MiniMax-01：為 AI Agent 時代打造的開源 4M Token LLM

大多數「長上下文」模型的工作記憶仍然只落在數十萬 token 的範圍內。MiniMax-01 則是以百萬 token 為單位。這是中國 AI 公司 MiniMax 推出的新一代開源基礎模型系列，圍繞超長上下文、高效率注意力機制與 AI agent 工作負載所設計——它在單次推論中可容納高達 400 萬 token。(arXiv)

本指南會拆解 MiniMax-01 究竟是什麼、其上下文視窗背後的 Lightning Attention 架構、效能表現、成本、與其他長上下文模型的比較，以及開發者如何將它用在 Eigent 這類 agent 平台中。

什麼是 MiniMax-01？

MiniMax-01 是一個模型系列，而不是單一模型。它包含 MiniMax-Text-01，一個用於文字與工具的大型語言模型，以及 MiniMax-VL-01，一個在相同骨幹之上加入視覺理解能力的多模態版本。(arXiv)

這兩個模型都以 開放權重（open weights） 形式提供於 GitHub 與 Hugging Face，同時也透過 MiniMax 自家的 API 與 Hailuo AI 等合作平台提供服務，讓開發者可以在自架與託管存取之間自由選擇。(GitHub)

如果你有追蹤 MiniMax 後續的版本，這就是整個演進脈絡的基礎。我們也曾在 Eigent Meets MiniMax M2.1 中實測這個家族中較新的成員；MiniMax-01 則是同一條產品線中專注長上下文的起點。

主打特色：4M Token 上下文視窗

MiniMax-01 最受關注的原因，在於它在推論時可支援 高達 400 萬 token 的上下文視窗——大約是目前多數前沿生產模型的 20–32 倍。MiniMax-Text-01 在長度最高 100 萬 token 的序列上訓練，並在推論時外推到 400 萬，同時維持具競爭力的表現。(DeepNet)

實務上，這代表你可以把 整個程式碼庫、多本書籍語料，或大型文件庫 放進單一上下文視窗，而不是依賴 RAG 進行激進的切塊與檢索。根據 400 萬 token 的 Needle-in-a-Haystack 類長上下文基準，MiniMax-01 據稱可達到 接近完美的檢索準確率，而且即使序列長度增加也幾乎沒有明顯退化。(VentureBeat)

內部架構：456B 參數 + Lightning Attention

MiniMax-Text-01 是一個 4560 億參數的 Mixture-of-Experts（MoE）模型，透過 top-2 MoE 路由機制，每個 token 會啟用 459 億參數。從架構上看，它結合了三個關鍵要素：(Open Laboratory)

• Lightning Attention —— 一種線性時間的注意力變體，相較於標準的二次方自注意力，能隨序列長度更平順地擴展。(Neurohive)
• Softmax 注意力區塊 —— 週期性插入（大約每 8 層插入 1 次），以保留高品質的全域檢索與推理能力。(Model Card)
• 搭配最佳化平行處理的 MoE —— 32 個專家、all-to-all 通訊、varlen ring attention，以及自訂 CUDA kernels，讓百萬級 token 上下文在運算上變得可行。(arXiv)

正是這種混合式設計，使 MiniMax 能宣稱其 100 萬 token 訓練序列與 400 萬 token 推論 的成本是「可負擔的」，同時又能在多數文字基準上與 GPT-4o 和 Claude 3.5 Sonnet 持平，甚至更勝一籌。(VentureBeat)

多模態：MiniMax-VL-01 用於視覺語言任務

除了文字模型之外，MiniMax 也推出了 MiniMax-VL-01，這是一個將 Vision Transformer 編碼器與 Text-01 骨幹結合的多模態版本。影像會在不同解析度網格上動態縮放並轉換為 patch tokens，接著透過輕量 MLP 映射到語言模型中——做法與其他現代 VLM 類似。(Open Laboratory)

MiniMax-VL-01 採分階段訓練——視覺預訓練、對齊、以及聯合微調——以支援 文件理解、UI／截圖理解，以及多模態推理，而不只是影像描述。對於需要讀取 PDF、儀表板與產品 UI 的 AI agent 團隊來說，這讓 MiniMax-01 成為一個 同時涵蓋文字與視覺 的單一模型家族，並以開放權重授權提供。(Adam Holter)

效能表現：MiniMax-01 跟其他模型相比如何？

在技術報告與早期報導中，MiniMax 將 MiniMax-01 定位為在標準推理、程式碼與語言基準上 可與 GPT-4o 和 Claude 3.5 Sonnet 競爭，而在長上下文測試上則具有明顯優勢。第三方分析指出，MiniMax-01：(Neurohive)

• 在 RULER 風格的長上下文基準中，於從數千 token 到 100 萬 token 的不同長度上維持高分（≈0.91–0.96）。(Neurohive)
• 在 400 萬 token 的 Needle-in-a-Haystack 檢索測試中達到 100% 準確率，而其他模型在極端長度下會明顯退化。(VentureBeat)
• 在程式碼與推理任務上的表現可與多數開源與閉源模型持平，甚至更好——在多項測試中常與 DeepSeek V3 相當，並優於 Llama 3.1。(YouTube)

對於主要以 短上下文聊天或小段程式碼 評估模型的團隊而言，MiniMax-01 的體感大致會和其他前沿級 LLM 類似。它真正的差異，會在你開始處理 長文件、大型程式碼庫，或擁有大量工作集的多步驟 agent 工作流程 時顯現。(arXiv)

定價與成本效率

雖然 MiniMax-01 提供開放權重，但許多開發者仍會先透過 API 開始使用。早期生態系文件與評測顯示，MiniMax-01 的 API 定價約為每百萬輸入 token $0.2、每百萬輸出 token 約 $1.1–1.2——明顯低於一般 GPT-4 級模型的價格。(Puter)

再加上線性時間的 Lightning Attention 與 MoE 帶來的節省，MiniMax-01 對於 agentic 與長上下文工作負載 特別有吸引力，因為這些場景的 token 用量往往會暴增（例如完整 repo 分析、數小時會議紀錄等）。對於願意自架的團隊，GitHub 與 Hugging Face 上的開放權重也讓你可以自帶 GPU 與推論堆疊，進一步掌握成本。(vLLM)

為什麼 MiniMax-01 對 AI Agent 很重要

MiniMax-01 真正的強項，是作為 AI agent 的骨幹模型，尤其是在當前上下文碎片化已成為瓶頸的場景中：

• 整個程式庫程式碼 agent —— 可以把 monorepo 的大部分或全部載入單一 prompt，在跨檔案相依關係上進行推理，並維持長時間執行的重構或遷移計畫，而不必不斷重新載入上下文。(VentureBeat)
• 文件密集型 copilot —— 將整份政策手冊、多本知識庫或多年內部文件直接送入上下文，以進行高保真、免檢索的推理。(Adam Holter)
• 研究與分析 agent —— 讓單一 agent 同時記住數十份 PDF、論文與資料集，降低 RAG 管線與工具編排的複雜度。(arXiv)

由於 MiniMax-01 同時具備開源與 API 託管兩種模式，它非常適合 混合式架構：先使用託管 API 快速原型開發，之後在工作負載穩定後，把熱路徑遷移到與 vLLM 等框架整合的自架叢集。(Puter)

MiniMax-01 與其他長上下文 LLM 相比如何？

如果你已經熟悉 Gemini 1.5 Pro、Claude 3.5、DeepSeek 或 Qwen 這類長上下文模型，MiniMax-01 其實處在一個很有趣的競爭位置：

• 對比 Gemini 1.5 Pro —— Gemini 1.5 最多支援 200 萬 token；MiniMax-01 則將其加倍到 400 萬，而且是開放權重，而非純 API 綁定。(arXiv)
• 對比 Claude 3.5 —— Claude 強調安全性、對齊與工具使用體驗；MiniMax-01 則聚焦於原始上下文長度與高成本效益擴展，整體通用表現相近，但故事更偏向基礎設施與可自架。(Neurohive)
• 對比 DeepSeek / Qwen —— 兩者都有很強的開放權重產品，但 MiniMax-01 目前在 極端 上下文長度上領先，部分原因是 Lightning Attention 與大量 MoE 最佳化。(VentureBeat)

對大多數產品團隊來說，問題不是「MiniMax-01 還是其他所有模型？」而是 每個工作負載最適合哪個模型——而 MiniMax-01 對於 agent 後端尤其是強力候選，因為 50 萬到 400 萬 token 的上下文能帶來更簡潔的系統設計。同樣的邏輯也適用於其他開放權重、長上下文的新秀，例如 Zhipu 的 GLM-5.2：真正的贏法是把每個任務路由到正確的模型，而不是把整個技術棧押在單一模型上。

如何開始使用 MiniMax-01

如果你今天就想試試 MiniMax-01，可以透過以下幾種直接的方式：

1. 體驗託管 Demo 與 API。 Hailuo AI 與 MiniMax 自家平台都透過聊天式介面與 API 提供 MiniMax-01，並有免費或低成本方案可供測試。(Hailuo AI) 另外也有多個第三方平台提供即開即用的 playground 與標準 OpenAI 風格 API。(Together AI)
2. 執行開源權重。 從 GitHub 或 Hugging Face 下載 MiniMax-Text-01 與 MiniMax-VL-01，官方 repo 與 model card 已包含規格、授權與使用範例。(GitHub) 等支援落地後，可整合 vLLM 等推論框架，或直接改用官方實作中的自訂 Lightning Attention kernels 以取得最佳效率。(vLLM)
3. 先從一個具體的長上下文使用案例開始。 先把單一 agent——例如「全 repo 重構助理」或「公司政策顧問」——遷移到 MiniMax-01 作為試驗場，再決定是否全面切換整個系統。

MiniMax-01 已準備好進入生產環境了嗎？

MiniMax-01 之所以重要，是因為它重新定義了「長上下文」的標準——而且它以開放權重的形式實現，目標明確指向 AI agent，而不只是聊天機器人。4M token 上下文、456B 參數 MoE、Lightning Attention 與具競爭力的定價，讓它成為下一代自主系統與 AI 協作平台最具吸引力的骨幹之一。(Neurohive)

如果你正在打造 AI agent、開發工具或工作流程 copilot，MiniMax-01 值得和你現有的 GPT-4 級與 DeepSeek 基準一起做嚴格測試。當 上下文限制——而非原始推理品質——才是當前瓶頸 時，它的優勢最明顯。(arXiv)

這正是 模型無關、多人協作 agent 基礎設施 的典型情境。模型版圖變化很快，而真正勝出的平台，是那些能在適合的工作負載上無痛接入像 MiniMax-01 這樣的模型、卻不必重新設計整個技術棧的平台。如果這正是你正在打造的基礎，歡迎了解開源、多 agent 平台 Eigent 如何幫你在真實工作流程中編排專用模型。

常見問題

什麼是 MiniMax-01？

MiniMax-01 是 MiniMax 推出的開源基礎模型系列，專為超長上下文與 AI-agent 工作負載打造。它包含 MiniMax-Text-01（一款 456B 參數的 Mixture-of-Experts LLM，每個 token 約啟用 45.9B 參數）以及 MiniMax-VL-01（加入視覺能力的多模態版本）。權重可在 GitHub 與 Hugging Face 取得。

MiniMax-01 的上下文視窗有多長？

MiniMax-01 在推論時支援高達 400 萬 token 的上下文視窗——約為目前多數前沿生產模型的 20–32 倍。MiniMax-Text-01 在最高 100 萬 token 的序列上訓練，並在推論時外推到 400 萬，同時維持具競爭力的表現。

什麼是 Lightning Attention？

Lightning Attention 是一種線性時間的注意力變體，相較於標準的二次方自注意力，能隨序列長度更平順地擴展。MiniMax-01 會與週期性的 softmax 注意力區塊（約每 8 層 1 次）交錯使用，以在維持高品質全域檢索與推理的同時，讓百萬級 token 上下文在運算上變得可行。

MiniMax-01 是開源的嗎？

是的。MiniMax-Text-01 與 MiniMax-VL-01 皆以開放權重形式釋出於 GitHub 與 Hugging Face，並附有官方 model card 與授權條款。MiniMax 也透過自家平台與 Hailuo AI 等合作夥伴提供託管 API 存取，因此你可以選擇自架或使用託管端點。

MiniMax-01 的費用是多少？

早期生態系的定價顯示，透過 API 使用 MiniMax-01 時，每百萬輸入 token 約 $0.2、每百萬輸出 token 約 $1.1–1.2——明顯比典型的 GPT-4 級模型便宜。若自架開放權重，還能在自己的 GPU 上進一步掌控成本。

我可以在 Eigent 中使用 MiniMax-01 嗎？

可以。Eigent 的模型無關、多 agent 架構，讓你可以透過其 MCP 工具與 Skills 框架把任務路由到 MiniMax-01——利用它的 4M token 上下文處理整個程式庫與文件密集型工作，同時讓其他模型負責日常任務。