MiniMax-M1开源：支持百万级上下文窗口的混合MoE推理模型！

2025-06-18 237

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

本文涉及的产品

交互式建模 PAI-DSW，每月250计算时 3个月

模型在线服务 PAI-EAS，A10/V100等 500元 1个月

模型训练 PAI-DLC，100CU*H 3个月

简介： MiniMax最新发布了全球首个开源大规模混合架构的推理模型——MiniMax-M1！

01.前言

MiniMax最新发布了全球首个开源大规模混合架构的推理模型——MiniMax-M1！

M1在面向生产力的复杂工作场景，包括软件工程、长上下文与工具使用上表现优异，超过国内的闭源模型，接近海外的最领先模型，同时又有业内最高的性价比。

M1支持目前业内最高的100万上下文的输入，与Gemini 2.5 Pro 一致，以及业内最长的8万Token的推理输出，长于Gemini 2.5的 64K。

MiniMax-M1总参数量4560亿，单次激活459亿Tokens，此次开源包括两个版本，具有 4 万和 8 万的 COT长度，其中 4 万 COT的模型代表了 8万 COT版本训练过程中的一个中间阶段。

MiniMax-M1在业内主流的 17 个评测集上详细评测了M1。结果显示，M1在面向生产力的复杂工作场景，包括软件工程、长上下文与工具使用上具备显著优势，是开源模型中最好的一档。

具体的结果如下：

-依托百万级上下文窗口，M1系列在长上下文理解任务中表现卓越，不仅全面超越所有开源权重模型，甚至超越OpenAI o3和Claude 4 Opus，全球排名第二，仅以微弱差距落后于Gemini 2.5 Pro。

-在代表解决实际软件工程编码问题SWE-bench验证基准上，MiniMax-M1-40k和MiniMax-M1-80k分别取得55.6%和56.0%的优异成绩，这一成绩略逊于DeepSeek-R1-0528的57.6%，显著超越其他开源权重模型。

-在代理工具使用场景（TAU-bench）中，MiniMax-M1-40k同样领跑所有开源权重模型，并战胜Gemini-2.5 Pro。

MiniMax的整个RL训练非常高效。得益于架构创新以及提出的新算法CISPO，整个RL阶段只用到512块H800 3周时间，租赁成本只有53.7万美金。这比一开始的预期少了一个数量级。

MiniMax-M1采用以flash attention机制为主的混合架构，在计算长上下文输入以及深度推理时显著高效。例如，在使用8万Token深度推理的时候，只需要使用DeepSeek R1约30%的算力。这个特性，使得研究团队在训练推理模型的时候有极大的速度和成本优势。

除此之外，研究团队提出了强化学习算法CISPO，这一算法通过裁剪重要性采样权重（而非传统token更新）提升强化学习效率。在AIME 的实验中，研究团队发现这比包括字节提出的 DAPO 等强化学习算法收敛性快了一倍，并且显著优于 DeepSeek 早期使用的 GRPO。

目前，vLLM和Transformer已经实现了对M1的部署支持，和SGLang的部署支持也在推动中。

因为相对高效的训练和推理算力使用，研究团队在 MiniMax APP 和 Web 上都保持不限量免费使用，并以业内最低的价格在官网提供API。在0-32k的输入长度的时候，输入0.8元/百万token，输出8元/百万token；在32k-128k的输入长度的时候，输入1.2元/百万token，输出16元/百万token；在最长的 128k-1M 的输入长度的时候，输入2.4元/百万token，输出24元/百万token。前面两种模式都比 DeepSeek-R1 性价比更高，后面一种模式 DeepSeek 模型不支持。

模型链接：

https://modelscope.cn/models/MiniMax/MiniMax-M1-80k

体验空间：

https://modelscope.cn/studios/MiniMax/MiniMax-M1

02.模型推理

我们介绍使用ms-swift对MiniMax-M1-40k进行推理。在推理之前，请确保您的环境已准备妥当。

git clone https://github.com/modelscope/ms-swift.git
cd ms-swift
pip install -e .

使用transformers作为推理后端：

显存占用: 8 * 80GiB

import os
os.environ['CUDA_VISIBLE_DEVICES'] = '0,1,2,3,4,5,6,7'
from transformers import QuantoConfig
from swift.llm import PtEngine, RequestConfig, InferRequest
quantization_config = QuantoConfig(weights='int8')
messages = [{
    'role': 'system',
    'content': 'You are a helpful assistant.'
}, {
    'role': 'user',
    'content': 'who are you?'
}]
engine = PtEngine('MiniMax/MiniMax-M1-40k', quantization_config=quantization_config)
infer_request = InferRequest(messages=messages)
request_config = RequestConfig(max_tokens=128, temperature=0)
resp = engine.infer([infer_request], request_config=request_config)
response = resp[0].choices[0].message.content
print(f'response: {response}')
"""
<think>
Okay, the user asked "who are you?" I need to respond in a way that's helpful and clear. Let me start by introducing myself as an AI assistant. I should mention that I'm here to help with information, answer questions, and assist with tasks. Maybe keep it friendly and open-ended so they know they can ask for more details if needed. Let me make sure the response is concise but informative.
</think>
I'm an AI assistant designed to help with information, answer questions, and assist with various tasks. Feel free to ask me anything, and I'll do my best to help! 😊
"""

使用vllm作为推理后端：

显存占用: 8 * 80GiB

注意：你需要手动修改config.json文件，`config['architectures'] =

["MiniMaxM1ForCausalLM"]`修改为`config['architectures'] =

["MiniMaxText01ForCausalLM"]`

import os
os.environ['CUDA_VISIBLE_DEVICES'] = '0,1,2,3,4,5,6,7'
os.environ['VLLM_USE_V1'] = '0'
if __name__ == '__main__':
    from swift.llm import VllmEngine, RequestConfig, InferRequest
    messages = [{
        'role': 'system',
        'content': 'You are a helpful assistant.'
    }, {
        'role': 'user',
        'content': 'who are you?'
    }]
    engine = VllmEngine('MiniMax/MiniMax-M1-40k', tensor_parallel_size=8, 
                           quantization='experts_int8', max_model_len=4096, enforce_eager=True)
    infer_request = InferRequest(messages=messages)
    request_config = RequestConfig(max_tokens=128, temperature=0)
    resp = engine.infer([infer_request], request_config=request_config)
    response = resp[0].choices[0].message.content
    print(f'response: {response}')

使用命令行：

CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 \
swift infer \
    --model MiniMax/MiniMax-M1-40k \
    --tensor_parallel_size 8 \
    --vllm_quantization experts_int8 \
    --max_model_len 4096 \
    --enforce_eager true \
    --infer_backend vllm \
    --stream true \
    --max_new_tokens 2048 \
    --temperature 0.7