上一次相关的项目发布，还是前一段时间我写的MiniMax声音模型的更新，Speech-02。
而昨晚凌晨将近12点的时候，又是MiniMax，居然在X上，预告了他们一整周的发布计划。给我整不会了，不是，为什么总是选择这么阴间的时间点发布啊。。。而第一天（也就是昨天），发布了他们MiniMax Week的第一个项目：开源MiniMax首个推理模型M1。我先说结论："MiniMax M1的上下文能力，就现在全球最屌、最牛逼的、足以媲美Gemini 2.5 Pro的开源模型。"在AIME 2024逻辑数学题目上（偏奥数思维）和LiveCodeBench编程题上、还有SWE-bench Verified（真实世界代码补全+修改），MiniMax M1的表现只能说中规中矩，有弱的、有强的。而TAU-bench（需要理解任务目标、推理动机的场景），M1 准确率62.8%，开始媲美开源模型。但是，最离谱的来了，最后一个，MRCR（4-needle）。这个直接，屠榜了，真的就一瞬间，一柱擎天，直接跟Gemini2.5Pro肩并肩，我相信用过Gemini 2.5 pro的伙伴，都知道，这玩意的上下文有多离谱，而现在，MiniMax M1作为一个开源的大模型，首次，在这个评测集上，能跟Gemini 2.5 Pro并驾齐驱了。很多人不知道MRCR（4-needle）是个啥，我简单解释一下。AI圈之前一直有一个测上下文能力的测试，叫做"大海捞针"。X上一个大佬Greg Kamradt，为了弄明白当年Claude2.1的200K Token，究竟实测效果怎么样，就调用Claude 的API做了个压力测试，从一段不同长度的文本中，捞出特定的信息，而这个测试，花了他1000美金。Claude-2.1当时红了一片，200K几乎没有蛋用，巨水无比。而那一次，Kimi在我的文章下留言，说自己内部测了一下，全绿。后来呢，Gemini觉得这个大海捞针测试太初级了，于是自己搓了一个新的测试方法，叫做Michelangelo。在这个论文里，他们提出了Michelangelo的几个评估任务，有Latent List、IDK，而第三个，就是MRCR。全称叫Multi-Round Co-reference Resolution，翻译成中文叫多轮共指消解，反正非常拗口。它主要考察一个模型在处理较长的、多轮对话时，能否准确地理解和区分用户要求中具体指的是哪一次对话、哪一个内容。比如用户和AI进行了一系列对话，用户要求AI写一些东西，比如诗、谜语、文章。在这些对话中，会刻意插入多个看起来类似的话题（比如多首关于企鹅的诗）。然后再让AI回头去重新找到某一次特定的话，比如用户要求"再重复一遍第二首写企鹅的诗"，此时模型必须精准识别这个"第二首"指的具体是哪一次回答的内容。这个事其实不简单，因为对话很长，涉及多个话题和文体，非常考验模型的上下文理解力。有些内容在主题和格式上极其相似，比如"关于企鹅的第一首诗"和"关于企鹅的第二首诗"。模型必须能清晰区分、精准回溯。后面OpenAI在发GPT-4.1的时候，也在blog里面提到，自己魔改了一个难度更高的MRCR的评测集，用来评估模型的上下文性能。而"4-needle" 指的是，在同一段超长上下文里同时埋下 4 个"针"（关键信息片段），然后在后续对话里以交错的方式把这 4 根针全部翻出来。在这个任务下，MiniMax-M1，吊打了一切，只跟Gemini 2.5 pro，差了那一点点的距离。我翻了下技术报告，M1之所以在上下文有这个性能，核心点还是在于他们之前开源的基座模型MiniMax-01。得益于MiniMax-01 Lightning Attention线性注意力机制的应用，M1的时间和空间复杂度随序列长度增加近似线性增长，不像传统Transformer那样呈平方级膨胀。因为Lightning Attention机制，在推理生成长度64K token时，FLOPs消耗不到DeepSeek R1的一半。当生成长度达到100K token时，M1仅消耗其约25%的FLOPs。而这个MiniMax-M1，跟之前开源的基座模型MiniMax-01一样，也是456B参数，MoE架构，实际激活45.9B。最长上下文长度为100万字，也就是1M，是DeepSeek-R1的8倍。这次开源了两个上下文长度的推理模型，40K和80K。80K版本是在40K版本基础上进一步训练得到的增强版本。这里注意一下，80K和40K指的不是上下文长度，上下文长度是1M，80K和40K指的是Extended Thinking的上限。GitHub: https://github.com/MiniMax-AI/MiniMax-M1Hugging Face:https://huggingface.co/spaces/MiniMaxAI/MiniMax-M1
目前在MiniMax的官网上也上线了。
网址在此，可以直接用。
https://chat.minimaxi.com/
我也第一时间，上去测了一下。
我的第一个任务，就让我开了眼，因为我只是，小小的尝试一下，没想到效果，比我预期的还要好，我直接把MiniMax-M1的技术报告扔了进去，让它，给我逐字翻译。
现在看着还比较正常对吧。
但是，马上，离谱的事情来了。
他居然把图，也给我...带出来了。。。
甚至不仅有图，还有，公式。
还把表格，直接拎出来翻译了。
这效果，这体验，真的无敌。
虽然中间，有部分的图表丢失，还没有达到100%的完整度，但是这个效果，也已经非常非常好了，关键的是文字，一个不落，全部都整整齐齐的给我翻译出来了。
最搞笑的是，他还自作主张，在最后，可能觉得参考文献翻译出来没什么用，直接自己给省略了。
我说实话，这个参考文献，占了5页，对我来说，确实没啥用。。。
在翻译上，我又试了一个更有趣的场景，我扔了一个文档过去，然后说：
"翻译成中文，在括号里标注一些符合我英语水平的原文英文词汇或短语。我英语水平是大学六级。"
太有意思了，这个上下文准确性，是真的牛逼。
然后我又做了一个测试，把我群里这一周的聊天记录，导出出去也扔给了MiniMax-M1，让他把绛烨的聊天记录都找出来。
他准确的识别除了绛烨的微信ID，然后找到了他的微信号，扒出了他的所有聊天记录。。。
这些链接，是真的能点的，我惊了，他还做了样式重构。。。
因为超长超准的上下文，你还可以，跟大模型玩一局，真正的文字冒险游戏，因为他不会忘记你的出身，他会记得，一切。
推理模型+超长且精准上下文的扩充，确实会带来，很多不一样的花活玩法。
比如我还有一个特别狠的测试。
就是我手上有一个34个刘慈欣老师的小说的合集，因为大刘除了世人皆知的三体之外，他其实还写过特别多的科幻中短篇小说，也特别好看。
比如我最爱的《山》。
我现在，想把这些故事，安利给我的朋友们，我想，让AI根据这34个故事，每一个故事都写一段故事总结+推荐语。
这个任务，你要是扔给DeepSeek。
你就会得到一个非常离谱的提示，DeepSeek只阅读了8%。。。
而MiniMax-M1，出色的完成了任务。
超长上下文的魅力，此时体现的淋漓尽致。
不过我有一个更变态的任务，还是给MiniMax-M1干宕机了。
就是...我让它数本草纲目里一共有多少药材= =
数了8分钟，最后跟我说，有400中种，但其实答案是1892种= =
不过我也能理解，这个任务，确实实在是太变态了。。。
除了上下文之外，我也测了些写作、编程、数学。
写作和数学就不详细提了，写作这块中规中矩，数学的高考题实在没空完整做了，我觉得我需要抽空写一个脚本。
不过测了两道大题，目前是都对的。
最后稍微吐槽一下编程这块，就是前端审美，感觉还是有一些进步空间的。
就...有一点，不好看啊。
比如我昨天下午去参加了飞书多维表格的闭门会，会议特别有价值，我想做个可视化网页。
这是Gemini生成的。
这是M1生成的。
咱就是说，可以不这么直男审美的= =
总体来说，M1模型，还是让我有一点惊喜的，他们自己的新研究，确实卷出了一些很有意思的特性，也把开源领域的模型水平，又拔高了一个层级。
还有4天时间，我现在有点期待MiniMax会继续掏出什么有意思的大货了。
以我对MiniMax的了解，视频模型总归要来一个的吧，已经有一段时间没更新了，Video 01-Director已经是几个月前的事了。
你Hailuo 02（0616）都去打榜了，那你这5天里，得掏一下吧。
海螺的人物情绪表演、动作表演，至今依然是我心中的白月光。
极度期待Hailuo 02，在人物表演上，会带给我什么样的震撼。
声音模型估计不发新的了，因为一个月前Speech-02才发。
图片和3DMiniMax不做，那在掏个音乐模型？这个符合MiniMax的气质。
这一周，希望MiniMax尽情撒货吧。
让AI的这一把火。
烧的更热烈些。
以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～谢谢你看我的文章，我们，下次再见。
>/ 作者：卡兹克
>/ 投稿或爆料，请联系邮箱：wzglyay@virxact.com
没有评论:
发表评论