MiniMax 四處突圍，終于撞上了自己的「好日子」。

昨天凌晨，MiniMax正式開源它們的第一個推理模型M1，這款模型雖然在各項基準(zhǔn)測試中表現(xiàn)「相貌平平」，卻擁有業(yè)界最長的上下文能力：100萬token輸入，8萬token輸出。除了高調(diào)開源M1，另一個消息正在各大AI社區(qū)傳播：MiniMax正在邀請用戶測試它們的通用Agent。

在錯失推理模型先發(fā)優(yōu)勢后，這家曾被認(rèn)為是AI六小龍中最穩(wěn)健的公司，想在下一程贏回來。

現(xiàn)在，它們終于等到了一個正在急劇縮短的時間窗口——Agent爆火的2025年。

那么，MiniMax這回推出的M1以及正在內(nèi)測的Agent到底實力如何？是否還能在明星AI初創(chuàng)公司和大廠的強敵環(huán)伺下「正面突圍」？

「直面AI」（ID：faceaibang）實際上手體驗了下，并深度解讀了這次的技術(shù)報告，「挖出了些」背后的東西。

01

上下文 + Agent能力是新模型的核心

接下來，我們實地測試下MiniMax M1推理模型和MiniMax Agent。

先來說下M1推理模型，它給我的第一個感受就是推理鏈很長，這其實與最近國產(chǎn)開源的幾個前沿大模型的表現(xiàn)很相似，像是前段時間的Qwen系列以及DeepSeek的最新小版本。它們透露出來的能力都是推理很強，但是推理鏈非常長，網(wǎng)友們也多次指出：極長的推理鏈，往往會讓模型輸出結(jié)果走偏。

比如，像下面這個「鋼琴鍵盤可視化小游戲」，我輸入了一段提示詞：

[角色設(shè)定] 你是一名前端開發(fā)者，擅長用原生 HTML + CSS + JavaScript 創(chuàng)建交互式頁面。

[任務(wù)目標(biāo)] 在網(wǎng)頁端實現(xiàn)一個「鋼琴鍵盤可視化小游戲」，支持鼠標(biāo)點擊或鍵盤按鍵觸發(fā)高亮，無需播放音樂。

*[核心功能]

1. 繪制 14 個白鍵 + 10 個黑鍵（C4–C5）。

2. 點擊/按鍵時，對應(yīng)琴鍵變?yōu)楦吡辽?，松開后恢復(fù)。

3. 頁面頂部實時顯示被按下的音名（如 “C4、D#4”）。*

[鍵盤映射] ? A–L 對應(yīng)白鍵 ? W–O 對應(yīng)黑鍵

[技術(shù)要求] ? 不使用任何框架，只用 原生 HTML/CSS/JS。 ? 代碼放在單個 index.html 中，可直接雙擊打開運行。

[樣式細(xì)節(jié)] ? 白鍵默認(rèn) #fff，黑鍵默認(rèn) #333。 ? 高亮色統(tǒng)一用 #f59e0b（亮橙）。 ? 頁面居中，寬度 ≤ 800 px，移動端自適應(yīng)。

MiniMax M1足足思考了791.2s，大部分時間都在思考鍵盤與字母的搭配問題，似乎在這一過程中，陷入了無盡的思考之中。

而且，我還在它的思維鏈里直接發(fā)現(xiàn)了可視化的「鋼琴鍵盤」：

在經(jīng)過大量時間的思考后，M1認(rèn)為題目中的鍵盤映射存在矛盾，可能無法完全正確實現(xiàn)。不過，它仍然給出了一份完整的代碼，我將它部署了一下，你可以看看效果，還是比較完整的：

除此之外，官方也給了幾個案例。

比如，用MiniMax M1構(gòu)建一個打字速度測試工具，它生成了一個簡潔實用的網(wǎng)頁應(yīng)用，能實時追蹤每分鐘打字詞數(shù)（WPM）：

用MiniMax M1創(chuàng)建一個迷宮生成器和路徑查找可視化工具。隨機生成迷宮，并逐步可視化算法解決迷宮的過程。使用 canvas 和動畫，使其視覺效果吸引人：

可以看得出來，在現(xiàn)在最火的Coding（代碼）能力上，最新發(fā)布的MiniMax M1表現(xiàn)出的能力跟現(xiàn)在的第一陣營大模型并沒有拉開差距，但這同時也意味著這個「開源」模型已經(jīng)是第一梯隊的了。

除了一般的代碼能力之外，我還特意去測試了一下M1最大的特點：長上下文窗口。在實際體驗過程中，我發(fā)現(xiàn)它的上下文確實「太長」了，并且展現(xiàn)了工具調(diào)用能力。比如，我讓它翻譯一下OpenAI o3和o4-mini的系統(tǒng)卡，這份PDF文件有33頁，并且涵蓋了大量圖表。

M1完完整整地翻譯了這個33頁的PDF，并且所有的格式都盡量還原OpenAI o3和o4-mini的系統(tǒng)卡文件，比如大量的表格和圖片。

在它呈現(xiàn)出的結(jié)果之中，表格部分像一般常規(guī)基礎(chǔ)模型一樣直接生成：

而一些圖片部分則直接調(diào)用工具進(jìn)行了精準(zhǔn)地裁切：

往往，大家通常不會用推理模型做翻譯工作，這是因為翻譯任務(wù)更依賴于語言模型對上下文的理解、語法結(jié)構(gòu)的把握等等。而推理模型則更擅長處理邏輯鏈條的構(gòu)建和一些復(fù)雜判斷類任務(wù)。最主要的還是，用推理模型做長上下文工作總歸有些慢以及「奢侈」。

總結(jié)下，MiniMax M1給我的感覺是：結(jié)構(gòu)完整、反思能力強、重視結(jié)果導(dǎo)向，但是在其他的實際能力水平方面，M1只能說處于中等水平，并未展現(xiàn)出超出預(yù)期的驚艷。

不過，這樣的能力倒是很適合Agent所需要的技術(shù)架構(gòu)：具備一定推理鏈能力、任務(wù)流程明確、響應(yīng)穩(wěn)定，且易于接入和組合調(diào)用。

02

MiniMax 首款通用Agent：中規(guī)中矩

接下來，我們再看看它們正在內(nèi)測的通用Agent表現(xiàn)如何。

MiniMax Agent展現(xiàn)出的能力，我們大概可以分為兩塊：前端效果上要更好一點，項目整體的交付更加完整。

這里，我們用一個實際案例來展示，輸入一段提示詞：

做一個PPT類型效果的網(wǎng)頁，介紹OpenAI的發(fā)展歷程。

Agent在實際制定任務(wù)計劃后，首先通過廣泛的網(wǎng)絡(luò)搜索，全面搜集關(guān)于OpenAI發(fā)展歷程的各類信息：

它還會調(diào)用像是爬取網(wǎng)絡(luò)信息的工具，針對信息質(zhì)量高的網(wǎng)頁提取核心數(shù)據(jù)：

MiniMax Agent相對于其他「傳統(tǒng)」Agent來說有一個可以說是創(chuàng)新的點，就是它會利用瀏覽器測試自己開發(fā)的網(wǎng)站，像是其他Agent往往會利用瀏覽器視覺理解其他網(wǎng)站，而不會針對自己所做的成果再度審查：

最后，它呈現(xiàn)出的效果還是不錯的：

從發(fā)展歷程、關(guān)鍵人物、核心產(chǎn)品、增長數(shù)據(jù)、未來展望都完整地覆蓋了，同時網(wǎng)頁具有一定的細(xì)膩程度，我錄制了一個完整版的視頻：

接下來，我們看看MiniMax M1的技術(shù)報告，其中的內(nèi)容并不算太過驚艷，但也有一些干貨。

03

一份并不算太過驚艷的技術(shù)報告，但有干貨

（1）性能

從測試數(shù)據(jù)來看，MiniMax M1的表現(xiàn)可以用「偏科生」來形容。在AIME 2024的奧數(shù)邏輯題、LiveCodeBench編程挑戰(zhàn)，以及SWE-bench Verified的真實代碼修改任務(wù)上，M1的成績只能說中規(guī)中矩——既沒有驚艷到讓人眼前一亮，也沒有差到讓人失望。

「還行，但不夠亮眼」。

在這些常規(guī)基準(zhǔn)測試上的表現(xiàn)，再搭配上現(xiàn)在這個時間點，M1的表現(xiàn)或許可以用「稍許失望」表示。

但是，當(dāng)場景切換到軟件工程、長上下文處理和工具調(diào)用等更貼近實際生產(chǎn)力需求的復(fù)雜任務(wù)時，M1展現(xiàn)出了顯著的優(yōu)勢。

比如，下表里的基準(zhǔn)測試—— TAU-bench，其全名是（ToolAgentUser benchmark）。這是一個真實世界工具呼叫對話任務(wù)評估框架，涵蓋 Airline（航空預(yù)訂）和 Retail（零售）兩個子域 。主要評估 AI 智能體通過多輪對話與用戶互動，像是調(diào)用訂票/修改/退票等 API，并依據(jù)復(fù)雜政策文檔執(zhí)行任務(wù)的能力 。

MiniMax M1的兩個模型（40k和80k）在TAU-bench（Airline）里都獲得了最高分；長上下文基準(zhǔn)測試?yán)?，M1也站上了第一梯隊：

（2）技術(shù)架構(gòu)解讀

在技術(shù)架構(gòu)創(chuàng)新上，M1有兩個特別值得關(guān)注的亮點：以閃電注意力機制為核心的混合架構(gòu)，以及更高效的強化學(xué)習(xí)算法CISPO。

M1最亮眼的規(guī)格當(dāng)屬其100萬token的上下文輸入能力，這個數(shù)字和Google Gemini 2.5 Pro并列業(yè)界第一，是DeepSeek R1的8倍。并且，它還支持8萬token的推理輸出——這個數(shù)字已經(jīng)超越了Gemini 2.5 Pro的6.4萬，成為目前世界上輸出最長的推理模型。

這種「超長記憶」能力的背后，是MiniMax獨創(chuàng)的以閃電注意力機制為主的混合架構(gòu)。

閃電注意力（Lightning Attention）由來已久。

但其實，MiniMax早已研究線性注意力架構(gòu)（Linear Attention）數(shù)年。MiniMax的架構(gòu)負(fù)責(zé)人鐘怡然曾在下面這篇數(shù)年前的論文里，就已經(jīng)開始研究線性注意力架構(gòu)（Linear Attention）：

早在今年1月15日發(fā)布MiniMax-01時，他們就做出了一個在業(yè)內(nèi)看來相當(dāng)「冒險」的決定：放棄「主流」Transformer路線，轉(zhuǎn)而大筆押注線性注意力架構(gòu)（Linear Attention）。這一架構(gòu)在早期表現(xiàn)并不好，并且被認(rèn)為如果經(jīng)過放大，可能會失效。

線性注意力架構(gòu)基礎(chǔ)上的工程級實現(xiàn)——閃電注意力機制，通過分塊算法提升速度、降低延遲。在處理100萬長度的輸入時，傳統(tǒng)的softmax attention的延遲是lightning attention的2700倍。

在強化學(xué)習(xí)方面，MiniMax提出了CISPO算法，通過裁剪重要性采樣權(quán)重而非傳統(tǒng)的token更新來提升效率。

在AIME的實驗中，他們發(fā)現(xiàn)，該方法的收斂速度是包括字節(jié)近期提出的 DAPO 在內(nèi)的強化學(xué)習(xí)算法的兩倍，明顯優(yōu)于DeepSeek早期采用的 GRPO。

（3）成本

得益于前面提到的兩項技術(shù)創(chuàng)新，M1的強化學(xué)習(xí)訓(xùn)練過程效率驚人——整個過程僅用了512塊H800芯片，訓(xùn)練時間只有三周，租賃成本僅為53.47萬美金。這比MiniMax最初的預(yù)期少了一個數(shù)量級。在動輒千萬美金訓(xùn)練成本的大模型時代，53萬美金訓(xùn)練出一個推理模型，似乎有些夸張了。

我們可以對比下同樣擁有完整產(chǎn)品系列并且玩開源的Llama4——這個在前段時間「爆紅」互聯(lián)網(wǎng)的「令人失望」的產(chǎn)品。早在去年，扎克伯格就透露過：他們部署兩個大型訓(xùn)練集群來支持 LLM 研發(fā)：其中一個集群配備了 22,000 塊 NVIDIA H100 GPU，另一個則配備 24,000 塊 H100 。

M1的這種成本優(yōu)勢會在實際應(yīng)用中持續(xù)發(fā)揮作用。假設(shè)，當(dāng)需要生成10萬token時，M1的推理算力需求僅為DeepSeek R1的25%——這意味著在同樣的硬件條件下，M1可以服務(wù)更多用戶，或者以更低的成本提供同樣的服務(wù)。

這種算力效率上的優(yōu)勢，配合100萬token的輸入能力和8萬token的輸出能力，讓MiniMax在長上下文應(yīng)用場景中具備了獨特的競爭優(yōu)勢。

而Agent就是一個典型場景。據(jù)“晚點LatePost”報道，MiniMax創(chuàng)始人閆俊杰認(rèn)為 long-context（長上下文）是 Agent（智能體）的重要能力，它能增強 AI 的 “記憶”。提升單 Agent 交互質(zhì)量和多 Agent 之間的通訊能力。

這也讓業(yè)界認(rèn)為MiniMax這會兒推出的長上下文推理模型是否是「專門為了Agent而造」？這是否意味著MiniMax將要All in Agent了，憑此繼續(xù)留在「牌桌」上？

04

圍戰(zhàn) Agent 的大趨勢讓 MiniMax 緩了一口氣

圍戰(zhàn) Agent 的大趨勢讓四處突圍，在多模態(tài)領(lǐng)域不斷做長線戰(zhàn)斗的 MiniMax 緩了一口氣，似乎看到了一絲「曙光」。

2025年被業(yè)界廣泛認(rèn)為是AI Agent之年。現(xiàn)在，2025年剛過去了一半，我們已經(jīng)看到了如此多的通用Agent或者是垂類Agent產(chǎn)品，它們或來自大廠或來自明星AI初創(chuàng)企業(yè)，像是：字節(jié)的扣子空間，百度的心響，F(xiàn)lowith，Manus等等。

在這場競爭中，「長上下文」確實是一張重要的牌，而M1的優(yōu)勢也在于此。

現(xiàn)在 AI Agent 通常依賴于一套「感知—推理—行動」的端到端閉環(huán)能力，對模型在長上下文處理能力、模塊化推理、指令響應(yīng)穩(wěn)定性以及輕量化部署等方面有著極高要求。而 M1 恰恰在這些核心能力上展現(xiàn)出強大的適配性：它不僅具備鏈?zhǔn)剿季S（CoT）生成能力，還能在多輪交互中保持上下文一致性，且推理效率表現(xiàn)屬于第一梯隊中等水平。

隨著Agent進(jìn)入應(yīng)用場景，無論是單個Agent工作時產(chǎn)生的記憶，還是多個Agent協(xié)作所產(chǎn)生的context，都會對模型的長上下文窗口提出更多需求。這就像人類團(tuán)隊協(xié)作一樣，大家必須對項目背景有共同的了解，才能高效配合。

但長上下文真的能「包打天下」嗎？答案是：重要，但遠(yuǎn)非全部。

決定Agent成敗的關(guān)鍵因素還有許多。

比如：Agent是否能夠以「端到端」能力強化學(xué)習(xí)，培養(yǎng)「干中學(xué)」？還有就是現(xiàn)在最看重的工具調(diào)用和多模態(tài)能力?，F(xiàn)實世界的任務(wù)往往需要調(diào)用各種工具，從搜索引擎到專業(yè)軟件，從文字處理到圖像識別。這些都成為Agent能否展現(xiàn)足夠產(chǎn)品力的決定性因素。

除此之外，一個最關(guān)鍵也是最容易被理解的因素是：主模型。這半年來，我們往往能看到許多Agent廠商在強調(diào)一件事：讓主模型坐鎮(zhèn)，調(diào)用專家Agent。這也對模型除了長上下文之外的性能提出了更高的要求，主模型的推理能力、任務(wù)分解能力、決策判斷力，直接決定了整個Agent系統(tǒng)的上限。

而MiniMax在最前沿基礎(chǔ)模型上的技術(shù)積累似乎并沒有這么深厚。

不過，仍值得注意的是，MiniMax是一家多模態(tài)原生模型公司。這意味著在Agent時代，他們幾乎只需要解決商業(yè)化問題。因為，除了像其他廠商一樣套用SOTA級別大模型的API之外，MiniMax可有太多選擇了。

除了利潤點和Agent產(chǎn)品力之外，或許我們還可以關(guān)注下「產(chǎn)品的穩(wěn)定性」。過去兩年，投資者向Agentic AI初創(chuàng)公司投入了超過20億美元，而OpenAI在5月6日宣布以30億美元收購Windsurf；之后，Anthropic就「斷供Windsurf」了。據(jù)說，連 Claude 4 發(fā)布當(dāng)天，Windsurf 都沒拿到接入資格。這無疑對產(chǎn)品的影響是巨大的。

真正的勝負(fù)，將取決于誰能在長上下文、強化學(xué)習(xí)、工具調(diào)用、多模態(tài)理解、成本控制、用戶體驗等多個維度上實現(xiàn)最佳平衡。MiniMax在長上下文領(lǐng)域的技術(shù)優(yōu)勢，為其在這場競爭中提供了話語權(quán)，但最終的勝負(fù)手，還要看誰能更好地將技術(shù)轉(zhuǎn)化為用戶價值。

歡迎在評論區(qū)留言~
如需開白請加小編微信：dongfangmark