MiniMax-M1：開源 1M Token 推理模型
MiniMax 推出 M1 開源推理模型，主打 100 萬 Token 上下文、8 萬 Token 輸出與低價 API。
MiniMax-M1 是一款開源推理模型，主打 100 萬 Token 上下文、8 萬 Token 輸出，還把 API 價格壓得很低。
MiniMax 在 2025 年 6 月 16 日推出 MiniMax-M1。這次最吸睛的不是模型名字，而是數字。100 萬 Token 上下文、8 萬 Token 推理輸出，還有 512 張 H800 跑了 3 週的訓練設定。
更狠的是成本。MiniMax 說，整段強化學習只花了 534,700 美元。講白了，這是在告訴大家：大模型不一定非得燒到像失火一樣。它也可以很大，還可以算得精。
對開發者來說，這種模型值不值得玩，重點不在宣傳詞。重點在它能不能真的讀長文件、看大程式碼庫、跑長 agent 流程。MiniMax 把它放進 MiniMax App、網頁版和 API，也接上 vLLM、SGLang、Hugging Face 與 GitHub，就是想讓人直接上手。
| 指標 | MiniMax-M1 | 代表意義 |
|---|---|---|
| 上下文長度 | 1,000,000 tokens | 可處理超長文件與程式碼庫 |
| 推理輸出 | 80,000 tokens | 適合長鏈思考與多步驟任務 |
| RL 訓練算力 | 512 H800 × 3 週 | 顯示訓練規模很大 |
| RL 成本 | 534,700 美元 | MiniMax 主打效率 |
| SWE-bench validation | 55.6% 到 56.0% | 軟體工程能力有競爭力 |
| API 價格 | 每百萬 tokens $0.4 / $2.2 | 輸入與輸出都偏低價 |
MiniMax 為什麼要做這種模型
訂閱 AI 趨勢週報
每週精選模型發布、工具應用與深度分析，直送信箱。不定期，不騷擾。
不會寄垃圾信，隨時可取消。
我覺得這題很直白。現在大家都在比誰的模型更會講，MiniMax 直接改比誰能記更多。100 萬 Token 的上下文，不是拿來唬人而已。它能把長文件、長對話、長程式碼一起塞進去。
這對實務工作很有感。你在做 code review、法務文件摘要、客服知識庫查詢，或者 agent 反覆呼叫工具時，模型常常不是不會想。它是前面內容太長，後面就忘了。長上下文就是在補這個洞。
MiniMax 說 M1 用的是混合注意力設計，裡面有 Lightning Attention。意思很簡單。它想把長序列的計算壓下來，讓模型在吃大資料時，不要把伺服器搞得像在烤肉。
- 100 萬 Token 上下文
- 8 萬 Token 推理輸出
- 512 張 H800 參與訓練
- RL 成本 534,700 美元
這些 benchmark 到底怎麼看
先講結論。MiniMax-M1 不是只會秀參數。它把重點放在軟體工程、長上下文理解，還有工具使用。這三個方向都很實際，因為現在很多 AI 工作流，最後都會碰到程式、文件和工具鏈。
在 SWE-bench validation 上，MiniMax 公布 M1-40k 是 55.6%，M1-80k 是 56.0%。這個數字沒有把 DeepSeek 的 R1-0528 拉下來，後者是 57.6%。但它還是站在開源模型第一梯隊。
長上下文部分就更有看頭。MiniMax 說，M1 在開源模型裡表現很強，甚至把 OpenAI o3 和 Claude 4 Opus 也拉進比較。它自家說法是，M1 在這項測試排到第二，只輸給 Gemini 2.5 Pro。
“This feature gives us a substantial computational efficiency advantage in both training and inference.” — MiniMax
這句話很重要。因為大家都知道長上下文很香，但也很貴。模型如果只會吃記憶體，最後還是沒人敢用。MiniMax 想說的是，它不只大，還想讓訓練和推理都算得過去。
- SWE-bench：55.6% 到 56.0%
- DeepSeek-R1-0528：57.6%
- 長上下文排名：第二，僅次於 Gemini 2.5 Pro
- 工具使用測試：MiniMax 宣稱領先多數開源模型
價格才是這次的殺手鐧
很多模型一出來就愛講能力，價格卻藏到最後。MiniMax 這次反過來，把價格放得很前面。它的 API 在 0 到 20 萬 Token 區間，輸入每百萬 Token 只要 0.4 美元，輸出是 2.2 美元。
如果輸入超過 20 萬、到 100 萬 Token，輸入價格變成每百萬 Token 1.3 美元，輸出還是 2.2 美元。這個設計很有意思。它等於在說，長上下文可以用，但不是叫你亂塞資料。
這種定價對開發者很實際。你要跑長文件摘要、程式碼 refactor、知識庫問答，或者 agent 反覆讀寫資料，成本會直接影響你要不要上線。MiniMax 這次就是在搶這塊。
- 0 到 20 萬輸入：每百萬 Token 0.4 美元
- 0 到 20 萬輸出：每百萬 Token 2.2 美元
- 20 萬到 100 萬輸入：每百萬 Token 1.3 美元
- 20 萬到 100 萬輸出：每百萬 Token 2.2 美元
更麻煩的是，這還不是只有 API 的事。MiniMax 說 M1 已經能在 App、網頁和開發工具鏈裡用。對團隊來說，工具先接得上，才有機會真的進 production。只會發 paper 的模型，通常都活不久。
跟其他模型比，差在哪裡
如果只看 100 萬 Token，上下文這件事其實已經不是 MiniMax 獨有。Gemini 2.5 Pro 也有 100 萬 Token 級別的上下文。差別在於，MiniMax 把價格壓得更明顯，還把開源和部署支援一起端出來。
再看開源陣營。DeepSeek 的 R1 系列在推理圈很有名，Meta Llama 系列則有更大的生態。MiniMax 的打法比較像是：我不一定要在所有榜單都第一，但我要在長上下文、成本、工具使用這幾個點很能打。
這種策略其實很合理。現在企業採購 AI，不會只看單一 benchmark。你還得看部署難度、推理速度、價格、以及能不能接到既有的伺服器和軟體堆疊。M1 的優勢，就是它把這幾件事綁在一起賣。
- Gemini 2.5 Pro：同樣主打超長上下文
- DeepSeek R1：推理能力強，SWE-bench 更高
- Meta Llama：開源生態成熟，但長上下文不是唯一賣點
- MiniMax-M1：價格和長上下文一起打
這代表整個 AI 產業什麼事
我覺得這波很像一個轉向。前兩年大家在拼參數和聊天能力，現在開始拼「你到底能不能真的做事」。做事就會碰到長文件、長流程、長記憶，還有工具呼叫。這些都很吃上下文。
所以 100 萬 Token 不只是規格表上的數字。它其實在暗示一件事：模型會越來越像工作引擎，不只是聊天機器人。你丟進去的不是一句 prompt，而是一整包資料、規則、歷史紀錄和程式碼。
MiniMax 這次還把訓練成本講得很細。512 張 H800、3 週、53.47 萬美元。這些數字的用意很明顯。它想讓市場相信，超長上下文不是只能靠超大預算堆出來。
但我也不會把話說滿。模型規格漂亮，不等於每個工作都適合。真正的考驗，是你的資料格式、你的 prompt 工程、還有你的延遲需求。別忘了，Token 再大，回應慢到像在等公車，也沒人想用。
接下來可以怎麼看 M1
如果你是開發者，我會建議你先拿它測三件事。第一是長文件摘要。第二是大程式碼庫問答。第三是多步驟 agent 任務。這三個場景最容易看出模型有沒有真材實料。
如果你是產品或 AI 工程師，就該盯成本。API 價格低，代表你有機會把更長的上下文塞進產品，但前提是你要算得出 ROI。不是每個功能都值得開到 100 萬 Token。很多時候，20 萬就夠了。
MiniMax-M1 這次給市場的訊號很清楚。開源模型的競爭，已經不是單純比誰更會講。接下來更重要的是，誰能把長上下文、推理品質和成本一起做平衡。你如果正在選模型，這會是很值得實測的一個選項。