MiniMax-M1-40k

MiniMax-M1-40k 属于 MiniMaxAI 的 M1 系列，2025 年 6 月 5 日发布，以开源权重形式提供，许可证为 Apache-2.0，允许商用、修改与再分发。输入与输出均为文本，不支持图像、音频等其他模态。型号中的 40k 对应 M1 系列内的上下文档位，主要服务需要在单次请求中通读长材料的用户。它要解决的问题很具体：把长上下文推理能力从托管服务中拿出来，交给有算力的团队自行部署，使合同、研报、技术文档、代码说明这类不宜外发的长文本能在内网完成处理。同门的 M2、M2.1、M2.7、M3-MXFP8、M3.1-Flash 在本站均无价格、上下文与跑分数据，代际差异无法量化，因此它更适合被当作一个可自托管的候选来评估，而不是带明确性价比标签的成品。

选型建议有算力、要私有化和长文本处理就选它自托管；要现成 API、明确报价或跑分背书，就不选它。

• 在自有 GPU 集群部署推理服务，处理不宜外发的合同、财报与内部文档
• 基于开源权重做领域微调，把行业术语和输出格式要求固化进模型
• 搭建内网文档问答或摘要工具，避免数据经第三方 API 流转
• 用 40k 档位一次性通读多段材料并抽取要点，减少分段拼接带来的信息丢失
• 作为同系列后续型号的对照基线，用自建评测集判断是否值得升级

公开信息集中在「开源权重 + 混合注意力」这一层，更细的结构参数厂商未系统披露，评估时应以实际部署表现而非纸面规格为准。

• 结构沿用 M1 系列的混合注意力思路，用线性注意力承担长序列的主要计算、保留少量全注意力层维持精度，40k 档位据此控制显存占用与首字延迟。
• 能力定位为可推理、可长文处理的通用文本模型，实际效果受推理框架、量化方式与提示写法影响明显，缺少可引用的定量结论。
• 披露参数量、层数、训练数据等细节未随权重一同公开，能力标签一栏为空，选型时建议用自有任务集实测，不要直接套用同系列其他型号的参数。

开源权重

是

许可证

apache-2.0

官方未发布跑分，本站也没有收录第三方评测，因此只能做定性判断：长文本与多步推理是它的设计重心，绝对水平需要自测确认。

• 强项长材料通读与多步推理是 M1 系列的设计重心，40k 档位足以覆盖多数合同、财报、会议记录与技术文档场景，输出以文本为主、便于后处理。
• 短板缺少官方与第三方跑分，与同门 M2、M3 系列的能力差距无从比较；纯文本输入输出也意味着多模态任务需要另配模型。
• 适合适合有推理运维经验、能自行压测与调优的团队；如果要求可复现的榜单背书或开箱即用的稳定延迟，选型风险会明显偏高。

官方价格未公开，也没有任何平台上架形成报价，成本核算只能围绕自建推理设施展开。

• 定位没有公开单价，成本需按 GPU 采购或租用、显存占用与并发吞吐折算，属于「按机器算钱」而非「按 token 算钱」的模型。
• 横向对比同门 M2、M2.1、M2.7、M3-MXFP8、M3.1-Flash 在本站的价格字段同样为空，价差无法计算，跨代比较目前只能停留在定性判断。
• 平台差价当前收录平台数为零，缺少多云或多聚合商的报价可供比价，短期内也无法靠切换供应商压低单价。
• 省钱Apache-2.0 允许商用与再分发，自托管并配合量化、批处理与请求排队，是现阶段唯一能把成本算清楚的路径。

取上下文相近（约 0.5~2 倍）的同类主流模型；同厂商、同家族优先；价格差为相对本模型的输入价

• 口径跑分、参数量、上下文规格等关键指标都缺少官方或第三方公开数据支撑，任何性能对比结论都应标注为待验证。
• 边界仅支持文本输入输出，不具备多模态能力；零平台收录意味着没有托管服务与 SLA，可用性、合规与安全责任全部落在部署方。

本页资料由多个公开来源交叉整理：按「官方目录 → 通用网关 → 开源仓库 → 中文资料」的优先级合并， 冲突时取优先级高的来源。价格单位是美元 / 百万 tokens，为各平台对 API 调用的报价，不含自部署成本。 资料由公开来源整理，不代表 AiTest 已对该模型或其收录中转站做过真实性、稳定性或安全检测。

本页的模型介绍、架构、性能与性价比解读为 AI 综合公开信息整理，部分未经本站逐项核实；规格、价格与跑分以本页数据字段为准。