GitHub 上 MiniMax-M1 模型的项目页面，主要介绍了世界上首个开源权重的大规模混合注意力推理模型 MiniMax-M1，包括模型概述、评估结果、部署指南、功能调用、聊天机器人与 API 及联系方式等内容，以下是详细总结：

一、模型基本信息

• 模型定位：全球首个开源权重（open-weight）的大规模混合注意力推理模型。
• 开发背景：基于 MiniMax 团队此前的 MiniMax-Text-01 模型开发，采用混合专家（MoE）架构与闪电注意力机制（lightning attention）。
• 参数规模：总参数 4560 亿，每 token 激活 459 亿参数。
• 核心能力：
  • 长上下文支持：原生支持 100 万 token 上下文长度，是 DeepSeek R1 的 8 倍。
  • 计算效率：闪电注意力机制使测试时计算高效扩展，例如在生成 10 万 token 时，FLOPs 消耗仅为 DeepSeek R1 的 25%。
  • 训练方式：通过大规模强化学习（RL）训练，覆盖数学推理、软件工程等多样化任务，提出 CISPO 算法优化 RL 效率。

二、模型版本与性能表现

• 版本分类：提供两种思考预算版本：40K 和 80K（数字代表思考步骤预算）。
• 基准测试结果（以 80K 版本为例）：

  类别	任务	MiniMax-M1-80K	对比模型表现（部分）
  数学	AIME 2024	86.0	超越 Qwen3-235B（85.7），接近 OpenAI-o3（91.6）
  	AIME 2025	76.9	低于 Gemini 2.5 Pro（88.0）
  通用编码	LiveCodeBench	65.0	低于 DeepSeek-R1（73.1）和 Gemini 2.5 Pro（77.1）
  	FullStackBench	68.3	接近 DeepSeek-R1（69.4）
  推理与知识	GPQA Diamond	70.0	显著低于 Gemini 2.5 Pro（86.4）
  	ZebraLogic	86.8	低于 DeepSeek-R1（95.1）和 OpenAI-o3（95.8）
  软件工程	SWE-bench Verified	56.0	超越 Qwen3-235B（34.4），低于 Claude 4 Opus（72.5）
  长文本	OpenAI-MRCR（1M）	56.2	接近 Gemini 2.5 Pro（58.8）
  智能体工具使用	TAU-bench（零售）	63.5	低于 Claude 4 Opus（81.4）和 OpenAI-o3（73.9）

三、关键特性与工具支持

• 函数调用：支持结构化函数调用，可识别何时调用外部工具并输出参数，配套《MiniMax-M1 函数调用指南》。
• 部署方式：
  • 推荐方案：使用 vLLM 部署，具备高性能、智能内存管理、批量处理等特性，提供 [vLLM 部署指南]。
  • 替代方案：直接通过 Transformers 部署，参考《MiniMax-M1 Transformers 部署指南》。
• 周边工具：
  • 聊天机器人：提供带在线搜索功能的演示版本。
  • API 接口：开放开发者 API，支持视频生成、图像生成、语音合成等多模态能力（通过 MiniMax MCP Server）。

四、项目资源与社区信息

• 代码与模型：
  • 仓库地址：GitHub - MiniMax-AI/MiniMax-M1
  • 模型下载：通过 Hugging Face 获取 40K 和 80K 版本。
• 开源协议：采用 Apache-2.0 许可证，允许商业使用与修改。
• 社区数据（截至页面信息）：
  • Star 数：1.1K
  • Fork 数：45
  • 贡献者：3 人（含 MiniMax 官方开发团队）
• 联系方式：技术咨询可发送邮件至 model@minimax.io。

五、总结

MiniMax-M1 以长上下文处理和高效计算为核心优势，在软件工程、长文本理解等任务中表现突出，适合需要深度推理和大规模输入的场景。尽管在部分通用任务中性能不及顶尖闭源模型，但其开源特性和混合架构为学术研究与工业应用提供了新选择。项目配套的部署工具链和多模态 API 进一步降低了落地门槛，展现了团队在模型工程化方面的投入。