MiniMax M1をローカルで実行できますか？

MiniMax | 1,000,000トークンコンテキスト | 入力$0.55/M、出力$2.20/M。MiniMax-M1は長いコンテキストと高効率推論のために設計された大規模オープンウェイト推論モデルです。ハイブリッドMixture-of-Experts（MoE）アーキテクチャとカスタムの「lightning attention」機構を活用し、最大100万トークンの長いシーケンスを処理しつつ競争力のあるFLOP効率を維持します。総パラメータ4560億、トークンあたり45.9Bアクティブで、複雑な多段階推論タスクに最適化されています。カスタム強化学習パイプライン（CISPO）で訓練され、長期コンテキスト理解、ソフトウェア工学、エージェント的ツール使用、数学的推論に優れています。FullStackBench、SWE-bench、MATH、GPQA、TAU-Benchで強力な性能を示し、DeepSeek R1やQwen3-235Bなど他のオープンモデルをしばしば上回ります。

このモデルのガイド

オープンウェイト、オープンソース、API専用：実際に何ができるのか

2026年10月のAIモデルの選び方：クローズドソースの最新情報とダウンロードすべきオープンウェイトモデル

2026年の最も安いChatGPT代替品10選：無料のローカルモデル、無料プラン、定額プラン

すべてのガイド

キャプテンのメモ

Captainによる、ハウスエディター執筆

2026-10-13のメモ

MiniMax M1はMiniMaxによる4560億パラメータのMoE推論モデルで、深い多段階思考と最大100万トークンの非常に長いコンテキストを必要とするタスク向けに構築されています。ハイブリッドアーキテクチャは、専門家混合（Mixture-of-Experts）とカスタムのライトニングアテンション機構を組み合わせ、大規模な推論を効率的に行います。難しいコーディング問題、エージェントパイプライン、長文ドキュメント推論に取り組み、控えめなAPI価格でオープンウェイトクラスのモデルを求めるなら、M1は真剣に検討する価値があります。

得意分野

100万トークンのコンテキストウィンドウを持ち、非常に長いドキュメントやコードベースに実用的に対応。
SWE-benchやFullStackBenchを含むソフトウェアエンジニアリングのベンチマークで高い性能。
エージェント的なツール利用がトレーニングに組み込まれており、後付けではない。
効率的なMoE設計：総パラメータ4560億のうち、1トークンあたりのアクティブパラメータはわずか459億。
複雑で多段階の推論に特化したカスタムRLパイプライン（CISPO）で訓練。

注意点

重みは公開されておらず、APIのみの利用でローカル展開は不可。
出力トークンは入力の4倍のコストがかかるため、長い推論チェーンはコストが急増。
モデルカードの詳細が公開されておらず、ライセンス条件やファインチューニング権利が不明確。

最適な用途

試してみるプロンプト

微妙な並行性バグをデバッグする

以下は負荷がかかると時折RuntimeErrorを発生させるPythonの非同期関数です。考えられるすべての競合状態を検証し、どれが最もエラーの原因となっているか説明し、外部インターフェースを変えずに関数を修正してください。 ```python async def fetch_and_cache(key, cache, fetch_fn): if key not in cache: cache[key] = await fetch_fn(key) return cache[key] ```

多段階リサーチエージェントを計画する

ツールを使うエージェントを設計してください。質問は「過去12ヶ月にリリースされたオープンウェイトのLLMの中で、コーディングタスクにおけるコストパフォーマンスが最も良いのはどれか？」です。エージェントが呼び出すべきツールの順序、各ステップで収集すべきデータ、ベンチマーク情報が矛盾した場合の解決方法、最終的な出力フォーマットをリストアップしてください。

多層的な数学問題を解く

ある工場はバッチ単位でウィジェットを生産します。各バッチは3時間かかり、80から120個のウィジェットを均一分布で生産します。工場は2台の機械を並列で1日16時間稼働させています。注文はポアソン過程で平均5件/時の割合で到着し、各注文は正確に10個のウィジェットを要求します。5日間の週で需要に対して200個以上遅れる確率を求めてください。論理を段階的に示してください。

比較する

MiniMax M3
オープンウェイトモデル
1,048,576トークンのコンテキスト · $0.30/M 入力、$1.20/M 出力
MiniMax M2.5
オープンウェイトモデル
204,800トークンのコンテキスト · $0.27/M 入力、$0.95/M 出力
MiniMax M2.1
オープンウェイトモデル
204,800トークンのコンテキスト · $0.30/M 入力、$1.20/M 出力
MiniMax M2
オープンウェイトモデル
204,800トークンのコンテキスト · $0.26/M 入力、$1.02/M 出力

minimaxの他のテキストモデル

よくある質問

MiniMax M1をローカルで実行できますか？: いいえ。オープンウェイトの精神で説明されているものの、MiniMaxは重みを公開リポジトリに公開しておらず、現状はAPIのみの利用です。
MiniMax M1の価格とコンテキスト長は？: MiniMaxは入力トークン100万あたり0.55ドル、出力トークン100万あたり2.20ドルを課金し、コンテキストウィンドウは100万トークンです。
M1はDeepSeek R1やQwen3-235Bと比べてどうですか？: いずれも同程度のパラメータ規模の大規模MoE推論モデルで、MiniMaxはSWE-benchやMATHを含む複数のベンチマークでM1が両者を上回ると報告していますが、DeepSeek R1やQwen3-235Bは公開ウェイトがあるのに対し、M1は公開されていません。

キャプテンの評価
100万トークンの実用的なウィンドウを持つ真剣な推論モデルで、公開ウェイトがないことだけが惜しい点です。

キャプテンはモデルの説明とモデルカードからこれらのメモを書いています。価格やコンテキストサイズは執筆時点の提供元のもので、変更されることがあります。

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.

Change colors / personalize / get code

Not this creator?

Get your own badge

このスコアの計算方法

このモデルはまだどのソースからも人気データがないため、リストを完全に保つために7,000°未満の仮の数値が割り当てられています。データのあるモデルより上位には決してなりません。内訳はソースが報告次第ここに表示されます。

用語集：ここで使われている用語

ヒートスコア: モデルが今どれだけ使われていて求められているかを示す1つの数字。0°から9,999°まで。ここで「最も熱い」と言われるすべてのリストはこれで並べられています。
フロア: 実データのあるすべてのモデルが7,000°からスタートする基準点。スケールは0°から9,999°までで、フロア以下はデータのないモデル用に確保されているので、データのあるモデルは必ず上位になります。フロアは全員共通で順位には影響しません。フロアを超えた度数が実際の評価です。
ダウンロード相当数: スコアがダウンロードとして扱うすべてのものを合計：ダウンロードそのもの、各トレントシーダーは1,000、各AI Horde画像と生成サイトでの実行は1としてカウント。
対数スケール: 1ずつではなく10ずつ数えます：1,000から10,000ダウンロードに増えるのは、10,000から100,000に増えるのと同じ度数を加算。巨大なものが他を圧倒しないようにしています。
いいね: すべてのソースからのサムズアップといいね。対数スケールでダウンロードの半分の価値があります。
普及率: 2回の計測の差からわかる、今の1日あたりのダウンロード数。ダウンロード項目の4分の1の重みです。
測定済みと推定: 測定済みは、あるソースの2つの読み取り値が存在し、その差が実際のものであることを意味します。推定は、今日の合計だけがわかっていて、過去の値はモデルの寿命にわたって分配されていることを意味します。サイトはどちらを表示しているかを示します。
シーダー: トレント経由で他の人がダウンロードできるように重みのコピーをオンラインで保持している人、または同じことをするホストされたミラーのことです。それぞれが1,000ダウンロードとしてカウントされます。
AI Horde: 寄付されたコンピューターで無料で画像を生成するボランティアネットワークです。モデルで作成した画像の数は公開されており、それぞれが1ダウンロードとしてカウントされます。
生成サイト: PixAI、SeaArt、Yodayoのように、自分のモデルのコピーをホストして人々が生成できるサイトです。これらのダウンロードはCivitaiのものと同じようにカウントされ、各生成実行が1ダウンロードとして数えられます。
OpenRouterトークン: ClaudeやGPTのようなAPI経由で提供されるテキストモデルはダウンロードする重みがなく、その利用はトークン数で測定されます。トークンとはOpenRouterを通じて読み書きされたテキストの断片で、OpenRouterは多くのアプリが利用するゲートウェイです。過去30日間のトークン数を10,000,000トークンごとに1ダウンロードとしてカウントします。出典：OpenRouter (openrouter.ai/rankings)、CC BY 4.0。
完全モデル（チェックポイント）: 重みそのもので、単独で生成を行うファイルです。アドオンがこれに依存しているためボーナスがつきます。
LoRAと埋め込み: 他人の重みを特定のスタイル、キャラクター、コンセプトに向けて調整する小さなアドオンファイルです。単独では動作しません。
ファミリーと重み: モデルが基づいているベースで、SD 1.5、SDXL、Flux、Wanなどがあります。すべてのモデルはそのファミリーの重みのリリース日を継承します。
年齢: ファミリーの重みがリリースされてからの経過時間に応じて減点されます：1年で150°、最大750°まで。古いダウンロードはリストの上位を凍結して積み上げられます。
ファミリーブースト: このサイトが現在推しているファミリーのLoRAに対する小さく制限された後押しで、常に内訳に表示されます。
代替スコア: まだソースから報告がないモデルに与えられる安定した最低値で、リストが完全なままでいられます。データのあるモデルより上位には決してなりません。
新着！(猶予期間): 7日未満の新しいモデルはスコアの代わりに「新着！」と表示され、ランキングには入りません。スコアは初日から計算されますが、1日目のモデルは非常に急速に成長するため、猶予期間なしでは常に昨日リリースされたモデルが今週の#1になってしまいます。
トレンド: ある期間におけるモデルの成長が、同じ期間の典型的なモデルの成長と比べてどうかを示します。典型より速ければ上昇、遅ければ下降と読みます。
典型的なモデル: カタログの真ん中にあたるモデルで、数値があるモデルの半分はこの期間により速く成長し、半分は遅く成長しています。