MiniMax M1
2011°
Lancer ce modèle
Offres / Pub
MiniMax | contexte de 1 000 000 tokens | 0,55 $/M en entrée, 2,20 $/M en sortie. MiniMax-M1 est un modèle de raisonnement à grande échelle à poids ouverts conçu pour un contexte étendu et une inférence à haute efficacité. Il exploite une architecture hybride Mixture-of-Experts (MoE) associée à un mécanisme personnalisé "lightning attention", lui permettant de traiter de longues séquences — jusqu'à 1 million de tokens — tout en maintenant une efficacité FLOP compétitive. Avec 456 milliards de paramètres au total et 45,9 milliards actifs par token, cette variante est optimisée pour des tâches…MiniMax | contexte de 1 000 000 tokens | 0,55 $/M en entrée, 2,20 $/M en sortie. MiniMax-M1 est un modèle de raisonnement à grande échelle à poids ouverts conçu pour un contexte étendu et une inférence à haute efficacité. Il exploite une architecture hybride Mixture-of-Experts (MoE) associée à un mécanisme personnalisé "lightning attention", lui permettant de traiter de longues séquences — jusqu'à 1 million de tokens — tout en maintenant une efficacité FLOP compétitive. Avec 456 milliards de paramètres au total et 45,9 milliards actifs par token, cette variante est optimisée pour des tâches complexes de raisonnement multi-étapes. Entraîné via un pipeline personnalisé d'apprentissage par renforcement (CISPO), M1 excelle dans la compréhension de longs contextes, l'ingénierie logicielle, l'utilisation agentique d'outils et le raisonnement mathématique. Les benchmarks montrent une forte performance sur FullStackBench, SWE-bench, MATH, GPQA et TAU-Bench, surpassant souvent d'autres modèles ouverts comme DeepSeek R1 et Qwen3-235B.
Guides pour ce modèle
Poids ouverts vs open source vs API uniquement : ce que tu peux vraiment faire
Comment choisir un modèle d'IA en octobre 2026 : les nouveautés des modèles fermés, puis les poids ouverts à télécharger
Les 10 alternatives à ChatGPT les moins chères en 2026 : modèles locaux gratuits, offres gratuites et forfaits à prix fixe
Notes du capitaine
Notes du 2026-10-13
MiniMax M1 est un modèle de raisonnement MoE de 456 milliards de paramètres développé par MiniMax, conçu pour des tâches nécessitant à la fois une réflexion profonde en plusieurs étapes et un contexte très long — jusqu'à un million de tokens. Son architecture hybride associe un mélange d'experts à un mécanisme d'attention lightning personnalisé pour une inférence efficace à grande échelle. Si vous travaillez sur des problèmes complexes de codage, des pipelines agentiques ou du raisonnement sur de longs documents et que vous souhaitez un modèle à poids ouverts à un prix API modéré, M1 mérite une attention sérieuse.
Connu pour
- Fenêtre de contexte d'un million de tokens, réellement utilisable pour de très longs documents ou bases de code.
- Performances solides sur les benchmarks d'ingénierie logicielle, notamment SWE-bench et FullStackBench.
- Utilisation agentique des outils intégrée à l'entraînement, pas ajoutée après coup.
- Conception MoE efficace : 456 milliards de paramètres au total, seulement 45,9 milliards actifs par token.
- Entraîné avec un pipeline RL personnalisé (CISPO) optimisé pour un raisonnement complexe en plusieurs étapes.
Attention à
- Les poids ne sont pas publiquement disponibles ; vous êtes limité à l'API, pas de déploiement local.
- Les tokens de sortie coûtent quatre fois plus cher que les tokens d'entrée — les chaînes de raisonnement longues deviennent rapidement coûteuses.
- Aucune fiche technique publiée, donc les conditions de licence et les droits de fine-tuning sont flous.
Prompts à essayer
Déboguer un bug subtil de concurrence
Voici une fonction Python asynchrone qui soulève parfois une RuntimeError sous charge. Parcourez toutes les conditions de concurrence possibles, expliquez laquelle est la plus susceptible de causer l'erreur, puis réécrivez la fonction pour la corriger sans changer son interface externe.
```python
async def fetch_and_cache(key, cache, fetch_fn):
if key not in cache:
cache[key] = await fetch_fn(key)
return cache[key]
```
Planifier un agent de recherche en plusieurs étapes
Concevez un agent utilisant des outils qui répond à la question : quel LLM à poids ouverts sorti au cours des 12 derniers mois offre le meilleur rapport performance-prix sur les tâches de codage ? Listez les outils que l'agent doit appeler, dans quel ordre, les données à collecter à chaque étape, comment résoudre les conflits entre sources de benchmarks, et à quoi doit ressembler le format final de sortie.
Résoudre un problème mathématique à plusieurs niveaux
Une usine produit des widgets par lots. Chaque lot prend 3 heures et produit entre 80 et 120 widgets, distribués uniformément. L'usine fait tourner 2 machines en parallèle, 16 heures par jour. Les commandes arrivent selon un processus de Poisson à un taux moyen de 5 commandes par heure, chacune pour exactement 10 widgets. Quelle est la probabilité que l'usine ait un retard de plus de 200 widgets sur la demande sur une semaine de 5 jours ? Montrez votre raisonnement étape par étape.
Comparer avec
- MiniMax M3Modèle à poids ouvertsContexte de 1,048,576 tokens · entrée $0.30/M, sortie $1.20/M
- MiniMax M2.5Modèle à poids ouvertsContexte de 204,800 tokens · entrée $0.27/M, sortie $0.95/M
- MiniMax M2.1Modèle à poids ouvertsContexte de 204,800 tokens · entrée $0.30/M, sortie $1.20/M
- MiniMax M2Modèle à poids ouvertsContexte de 204,800 tokens · entrée $0.26/M, sortie $1.02/M
Plus de modèles de texte de minimax
Questions fréquentes
- Puis-je exécuter MiniMax M1 localement ?
- Non. Bien qu'il soit décrit comme open-weight dans l'esprit, MiniMax n'a pas publié les poids dans un dépôt public, donc M1 est uniquement accessible via API pour l'instant.
- Quel est le coût de MiniMax M1 et quelle est la longueur de son contexte ?
- MiniMax facture 0,55 $ par million de tokens d'entrée et 2,20 $ par million de tokens de sortie, avec une fenêtre de contexte d'un million de tokens.
- Comment M1 se compare-t-il à DeepSeek R1 ou Qwen3-235B ?
- Les trois sont de grands modèles MoE de raisonnement dans une gamme de paramètres similaire ; MiniMax rapporte que M1 surpasse les deux sur plusieurs benchmarks dont SWE-bench et MATH, bien qu'il ne dispose pas des poids publiquement disponibles que DeepSeek R1 et Qwen3-235B offrent.
Verdict du capitaineUn modèle de raisonnement sérieux avec une fenêtre d'un million de tokens réellement utile — freiné uniquement par l'absence de poids publics.
Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.
Ranking badge
Updated Oct 22, 2026
Made this model? Show this badge on your page.
Paste it into your Hugging Face card or Civitai description.
Comment ce score se calcule
Ce modèle n’a pas encore de données de popularité provenant de sources, donc il porte un nombre de remplacement en dessous de 7,000° pour que les listes restent complètes. Il ne sera jamais mieux classé qu’un modèle avec des données. La répartition apparaît ici dès qu’une source la rapporte.
Glossaire : les termes utilisés ici
- Score de chaleur
- Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
- Plancher
- Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
- Équivalents de téléchargement
- Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
- Échelle logarithmique
- On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
- Likes
- Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
- Taux d’adoption
- Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
- Mesuré et estimé
- Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
- Seeder
- Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
- AI Horde
- Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
- Sites de génération
- Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
- Tokens OpenRouter
- Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- Modèle complet (checkpoint)
- Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
- LoRA et embedding
- Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
- Famille et poids
- La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
- Âge
- Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
- Boost de la famille
- Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
- Score de remplacement
- Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
- Nouveau ! (période de grâce)
- Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
- Tendance
- Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
- Modèle typique
- Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.
MiniMax M1 est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.
Plus de modèles Text / LLMPlus de Texte / LLM Text / LLMllmminimaxraisonnementprogrammationagentscontexte longmathématiques
Parcourir par famille de modèles
Modèles Text / LLM
434
Modèles Anima
528
Modèles Chroma
19
Modèles Fibo
2
Modèles Flux
1,496
Modèles Flux 2 / Klein
1,239
Modèles Flux 3
3
Modèles Moss
3
Modèles Iris
1
Modèles MiniMax H3
364
Modèles Hunyuan
204
Modèles Ideogram
20
Modèles Krea2
717
Modèles Qwen
20
Modèles Qwen2
47
Modèles Ltx2
153