MiniMax M1
2011°
Modell ausführen
Angebote / Werbung
MiniMax | 1.000.000 Token Kontext | $0,55/M Eingabe, $2,20/M Ausgabe. MiniMax-M1 ist ein großskaliges, offenes Gewichts-Denkmodell, das für erweiterten Kontext und hocheffiziente Inferenz entwickelt wurde. Es nutzt eine hybride Mixture-of-Experts (MoE) Architektur kombiniert mit einem eigenen "lightning attention"-Mechanismus, der es ermöglicht, lange Sequenzen – bis zu 1 Million Tokens – zu verarbeiten und dabei eine wettbewerbsfähige FLOP-Effizienz zu bewahren. Mit insgesamt 456 Milliarden Parametern und 45,9 Milliarden aktiv pro Token ist diese Variante für komplexe, mehrstufige…MiniMax | 1.000.000 Token Kontext | $0,55/M Eingabe, $2,20/M Ausgabe. MiniMax-M1 ist ein großskaliges, offenes Gewichts-Denkmodell, das für erweiterten Kontext und hocheffiziente Inferenz entwickelt wurde. Es nutzt eine hybride Mixture-of-Experts (MoE) Architektur kombiniert mit einem eigenen "lightning attention"-Mechanismus, der es ermöglicht, lange Sequenzen – bis zu 1 Million Tokens – zu verarbeiten und dabei eine wettbewerbsfähige FLOP-Effizienz zu bewahren. Mit insgesamt 456 Milliarden Parametern und 45,9 Milliarden aktiv pro Token ist diese Variante für komplexe, mehrstufige Denkaufgaben optimiert. Trainiert über eine eigene Reinforcement-Learning-Pipeline (CISPO) glänzt M1 im Langzeit-Kontextverständnis, Software-Engineering, agentischer Werkzeugnutzung und mathematischem Denken. Benchmarks zeigen starke Leistungen bei FullStackBench, SWE-bench, MATH, GPQA und TAU-Bench und übertreffen oft andere offene Modelle wie DeepSeek R1 und Qwen3-235B.
Anleitungen zu diesem Modell
Offene Gewichte vs. Open Source vs. Nur API: Was du wirklich darfst
Wie man im Oktober 2026 ein KI-Modell auswählt: Neuigkeiten zu Closed Source und dann die Open-Weights, die sich zum Download lohnen
Die 10 günstigsten ChatGPT-Alternativen 2026: kostenlose lokale Modelle, Gratis-Stufen und Flatrate-Tarife
Captain's Notizen
Notizen vom 2026-10-13
MiniMax M1 ist ein 456-Milliarden-Parameter-MoE-Denkmodell von MiniMax, entwickelt für Aufgaben, die tiefes mehrstufiges Denken und sehr langen Kontext – bis zu einer Million Tokens – erfordern. Seine hybride Architektur kombiniert Mixture-of-Experts mit einem maßgeschneiderten Lightning-Attention-Mechanismus für effiziente Inferenz in großem Maßstab. Wenn Sie an komplexen Programmierproblemen, agentischen Pipelines oder Langdokumenten-Analysen arbeiten und ein Modell mit offenen Gewichten zu einem moderaten API-Preis suchen, ist M1 einen genauen Blick wert.
Bekannt für
- Kontextfenster von einer Million Tokens, wirklich nutzbar für sehr lange Dokumente oder Codebasen.
- Stark bei Software-Engineering-Benchmarks wie SWE-bench und FullStackBench.
- Agentische Werkzeugnutzung ist in das Training integriert, nicht nachträglich hinzugefügt.
- Effizientes MoE-Design: 456B Gesamtparameter, nur 45,9B aktiv pro Token.
- Trainiert mit einer maßgeschneiderten RL-Pipeline (CISPO), optimiert für komplexes, mehrstufiges Denken.
Achte auf
- Gewichte sind nicht öffentlich verfügbar; nur API-Nutzung, keine lokale Ausführung.
- Ausgabetokens kosten das Vierfache der Eingabetokens – lange Denkprozesse werden schnell teuer.
- Keine veröffentlichten Modelldetails, daher sind Lizenzbedingungen und Feinjustierungsrechte unklar.
Prompts zum Ausprobieren
Einen subtilen Nebenläufigkeitsfehler debuggen
Hier ist eine Python-async-Funktion, die unter Last gelegentlich einen RuntimeError auslöst. Gehe alle möglichen Race Conditions durch, erkläre, welche am wahrscheinlichsten den Fehler verursacht, und schreibe die Funktion um, um das Problem zu beheben, ohne die externe Schnittstelle zu ändern.
```python
async def fetch_and_cache(key, cache, fetch_fn):
if key not in cache:
cache[key] = await fetch_fn(key)
return cache[key]
```
Einen mehrstufigen Recherche-Agenten planen
Entwerfe einen Werkzeug-verwenden Agenten, der die Frage beantwortet: Welches offene LLM mit veröffentlichten Gewichten der letzten 12 Monate bietet das beste Preis-Leistungs-Verhältnis bei Programmieraufgaben? Liste die Werkzeuge auf, die der Agent in welcher Reihenfolge aufrufen soll, welche Daten er dabei sammelt, wie er widersprüchliche Benchmark-Quellen auflöst und wie das finale Ausgabeformat aussehen soll.
Ein komplexes Mathematikproblem lösen
Eine Fabrik produziert Widgets in Chargen. Jede Charge dauert 3 Stunden und liefert zwischen 80 und 120 Widgets, gleichverteilt. Die Fabrik betreibt 2 Maschinen parallel, 16 Stunden am Tag. Bestellungen kommen als Poisson-Prozess mit einer durchschnittlichen Rate von 5 Bestellungen pro Stunde, jede für genau 10 Widgets. Wie groß ist die Wahrscheinlichkeit, dass die Fabrik in einer 5-Tage-Woche mehr als 200 Widgets hinter der Nachfrage zurückbleibt? Zeige deine Überlegungen Schritt für Schritt.
Vergleichen mit
- MiniMax M3Modell mit offenen Gewichten1,048,576 Token Kontext · $0.30/M Eingabe, $1.20/M Ausgabe
- MiniMax M2.5Modell mit offenen Gewichten204,800 Token Kontext · $0.27/M Eingabe, $0.95/M Ausgabe
- MiniMax M2.1Modell mit offenen Gewichten204,800 Token Kontext · $0.30/M Eingabe, $1.20/M Ausgabe
- MiniMax M2Modell mit offenen Gewichten204,800 Token Kontext · $0.26/M Eingabe, $1.02/M Ausgabe
Mehr Textmodelle von minimax
Häufig gestellte Fragen
- Kann ich MiniMax M1 lokal ausführen?
- Nein. Obwohl es als offengewichtiges Modell beschrieben wird, hat MiniMax die Gewichte nicht öffentlich veröffentlicht, daher ist M1 derzeit nur über die API nutzbar.
- Was kostet MiniMax M1 und wie lang ist der Kontext?
- MiniMax verlangt $0,55 pro Million Eingabetokens und $2,20 pro Million Ausgabetokens, mit einem Kontextfenster von einer Million Tokens.
- Wie schneidet M1 im Vergleich zu DeepSeek R1 oder Qwen3-235B ab?
- Alle drei sind große MoE-Denkmodelle in ähnlicher Parametergröße; MiniMax berichtet, dass M1 bei mehreren Benchmarks wie SWE-bench und MATH besser abschneidet, allerdings fehlen die öffentlich verfügbaren Gewichte, die DeepSeek R1 und Qwen3-235B bieten.
Captain's UrteilEin ernstzunehmendes Denkmodell mit einem wirklich nützlichen Millionen-Tokens-Kontext – nur durch das Fehlen öffentlicher Gewichte eingeschränkt.
Der Captain schreibt diese Notizen basierend auf der Beschreibung und Model Card des Modells. Preise und Kontextgrößen sind vom Anbieter zum Zeitpunkt der Erstellung und können sich ändern.
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.
Wie sich dieser Wert zusammensetzt
Dieses Modell hat noch keine Popularitätsdaten von irgendeiner Quelle, daher trägt es eine Platzhalterzahl unterhalb von 7,000°, damit die Listen vollständig bleiben. Es rangiert niemals über einem Modell mit Daten. Die Aufschlüsselung erscheint hier, sobald eine Quelle sie meldet.
Glossar: die hier verwendeten Begriffe
- Heat-Score
- Eine Zahl dafür, wie viel ein Modell gerade genutzt und gewollt wird, von 0° bis 9.999°. Jede Liste auf dieser Seite, die „heißeste“ sagt, ist danach sortiert und nach nichts anderem.
- Grundwert
- Die 7.000°, mit denen jedes Modell mit echten Daten startet. Die Skala reicht von 0° bis 9.999°; der Bereich unter dem Grundwert ist für Platzhalter reserviert (Modelle ohne Daten), damit ein Modell mit Daten immer über einem ohne steht. Der Grundwert ist für alle gleich und entscheidet nichts; die Grade darüber sind die Messung.
- Download-Äquivalente
- Alles, was der Score als Download zählt, zusammengefasst: Downloads selbst, jeder Torrent-Seeder als 1.000, jedes AI Horde-Bild und jeder Lauf auf einer Generierungsseite als eins.
- Logarithmische Skala
- Gezählt in Zehnerschritten, nicht einzeln: Der Sprung von 1.000 auf 10.000 Downloads bringt genauso viele Grade wie von 10.000 auf 100.000. So verdrängen Riesen nicht alles andere.
- Likes
- Daumen hoch und Likes von allen Quellen, jeweils halb so viel wert wie ein Download auf der Log-Skala.
- Verbreitungsrate
- Wie viele Downloads ein Modell gerade pro Tag bekommt, aus dem Unterschied zwischen zwei Messungen einer Quelle. Ein Viertel der Gewichtung des Download-Begriffs.
- Gemessen und geschätzt
- Gemessen bedeutet, dass es zwei Messwerte einer Quelle gibt und der Unterschied echt ist. Geschätzt heißt, es ist nur die heutige Gesamtsumme bekannt und die Vergangenheit wird über die Lebensdauer des Modells verteilt; die Seite sagt, welche Variante angezeigt wird.
- Seeder
- Jemand, der eine Kopie der Gewichte online hält, damit andere sie über einen Torrent herunterladen können, oder ein gehosteter Spiegel, der dasselbe macht. Jeder davon zählt als 1.000 Downloads.
- AI Horde
- Ein Freiwilligennetzwerk, das kostenlos Bilder auf gespendeten Computern generiert. Die Anzahl der Bilder, die es mit einem Modell erstellt hat, ist öffentlich und jedes zählt als ein Download.
- Generierungsseiten
- Seiten, die eigene Kopien eines Modells hosten und Leute damit generieren lassen, wie PixAI, SeaArt und Yodayo. Ihre Downloads zählen wie bei Civitai und jeder Generierungslauf als ein Download.
- OpenRouter Tokens
- Ein Textmodell, das über eine API bereitgestellt wird, wie Claude oder GPT, hat keine Gewichte zum Herunterladen, daher wird seine Nutzung in Tokens gemessen: die Textstücke, die es über OpenRouter gelesen und geschrieben hat, einem Gateway, das viele Apps nutzen, in den letzten 30 Tagen. Je 10,000,000 Tokens zählen als ein Download. Quelle: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- Vollständiges Modell (Checkpoint)
- Die Gewichte selbst, die Datei, die eigenständig generiert. Sie bekommt einen Bonus, weil Add-ons davon abhängen.
- LoRA und Embedding
- Kleine Zusatzdateien, die die Gewichte von jemand anderem in Richtung eines Stils, Charakters oder Konzepts lenken. Sie können nicht alleine laufen.
- Familie und Gewichte
- Die Basis, auf der ein Modell aufgebaut ist, wie SD 1.5, SDXL, Flux oder Wan. Jedes Modell erbt das Veröffentlichungsdatum der Gewichte seiner Familie.
- Alter
- Abzüge je nachdem, wie lange die Gewichte der Familie schon draußen sind: 150° pro Jahr, bis zu 750°. Alte Downloads, die Jahre zum Ansammeln hatten, bleiben oben in der Liste eingefroren.
- Familien-Boost
- Ein kleiner, begrenzter Schub für LoRAs einer Familie, die diese Seite gerade vorantreibt, immer in der Aufschlüsselung aufgeführt.
- Stand-in-Wert
- Eine stabile Zahl unter der Mindestgrenze, die einem Modell gegeben wird, über das noch keine Quelle berichtet hat, damit die Listen vollständig bleiben. Sie rangiert nie über einem Modell mit Daten.
- Neu! (Schonfrist)
- Ein Modell, das weniger als 7 Tage alt ist, zeigt Neu! statt einer Punktzahl und nimmt keinen Platz in den Rankings ein. Seine Punktzahl wird ab dem ersten Tag berechnet, aber ein Modell, das einen Tag alt ist, wächst schneller als alles andere, daher wäre ohne die Wartezeit das #1 Modell der Woche immer das, das gestern herauskam, statt das, das sich eine Woche gehalten hat.
- Trend
- Wie das Wachstum eines Modells über einen Zeitraum im Vergleich zum typischen Wachstum eines Modells im gleichen Zeitraum ist. Schneller als üblich bedeutet Anstieg, langsamer bedeutet Rückgang.
- Typisches Modell
- Die Mitte des Katalogs: Die Hälfte der Modelle mit einer Zahl wuchs schneller im Zeitraum, die andere Hälfte langsamer.
MiniMax M1 ist ein Textmodell für die Familie Text / LLM und wird auf ModelTrends.ai gelistet, einem reinen Lesekatalog für Open-Source-KI-Modelle für Bild, Video und Text. Vergleiche es mit anderen Text / LLM-Modellen und prüfe den Hitzewert, um den Trend zu sehen.
Nach Modellfamilie stöbern
Text / LLM-Modelle
434
Anima-Modelle
528
Chroma-Modelle
19
Fibo-Modelle
2
Flux-Modelle
1,496
Flux 2 / Klein-Modelle
1,239
Flux 3-Modelle
3
Moss-Modelle
3
Iris-Modelle
1
MiniMax H3-Modelle
364
Hunyuan-Modelle
204
Ideogram-Modelle
20
Krea2-Modelle
717
Qwen-Modelle
20
Qwen2-Modelle
47
Ltx2-Modelle
153