智東西
作者 程茜
編輯 李水青

智東西7月15日消息，近日，“大模型六小虎”之一MiniMax新動向頻發(fā)。

昨日，據(jù)晚點(diǎn)報(bào)道，MiniMax接近完成近3億美元（折合人民幣約21.5億元）的新一輪融資，投后估值超過40億美元（折合人民幣約287億元）。“大模型六小虎”中，智譜、百川智能、月之暗面估值均超200億元，零一萬物、階躍星辰超100億元。

上個月，MiniMax前腳宣布啟動“發(fā)布周”，一口氣發(fā)了推理模型MiniMax-M1、視頻大模型海螺02、通用智能Agent MiniMax Agent、端到端視頻創(chuàng)作Agent海螺視頻Agent、語音設(shè)計(jì)工具；后腳外媒彭博社就爆料，MiniMax正在籌備赴港上市。

MiniMax成立于2021年11月，去年3月獲得6億美元A輪融資，當(dāng)時估值約為25億美元（約合人民幣180億元），該輪融資由阿里巴巴集團(tuán)領(lǐng)投，紅杉中國、高瓴資本參投。此前，騰訊、米哈游等公司也參與了MiniMax的融資。

今日，MiniMax放出了其在7月10日的M1全球技術(shù)閉門會的技術(shù)實(shí)錄，M1團(tuán)隊(duì)與香港科技大學(xué)、滑鐵盧大學(xué)、Anthropic、Hugging Face等技術(shù)人員，圍繞RL（強(qiáng)化學(xué)習(xí)）訓(xùn)練、模型架構(gòu)創(chuàng)新、長上下文展開探討，主要干貨信息如下：

1、針對有限上下文長度，RL能賦予模型新能力；

2、RL訓(xùn)練可以讓模型獲得范圍廣闊的知識；

3、只在數(shù)學(xué)和代碼上進(jìn)行RL訓(xùn)練，模型更容易產(chǎn)生幻覺；

4、Latent reasoning（隱性推理）可能是讓模型用圖像進(jìn)行思考的一個方向；

5、Reward Modeling（獎勵建模）、多智能體、AI自動化研究、非token空間推理是RL領(lǐng)域令人興奮的挑戰(zhàn)；

6、長上下文在Agent工作流中有巨大潛力；

7、混合架構(gòu)將成為主流；

8、大模型領(lǐng)域，脫離硬件的純粹算法研究正逐漸失去關(guān)注度。

如今大模型領(lǐng)域呈現(xiàn)出激烈的競爭態(tài)勢，DeepSeek等模型引發(fā)行業(yè)震動的同時使得國產(chǎn)大模型格局深度洗牌，大模型六小虎紛紛調(diào)整戰(zhàn)略求生存，在此背景下，MiniMax得到資本青睞，拿下大額融資、被曝沖刺IPO，其對于大模型在長文本處理能力、低成本訓(xùn)練等方面的有哪些創(chuàng)新點(diǎn)？這次技術(shù)閉門會有哪些獨(dú)到見解能為業(yè)界提供參考？我們試圖從其精華整理中找到答案。

一、揭秘M1背后閃電注意力機(jī)制，推理模型自我反思的關(guān)鍵是高效利用計(jì)算資源

今日放出的技術(shù)閉門會實(shí)錄提到，MiniMax研究人員針對MiniMax-M1采用的混合線性注意力以及推理模型是否已經(jīng)具備推理和自我反思能力進(jìn)行了探討。

MiniMax-M1是其發(fā)布周最先更新的模型，作為全球首個開源大規(guī)模混合架構(gòu)的推理模型，參數(shù)規(guī)模達(dá)到4560億，每個token激活459億參數(shù)，原生支持100萬上下文輸入以及業(yè)內(nèi)最長的8萬token推理輸出，輸入長度與閉源模型谷歌Gemini 2.5 Pro一致，是DeepSeek-R1的8倍。此外，研究人員訓(xùn)練了兩個版本的MiniMax-M1模型，其思考預(yù)算分別為40K和80K。

MiniMax在標(biāo)準(zhǔn)基準(zhǔn)測試集上的對比顯示，在復(fù)雜的軟件工程、工具使用和長上下文任務(wù)方面，MiniMax-M1優(yōu)于DeepSeek-R1和Qwen3-235B等開源模型。

其博客提到，在M1的整個強(qiáng)化學(xué)習(xí)階段，研究人員使用512塊H800訓(xùn)練了三周，租賃成本為53.74萬美金（折合人民幣約385.9萬元），相比其一開始的成本預(yù)期少了一個數(shù)量級。

M1是基于MiniMax-Text-01模型開發(fā)，采用了混合專家（MoE）架構(gòu)和閃電注意力機(jī)制。

M1的閃電注意力機(jī)制可以高效擴(kuò)展測試時計(jì)算。例如，與DeepSeek-R1相比，M1在10萬個token的生成長度下只需消耗25%的FLOP，使得M1適合于需要處理長輸入和廣泛思考的復(fù)雜任務(wù)。

對于混合線性注意力會如何影響使用RL的推理模型的性能，技術(shù)探討會中提到，在訓(xùn)練過程中，當(dāng)其擴(kuò)展到可處理數(shù)萬token上下文長度的模型時，遇到了RL訓(xùn)練停滯不前，獎勵信號在僅幾百步后就不再增長的問題。這與線性注意力架構(gòu)在這種規(guī)模下固有的訓(xùn)練不穩(wěn)定性有關(guān)，會導(dǎo)致某些層激活值爆炸等，并使模型在訓(xùn)練和推理時的行為出現(xiàn)嚴(yán)重錯位。

這使得其發(fā)現(xiàn)混合線性注意力的一個根本性權(quán)衡：效率極高，單位token的計(jì)算成本非常低，但通常需要生成更多的 token（即更長的推理路徑）才能達(dá)到與full attention模型相同的性能。其工作證明：通過適當(dāng)規(guī)模的RL以及合適的推理時算力，混合注意力模型能實(shí)現(xiàn)媲美Full Attention（全注意力）架構(gòu)性能。

這對未來架構(gòu)設(shè)計(jì)的一個關(guān)鍵啟示——評估方法的重要性。為了公平地比較混合模型與其他模型，研究人員應(yīng)該基于在給定任務(wù)下、固定總計(jì)算預(yù)算內(nèi)的性能來進(jìn)行評估，而不僅僅是比較固定輸出長度下的效果。

被問及推理模型是否已經(jīng)具備了System 2推理和自我反思能力，研究人員稱，System 2推理和自我反思，可以被理解為從大語言模型基本原理中涌現(xiàn)出的、可被觀測的模式。

首先其核心驅(qū)動力，是有效利用更大的計(jì)算資源來獲得更好性能的能力。高級推理能力，是擴(kuò)展這些資源后的直接結(jié)果，而非其根本原因。本質(zhì)上，為模型提供更多的計(jì)算能力去“思考”，使得這些復(fù)雜的模式得以涌現(xiàn)。

其次，這種高級推理可以被看作是一種自動化的Prompt Engineering。對于數(shù)學(xué)或編程等復(fù)雜任務(wù)，模型學(xué)會了生成自己的內(nèi)部思考過程，這實(shí)際上取代了人類提供詳盡、分步式指令的需要。

對于寫作等任務(wù)，模型在思考過程中會先對問題進(jìn)行分析，并對寫作步驟進(jìn)行專業(yè)化拆解。它會獨(dú)立地執(zhí)行諸如規(guī)劃和對問題進(jìn)行更深層次分析等操作。這使得模型能夠通過創(chuàng)建詳細(xì)推理路徑來“像專家一樣思考”。

因此System 2推理和自我反思，實(shí)質(zhì)上是如何高效地利用并擴(kuò)展計(jì)算預(yù)算（Computation Budget），同時也是模型自動深化用戶問題的體現(xiàn)。

二、從MiniMax-M1到大模型產(chǎn)業(yè)核心議題：模型架構(gòu)創(chuàng)新、RL訓(xùn)練、長上下文應(yīng)用

從MiniMax-M1出發(fā)，MiniMax團(tuán)隊(duì)成員與其他技術(shù)專家還探討了當(dāng)下大模型行業(yè)的其他核心話題，如模型架構(gòu)創(chuàng)新、RL訓(xùn)練、長上下文應(yīng)用等領(lǐng)域探討了當(dāng)前的前沿話題，有以下8大核心要點(diǎn)：

1、RL訓(xùn)練可增強(qiáng)有限上下文長度模型能力

首先需要定義模型的基礎(chǔ)能力：對于給定上下文長度的模型，在一組特定問題上無限次嘗試下的通過率（pass@k, k→∞）是多少，如果通過率為1，就表示這個模型能解決這類問題，通過率為0，則表示模型解決不了。

如果模型的生成長度，即模型思考過程的長度無限，RL無法賦予模型新能力，所有能用自然語言表述的問題，理論上模型都可以通過有限次的采樣嘗試來解決。

如果針對有限上下文長度，RL能賦予模型新能力。因?yàn)镽L所做的是改變模型輸出的分布，預(yù)訓(xùn)練后，模型可能需要至少10W tokens才能解決某個問題，但經(jīng)過RL微調(diào)后，它可能只需要10K tokens。如果模型有限上下文長度是50K tokens，那么RL的確賦予了模型新能力。

在有限上下文長度下， pass@k是一個好的衡量指標(biāo)。K的取值很重要，這取決于如何定義模型能力，如果定義是“模型至少有一次能解決這個問題”，那么應(yīng)該用盡可能大的k來衡量pass@k；但如果定義是“模型能否在4次嘗試內(nèi)解決問題”，那應(yīng)該去衡量pass@4。

目前Reward（獎勵）是RL scaling的核心瓶頸，特別是如何為那些不基于結(jié)果的獎勵（Non-outcome-based Reward）進(jìn)行建模，比如，人類可以從別人寫的一段文字或反饋中獲得正面或負(fù)面的感受，但目前并沒有很好的方法來對這種主觀感受進(jìn)行建模。

2、預(yù)訓(xùn)練的價(jià)值在于更多樣化的數(shù)據(jù)分布

原則上可以，只要有足夠的信息源就可以用RL來替代任何過程。某種意義上，預(yù)訓(xùn)練只是RL的一種特例，任何監(jiān)督學(xué)習(xí)都可以被看作是一種特殊的強(qiáng)化學(xué)習(xí)。現(xiàn)階段，RL訓(xùn)練階段的數(shù)據(jù)分布，要比預(yù)訓(xùn)練數(shù)據(jù)的分布狹窄得多，這正是目前進(jìn)行預(yù)訓(xùn)練能帶來的最大收益——它讓模型獲得了范圍遠(yuǎn)為廣闊的知識。

但在當(dāng)前階段，預(yù)訓(xùn)練的價(jià)值在于可以在預(yù)訓(xùn)練階段接觸到更多樣化的數(shù)據(jù)分布。目前RL研究的核心挑戰(zhàn)之一是如何拓展至Reward清晰的環(huán)境之外。獎勵建模（Reward Modeling）可能是一種解決方案，但更為通用的獎勵信號依然是行業(yè)在探索的方向。

3、只在數(shù)學(xué)和代碼上做RL訓(xùn)練更易產(chǎn)生幻覺

關(guān)于通用推理，至少在今年二月左右，大多數(shù)RL數(shù)據(jù)都來自于數(shù)學(xué)或編程領(lǐng)域。事實(shí)上，只在數(shù)學(xué)和代碼上進(jìn)行RL訓(xùn)練，模型更容易產(chǎn)生幻覺。SimpleQA等事實(shí)性基準(zhǔn)、MMLU等多學(xué)科問答基準(zhǔn)上模型的性能都會顯著下降。

因此研究人員做通用推理數(shù)據(jù)集的動機(jī)之一，就是創(chuàng)建更多樣化的RL訓(xùn)練數(shù)據(jù)。WebInstruct-verified數(shù)據(jù)集旨在為所有領(lǐng)域構(gòu)建更大規(guī)模的RL訓(xùn)練數(shù)據(jù)，以便模型能夠在不同領(lǐng)域取得進(jìn)步，而不僅是數(shù)學(xué)和編程。

現(xiàn)在MiniMax嘗試進(jìn)一步擴(kuò)大這個規(guī)模，之前，通過在預(yù)訓(xùn)練數(shù)據(jù)集中搜索可用的RL數(shù)據(jù)來擴(kuò)大規(guī)模，其已經(jīng)將其擴(kuò)展到50萬量級，現(xiàn)在正嘗試通過檢索更大規(guī)模的預(yù)訓(xùn)練數(shù)據(jù)集，從中獲取越來越多樣的RL數(shù)據(jù)，并采用在Mid-training（中期訓(xùn)練）進(jìn)行RL的范式，而不僅僅是作為后訓(xùn)練。

4、隱性推理是讓模型用圖像思考的可能方向

目前很多視覺推理范式，核心大都集中在文本形式的思維鏈上，視覺部分固化為一個ViT（Vision Transformer）編碼器，無法讓模型在編碼圖像上花費(fèi)更多計(jì)算資源。像視覺語言模型Pixel Reasoner或其他研究，正試圖幫模型重新審視圖像的特定區(qū)域，并對其進(jìn)行重新編碼，從而在關(guān)鍵區(qū)域上投入更多算力。

但這并不是從底層提升模型能力的方法，現(xiàn)階段更像是權(quán)宜之計(jì)。因?yàn)楝F(xiàn)有的視覺編碼器太弱，無法很好處理高分辨率圖像，所以才嘗試用其他操作操縱圖像表示，然后從輸入中重新調(diào)用并在此基礎(chǔ)上進(jìn)行推理。現(xiàn)階段，重新調(diào)用幀或高亮顯示等工具，實(shí)際上都只是在增強(qiáng)感知能力。

其他更復(fù)雜的圖像生成技術(shù)等工具，能從根本上改變圖像，其已經(jīng)超越了單純增強(qiáng)感知的范疇，比如在幾何問題中畫輔助線。這種方法如果奏效，未來或成為“用圖像思考”的更強(qiáng)大版本。

但仍需解決其根本的瓶頸問題：如何更好地編碼視覺像素，以及如何以更好的方式在抽象潛在空間（Latent Space）中進(jìn)行視覺推理。

Latent Reasoning（隱性推理）可能是一個方向。機(jī)器人或具身智能領(lǐng)域的視覺推理需要在空間中思考，在這些涉及空間感的場景下，很多推理過程是隱式的，無法被清晰地表述或言語化。

5、多智能體、AI自動化研究是RL領(lǐng)域挑戰(zhàn)

RL面臨挑戰(zhàn)之一是Reward Modeling，特別是如何超越那些結(jié)果容易被評估的環(huán)境；另一個可能很重要的領(lǐng)域是多智能體，多智能體目前更多受限于基礎(chǔ)設(shè)施，而非理論研究；另一個領(lǐng)域是AI自動化研究——讓模型自己訓(xùn)練自己，這與AGI的定義相關(guān)，即當(dāng)模型可以在沒有人類干預(yù)的情況下，自我訓(xùn)練并自我提升；非token空間的推理也存在機(jī)會。

6、長上下文是Agent的破局點(diǎn)

長上下文在Agent工作流中有巨大潛力，Agent完成某個任務(wù)時，能將整個代碼庫、API參考文檔、歷史交互數(shù)據(jù)等等，全部一次性喂給它。這種任務(wù)不能分幾次調(diào)用來處理，因?yàn)?strong>智能體完成任務(wù)時掌握的關(guān)于這個項(xiàng)目的信息越多，產(chǎn)出的質(zhì)量就越高。

研究人員有望從目前在大多數(shù)情況下，只能處理相當(dāng)孤立任務(wù)的智能體，發(fā)展到那些能夠管理復(fù)雜項(xiàng)目、同時保持完整上下文感知的智能體。

M1超長上下文模型的真正價(jià)值在于解鎖了全新的企業(yè)級應(yīng)用場景。例如，法律行業(yè)客戶需要把文件一塊一塊地喂給大語言模型，并用一些竅門來優(yōu)化檢索和上下文管理。這樣問題在于，可能錯過埋藏在某個隨機(jī)法律文件某一頁中的關(guān)鍵細(xì)節(jié)。1M token的上下文窗口就可以一次性處理整個案件歷史、所有相關(guān)判例以及所有其他信息源。

7、混合架構(gòu)將成為主流

對比純線性注意力和Full Attention，混合注意力機(jī)制（Hybrid Attention）是最有前景的方案。純線性注意力機(jī)制有很多根本性局限，因?yàn)樗臓顟B(tài)大小是固定的，因此，在處理長序列建模問題時表現(xiàn)不佳。

Full Attention雖然提供了靈活性，但其代價(jià)也顯而易見：KV緩存大小會隨著序列長度線性增長，并且訓(xùn)練復(fù)雜度也是平方級的。當(dāng)序列不斷變長時，高昂的推理和訓(xùn)練復(fù)雜度就會成為瓶頸。

混合架構(gòu)將會成為模型設(shè)計(jì)的主流，因?yàn)殡S著對大規(guī)模部署和低延遲需求的增長，人們會越來越關(guān)心推理效率和模型的推理能力。未來如何進(jìn)一步拓展混合注意力架構(gòu)的空間，研究人員可能需要探索不是簡單地用固定的比例來交錯堆疊Softmax注意力和線性注意力層，或許需要更多樣的混合架構(gòu)形式。

在大模型領(lǐng)域，脫離硬件的純粹算法研究正逐漸失去關(guān)注度。如果一項(xiàng)技術(shù)無法規(guī)模化，或者不能被高效地部署，那它就很難獲得關(guān)注、形成勢能。一個算法不僅要在理論上站得住腳，還必須在硬件上——尤其是在GPU或TPU這類加速器上高效運(yùn)行。如今的算法研究者們還應(yīng)該掌握一些底層的GPU編程工具，這才是當(dāng)今在大模型領(lǐng)域做算法研究的正確方向。

混合架構(gòu)目前的瓶頸在于基礎(chǔ)設(shè)施。混合模型的有效性在去年就已經(jīng)得到了很好的驗(yàn)證，但沒有公司投入更多資金進(jìn)行大規(guī)模驗(yàn)證。

8、混合架構(gòu)推理速度對現(xiàn)實(shí)應(yīng)用至關(guān)重要

在推理層面，隨著混合注意力架構(gòu)越來越流行，為了在SGLang或其他推理引擎中充分利用緩存感知和緩存復(fù)用等特性，研究人員需要為普通架構(gòu)和混合架構(gòu)設(shè)計(jì)統(tǒng)一的抽象層，這樣才能簡單地將所有優(yōu)化應(yīng)用到混合模型上。

此外當(dāng)前MiniMax模型7+1層交錯的架構(gòu)可能會帶來一些工程挑戰(zhàn)，特別是在用計(jì)算圖優(yōu)化（Graph Optimization）進(jìn)行部署時，因?yàn)椴煌瑢拥挠?jì)算和內(nèi)存訪問模式是不同的，這會導(dǎo)致GPU利用率不平衡。可能需要用一些技術(shù)來解決它，比如批處理重疊（Batch Overlapping）或者更先進(jìn)的Pipeline策略。

從支持混合架構(gòu)的技術(shù)層面來說，首先需要一個混合分配器（Hybrid Allocator），有助于管理混合架構(gòu)的KV緩存。這些狀態(tài)的生命周期與全注意力層的KV緩存并不同步，所以需要設(shè)計(jì)如何讓它與現(xiàn)有的緩存機(jī)制、預(yù)填充、解碼等環(huán)節(jié)協(xié)同工作。

其次，批處理重疊（Batch Overlapping）會很有幫助。采用了混合架構(gòu)后，如果能將兩個微批次（Micro-batches）重疊起來處理，只要比例計(jì)算得當(dāng)，理論上任意時刻都會有一個微批次在執(zhí)行計(jì)算密集型的Full Attention 操作，從而最大化GPU利用率。

從生產(chǎn)部署的角度來看，混合架構(gòu)的推理速度對現(xiàn)實(shí)應(yīng)用至關(guān)重要。例如，有一個客戶，需要并發(fā)處理多個幾十萬token的請求。但對于使用二次方復(fù)雜度注意力的傳統(tǒng)模型，在這種輸入大小和并發(fā)量下，生成速度都會變得極慢。

結(jié)語：“大模型六小虎”發(fā)力

作為MiniMax推出的首個推理模型，MiniMax-M1是其在模型架構(gòu)、算法創(chuàng)新上的最新探索。未來大語言模型在測試或推理階段，往往需要動態(tài)增加計(jì)算資源或計(jì)算步驟來提升模型性能，尤其在Agent發(fā)展加速的當(dāng)下，模型需要進(jìn)行數(shù)十到數(shù)百輪的推理，同時集成來自不同來源的長上下文信息，才能執(zhí)行任務(wù)。MiniMax在M1上的技術(shù)探索，對于推理模型能力、長上下文處理能力的突破或許均有可復(fù)用性。

與此同時，“大模型六小虎”之一的月之暗面也放出了其最新一代MoE架構(gòu)基礎(chǔ)模型Kimi K2，總參數(shù)量達(dá)到1萬億（1T），在預(yù)訓(xùn)練階段使用了“MuonClip”優(yōu)化器實(shí)現(xiàn)萬億參數(shù)模型的訓(xùn)練優(yōu)化。

可以看出，被DeepSeek沖擊的“大模型六小虎”現(xiàn)在正在卯足勁頭，競相通過技術(shù)創(chuàng)新開發(fā)更實(shí)用、更低成本的模型。

來源：晚點(diǎn)、MiniMax