6月17日，国产大模型初创公司MiniMax（希宇科技）宣布推出了全球首个开源的大规模混合架构的推理模型M1，不仅性能超过国内的闭源模型，接近最新版的DeepSeek R1以及海外的最领先模型，同时还拥有更为出色的效率和业内最高的性价比。

根据官方的披露的对比报告显示，MiniMax-M1多项基准测试比肩DeepSeek-R1、Qwen3等开源模型，接近OpenAI O3等海外的最领先模型。

在阿里巴巴集团、腾讯和 IDG 资本的支持下，MiniMax 声称其 Lightning Attention 机制是一种计算注意力矩阵的方法，可以提高训练和推理效率，使其 M1 模型在计算长上下文输入和尝试推理时具有优势。

因此，M1显著的优势是支持目前业内最高的100万上下文的输入，跟闭源模型里面的 Google Gemini 2.5 Pro 一样，是 DeepSeek R1 的 8 倍，以及业内最长的8万Token的推理输出。

MiniMax表示，这主要得益于其独创的以闪电注意力机制为主的混合架构，从而在计算长的上下文输入以及深度推理的时候显著高效。例如，在用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MiniMax M1在训练和推理的时候都有很大的算力效率优势。

除此之外，MiniMax提出了更快的强化学习算法CISPO，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，MiniMax发现这比包括字节近期提出的 DAPO 等强化学习算法收敛性能快了一倍，显著的优于 DeepSeek 早期使用的 GRPO。

得益于上述两个技术创新，MiniMax最终强化训练过程非常高效，超出预期。实际上整个强化学习阶段只用到512块H800三周的时间，租赁成本只有53.47万美金。这比一开始的预期少了一个数量级。

MiniMax在业内主流的 17 个评测集上详细评测了M1，结果显示M1在长上下文理解任务中表现卓越，仅以微弱差距落后于Gemini 2.5 Pro，但在在代理工具使用场景（TAU-bench）中战胜了Gemini 2.5 Pro。具体的结果如下：

因为相对高效的训练和推理算力使用，MiniMax宣布在 MiniMax APP 和 Web 上都保持不限量免费使用。

同时，还将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。

编辑：芯智讯-浪客剑