MiniMax-01: Das Open-Source-LLM mit 4M-Token, gebaut für das KI-Agenten-Zeitalter

Die meisten Modelle mit „langem Kontext“ messen ihr Arbeitsgedächtnis immer noch in den niedrigen Hunderttausenden von Tokens. MiniMax-01 misst es in Millionen. Es ist eine neue Open-Source-Foundation-Model-Serie des chinesischen KI-Unternehmens MiniMax, ausgelegt auf extrem langen Kontext, effiziente Attention und KI-Agenten-Workloads — und sie kann in einem einzigen Inferenzlauf bis zu 4 Millionen Tokens verarbeiten. (arXiv)

In diesem Leitfaden erklären wir, was MiniMax-01 tatsächlich ist, welche Lightning-Attention-Architektur hinter dem Kontextfenster steckt, wie es benchmarkt, was es kostet, wie es sich mit anderen Long-Context-Modellen vergleicht und welche Muster Builder nutzen, um es in Agentenplattformen wie Eigent einzusetzen.

Was ist MiniMax-01?

MiniMax-01 ist eine Modell-Serie, kein einzelnes Modell. Sie umfasst MiniMax-Text-01, ein großes Sprachmodell für Text und Tools, sowie MiniMax-VL-01, eine multimodale Variante, die auf derselben Basis visuelles Verständnis ergänzt. (arXiv)

Beide Modelle sind als Open Weights auf GitHub und Hugging Face verfügbar und werden zudem über die eigene API von MiniMax sowie Partnerplattformen wie Hailuo AI angeboten — Entwickler haben damit die Wahl zwischen Self-Hosting und verwaltetem Zugriff. (GitHub)

Wenn Sie die späteren Releases von MiniMax verfolgt haben, ist dies die Grundlage, auf der die Modellfamilie aufbaut. Wir haben ein jüngeres Familienmitglied in Eigent Meets MiniMax M2.1 auf die Probe gestellt; MiniMax-01 ist die Long-Context-Wurzel desselben Stammbaums.

Hauptmerkmal: Ein Kontextfenster mit 4M Tokens

Der Hauptgrund, warum MiniMax-01 Aufmerksamkeit bekommt, ist sein Kontextfenster von bis zu 4 Millionen Tokens bei der Inferenz — ungefähr 20–32× länger als die meisten Frontier-Modelle, die heute in Produktion sind. MiniMax-Text-01 wird auf Sequenzen mit bis zu 1 Million Tokens trainiert und extrapoliert bei der Inferenz auf 4 Millionen, während es eine konkurrenzfähige Performance beibehält. (DeepNet)

Praktisch bedeutet das: Sie können ganze Codebasen, mehrbändige Korpora oder große Dokumentbibliotheken in einem einzigen Kontextfenster halten, statt aggressiv mit Chunking und Retrieval via RAG arbeiten zu müssen. In Long-Context-Benchmarks wie Needle-in-a-Haystack bei 4M Tokens erreicht MiniMax-01 Berichten zufolge eine nahezu perfekte Retrieval-Genauigkeit, mit minimaler Verschlechterung, wenn die Sequenzlänge wächst. (VentureBeat)

Unter der Haube: 456B Parameter + Lightning Attention

MiniMax-Text-01 ist ein MoE-Modell (Mixture-of-Experts) mit 456 Milliarden Parametern, wobei dank Top-2-MoE-Routing 45,9 Milliarden Parameter pro Token aktiviert werden. Architektonisch kombiniert es drei zentrale Bausteine: (Open Laboratory)

• Lightning Attention — eine Attention-Variante mit linearer Laufzeit, die mit wachsender Sequenzlänge deutlich eleganter skaliert als standardmäßige quadratische Self-Attention. (Neurohive)
• Softmax-Attention-Blöcke — periodisch eingefügt (etwa 1 von 8 Schichten), um hochwertige globale Retrieval- und Reasoning-Fähigkeiten zu erhalten. (Model Card)
• MoE mit optimierter Parallelisierung — 32 Experts, All-to-All-Kommunikation, Varlen Ring Attention und benutzerdefinierte CUDA-Kernels, um Multi-Millionen-Token-Kontexte rechnerisch praktikabel zu halten. (arXiv)

Dieses hybride Design ermöglicht es MiniMax, Trainingssequenzen mit 1M Tokens und 4M Token Inferenz zu einem „erschwinglichen“ Preis zu behaupten, während es gleichzeitig GPT-4o und Claude 3.5 Sonnet über ein breites Spektrum an Text-Benchmarks erreicht oder übertrifft. (VentureBeat)

Multimodal: MiniMax-VL-01 für Vision-Language-Tasks

Auf Basis des Textmodells hat MiniMax MiniMax-VL-01 veröffentlicht, eine multimodale Variante, die einen Vision-Transformer-Encoder mit dem Text-01-Backbone kombiniert. Bilder werden dynamisch über ein Raster unterschiedlicher Auflösungen skaliert und in Patch-Tokens umgewandelt; anschließend werden sie über ein leichtgewichtiges MLP in das Sprachmodell projiziert — ähnlich wie bei anderen modernen VLMs. (Open Laboratory)

MiniMax-VL-01 wird in mehreren Stufen trainiert — visuelles Pretraining, Alignment und gemeinsames Fine-Tuning — um Dokumentenverständnis, UI-/Screenshot-Verständnis und multimodales Reasoning zu unterstützen, nicht nur Bildbeschriftung. Für Teams, die KI-Agenten entwickeln, die PDFs, Dashboards und Produktoberflächen lesen müssen, macht dies MiniMax-01 zu einer einzigen Modellfamilie, die sowohl Text als auch Vision abdeckt — unter einer Open-Weight-Lizenz. (Adam Holter)

Leistung: Wie schlägt sich MiniMax-01?

Im technischen Bericht und in der frühen Berichterstattung positioniert MiniMax MiniMax-01 als konkurrenzfähig mit GPT-4o und Claude 3.5 Sonnet bei Standard-Benchmarks für Reasoning, Coding und Sprache — mit einem klaren Vorteil bei Long-Context-Tests. Analysen von Drittanbietern weisen darauf hin, dass MiniMax-01: (Neurohive)

• Hohe Scores (≈0,91–0,96) auf RULER-ähnlichen Long-Context-Benchmarks über Längen von einigen Tausend Tokens bis zu 1M beibehält. (Neurohive)
• 100% Genauigkeit bei 4M-Token Needle-in-a-Haystack-Retrieval erreicht, während andere Modelle bei extremen Längen deutlich nachlassen. (VentureBeat)
• Bei Coding und Reasoning auf Augenhöhe mit oder besser als viele Open- und Closed-Modelle abschneidet — oft gleichauf mit DeepSeek V3 und in mehreren Tests besser als Llama 3.1. (YouTube)

Für Teams, die Modelle hauptsächlich anhand von Kurzkontext-Chat oder kleinen Codeausschnitten bewerten, wird sich MiniMax-01 im Großen und Ganzen wie andere Frontier-LLMs anfühlen. Seine eigentliche Differenzierung zeigt sich, sobald Sie lange Dokumente, große Codebasen oder mehrstufige Agenten-Workflows mit großem Arbeitsset nutzen. (arXiv)

Preise und Kosteneffizienz

Obwohl MiniMax-01 Open Weights bietet, werden viele Entwickler zunächst über die API einsteigen. Frühe Ecosystem-Dokumentationen und Reviews beziffern die API-Preise von MiniMax-01 auf etwa $0.2 pro Million Input-Tokens und ungefähr $1.1–1.2 pro Million Output-Tokens — deutlich günstiger als typische GPT-4-Klassen-Preise. (Puter)

In Kombination mit linearer Lightning Attention und den MoE-Einsparungen macht dies MiniMax-01 besonders attraktiv für agentische und Long-Context-Workloads, bei denen der Tokenverbrauch explodiert (z. B. Full-Repo-Analyse, mehrstündige Meeting-Logs und Ähnliches). Für Teams, die Self-Hosting bevorzugen, ermöglichen die Open Weights auf GitHub und Hugging Face, eigene GPUs und Inferenz-Stacks zu nutzen und so die Kosten noch stärker zu kontrollieren. (vLLM)

Warum MiniMax-01 für KI-Agenten wichtig ist

Worin MiniMax-01 wirklich glänzt, ist seine Rolle als Backbone für KI-Agenten, besonders in Szenarien, in denen Kontextfragmentierung heute der Engpass ist:

• Code-Agenten für ganze Repos — Laden Sie den Großteil oder sogar ein gesamtes Monorepo in einen einzigen Prompt, schließen Sie übergreifende Abhängigkeiten zwischen Dateien ein und halten Sie langfristige Refactoring- oder Migrationspläne aufrecht, ohne den Kontext ständig neu aufbauen zu müssen. (VentureBeat)
• Dokumentenlastige Copilots — Führen Sie ganze Richtlinienhandbücher, mehrbändige Wissensdatenbanken oder jahrelange interne Dokumentation direkt in den Kontext, um hochpräzises, retrievalfreies Reasoning zu ermöglichen. (Adam Holter)
• Forschungs- und Analyse-Agenten — Lassen Sie einen Agenten Dutzende PDFs, Papers und Datensätze gleichzeitig im Gedächtnis behalten, um die Komplexität in RAG-Pipelines und Tool-Orchestrierung zu reduzieren. (arXiv)

Da MiniMax-01 sowohl Open Source als auch API-gehostet verfügbar ist, passt es gut in hybride Architekturen: Prototyping über gehostete APIs, dann Migration der kritischen Pfade auf selbst gehostete Cluster, integriert mit Frameworks wie vLLM, sobald sich die Workloads stabilisieren. (Puter)

Wie MiniMax-01 sich mit anderen Long-Context-LLMs vergleicht

Wenn Sie bereits mit Long-Context-Modellen wie Gemini 1.5 Pro, Claude 3.5, DeepSeek oder Qwen vertraut sind, nimmt MiniMax-01 eine interessante Wettbewerbsposition ein:

• Im Vergleich zu Gemini 1.5 Pro — Gemini 1.5 bietet bis zu 2M Tokens; MiniMax-01 verdoppelt das auf 4M und ist dabei Open Weight statt rein API-gebunden. (arXiv)
• Im Vergleich zu Claude 3.5 — Claude betont Sicherheit, Alignment und die Ergonomie der Tool-Nutzung; MiniMax-01 fokussiert sich auf rohe Kontextlänge und kosteneffizientes Skalieren, mit ähnlicher Allzweck-Performance, aber einer stärker infrastrukturell ausgerichteten, selbst hostbaren Story. (Neurohive)
• Im Vergleich zu DeepSeek / Qwen — beide haben starke Open-Weight-Angebote, aber MiniMax-01 liegt derzeit bei extremer Kontextlänge vorn, teilweise dank Lightning Attention und intensiver MoE-Optimierung. (VentureBeat)

Für die meisten Produktteams lautet die Frage nicht „MiniMax-01 oder alles andere?“, sondern welches Modell ist für welche Workload am besten geeignet — wobei MiniMax-01 eine besonders starke Option für Agent-Backends ist, in denen 500K–4M-Token-Kontexte ein einfacheres Systemdesign ermöglichen. Die gleiche Logik gilt für andere Open-Weight-Long-Context-Neueinsteiger wie Zhipus GLM-5.2: Der richtige Weg ist, jede Aufgabe an das passende Modell zu routen, statt den gesamten Stack auf eines zu setzen.

Erste Schritte mit MiniMax-01

Wenn Sie MiniMax-01 heute ausprobieren möchten, gibt es einige einfache Wege:

1. Nutzen Sie gehostete Demos und APIs. Hailuo AI und die eigene Plattform von MiniMax bieten MiniMax-01 über chatähnliche Oberflächen und APIs an, mit kostenlosen oder kostengünstigen Tarifen zum Experimentieren. (Hailuo AI) Mehrere Drittanbieterplattformen listen es ebenfalls mit Plug-and-Play-Sandboxes und standardmäßigen OpenAI-Style-APIs. (Together AI)
2. Führen Sie die Open-Source-Weights aus. Laden Sie MiniMax-Text-01 und MiniMax-VL-01 von GitHub oder Hugging Face herunter; die offiziellen Repos und Model Cards enthalten Spezifikationen, Lizenzen und Nutzungsbeispiele. (GitHub) Integrieren Sie bei Verfügbarkeit mit Inferenz-Frameworks wie vLLM oder passen Sie die benutzerdefinierten Lightning-Attention-Kernels aus der offiziellen Implementierung an, um maximale Effizienz zu erreichen. (vLLM)
3. Beginnen Sie mit einem konkreten Long-Context-Use-Case. Migrieren Sie einen einzelnen Agenten — etwa einen „Repo-weiten Refactoring-Assistenten“ oder einen „Unternehmensrichtlinien-Berater“ — als Testumgebung auf MiniMax-01, bevor Sie Ihren gesamten Stack umstellen.

Ist MiniMax-01 bereit für den Produktionseinsatz?

MiniMax-01 ist wichtig, weil es den Overton-Window dessen verschiebt, was „Long Context“ bedeutet — und das in einem Open-Weight-Paket, das sich gezielt an KI-Agenten richtet, nicht nur an Chatbots. Die Kombination aus 4M-Token-Kontext, einem 456B-Parameter-MoE, Lightning Attention und wettbewerbsfähigen Preisen macht es zu einem der überzeugendsten Backbones für autonome Systeme der nächsten Generation und Plattformen für KI-Kollegen. (Neurohive)

Wenn Sie KI-Agenten, Dev-Tools oder Workflow-Copilots entwickeln, lohnt sich MiniMax-01 als ernsthafter Benchmark neben Ihren bestehenden GPT-4-Klassen- und DeepSeek-Baselines. Die größten Gewinne zeigen sich überall dort, wo Kontextlimits — und nicht die reine Reasoning-Qualität — der aktuelle Engpass sind. (arXiv)

Genau das ist der Fall für modellagnostische, multi-agentische Infrastruktur. Die Model-Landschaft verändert sich schnell, und die Plattformen, die gewinnen, sind diejenigen, die ein Modell wie MiniMax-01 dort einsetzen können, wo es am besten passt — ohne den gesamten Stack neu zu architektieren. Wenn Sie auf einer solchen Grundlage bauen, entdecken Sie, wie die Open-Source-Multi-Agent-Plattform Eigent es Ihnen ermöglicht, spezialisierte Modelle über reale Workflows zu orchestrieren.

Häufig gestellte Fragen

Was ist MiniMax-01?

MiniMax-01 ist eine Open-Source-Foundation-Model-Serie von MiniMax, gebaut für extrem langen Kontext und KI-Agenten-Workloads. Sie umfasst MiniMax-Text-01 (ein Mixture-of-Experts-LLM mit 456B Parametern und ~45,9B aktiven Parametern pro Token) sowie MiniMax-VL-01 (eine multimodale Variante mit Vision). Die Weights sind auf GitHub und Hugging Face verfügbar.

Wie lang ist das Kontextfenster von MiniMax-01?

MiniMax-01 unterstützt bei der Inferenz ein Kontextfenster von bis zu 4 Millionen Tokens — ungefähr 20–32× länger als die meisten Frontier-Modelle in Produktion. MiniMax-Text-01 wird auf Sequenzen mit bis zu 1M Tokens trainiert und extrapoliert bei der Inferenz auf 4M, während es eine konkurrenzfähige Leistung beibehält.

Was ist Lightning Attention?

Lightning Attention ist eine Attention-Variante mit linearer Laufzeit, die mit wachsender Sequenzlänge deutlich besser skaliert als standardmäßige quadratische Self-Attention. MiniMax-01 verschachtelt sie mit periodischen Softmax-Attention-Blöcken (etwa 1 von 8 Schichten), um globale Retrieval- und Reasoning-Qualität hoch zu halten und gleichzeitig Multi-Millionen-Token-Kontexte rechnerisch praktikabel zu machen.

Ist MiniMax-01 Open Source?

Ja. MiniMax-Text-01 und MiniMax-VL-01 werden als Open Weights auf GitHub und Hugging Face veröffentlicht, inklusive offizieller Model Cards und Lizenzen. MiniMax bietet außerdem gehosteten API-Zugriff über seine eigene Plattform und Partner wie Hailuo AI an, sodass Sie Self-Hosting oder einen verwalteten Endpoint nutzen können.

Wie viel kostet MiniMax-01?

Frühe Preisinformationen im Ecosystem beziffern MiniMax-01 auf etwa $0.2 pro Million Input-Tokens und ungefähr $1.1–1.2 pro Million Output-Tokens über API — deutlich günstiger als typische GPT-4-Klassen-Modelle. Das Self-Hosting der Open Weights gibt Ihnen auf Ihren eigenen GPUs zusätzliche Kostenkontrolle.

Kann ich MiniMax-01 mit Eigent verwenden?

Ja. Die modellagnostische, Multi-Agent-Architektur von Eigent ermöglicht es Ihnen, Aufgaben über die MCP-Tools und das Skills-Framework an MiniMax-01 zu routen — und seinen 4M-Token-Kontext für Repo-weite und dokumentenlastige Aufgaben zu nutzen, während Sie für Routineaufgaben andere Modelle einsetzen.