รายการแรกคือแหล่งที่มาของหมุดเสมอ ความเชื่อมั่นโดยรวมคือค่าเฉลี่ยถ่วงน้ำหนักว่าแต่ละแหล่งอ้างอิงสนับสนุนเวลาเริ่มและสิ้นสุดด้านบนมากเพียงใด แหล่งอ้างอิงจะมีน้ำหนักลดลงครึ่งหนึ่งทุก ๆ 180 วันที่เก่ากว่าแหล่งล่าสุด
โพสต์ข่าวของ MiniMax ลงวันที่ 06.16.2025 และรายงานทางเทคนิคถูกส่งไปที่ arXiv[6] เมื่อวันที่ 16 มิถุนายน 2025 Analytics Vidhya[3] (18 มิถุนายน) ระบุว่า M1 เปิดตัวในวันที่ 1 ของ MiniMaxWeek และ OpenRouter[4] แสดง minimax/minimax-m1 ในวันที่ 17 มิถุนายน (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]
มีอะไรขาดหรือผิดไหม บอกด้วยคำพูดของคุณเอง: ลิงก์ที่สนับสนุนหมุดนี้ วันที่เริ่มหรือสิ้นสุดที่ต่างออกไปพร้อมเหตุผล หรือข้อเท็จจริงที่ขาดหรือผิด AI จะตรวจสอบกับแหล่งที่มาของหมุด ค้นหาแหล่งที่ดีกว่า และเพิ่มหน้าที่สนับสนุนคุณ แหล่งที่มาของหมุดเองยังคงมีน้ำหนักมากที่สุด รูปภาพที่แสดงสิ่งอื่นหรือแสดงได้ไม่ดีก็จะถูกตรวจสอบ และเลื่อนลงหรือแทนที่
ชื่อต้นฉบับ: MiniMax-M1 Released
ตารางผลลัพธ์จากการ์ดโมเดล MiniMax-M1 (งบประมาณการคิดอยู่ในวงเล็บ) "--" หมายถึงไม่ได้รายงาน และ "*" หมายถึงชุดย่อยของ HLE เฉพาะข้อความ[5].
| เกณฑ์มาตรฐาน | 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 (ไม่ใช้เครื่องมือ) | 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 (สายการบิน) | 62.0 | 60.0 | 34.7 | 53.5 | -- | 44.0 | 59.6 | 50.0 | 52.0 |
| TAU-bench (ค้าปลีก) | 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 |