「香港飛龍」標誌 本文内容： 經濟觀察報 記者 陳月芹6月17日，MiniMax（稀宇科技）宣佈其自主研發的MiniMax M1模型開源，並計劃在未來5天內每天發佈一項新產品或新技術。而這款MiniMax M1模型，在關鍵技術規格、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箇模型處理複雜、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，僅落後於谷歌的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，適用於法律文件審查、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均採用了混合專家（MoE）架構。MiniMax M1的總參數量爲4560億，每個token激活459億參數；而DeepSeek R1雖然總參數量更大（6710億），但每個token激活的參數量相對較低，爲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OpenAIo1能力不相上下的DeepSeek R1模型，引起行業震撼，不過這一成本數據也引發了廣泛爭議。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，耗時三週，成本僅爲53.5萬美元，這一成本“比最初的預期少了一箇數量級”。MiniMax解釋，MiniMax M1的強文本處理能力和更低成本，背後是兩大核心技術作爲支撐，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採樣權重，而非傳統算法中調整Token的更新方式，來提升強化學習的效率和穩定性。降低訓練成本後，MiniMax也把用戶使用API服務的價格打下來了。MiniMax M1採用分級計費，根據用戶輸入或輸出的Token數量（即內容的長度）而變化。第一檔爲0—32k Token，每100萬個輸入Token收取0.8元，輸出則爲8元/百萬Token；第二檔爲32k—128k Token，輸入爲1.2元/百萬Token，輸出則爲16元/百萬Token；第三檔爲128k—1M Token，輸入爲2.4元/百萬Token，輸出爲24元/百萬Token。而DeepSeek R1 的API服務收費標準爲?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）。據此計算，MiniMax M1前兩檔位的定價均低於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、定製和本地部署。 (本文内容不代表本站观点。) --------------------------------- |
本網站是"非商業"(non-commercial)。 暫統計至2025年6月19日，本網站共68036篇文章。 本網頁使用CDN cache緩存，顯示的網頁內容可能並非最新版本。
