MiniMax M1：上下文能力比肩Gemini 2.5 Pro的开源新星？

AI六小虎的复苏：MiniMax带着M1王者归来？

不知道大家是否还记得曾经风光无限的AI六小虎？最近似乎沉寂了许久。而就在昨天深夜，MiniMax突然在X上预告了一整周的发布计划，打响了AI界的第一炮，而第一个项目，便是开源的推理模型MiniMax M1。这个选择深夜发布的操作，真是让人摸不着头脑。

MiniMax M1的性能究竟如何？

直接说结论：MiniMax M1的上下文能力，在目前的开源模型中绝对是顶尖水平，甚至可以媲美Gemini 2.5 Pro。简直是新一代的开源模型之光！

当然，在AIME 2024逻辑数学题、LiveCodeBench编程题和SWE-bench Verified代码补全等测试中，MiniMax M1的表现只能说是中规中矩，有强有弱。但在TAU-bench（需要理解任务目标和推理动机的场景）测试中，M1的准确率达到了62.8%，开始接近顶尖开源模型。

MRCR（4-needle）测试：MiniMax M1一战封神

最令人震惊的是在MRCR (4-needle) 测试中，MiniMax M1 直接登顶，与 Gemini 2.5 Pro 并驾齐驱。熟悉 Gemini 2.5 Pro 的人都知道，它的上下文处理能力非常强大。而 MiniMax M1 作为一个开源模型，能够达到这种水平，实属不易。

MRCR (4-needle)测试是什么？

MRCR 全称 Multi-Round Co-reference Resolution，即多轮共指消解。简单来说，就是考察模型在处理较长的、多轮对话时，能否准确理解用户意图，并区分用户指的是哪一次对话、哪一个内容。

举个例子：用户与AI进行多轮对话，要求AI写诗、谜语、文章等。在对话中，会穿插多个类似的话题（比如多首关于企鹅的诗）。然后让AI回头去找某一次特定的话，比如用户要求“再重复一遍第二首写企鹅的诗”，此时模型必须精准识别“第二首”指的具体是哪一次回答的内容。

4-needle 指的是在同一段超长上下文中同时埋下 4 个“针”（关键信息片段），然后在后续对话里以交错的方式把这 4 根针全部翻出来。

在这种高难度的测试下，MiniMax-M1 几乎超越了所有其他模型，仅与 Gemini 2.5 Pro 存在细微差距。

MiniMax M1背后的技术秘密：Lightning Attention

MiniMax-01基座模型：M1的强大基石

MiniMax M1 优秀的上下文处理能力，得益于他们之前开源的基座模型 MiniMax-01。

Lightning Attention：线性注意力机制的威力

得益于 MiniMax-01 Lightning Attention 线性注意力机制的应用，M1 的时间和空间复杂度随序列长度增加呈近似线性增长，不像传统 Transformer 那样呈平方级膨胀。这意味着在处理长文本时，M1 更加高效。

在推理生成长度为 64K token 时，Lightning Attention 机制使得 M1 的 FLOPs 消耗不到 DeepSeek R1 的一半。当生成长度达到 100K token 时，M1 仅消耗其约 25% 的 FLOPs。

参数与上下文长度：MoE架构与百万字上下文

MiniMax-M1 与之前开源的基座模型 MiniMax-01 一样，都采用了 456B 参数的 MoE 架构，实际激活 45.9B。最长上下文长度达到了 100 万字，是 DeepSeek-R1 的 8 倍。

此次开源了两个上下文长度的推理模型，分别是 40K 和 80K。需要注意的是，这里的 80K 和 40K 指的是 Extended Thinking 的上限，而非上下文长度。

• GitHub: https://github.com/MiniMax-AI/MiniMax-M1
• Hugging Face: https://huggingface.co/spaces/MiniMaxAI/MiniMax-M1

MiniMax M1的实际应用体验：超乎想象的强大

MiniMax官网体验：初探M1的强大之处

MiniMax M1 已经在 MiniMax 官网上线，可以直接体验。
网站链接：https://chat.minimaxi.com/

将 MiniMax-M1 的技术报告扔进去，让它逐字翻译，结果竟然连图片、公式和表格都能完整地翻译出来，虽然部分图表有丢失，但整体效果已经非常出色。更令人惊喜的是，它还会自作主张地省略掉参考文献，简直太懂用户的心了。

高级翻译测试：精准理解与灵活应用

在翻译测试中，我尝试让 MiniMax-M1 将文档翻译成中文，并在括号里标注符合大学六级英语水平的英文词汇或短语，它都完美地完成了任务，上下文准确性令人惊叹。

聊天记录分析：精准识别与样式重构

我还将一周的微信群聊天记录导入 MiniMax-M1，让它找出绛烨的聊天记录。它不仅准确识别出了绛烨的微信ID，还扒出了他的所有聊天记录，甚至做了样式重构，链接可以直接点击，简直太神奇了。

文字冒险游戏：身临其境的沉浸式体验

由于超长且精准的上下文能力，你可以与 MiniMax-M1 玩真正的文字冒险游戏，因为它能记住你的出身，记住一切。

长篇小说总结：轻松应对海量信息

我将包含 34 个刘慈欣小说的故事合集扔给 MiniMax-M1，让它为每个故事写一段总结和推荐语。MiniMax-M1 出色地完成了任务，充分展现了超长上下文的魅力。而如果换成 DeepSeek，可能只能阅读 8% 的内容。

挑战极限：MiniMax M1的不足之处

当然，MiniMax-M1 也并非完美无缺。当我让它数本草纲目里一共有多少种药材时，它最终给出的答案是 400 种，而正确答案是 1892 种。不过，考虑到这个任务的难度，也情有可原。

写作、编程与数学：综合能力测试

在写作方面，MiniMax-M1 表现中规中矩。数学方面，虽然没有进行完整的测试，但目前测试的两道高考大题都做对了。

在编程方面，MiniMax-M1 生成的前端页面审美还有待提高，略显直男审美。例如，在生成飞书多维表格的可视化网页时，Gemini 生成的页面更加美观。

总结与展望：MiniMax的未来之路

总的来说，MiniMax M1 确实带来了一些惊喜，它的一些新特性很有意思，也拔高了开源领域的模型水平。

期待未来几天 MiniMax 能够继续推出更多有意思的产品。以我对 MiniMax 的了解，视频模型应该很快就会更新了，毕竟 Video 01-Director 已经发布很久了。此外，或许还会推出音乐模型，这也很符合 MiniMax 的气质。

希望 MiniMax 能够继续努力，让 AI 的这一把火烧得更热烈些。

我认为： MiniMax M1的出现，无疑给开源大模型领域注入了一剂强心针。它在上下文理解能力上的突破，让我们看到了国产AI的巨大潜力。然而，我们也要清醒地认识到，M1并非完美，在某些特定任务上仍有不足。未来的AI之路还很长，需要更多像MiniMax这样的企业不断探索和创新，才能真正实现AI技术的普及和应用。