經(jīng)濟觀察報 記者 陳月芹

6月17日，MiniMax（稀宇科技）宣布其自主研發(fā)的MiniMax M1模型開源，并計劃在未來5天內每天發(fā)布一項新產(chǎn)品或新技術。而這款MiniMax M1模型，在關鍵技術規(guī)格、架構設計、上下文處理能力、訓練成本等維度全面對標DeepSeek R1，甚至是谷歌Gemini 2.5 Pro，比拼誰更好用、誰更低成本。

對大語言模型而言，上下文窗口與長文本處理能力是衡量一個模型處理復雜、長篇任務能力的關鍵指標。MiniMax M1支持100萬個token的上下文長度，是DeepSeek R1上下文大小（12.8萬Token）的8倍，僅落后于谷歌的Gemini 2.5 Pro。支持百萬級上下文輸入的能力，使得MiniMax M1擅長處理長文檔，適用于法律文件審查、深度研究分析或處理整個代碼庫等應用。

在架構上，MiniMax M1和DeepSeek R1均采用了混合專家（MoE）架構。MiniMax M1的總參數(shù)量為4560億，每個token激活459億參數(shù)；而DeepSeek R1雖然總參數(shù)量更大（6710億），但每個token激活的參數(shù)量相對較低，為370億。

此外，與DeepSeek R1相比，MiniMax-M1在生成10萬個token時僅消耗25%的浮點運算。在生成長度達64000個token的推理任務中，M1所需的計算能力不到DeepSeek R1的一半，進一步降低了模型操作成本。

2025年2月，DeepSeek火爆出圈，除了免費和好用之外，還因其僅以500萬至600萬美元的GPU成本，就訓練出了與OpenAI o1能力不相上下的DeepSeek R1模型，引起行業(yè)震撼，不過這一成本數(shù)據(jù)也引發(fā)了廣泛爭議。

MiniMax稱，M1模型的整個強化學習階段僅使用了512塊英偉達H800 GPU，耗時三周，成本僅為53.5萬美元，這一成本“比最初的預期少了一個數(shù)量級”。

MiniMax解釋，MiniMax M1的強文本處理能力和更低成本，背后是兩大核心技術作為支撐，一是線性注意力機制（Lightning Attention）混合構架和強化學習算法CISPO。例如，CISPO算法通過裁剪重要性采樣權重，而非傳統(tǒng)算法中調整Token的更新方式，來提升強化學習的效率和穩(wěn)定性。

降低訓練成本后，MiniMax也把用戶使用API服務的價格打下來了。

MiniMax M1采用分級計費，根據(jù)用戶輸入或輸出的Token數(shù)量（即內容的長度）而變化。第一檔為0—32k Token，每100萬個輸入Token收取0.8元，輸出則為8元/百萬Token；第二檔為32k—128k Token，輸入為1.2元/百萬Token，輸出則為16元/百萬Token；第三檔為128k—1M Token，輸入為2.4元/百萬Token，輸出為24元/百萬Token。

而DeepSeek R1 的API服務收費標準為?輸入每百萬Tokens?收費?0.55美元?（約合人民幣3.95元），?輸出每百萬Tokens?收費?2.19美元?（約合人民幣15.4元）。

據(jù)此計算，MiniMax M1前兩檔位的定價均低于DeepSeek R1，而第三個超長文本檔位，目前DeepSeek模型尚未覆蓋。

目前，MiniMax M1已在Hugging Face和GitHub上公開其代碼和模型權重，允許用戶進行透明的檢查、定制和本地部署。

（作者 陳月芹）

免責聲明：本文觀點僅代表作者本人，供參考、交流，不構成任何建議。

陳月芹

可聯(lián)系：chenyueqin@eeo.com.cn