Kan jag köra MiniMax M1 lokalt?

Nej. Trots att den beskrivs som öppen vikt i andan har MiniMax inte publicerat vikterna i ett offentligt arkiv, så M1 är API-endast för tillfället.

Vad kostar MiniMax M1 och hur lång är dess kontext?

MiniMax tar $0,55 per miljon ingående tokens och $2,20 per miljon utgående tokens, med ett kontextfönster på en miljon tokens.

Hur jämför sig M1 med DeepSeek R1 eller Qwen3-235B?

Alla tre är stora MoE-resonansmodeller i liknande parameteromfång; MiniMax rapporterar att M1 presterar bättre än båda på flera benchmarks inklusive SWE-bench och MATH, även om den saknar de offentligt tillgängliga vikter som DeepSeek R1 och Qwen3-235B erbjuder.

MiniMax M1

2011°

#llm #minimax #resonemang #kodning #agenter #lång kontext

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

MiniMax | 1,000,000 token-kontext | $0.55/M input, $2.20/M output. MiniMax-M1 är en storskalig, öppen vikt resonemangsmodell designad för utökad kontext och hög-effektiv inferens. Den utnyttjar en hybrid Mixture-of-Experts (MoE) arkitektur kombinerad med en specialanpassad "lightning attention"-mekanism, vilket gör att den kan bearbeta långa sekvenser – upp till 1 miljon tokens – samtidigt som den bibehåller konkurrenskraftig FLOP-effektivitet. Med totalt 456 miljarder parametrar och 45.9B aktiva per token är denna variant optimerad för komplexa, flerstegsresonemangsuppgifter. Tränad via en…MiniMax | 1,000,000 token-kontext | $0.55/M input, $2.20/M output. MiniMax-M1 är en storskalig, öppen vikt resonemangsmodell designad för utökad kontext och hög-effektiv inferens. Den utnyttjar en hybrid Mixture-of-Experts (MoE) arkitektur kombinerad med en specialanpassad "lightning attention"-mekanism, vilket gör att den kan bearbeta långa sekvenser – upp till 1 miljon tokens – samtidigt som den bibehåller konkurrenskraftig FLOP-effektivitet. Med totalt 456 miljarder parametrar och 45.9B aktiva per token är denna variant optimerad för komplexa, flerstegsresonemangsuppgifter. Tränad via en specialanpassad förstärkningsinlärningspipeline (CISPO), utmärker sig M1 i långkonstextförståelse, mjukvaruteknik, agentbaserad verktygsanvändning och matematisk resonemang. Benchmarkresultat visar stark prestanda över FullStackBench, SWE-bench, MATH, GPQA och TAU-Bench, ofta bättre än andra öppna modeller som DeepSeek R1 och Qwen3-235B.

Guider för denna modell

Öppna vikter vs öppen källkod vs endast API: vad du faktiskt får göra

Hur du väljer en AI-modell i oktober 2026: nyheter om stängd källkod och öppna vikter värda att ladda ner

De 10 billigaste ChatGPT-alternativen 2026: gratis lokala modeller, gratisnivåer och fastprisplaner

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

MiniMax M1 är en MoE-resonansmodell med 456 miljarder parametrar från MiniMax, byggd för uppgifter som kräver både djup flerstegsresonemang och mycket lång kontext – upp till en miljon tokens. Dess hybrida arkitektur kombinerar mixture-of-experts med en specialanpassad lightning attention-mekanism för effektiv inferens i stor skala. Om du arbetar med svåra kodningsproblem, agentiska pipelines eller resonemang över långa dokument och vill ha en modell med öppna vikter till ett rimligt API-pris är M1 värd en seriös titt.

Känd för

En-miljon-token kontextfönster, verkligen användbart för mycket långa dokument eller kodbaser.
Stark på mjukvarutekniska benchmarks inklusive SWE-bench och FullStackBench.
Agentisk verktygsanvändning inbakad i träningen, inte påklistrad i efterhand.
Effektiv MoE-design: 456 miljarder totala parametrar, endast 45,9 miljarder aktiva per token.
Tränad med en specialanpassad RL-pipeline (CISPO) optimerad för komplexa, flerstegsresonemang.

Se upp för

Vikterna är inte offentligt tillgängliga; du är API-endast, ingen lokal distribution.
Utgående tokens kostar fyra gånger så mycket som ingående – långa resonemangskedjor blir snabbt dyra.
Ingen publicerad modelldokumentation, så licensvillkor och rättigheter för finjustering är oklara.

Bäst för

Kodning

Agenter och verktygsanvändning

Resonemang

Lång kontext

Matematik

Promptar att prova

Debugga en subtil samtidighetsbugg

Här är en Python async-funktion som ibland kastar ett RuntimeError vid hög belastning. Gå igenom varje möjlig race condition, förklara vilken som mest sannolikt orsakar felet, och skriv om funktionen för att fixa det utan att ändra dess externa gränssnitt. ```python async def fetch_and_cache(key, cache, fetch_fn): if key not in cache: cache[key] = await fetch_fn(key) return cache[key] ```

Planera en flerstegs forskningsagent

Designa en agent som använder verktyg och svarar på frågan: vilken öppen vikt LLM som släppts de senaste 12 månaderna har bäst prestanda per dollar på kodningsuppgifter? Lista verktygen agenten ska anropa, i vilken ordning, vilken data den behöver samla in vid varje steg, hur den ska lösa konflikter mellan benchmarkkällor, och hur dess slutgiltiga outputformat ska se ut.

Lös ett flerskiktat matematikproblem

En fabrik producerar widgets i batcher. Varje batch tar 3 timmar och ger mellan 80 och 120 widgets, jämnt fördelat. Fabriken kör 2 maskiner parallellt, 16 timmar per dag. Order anländer som en Poisson-process med medelhastighet 5 order per timme, varje för exakt 10 widgets. Vad är sannolikheten att fabriken hamnar mer än 200 widgets efter efterfrågan under en 5-dagarsvecka? Visa din resonemang steg för steg.

Jämför med

MiniMax M3
Öppen vikt-modell
1,048,576 tokens kontext · $0.30/M indata, $1.20/M utdata
MiniMax M2.5
Öppen vikt-modell
204,800 tokens kontext · $0.27/M indata, $0.95/M utdata
MiniMax M2.1
Öppen vikt-modell
204,800 tokens kontext · $0.30/M indata, $1.20/M utdata
MiniMax M2
Öppen vikt-modell
204,800 tokens kontext · $0.26/M indata, $1.02/M utdata

Fler textmodeller från minimax

Vanliga frågor

Kan jag köra MiniMax M1 lokalt?: Nej. Trots att den beskrivs som öppen vikt i andan har MiniMax inte publicerat vikterna i ett offentligt arkiv, så M1 är API-endast för tillfället.
Vad kostar MiniMax M1 och hur lång är dess kontext?: MiniMax tar $0,55 per miljon ingående tokens och $2,20 per miljon utgående tokens, med ett kontextfönster på en miljon tokens.
Hur jämför sig M1 med DeepSeek R1 eller Qwen3-235B?: Alla tre är stora MoE-resonansmodeller i liknande parameteromfång; MiniMax rapporterar att M1 presterar bättre än båda på flera benchmarks inklusive SWE-bench och MATH, även om den saknar de offentligt tillgängliga vikter som DeepSeek R1 och Qwen3-235B erbjuder.

Kaptens omdöme
En seriös resonansmodell med ett verkligt användbart miljon-token-fönster – begränsad endast av avsaknaden av offentliga vikter.

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Liknande modeller

Qwen3 235B A22B Thinking 2507

TEXT / LLM

Meta Llama 3.1 70B Instruct Turbo

TEXT / LLM

AI-modeller för bild-, video- och textgenerering

MiniMax M1 är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm minimax resonemang kodning agenter lång kontext matematik

Bläddra efter modellfamilj