MiniMax

定义

MiniMax 是由上海稀宇科技有限公司研发的通用人工智能大模型系列，属于基于 Transformer 类结构改进的多模态基础模型^[2]。该系列并非单一模型，而是一个覆盖语言、视频、语音、图像与音乐五个方向的模型族，语言方向包含 MiniMax-Text-01、MiniMax M2、MiniMax-M3 等版本，另有多模态视觉版本 MiniMax-VL-01^[1][3]。模型以开放平台接口和企业级服务为主要交付形式，同时也支撑海螺AI、星野、Talkie 等原生应用^[5]。

在技术谱系上，MiniMax 属于大语言模型(LLM)与多模态模型的范畴，其区别性特征是在商用规模上引入线性注意力机制替代部分传统 softmax 注意力，从而降低长序列推理的计算开销^[3][6]。

原理

标准 Transformer 的自注意力需要先计算完整的 $N \times N$ 注意力矩阵，序列长度增加时计算量按平方增长，这是上下文窗口难以扩大的主要制约^[7]。线性注意力改用右乘形式，即把 $\mathrm{Norm}((QK^{\top})V)$ 变换为 $\mathrm{Norm}(Q(K^{\top}V))$，先求出 $d \times d$ 的键值状态矩阵再与查询相乘，使复杂度随序列长度呈线性增长^[7]。

MiniMax-Text-01 采用混合架构：每个由 7 层线性注意力(闪电注意力)构成的模块之后接 1 层 softmax 注意力，共 80 层；专家混合(MoE)部分设 32 个专家，采用 top-2 路由，总参数 4560 亿，每个 token 激活 4590 亿^[8][4]。之所以保留少量 softmax 层，是因为纯线性注意力在信息检索类任务上表现不足，而混合结构在检索与外推能力上反而优于纯 softmax 模型^[7]。

在工程层面，训练使用变长环形注意力与改进的线性注意力序列并行(LASP+)处理打包数据，推理解码阶段则对闪电注意力做了批量化算子融合与预填充、解码分离调度，端到端模型算力利用率在 H20 上超过 75%^[7]。视觉版本 MiniMax-VL-01 沿用 ViT-MLP-LLM 范式，以 3.03 亿参数的视觉编码器接投影层再接入语言主干^[8]。

flowchart LR

A[输入序列] --> B[线性注意力层 ×7]

B --> C[Softmax 注意力层 ×1]

C --> D{是否满 8 层}

D -->|否| B

D -->|是| E[MoE 前馈层 32 专家 top-2]

E --> F[输出表示]

发展历程

研发布局起步较早。据公司介绍，稀宇科技成立于 2021 年 12 月，是国内在 ChatGPT 发布前即投入大模型研发的两家企业之一^[2]。2023 年，公司推出基于 Transformer 架构的语音大模型 Speech 01，随后在 2024 年升级为 Speech 02^[5]。2024 年 8 月，公司发布视频生成模型 Video-01 及配套的海螺AI 产品，该系列后于 2025 年 6 月升级为 Hailuo 02^[9]。

2025 年 1 月 15 日，MiniMax 发布并开源 MiniMax-01 系列，包括语言模型 MiniMax-Text-01 与视觉多模态模型 MiniMax-VL-01，公开了完整权重，并称这是线性注意力机制首次扩展到商用模型规模^[10][11]。该系列训练上下文为 100 万 token，推理时可外推到 400 万 token^[7]。2025 年 4 月，两款模型上线国家超算互联网平台的开源社区^[4]。

2025 年 10 月，公司发布并开源文本模型 MiniMax M2，在 Artificial Analysis 榜单上进入全球前五、开源第一，并在 OpenRouter 平台上于国内模型中 token 用量居首^[12]。2025 年 12 月 21 日，稀宇科技刊发港交所聆讯后资料集，此后完成在港上市^[5][9]。2026 年初，公司发布新一代基础模型 M2.5，并在此后推出 M3 与 M3.1-Flash，语言模型上下文窗口扩展至 100 万 token 级别^[13][1]。

应用

语言与多模态能力通过开放平台以接口形式提供给开发者，可用于对话生成、工具调用、代码工程和文档理解等任务，兼容 Anthropic 与 OpenAI 两种接口格式^[14][15]。公司披露，其模型与产品应用于内容创作、智能客服、教育、企业服务以及娱乐社交等场景^[2]。

在消费级产品侧，海螺AI 提供文本与视频生成能力，星野、Talkie 属于面向社交与陪伴的产品，MiniMax Audio 侧重语音与音乐生成^[16][5]。语音模型支持语音合成、音色克隆与音色设计，覆盖 40 种语言^[14]。视频方向支持文生视频、图生视频、首尾帧与多模态参考输入，分辨率最高 2K、时长 4 至 15 秒^[17]。

面向开发者的基础设施合作方面，MiniMax-Text-01 与 MiniMax-VL-01 已入驻国家超算互联网的 AI 开源社区，并提供对话服务入口^[4]。长上下文能力被认为适用于合同与长篇文档分析、大型代码库理解以及多智能体协作中的上下文共享等任务^[18]。

局限

线性注意力的检索能力存在结构性短板。研究显示，纯闪电注意力模型在大多数下游任务上与 softmax 模型相近，但在大海捞针一类的检索任务上明显落后，这也是 MiniMax 采用混合层结构的原因^[7]。混合结构缓解而非消除了这一取舍，注意力层比例与深度都需要通过小规模实验确定^[7]。

超长上下文并不等同于同等水平的理解能力。公司研发人员提到，多数模型难以完成对千页合同、长篇小说或数十万行代码的完整处理，长窗口只是必要条件之一^[18]。在评测方法上，大海捞针任务在训练早期即接近满分，难以反映长上下文能力的持续提升，需要更复杂的评测集补充^[7]。

模型版本迭代速度快，旧版本会按计划下线，依赖特定模型版本的业务需要迁移；官方文档显示 M2.5、M2.7 系列已公布停止向新用户开放调用与正式下线的时间表^[17]。音乐生成的部分接口也已调整服务范围，付费接口停止面向新用户提供，免费接口停止服务^[1]。

参见

• 上海稀宇科技有限公司 —— 研发 MiniMax 系列模型的企业主体

• Transformer —— MiniMax 模型架构改进所基于的基础网络结构

• 线性注意力 —— MiniMax-01 系列的核心技术机制

• 混合专家模型 —— 与大模型前馈层结合的稀疏激活结构

• 上下文窗口 —— 衡量模型可处理输入长度的指标

• 海螺AI —— 基于 MiniMax 模型的视频与内容生成产品