAU-bench (runcit) | 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 |