MiniMax M1
2011°
Executar modelo
Ofertas / Anúncios
MiniMax | contexto de 1.000.000 tokens | $0,55/M entrada, $2,20/M saída. MiniMax-M1 é um modelo de raciocínio em larga escala e pesos abertos, projetado para contexto estendido e inferência de alta eficiência. Ele utiliza uma arquitetura híbrida Mixture-of-Experts (MoE) combinada com um mecanismo personalizado de "lightning attention", permitindo processar sequências longas — até 1 milhão de tokens — mantendo eficiência competitiva em FLOPs. Com 456 bilhões de parâmetros totais e 45,9B ativos por token, esta variante é otimizada para tarefas complexas de raciocínio em múltiplas etapas.…MiniMax | contexto de 1.000.000 tokens | $0,55/M entrada, $2,20/M saída. MiniMax-M1 é um modelo de raciocínio em larga escala e pesos abertos, projetado para contexto estendido e inferência de alta eficiência. Ele utiliza uma arquitetura híbrida Mixture-of-Experts (MoE) combinada com um mecanismo personalizado de "lightning attention", permitindo processar sequências longas — até 1 milhão de tokens — mantendo eficiência competitiva em FLOPs. Com 456 bilhões de parâmetros totais e 45,9B ativos por token, esta variante é otimizada para tarefas complexas de raciocínio em múltiplas etapas. Treinado via pipeline customizado de aprendizado por reforço (CISPO), o M1 se destaca em compreensão de contexto longo, engenharia de software, uso agentivo de ferramentas e raciocínio matemático. Benchmarks mostram forte desempenho em FullStackBench, SWE-bench, MATH, GPQA e TAU-Bench, frequentemente superando outros modelos abertos como DeepSeek R1 e Qwen3-235B.
Guias para este modelo
Pesos abertos vs código aberto vs só API: o que você realmente pode fazer
Como escolher um modelo de IA em outubro de 2026: as novidades de código fechado e os pesos abertos que valem a pena baixar
As 10 alternativas mais baratas ao ChatGPT em 2026: modelos locais grátis, planos gratuitos e planos fixos
Notas do capitão
Notas de 2026-10-13
MiniMax M1 é um modelo de raciocínio MoE com 456 bilhões de parâmetros da MiniMax, construído para tarefas que exigem tanto pensamento profundo em múltiplas etapas quanto contexto muito longo — até um milhão de tokens. Sua arquitetura híbrida combina mixture-of-experts com um mecanismo customizado de lightning attention para inferência eficiente em escala. Se você trabalha com problemas difíceis de codificação, pipelines agentivos ou raciocínio em documentos longos e quer um modelo de peso aberto com preço de API modesto, o M1 merece uma análise séria.
Conhecido por
- Janela de contexto de um milhão de tokens, genuinamente utilizável para documentos ou bases de código muito longas.
- Desempenho forte em benchmarks de engenharia de software, incluindo SWE-bench e FullStackBench.
- Uso agentivo de ferramentas incorporado no treinamento, não adicionado depois.
- Design eficiente de MoE: 456B parâmetros totais, apenas 45,9B ativos por token.
- Treinado com pipeline customizado de RL (CISPO) ajustado para raciocínio complexo em múltiplas etapas.
Fique atento a
- Pesos não estão publicamente disponíveis; você só tem acesso via API, sem implantação local.
- Tokens de saída custam quatro vezes a taxa dos tokens de entrada — cadeias longas de raciocínio somam rápido.
- Nenhum detalhe do model card foi publicado, então termos de licença e direitos de fine-tuning são incertos.
Sugestões para tentar
Depurar um bug sutil de concorrência
Aqui está uma função Python assíncrona que ocasionalmente lança um RuntimeError sob carga. Analise todas as possíveis condições de corrida, explique qual delas provavelmente está causando o erro e reescreva a função para corrigir isso sem alterar sua interface externa.
```python
async def fetch_and_cache(key, cache, fetch_fn):
if key not in cache:
cache[key] = await fetch_fn(key)
return cache[key]
```
Planejar um agente de pesquisa em múltiplas etapas
Projete um agente que usa ferramentas para responder à pergunta: qual LLM de peso aberto lançado nos últimos 12 meses tem o melhor desempenho por dólar em tarefas de codificação? Liste as ferramentas que o agente deve chamar, na ordem, os dados que precisa coletar em cada etapa, como resolver conflitos entre fontes de benchmark e qual deve ser o formato final da saída.
Resolver um problema matemático em camadas
Uma fábrica produz widgets em lotes. Cada lote leva 3 horas e produz entre 80 e 120 widgets, distribuídos uniformemente. A fábrica opera 2 máquinas em paralelo, 16 horas por dia. Pedidos chegam como um processo de Poisson com taxa média de 5 pedidos por hora, cada um para exatamente 10 widgets. Qual é a probabilidade da fábrica ficar mais de 200 widgets atrasada em relação à demanda durante uma semana de 5 dias? Mostre seu raciocínio passo a passo.
Comparar com
- MiniMax M3Modelo com pesos abertosContexto de 1,048,576 tokens · entrada $0.30/M, saída $1.20/M
- MiniMax M2.5Modelo com pesos abertosContexto de 204,800 tokens · entrada $0.27/M, saída $0.95/M
- MiniMax M2.1Modelo com pesos abertosContexto de 204,800 tokens · entrada $0.30/M, saída $1.20/M
- MiniMax M2Modelo com pesos abertosContexto de 204,800 tokens · entrada $0.26/M, saída $1.02/M
Mais modelos de texto de minimax
Perguntas frequentes
- Posso rodar o MiniMax M1 localmente?
- Não. Apesar de ser descrito como open-weight em espírito, a MiniMax não publicou os pesos em um repositório público, então o M1 está disponível apenas via API por enquanto.
- Quanto custa o MiniMax M1 e qual o tamanho do seu contexto?
- A MiniMax cobra $0,55 por milhão de tokens de entrada e $2,20 por milhão de tokens de saída, com uma janela de contexto de um milhão de tokens.
- Como o M1 se compara ao DeepSeek R1 ou Qwen3-235B?
- Os três são grandes modelos MoE de raciocínio em uma faixa de parâmetros similar; a MiniMax reporta que o M1 supera ambos em vários benchmarks, incluindo SWE-bench e MATH, embora não tenha os pesos publicamente disponíveis que DeepSeek R1 e Qwen3-235B oferecem.
Veredito do capitãoUm modelo sério de raciocínio com uma janela de um milhão de tokens genuinamente útil — limitado apenas pela ausência de pesos públicos.
O capitão escreve estas notas com base na descrição e ficha do modelo. Preços e tamanhos de contexto são do provedor na data da escrita e podem mudar.
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.
Como essa pontuação é calculada
Este modelo ainda não tem dados de popularidade de nenhuma fonte, então ele carrega um número provisório abaixo de 7,000° para manter as listas completas. Ele nunca fica acima de um modelo com dados. A divisão aparece aqui assim que uma fonte reporta.
Glossário: os termos usados aqui
- Pontuação heat
- Um número que mostra o quanto um modelo está sendo usado e desejado agora, de 0° a 9.999°. Toda lista neste site que diz mais quente é ordenada por ele e só por ele.
- Limite mínimo
- Os 7.000° que todo modelo com dados reais começa. A escala vai de 0° a 9.999°; a parte abaixo do limite é para substitutos (modelos sem dados), para que um modelo com dados sempre fique acima de um sem. O limite é igual para todos e não decide nada; os graus acima dele são a medida.
- Equivalentes a downloads
- Tudo que a pontuação trata como download, somado: downloads em si, cada torrent seeder como 1.000, cada imagem AI Horde e cada execução em site de geração como um.
- Escala logarítmica
- Contando de dez em dez, não de um em um: ir de 1.000 para 10.000 downloads adiciona os mesmos graus que ir de 10.000 para 100.000. Isso evita que gigantes abafem tudo.
- Likes
- Joinhas e likes de todas as fontes, valendo metade de um download na escala logarítmica.
- Taxa de adoção
- Quantos downloads por dia um modelo recebe agora, pela diferença entre duas leituras de uma fonte. Um quarto do peso do termo download.
- Medido e estimado
- Medido significa que existem duas leituras de uma fonte e a diferença é real. Estimado significa que só se sabe o total de hoje e o passado é distribuído ao longo da vida do modelo; o site indica qual está mostrando.
- Seeder
- Alguém que mantém uma cópia dos pesos online para outros baixarem via torrent, ou um espelho hospedado fazendo o mesmo. Cada um conta como 1.000 downloads.
- AI Horde
- Uma rede voluntária que gera imagens de graça em computadores doados. O número de imagens feitas com um modelo é público, e cada uma conta como um download.
- Sites de geração
- Sites que hospedam suas próprias cópias de um modelo e deixam as pessoas gerarem com ele, como PixAI, SeaArt e Yodayo. Os downloads deles contam como os do Civitai e cada geração conta como um download.
- Tokens OpenRouter
- Um modelo de texto servido via API, como Claude ou GPT, não tem pesos para baixar, então seu uso é medido em tokens: os pedaços de texto que ele leu e escreveu via OpenRouter, um gateway usado por muitos apps, nos últimos 30 dias. Cada 10,000,000 tokens contam como um download. Fonte: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- Modelo completo (checkpoint)
- Os pesos em si, o arquivo que gera sozinho. Ganha um bônus porque complementos dependem dele.
- LoRA e embedding
- Arquivos pequenos que direcionam os pesos de outra pessoa para um estilo, personagem ou conceito. Não podem rodar sozinhos.
- Família e pesos
- A base em que um modelo é construído, como SD 1.5, SDXL, Flux ou Wan. Todo modelo herda a data de lançamento dos pesos da sua família.
- Idade
- Pontos retirados conforme há quanto tempo os pesos da família foram lançados: 150° por ano, até 750°. Mantém os downloads antigos que tiveram anos para acumular, evitando que saiam do topo da lista.
- Impulso da família
- Um pequeno empurrão limitado para LoRAs de uma família que este site está promovendo agora, sempre listado na divisão.
- Pontuação provisória
- Um número estável abaixo do mínimo dado a um modelo que ainda não tem dados de fonte, para a lista ficar completa. Nunca fica acima de um modelo com dados.
- Novo! (período de carência)
- Um modelo com menos de 7 dias mostra Novo! em vez de uma pontuação e não ocupa lugar no ranking. Sua pontuação é calculada desde o primeiro dia, mas um modelo com um dia cresce mais rápido que qualquer outro, então sem a espera o #1 da semana seria sempre o que saiu ontem, não o que se manteve por uma semana.
- Tendência
- Como o crescimento de um modelo num período se compara com o crescimento típico dos modelos no mesmo período. Crescimento mais rápido que o típico indica alta, mais lento indica queda.
- Modelo típico
- O meio do catálogo: metade dos modelos com número cresceu mais rápido no período, metade mais devagar.
MiniMax M1 é um modelo de texto para a família Text / LLM listado no ModelTrends.ai, um catálogo somente leitura de modelos de IA de código aberto para imagem, vídeo e texto. Compare-o com outros modelos Text / LLM e veja a pontuação de calor para acompanhar a tendência.
Mais modelos Text / LLMMais Texto / LLM Text / LLMllmminimaxraciocínioprogramaçãoagentescontexto longomatemática
Navegar por família de modelos
Modelos Text / LLM
434
Modelos Anima
528
Modelos Chroma
19
Modelos Fibo
2
Modelos Flux
1,496
Modelos Flux 2 / Klein
1,239
Modelos Flux 3
3
Modelos Moss
3
Modelos Iris
1
Modelos MiniMax H3
364
Modelos Hunyuan
204
Modelos Ideogram
20
Modelos Krea2
717
Modelos Qwen
20
Modelos Qwen2
47
Modelos Ltx2
153