ĐÃ XÁC NHẬNĐộ tin cậy của ngày: ĐÃ XÁC NHẬNĐược nêu là chắc chắnMức độ chắc chắn mà nguồn nêu ngày: đã xác nhận, đã lên lịch, ước tính, bị hoãn hoặc chưa xác minh.Hiện tất cả ghim ĐÃ XÁC NHẬNĐỘ TIN CẬY 86%Độ tin cậy tổng thể: 86%Mức độ nguồn và tài liệu tham khảo của ghim củng cố các ngày của nó.Trung bình có trọng số về mức độ 6 tài liệu, gồm cả nguồn, ủng hộ thời điểm bắt đầu và kết thúc của ghim; một tài liệu được tính giảm một nửa cho mỗi 180 ngày cũ hơn tài liệu mới nhấtHiện tất cả ghim có độ tin cậy từ 75% trở lên
Bài đăng tin của MiniMax[1] đề ngày 06.16.2025 và báo cáo kỹ thuật được gửi lên arXiv[6] vào ngày 16 tháng 6 năm 2025; Analytics Vidhya[3] (18 tháng 6) cho biết M1 được phát hành vào ngày 1 của MiniMaxWeek và OpenRouter[4] liệt kê minimax/minimax-m1 vào ngày 17 tháng 6 (UTC).- Bắt đầu
- 16 thg 6, 2025ĐỘ TIN CẬY 90%từ nguồn
MiniMax-M1 ra mắt
Được dịch tự động từ bản gốc
Tiêu đề gốc: MiniMax-M1 Released
MiniMax phát hành M1, mô hình suy luận trọng số mở 456B theo kiến trúc hỗn hợp chuyên gia lai với lightning attention, ngữ cảnh 1M token và đầu ra suy luận 80K token, được huấn luyện bằng thuật toán học tăng cường mới với chi phí được báo cáo là $534,700.
- MiniMax phát hành M1 vào ngày 16 tháng 6 năm 2025 như một mô hình suy luận trọng số mở mà hãng gọi là mô hình suy luận chú ý lai quy mô lớn mã nguồn mở đầu tiên trên thế giới, kèm trọng số và báo cáo kỹ thuật trên Hugging Face và GitHub, cùng quyền dùng miễn phí không giới hạn trên ứng dụng và trang web; đó là ngày 1 của MiniMaxWeek[1][3][5][6]
- M1 là mô hình hỗn hợp chuyên gia lai với lightning attention xây dựng trên MiniMax-Text-01: tổng 456B tham số, kích hoạt 45.9B mỗi token, ngữ cảnh 1M token (gấp tám lần DeepSeek R1) và đầu ra suy luận lên tới 80K token, được phát hành ở hai phiên bản ngân sách suy nghĩ 40K và 80K theo giấy phép Apache 2.0[5][6]
- MiniMax cho biết lightning attention giúp M1 chỉ dùng khoảng 25% FLOPs của DeepSeek-R1 ở mức sinh 100K token, và thuật toán CISPO của hãng, vốn cắt xén trọng số lấy mẫu theo tầm quan trọng thay vì cập nhật theo token, hội tụ nhanh gấp đôi DAPO trên AIME; toàn bộ quá trình RL kéo dài ba tuần trên 512 GPU H800 và có chi phí được báo cáo là $534,700[1][5][6]
- Trên thẻ mô hình, M1-80k đạt 86.0 trên AIME 2024 (DeepSeek-R1-0528 đạt 91.4), 56.0 trên SWE-bench Verified (R1-0528 đạt 57.6, Claude 4 Opus đạt 72.5), 73.4 trên OpenAI-MRCR ở 128K (Gemini 2.5 Pro đạt 76.8) và 62.0 trên TAU-bench airline (Gemini 2.5 Pro đạt 50.0)[5]
- Giá API của MiniMax là $0.40 cho mỗi triệu token đầu vào và $2.20 cho mỗi triệu token đầu ra với đầu vào tới 200K, và $1.30 và $2.20 khi vượt mức đó; OpenRouter liệt kê $0.55 và $2.20 với ngữ cảnh 1M, và sau M1, MiniMax tiếp tục ra mắt mô hình video Hailuo 02 vào ngày 18 tháng 6 và MiniMax Agent vào ngày 19 tháng 6[1][2][4]
Tính năng nổi bật
- Kiến trúc lai: một xương sống hỗn hợp chuyên gia kết hợp với cơ chế lightning attention, xây dựng trên MiniMax-Text-01, mà MiniMax cho biết giúp việc tính toán ngữ cảnh dài và suy luận sâu trở nên hiệu quả[1][5][6]
- Học tăng cường quy mô lớn trên nhiều loại tác vụ, bao gồm các môi trường kỹ thuật phần mềm trong hộp cát, mà MiniMax cho là nguồn gốc sức mạnh của mô hình trong kỹ thuật phần mềm, sử dụng công cụ và các tác vụ ngữ cảnh dài[6]
- SWE-bench Verified được chạy với khung Agentless trên 486 trong 500 tác vụ, còn TAU-bench dùng GPT-4.1 làm mô hình người dùng, không có công cụ tùy chỉnh và tối đa 40 bước[5]
- Hỗ trợ gọi hàm, trong đó vLLM được khuyến nghị cho môi trường sản xuất và Transformers cũng được hỗ trợ; hỗ trợ SGLang đang được thực hiện vào thời điểm ra mắt[1][5]
Benchmark
Bảng kết quả từ thẻ mô hình MiniMax-M1 (ngân sách suy nghĩ trong ngoặc); "--" là không được báo cáo, "*" là tập con HLE chỉ có văn bản[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 (không dùng công cụ) | 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 (hàng không) | 62.0 | 60.0 | 34.7 | 53.5 | -- | 44.0 | 59.6 | 50.0 | 52.0 |
| TAU-bench (bán lẻ) | 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 |