MiniMax的好日子来了？

昨天凌晨，MiniMax正式开源了首个推理模型M1。尽管在基准测试中表现平平，但M1拥有业界最长的上下文能力：100万token输入与8万token输出。与此同时，MiniMax正在邀请用户测试其通用Agent。

错失先发优势后，这家曾被视为AI六小龙中最稳健的公司，正试图在下一阶段迎头赶上。它们迎来了一段时间窗口——2025年的Agent热潮。

那么，M1及正在内测的Agent究竟实力如何？是否能在明星AI初创公司和大厂的竞争中突围？

“直面AI”实际体验了M1，并对其技术报告进行了深度解读。

一、上下文+Agent能力是新模型核心

M1推理模型的特点是推理链较长，与近期国产开源前沿大模型类似。这类模型推理能力强，但推理链长可能导致输出偏差。

例如，对于一个“钢琴键盘可视化小游戏”的任务，M1耗时791.2秒才完成，大部分时间用于思考键盘与字母的搭配。尽管如此，它最终给出了完整的代码实现。

此外，M1的长上下文能力表现突出。在翻译一份33页包含大量图表的PDF文件时，M1完整保留了格式，包括表格和图片，并通过工具进行精准裁切。

总结来看，M1结构完整、反思能力强，但在实际能力上处于中等水平，未展现出惊艳之处。不过，这种特性非常适合Agent所需的技术架构。

二、MiniMax首款通用Agent：中规中矩

MiniMax Agent的能力可以分为两部分：前端效果较好，项目交付完整。例如，输入“制作一个介绍OpenAI发展历程的PPT风格网页”，Agent通过网络搜索、信息提取和自我审查，最终呈现了一个内容全面、设计细致的网页。

三、技术报告：不算惊艳但有干货

M1的表现可用“偏科生”形容，在常规基准测试中中规中矩。但在软件工程、长上下文处理和工具调用等复杂任务中，M1展现出显著优势。

M1的最大亮点是100万token的上下文输入能力和8万token的推理输出能力。其背后的闪电注意力机制大幅提升了处理效率，相比传统方法延迟降低了2700倍。

在强化学习方面，MiniMax提出CISPO算法，其收敛速度是现有算法的两倍。得益于这些创新，M1的训练成本仅为53.47万美元，远低于行业平均水平。

四、围战Agent的大趋势让MiniMax缓了一口气

2025年被认为是AI Agent之年，多家公司推出了相关产品。长上下文能力是关键，而M1在此方面优势明显。然而，Agent的成功还取决于工具调用、多模态理解和主模型性能等多种因素。

MiniMax在长上下文领域的技术优势为其提供了竞争力，但最终胜负取决于谁能将技术转化为用户价值。