MiniMax 四處突圍，終於撞上了自己的“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測試中表現“相貌平平”，卻擁有業界最長的上下文能力：100萬token輸入，8萬token輸出。除了高調開源M1，另一個消息正在各大AI社區傳播：MiniMax正在邀請用戶測試它們的通用Agent。

在錯失推理模型先發優勢後，這家曾被認爲是AI六小龍中最穩健的公司，想在下一程贏回來。

現在，它們終於等到了一個正在急劇縮短的時間窗口——Agent爆火的2025年。

那麼，MiniMax這回推出的M1以及正在內測的Agent到底實力如何？是否還能在明星AI初創公司和大廠的強敵環伺下“正面突圍”？

“直面AI”（ID：faceaibang）實際上手體驗了下，並深度解讀了這次的技術報告，“挖出了些”背後的東西。

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，這其實與最近國產開源的幾個前沿大模型的表現很相似，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，網友們也多次指出：極長的推理鏈，往往會讓模型輸出結果走偏。

比如，像下面這個“鋼琴鍵盤可視化小遊戲”，我輸入了一段提示詞：

[角色設定] 你是一名前端開發者，擅長用原生 HTML + CSS + JavaScript 創建交互式頁面。

[任務目標] 在網頁端實現一個“鋼琴鍵盤可視化小遊戲”，支持鼠標點擊或鍵盤按鍵觸發高亮，無需播放音樂。

*[核心功能]

1. 繪製 14 個白鍵 + 10 個黑鍵（C4–C5）。

2. 點擊/按鍵時，對應琴鍵變爲高亮色，鬆開後恢復。

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 對應白鍵 • W–O 對應黑鍵

[技術要求] • 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。

[樣式細節] • 白鍵默認 #fff，黑鍵默認 #333。 • 高亮色統一用 #f59e0b（亮橙）。 • 頁面居中，寬度 ≤ 800 px，移動端自適應。

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，我還在它的思維鏈裏直接發現了可視化的“鋼琴鍵盤”：

在經過大量時間的思考後，M1認爲題目中的鍵盤映射存在矛盾，可能無法完全正確實現。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構建一個打字速度測試工具，它生成了一個簡潔實用的網頁應用，能實時追蹤每分鐘打字詞數（WPM）：

用MiniMax M1創建一個迷宮生成器和路徑查找可視化工具。隨機生成迷宮，並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，在現在最火的Coding（代碼）能力上，最新發布的MiniMax M1表現出的能力跟現在的第一陣營大模型並沒有拉開差距，但這同時也意味着這個“開源”模型已經是第一梯隊的了。

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，我發現它的上下文確實“太長”了，並且展現了工具調用能力。比如，我讓它翻譯一下OpenAI o3和o4-mini的系統卡，這份PDF文件有33頁，並且涵蓋了大量圖表。

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

在它呈現出的結果之中，表格部分像一般常規基礎模型一樣直接生成：

而一些圖片部分則直接調用工具進行了精準地裁切：

往往，大家通常不會用推理模型做翻譯工作，這是因爲翻譯任務更依賴於語言模型對上下文的理解、語法結構的把握等等。而推理模型則更擅長處理邏輯鏈條的構建和一些複雜判斷類任務。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”。

總結下，MiniMax M1給我的感覺是：結構完整、反思能力強、重視結果導向，但是在其他的實際能力水平方面，M1只能說處於中等水平，並未展現出超出預期的驚豔。

不過，這樣的能力倒是很適合Agent所需要的技術架構：具備一定推理鏈能力、任務流程明確、響應穩定，且易於接入和組合調用。

02

MiniMax 首款通用Agent：中規中矩

接下來，我們再看看它們正在內測的通用Agent表現如何。

MiniMax Agent展現出的能力，我們大概可以分爲兩塊：前端效果上要更好一點，項目整體的交付更加完整。

這裏，我們用一個實際案例來展示，輸入一段提示詞：

做一個PPT類型效果的網頁，介紹OpenAI的發展歷程。

Agent在實際制定任務計劃後，首先通過廣泛的網絡搜索，全面蒐集關於OpenAI發展歷程的各類信息：

它還會調用像是爬取網絡信息的工具，針對信息質量高的網頁提取核心數據：

MiniMax Agent相對於其他“傳統”Agent來說有一個可以說是創新的點，就是它會利用瀏覽器測試自己開發的網站，像是其他Agent往往會利用瀏覽器視覺理解其他網站，而不會針對自己所做的成果再度審查：

最後，它呈現出的效果還是不錯的：

從發展歷程、關鍵人物、核心產品、增長數據、未來展望都完整地覆蓋了，同時網頁具有一定的細膩程度，我錄製了一個完整版的視頻：

接下來，我們看看MiniMax M1的技術報告，其中的內容並不算太過驚豔，但也有一些乾貨。

03

一份並不算太過驚豔的技術報告，但有乾貨

（1）性能

從測試數據來看，MiniMax M1的表現可以用“偏科生”來形容。在AIME 2024的奧數邏輯題、LiveCodeBench編程挑戰，以及SWE-bench Verified的真實代碼修改任務上，M1的成績只能說中規中矩——既沒有驚豔到讓人眼前一亮，也沒有差到讓人失望。

“還行，但不夠亮眼”。

在這些常規基準測試上的表現，再搭配上現在這個時間點，M1的表現或許可以用“稍許失望”表示。

但是，當場景切換到軟件工程、長上下文處理和工具調用等更貼近實際生產力需求的複雜任務時，M1展現出了顯著的優勢。

比如，下表裏的基準測試—— TAU-bench，其全名是（ToolAgentUser benchmark）。這是一個真實世界工具呼叫對話任務評估框架，涵蓋 Airline（航空預訂）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，像是調用訂票/修改/退票等 API，並依據複雜政策文檔執行任務的能力 。

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

（2）技術架構解讀

在技術架構創新上，M1有兩個特別值得關注的亮點：以閃電注意力機制爲核心的混合架構，以及更高效的強化學習算法CISPO。

M1最亮眼的規格當屬其100萬token的上下文輸入能力，這個數字和Google Gemini 2.5 Pro並列業界第一，是DeepSeek R1的8倍。並且，它還支持8萬token的推理輸出——這個數字已經超越了Gemini 2.5 Pro的6.4萬，成爲目前世界上輸出最長的推理模型。

這種“超長記憶”能力的背後，是MiniMax獨創的以閃電注意力機制爲主的混合架構。

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（Linear Attention）數年。MiniMax的架構負責人鍾怡然曾在下面這篇數年前的論文裏，就已經開始研究線性注意力架構（Linear Attention）：

早在今年1月15日發佈MiniMax-01時，他們就做出了一個在業內看來相當“冒險”的決定：放棄“主流”Transformer路線，轉而大筆押注線性注意力架構（Linear Attention）。這一架構在早期表現並不好，並且被認爲如果經過放大，可能會失效。

線性注意力架構基礎上的工程級實現——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，傳統的softmax attention的延遲是lightning attention的2700倍。

在強化學習方面，MiniMax提出了CISPO算法，通過裁剪重要性採樣權重而非傳統的token更新來提升效率。

在AIME的實驗中，他們發現，該方法的收斂速度是包括字節近期提出的 DAPO 在內的強化學習算法的兩倍，明顯優於DeepSeek早期採用的 GRPO。

（3）成本

得益於前面提到的兩項技術創新，M1的強化學習訓練過程效率驚人——整個過程僅用了512塊H800芯片，訓練時間只有三週，租賃成本僅爲53.47萬美金。這比MiniMax最初的預期少了一個數量級。在動輒千萬美金訓練成本的大模型時代，53萬美金訓練出一個推理模型，似乎有些誇張了。

我們可以對比下同樣擁有完整產品系列並且玩開源的Llama4——這個在前段時間“爆紅”互聯網的“令人失望”的產品。早在去年，扎克伯格就透露過：他們部署兩個大型訓練集羣來支持 LLM 研發：其中一個集羣配備了 22,000 塊 NVIDIA H100 GPU，另一個則配備 24,000 塊 H100 。

M1的這種成本優勢會在實際應用中持續發揮作用。假設，當需要生成10萬token時，M1的推理算力需求僅爲DeepSeek R1的25%——這意味着在同樣的硬件條件下，M1可以服務更多用戶，或者以更低的成本提供同樣的服務。

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

而Agent就是一個典型場景。據“晚點LatePost”報道，MiniMax創始人閆俊傑認爲 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 交互質量和多 Agent 之間的通訊能力。

這也讓業界認爲MiniMax這會兒推出的長上下文推理模型是否是“專門爲了Agent而造”？這是否意味着MiniMax將要All in Agent了，憑此繼續留在“牌桌”上？

04

圍戰 Agent 的大趨勢讓 MiniMax 緩了一口氣

圍戰 Agent 的大趨勢讓四處突圍，在多模態領域不斷做長線戰鬥的 MiniMax 緩了一口氣，似乎看到了一絲“曙光”。

2025年被業界廣泛認爲是AI Agent之年。現在，2025年剛過去了一半，我們已經看到了如此多的通用Agent或者是垂類Agent產品，它們或來自大廠或來自明星AI初創企業，像是：字節的扣子空間，百度的心響，Flowith，Manus等等。

在這場競爭中，“長上下文”確實是一張重要的牌，而M1的優勢也在於此。

現在 AI Agent 通常依賴於一套“感知—推理—行動”的端到端閉環能力，對模型在長上下文處理能力、模塊化推理、指令響應穩定性以及輕量化部署等方面有着極高要求。而 M1 恰恰在這些核心能力上展現出強大的適配性：它不僅具備鏈式思維（CoT）生成能力，還能在多輪交互中保持上下文一致性，且推理效率表現屬於第一梯隊中等水平。

隨着Agent進入應用場景，無論是單個Agent工作時產生的記憶，還是多個Agent協作所產生的context，都會對模型的長上下文窗口提出更多需求。這就像人類團隊協作一樣，大家必須對項目背景有共同的瞭解，才能高效配合。

但長上下文真的能“包打天下”嗎？答案是：重要，但遠非全部。

決定Agent成敗的關鍵因素還有許多。

比如：Agent是否能夠以“端到端”能力強化學習，培養“幹中學”？還有就是現在最看重的工具調用和多模態能力。現實世界的任務往往需要調用各種工具，從搜索引擎到專業軟件，從文字處理到圖像識別。這些都成爲Agent能否展現足夠產品力的決定性因素。

除此之外，一個最關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廠商在強調一件事：讓主模型坐鎮，調用專家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、任務分解能力、決策判斷力，直接決定了整個Agent系統的上限。

而MiniMax在最前沿基礎模型上的技術積累似乎並沒有這麼深厚。

不過，仍值得注意的是，MiniMax是一家多模態原生模型公司。這意味着在Agent時代，他們幾乎只需要解決商業化問題。因爲，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產品力之外，或許我們還可以關注下“產品的穩定性”。過去兩年，投資者向Agentic AI初創公司投入了超過20億美元，而OpenAI在5月6日宣佈以30億美元收購Windsurf；之後，Anthropic就“斷供Windsurf”了。據說，連 Claude 4 發佈當天，Windsurf 都沒拿到接入資格。這無疑對產品的影響是巨大的。

真正的勝負，將取決於誰能在長上下文、強化學習、工具調用、多模態理解、成本控制、用戶體驗等多個維度上實現最佳平衡。MiniMax在長上下文領域的技術優勢，爲其在這場競爭中提供了話語權，但最終的勝負手，還要看誰能更好地將技術轉化爲用戶價值。