动态｜不只“卷性能”还要“卷性价比”，MiniMax发布全球首个开源大规模混合架构推理模型M1

在人工智能竞赛进入“下半场”的今天，模型性能的比拼已不再是唯一焦点，高效、低成本、强推理能力正成为定义下一代AI核心竞争力的关键。6月17日，上海AI独角兽企业MiniMax正式发布其自主研发的MiniMax-M1系列模型。

据了解，M1被定义为“全球首个开源的大规模混合架构推理模型”，技术报告显示，M1模型在处理百万级Token的长文本上实现了重大突破；其RL（强化训练）成本下降一个量级，成本仅53万美金；在工具使用场景（TAU-bench）中，MiniMax-M1-40k同样领跑所有开源权重模型。

开源技术报告截图

除了开源模型权重，MiniMax的API服务也具有较高性价比。

具体来看，其API服务根据上下文长度分为三档：对于0-32k Token以内，定价为输入0.8元/百万Token、输出8元/百万Token；对于32k至128k Token的较长文本，定价为输入1.2元/百万Token、输出16元/百万Token；而对于128k至1M Token的超长文本处理，定价则为输入2.4元/百万Token、输出24元/百万Token。

前两个档位的定价均低于DeepSeek-R1，而第三个超长文本档位则是DeepSeek模型目前尚未覆盖的领域。此外，MiniMax宣布，在其自有的App和Web端，M1模型将保持不限量免费使用，这将有效推动技术的普及和应用。

好性能与低成本，源于M1的两大核心技术创新：线性注意力机制（Lightning Attention）混合架构和更快的强化学习算法CISPO。

首先，Lightning Attention混合架构是实现百万级上下文窗口的关键。它有效解决了传统Transformer模型在处理长序列时计算量呈平方级增长的瓶颈，显著优化了长文本输入的计算效率。

报告指出，在处理8万Token的深度推理时，M1所需的算力仅为DeepSeek R1的约30%；而在生成10万Token时，推理算力更是低至DeepSeek R1的25%，这种效率提升，转化为训练和推理阶段的成本优势。

其次，CISPO强化学习算法通过优化采样权重，而非传统方式调整Token，大幅提升了学习效率和稳定性。得益于此，M1模型的整个强化学习阶段仅用512块英伟达H800 GPU、耗时三周，成本便控制在53.5万美元。MiniMax官方表示，这一成本“比最初的预期少了一个数量级”。

业内人士认为，M1系列模型的推出，不仅为开发者提供了高性能、低门槛的新选择，更证明了通过技术创新可以有效打破“算力-资本”的壁垒。这种“卷成本、卷效率”的竞争模式，将倒逼更多模型厂商走向真正的技术驱动和价值创造。