AI技术革命的赛马阶段，每个阶段都有一个“神”。

DeepSeek、通义千问....每个厂商都在不断的创新，刷新认知。

而这次的“源神”非MiniMax-M1莫属了。

今天就来聊一聊MiniMax。

01 MiniMax-M1牛在哪儿？

一个字总结：长............

支持长达100万token的上下文长度。

来看一组数据：

1. 53.47万美元的训练成本就达到了与需要数亿美元训练的GPT模型相当的性能。

2. 支持100万token的上下文长度，8万token输出长度，比肩Gemini，是DeepSeek的8倍。

M1在性能接近GPT模型的同时，成本仅为其1/188左右。

我愿称之为顶级牛马，干活好要钱少，老板兴奋不已。

别的模型数月训练的成果，M1只需要数周就能达成，仅需512块H800GPU资源。

高产出低投入，干活快的要命，别人1天3顿饭，M1 3天吃一顿饭，这投入产出比，谁不羡慕，这么干到80岁都没问题.....

M1恐怖之处还在于它支持的token上下文长度。

以下是主流大模型支持token上下文长度对比图：

可以看到，MiniMax-M1和Gemin支持的100万token上下文长度一骑绝尘，遥遥领先其他大模型。

其他大模型也不过是在20万token以下。

真大胃王模型。

1个token大概相当于1个汉字，100万token就是100万个汉字。

100万字什么概念，相当于1部长篇小说《盗墓笔记》，7部中长篇小说《呐喊》或是100篇常规研究论文的文字数量。

我们普通日常办公打字的数量大概在1000-5000字，100万字需要敲7个月到2年时间。

这下分析论文、小说、代码等内容一次性就可以搞定，不需要分段多次上传了。

怪不得MiniMax官网的logo：内容再长也不在话下。

是真的长????

02 M1凭什么这么牛？

源于MiniMax-M1用的混合专家系统(MoE)架构与闪电注意力机制相结合的设计。

什么是注意力机制。

大模型的“注意力”和人的注意力类似 ，都是 “抓重点” 的能力，就像人看书时会自动盯着关键句子、聊天时会关注重点词语一样。

通过计算不同信息的 “重要程度”，根据重要程度分配权重，让模型把精力集中在关键内容上，忽略无关信息。

那么在输入的文字数很长的情况下，大模型会因为计算量太大（要算所有词的关系）而变得很慢，甚至占满内存（有点像电脑同时开 100 个程序会卡死一样）。

闪电注意力就像给传统注意力加了 “节能模式” 和 “分块处理” 功能。

假设你要让 大模型读一本100万字的书，传统注意力需要让大模型把整本书的每个字都同时记在脑子里，然后计算每个字和其他所有字的关系。

那么就会出现问题：

• 1：太占脑子（内存）：比如书有 100 万字，模型需要存 100 万 ×100 万 = 10万亿“关系对”，显存不够就会 “死机”。

• 2：算得太慢：算这 10万亿个关系对要花很长时间，尤其是内容越长，计算量像滚雪球一样暴增。

• 3：容易算错：数字太大时，计算过程容易 “溢出”（比如小数算成整数），导致结果不准。

闪电注意力做的就比较聪明了。

把书分块读，不一口气读完整本书。

把书分成很多小章节（比如每章 20000 字），每次只算一个章节内的字之间的关系，或者相邻章节的关系，算完就扔掉中间结果，需要时再重新算。这样：

• 原来要存 10万亿个关系对，现在只需要存 20000×20000=4亿个，内存占用从 “ 10万亿” 降到 “4亿”，数据量大大减少。

• 计算量也从 “ 10万亿次” 降到 “按章节拆分后的少量计算”，速度快很多。

03 实测案例

国内官网

https://chat.minimaxi.com/

打开深度思考。

之前爬取小红书网页数据的时候，需要获取html网页结构分析，每次让claude帮我解析的时候，html代码的长度总是太长而受限，无奈只能分段喂给大模型。

Kimi、豆包都是，直接超过20万无法进行下一步对话，弹出限制：

另外MiniMax处理小说、论文、拆书这种超长的文本的场景/领域来说也是契合度非常高。

04 聊聊背后的公司

MiniMax（稀宇科技）本身就是一家以技术驱动的公司，核心团队成员大多来自商汤，技术背景实力不凡。

21年成立到现在不到5年的时间，自主研发多模态的语音、音乐大模型、图像大模型以及视频大模型，海螺AI、星野等产品做的都非常牛，性能着实很优秀。

我很喜欢MiniMax的理念：「开源是加速技术迭代的核心驱动力」。

没错，开源更能加速AI的技术发展，一群人的能量比一个人的能量要大，3个臭皮匠顶一个诸葛亮。

目前这个AI发展的混战阶段，大家一起创新，无疑是加速AI成熟落地的最好办法。

相信总会有越来越好的技术迭代出来，有更好的产品给我们。