MiniMax-M1: Эффективное масштабирование вычислений во время тестирования с использованием молниеносного внимания

MiniMax-M1: Scaling Test-Time Compute Efficiently with Lightning Attention

June 16, 2025

Авторы: MiniMax, Aili Chen, Aonian Li, Bangwei Gong, Binyang Jiang, Bo Fei, Bo Yang, Boji Shan, Changqing Yu, Chao Wang, Cheng Zhu, Chengjun Xiao, Chengyu Du, Chi Zhang, Chu Qiao, Chunhao Zhang, Chunhui Du, Congchao Guo, Da Chen, Deming Ding, Dianjun Sun, Dong Li, Enwei Jiao, Haigang Zhou, Haimo Zhang, Han Ding, Haohai Sun, Haoyu Feng, Huaiguang Cai, Haichao Zhu, Jian Sun, Jiaqi Zhuang, Jiaren Cai, Jiayuan Song, Jin Zhu, Jingyang Li, Jinhao Tian, Jinli Liu, Junhao Xu, Junjie Yan, Junteng Liu, Junxian He, Kaiyi Feng, Ke Yang, Kecheng Xiao, Le Han, Leyang Wang, Lianfei Yu, Liheng Feng, Lin Li, Lin Zheng, Linge Du, Lingyu Yang, Lunbin Zeng, Minghui Yu, Mingliang Tao, Mingyuan Chi, Mozhi Zhang, Mujie Lin, Nan Hu, Nongyu Di, Peng Gao, Pengfei Li, Pengyu Zhao, Qibing Ren, Qidi Xu, Qile Li, Qin Wang, Rong Tian, Ruitao Leng, Shaoxiang Chen, Shaoyu Chen, Shengmin Shi, Shitong Weng, Shuchang Guan, Shuqi Yu, Sichen Li, Songquan Zhu, Tengfei Li, Tianchi Cai, Tianrun Liang, Weiyu Cheng, Weize Kong, Wenkai Li, Xiancai Chen, Xiangjun Song, Xiao Luo, Xiao Su, Xiaobo Li, Xiaodong Han, Xinzhu Hou, Xuan Lu, Xun Zou, Xuyang Shen, Yan Gong, Yan Ma, Yang Wang, Yiqi Shi, Yiran Zhong, Yonghong Duan, Yongxiang Fu, Yongyi Hu, Yu Gao, Yuanxiang Fan, Yufeng Yang, Yuhao Li, Yulin Hu, Yunan Huang, Yunji Li, Yunzhi Xu, Yuxin Mao, Yuxuan Shi, Yuze Wenren, Zehan Li, Zelin Li, Zhanxu Tian, Zhengmao Zhu, Zhenhua Fan, Zhenzhen Wu, Zhichao Xu, Zhihang Yu, Zhiheng Lyu, Zhuo Jiang, Zibo Gao, Zijia Wu, Zijian Song, Zijun Sun

cs.AI

Аннотация

Мы представляем MiniMax-M1 — первую в мире открытую крупномасштабную модель с гибридным механизмом внимания для рассуждений. MiniMax-M1 основана на гибридной архитектуре Mixture-of-Experts (MoE), объединенной с механизмом молниеносного внимания. Модель разработана на основе нашей предыдущей модели MiniMax-Text-01, которая содержит 456 миллиардов параметров, из которых 45,9 миллиарда активируются на каждый токен. Модель M1 изначально поддерживает контекст длиной в 1 миллион токенов, что в 8 раз превышает размер контекста DeepSeek R1. Кроме того, механизм молниеносного внимания в MiniMax-M1 обеспечивает эффективное масштабирование вычислений во время тестирования. Эти свойства делают M1 особенно подходящей для сложных задач, требующих обработки длинных входных данных и глубокого анализа. MiniMax-M1 обучается с использованием крупномасштабного обучения с подкреплением (RL) на разнообразных задачах, включая среды разработки программного обеспечения, основанные на песочницах и реальных условиях. Помимо естественного преимущества M1 в эффективности обучения RL, мы предлагаем CISPO — новый алгоритм RL, который дополнительно повышает эффективность обучения. CISPO обрезает веса важности выборки вместо обновлений токенов, превосходя другие конкурентоспособные варианты RL. Сочетание гибридного внимания и CISPO позволяет завершить полное обучение RL MiniMax-M1 на 512 GPU H800 всего за три недели, с арендной стоимостью всего $534,700. Мы выпускаем две версии моделей MiniMax-M1 с бюджетами на рассуждения 40K и 80K соответственно, где модель 40K представляет промежуточный этап обучения модели 80K. Эксперименты на стандартных бенчмарках показывают, что наши модели сопоставимы или превосходят сильные открытые модели, такие как оригинальный DeepSeek-R1 и Qwen3-235B, с особыми преимуществами в сложных задачах разработки программного обеспечения, использования инструментов и работы с длинным контекстом. Мы публично выпускаем MiniMax-M1 по адресу https://github.com/MiniMax-AI/MiniMax-M1.

English

We introduce MiniMax-M1, the world's first open-weight, large-scale hybrid-attention reasoning model. MiniMax-M1 is powered by a hybrid Mixture-of-Experts (MoE) architecture combined with a lightning attention mechanism. The model is developed based on our previous MiniMax-Text-01 model, which contains a total of 456 billion parameters with 45.9 billion parameters activated per token. The M1 model natively supports a context length of 1 million tokens, 8x the context size of DeepSeek R1. Furthermore, the lightning attention mechanism in MiniMax-M1 enables efficient scaling of test-time compute. These properties make M1 particularly suitable for complex tasks that require processing long inputs and thinking extensively. MiniMax-M1 is trained using large-scale reinforcement learning (RL) on diverse problems including sandbox-based, real-world software engineering environments. In addition to M1's inherent efficiency advantage for RL training, we propose CISPO, a novel RL algorithm to further enhance RL efficiency. CISPO clips importance sampling weights rather than token updates, outperforming other competitive RL variants. Combining hybrid-attention and CISPO enables MiniMax-M1's full RL training on 512 H800 GPUs to complete in only three weeks, with a rental cost of just $534,700. We release two versions of MiniMax-M1 models with 40K and 80K thinking budgets respectively, where the 40K model represents an intermediate phase of the 80K training. Experiments on standard benchmarks show that our models are comparable or superior to strong open-weight models such as the original DeepSeek-R1 and Qwen3-235B, with particular strengths in complex software engineering, tool utilization, and long-context tasks. We publicly release MiniMax-M1 at https://github.com/MiniMax-AI/MiniMax-M1.