Lançamento do MiniMax-M1

• A MiniMax lançou o M1 em 16 de junho de 2025 como um modelo de raciocínio de pesos abertos que descreve como o primeiro modelo de raciocínio de código aberto em larga escala com atenção híbrida do mundo, com pesos e relatório técnico no Hugging Face e no GitHub e uso gratuito e ilimitado em seu app e site; foi o dia 1 da MiniMaxWeek^[1][3][5][6]
• O M1 é um modelo híbrido de mistura de especialistas com atenção relâmpago construído sobre o MiniMax-Text-01: 456B parâmetros no total, 45.9B ativados por token, contexto de 1M de tokens (oito vezes o do DeepSeek R1) e saída de raciocínio de até 80K tokens, lançado em versões com orçamento de raciocínio de 40K e 80K sob Apache 2.0^[5][6]
• A MiniMax afirma que a atenção relâmpago permite que o M1 use cerca de 25% dos FLOPs do DeepSeek-R1 com 100K tokens de geração, e que seu algoritmo CISPO, que recorta os pesos de amostragem por importância em vez das atualizações por token, convergiu duas vezes mais rápido que o DAPO no AIME; a execução completa de RL levou três semanas em 512 GPUs H800 e custou $534,700, segundo o divulgado^[1][5][6]
• Na ficha do modelo, o M1-80k obtém 86.0 no AIME 2024 (DeepSeek-R1-0528: 91.4), 56.0 no SWE-bench Verified (R1-0528: 57.6; Claude 4 Opus: 72.5), 73.4 no OpenAI-MRCR a 128K (Gemini 2.5 Pro: 76.8) e 62.0 no TAU-bench airline (Gemini 2.5 Pro: 50.0)^[5]
• O preço da API da MiniMax era de $0.40 por milhão de tokens de entrada e $2.20 por milhão de tokens de saída até 200K de entrada, e de $1.30 e $2.20 acima disso; o OpenRouter lista $0.55 e $2.20 com contexto de 1M, e a MiniMax seguiu o M1 com o modelo de vídeo Hailuo 02 em 18 de junho e o MiniMax Agent em 19 de junho^[1][2][4]

Principais recursos

• Arquitetura híbrida: um backbone de mistura de especialistas combinado com um mecanismo de atenção relâmpago, construído sobre o MiniMax-Text-01, o que, segundo a MiniMax, torna eficiente o cálculo de contexto longo e raciocínio profundo^[1][5][6]
• Aprendizado por reforço em larga escala em tarefas diversas, incluindo ambientes de engenharia de software em sandbox, ao qual a MiniMax atribui seu desempenho em engenharia de software, uso de ferramentas e tarefas de contexto longo^[6]
• O SWE-bench Verified foi executado com o scaffold Agentless em 486 das 500 tarefas, e o TAU-bench usou o GPT-4.1 como modelo de usuário, sem ferramentas personalizadas e com até 40 etapas^[5]
• Há suporte a chamadas de função, com vLLM recomendado para produção e Transformers também compatível; o suporte ao SGLang estava em andamento no lançamento^[1][5]

Benchmarks

A tabela de resultados da ficha do modelo MiniMax-M1 (orçamento de raciocínio entre parênteses); "--" não informado, "*" subconjunto de HLE somente de texto^[5].