不止deepseek，这家国内AI公司也在海外杀疯了

太刺激了，又一家国产 AI 公司在海外杀疯了！

在开年 1 月份中旬的时候，MiniMax 发布并开源了 MiniMax-01 大模型，这可是比 deepseek 还早 4 天开源的国产大模型。

MiniMax 这匹黑马能杀出来是真的很牛，MiniMax-01 模型一经上线，凭借超长的长文本理解能力，就疯狂收割海外用户好评，被海外媒体称作是“能和 OpenAI 掰手腕的顶尖模型”。

有海外网友看到 MiniMax-01 支持 4M Tokens 上下文的能力，令他难以置信，很是震惊。

也有网友感慨到，终于有一个给我长回复的模型，之前被 OpenAI 模型困住了

反观 OpenAI，一点都不 “Open”，始终将核心技术紧紧攥在手中，这种封闭策略，虽然说让它在短期内保持了一定的技术领先优势和商业利益，但从长远来看，却也限制了整个 AI 行业的快速发展与创新。

Sam Altman 回答网友问题时，也表示OpenAI过去在开源方面一直站在“历史错误的一边”。

而国内大模型格局是真的大，想通过开源共创的集体力量，加速整个 AI 圈的发展，让我们心目中的 AGI 时代能尽早到来。

为什么要开源？

MiniMax-01 作为具备超长上下文能力的大模型，选择开源，目的是为了加速 Agent 时代的到来，让更多好用、具有创新的 Agent 应用能够我们日常的生活中。

现在 Agent 的发展越发依赖强大的扩展上下文处理能力，以及持续稳定的内存支撑。正好，MiniMax-01 最牛逼的能力就是在长文处理方面，目前这方面能力是全球顶尖的，直接给 Agent 时代进行空中加油，直接起飞。

MiniMax-01 中实现的线性注意力机制特别值得说一下，前几天 DeepSeek 发布的论文上也提到了架构创新，但其实这个创新早在 1 月份就被落地在MiniMax-01模型上并开源 ，它打破了Transformer架构的输入长度限制，让大模型处理长文本有了全新的技术方法！这种 LLM 技术层面的引领，真的至关重要！

使用的结构如下图，其中每8层中有7个是基于Lightning Attention的线性注意力，有一层是传统的SoftMax注意力。

那这次 MiniMax 架构创新带来了什么收益？直接使得模型能够高效处理全球最长 400 万 token的上下文，这可是 Claude-3.5-Sonnet的 20 倍，更是 GPT-4o 的 32 倍，真是没有对比就没有伤害。

token 你可以理解为文字里的 “小积木”，我们看到文字和词语，在大模型的世界里就会被拆分成一个个 token，就像把一座大房子拆成了一块块小积木。

那 400 万 token 有多少呢？给大家举个更形象的例子，刘慈欣的《三体》单本大概20来万字，如果拆成token的话差不多25万左右。这么算下来，400万token能把整个《三体》三部曲装进去还能再塞几本番外，差不多是十六七本实体书的体量。你要是去书店搬些书，别说抱着走，光是从架子上取下来都得喊人搭把手。

这么多的 token 上下文有什么独特的优势吗？token 越多，代表大模型的 “记忆力” 越强。

面对 MiniMax-01 大模型长文本的处理能力，想象一下，你拿着《三体》这样十几万字的科幻巨著，连续把三部曲都喂给 MiniMax-01 模型，它都不嫌多，还能跟你对畅聊无阻，即使连读喂 15 本《三体》这种体量的书，MiniMax-01 模型都能把所有内容全盘吸收，你问第几本书的细节，都能给你精准的回答。

要想体验到好用的 Agent，离不开持续记忆的能力。不管是单 Agent 的系统需要持续的记忆，还是多 Agent 的系统中 Agent 之间大量的相互通信，都需要越来越长的上下文。

还值得一提是，MiniMax 模型综合性能是比肩海外顶尖模型的。

新模型 MiniMax-Text-01 性能与这阵子大伙的 DeepSeek-V3、GPT-4o 等先进的大模型都不相上下。

长文本处理能力，更是遥遥领先。

Gemini 之前在长文本处理能力上是绝对王者，可是 MiniMax-Text-01 一出现，直接把 Gemini 拉下了神坛。

如下图(c)所示，随着输入长度变长，MiniMax-Text-01 是性能衰减最慢的模型，显著优于Google Gemini。

注意看，在 512K 长度的时候，谷歌最新的 Gemini-2.0-Flash ，性能衰减很快，直接被 MiniMax-Text-01 给“按到地板”上了。

实测效果如何？

熟悉我的读者都知道，我开源了一本《图解系统》 pdf，文件内涵盖 15 万字的内容 + 500 多张图，现在来用这个 pdf ，实测看看 MiniMax-01 长文本处理的能力如何？

直接打开这个地址：https://minimaxi.com/，就能直接在线体验 MiniMax-01 新模型。

我把《图解系统》.pdf 丢进去，这个 pdf 可是有 432 页，如果全程读下来，得花好几个星期的时间了。

我让 MiniMax-01 帮我总结《图解系统》.pdf 讲了哪些操作系统的知识，他整理的非常全面且清晰，基本把 pdf 核心内容都梳理好了，甚至把我 pdf 最底部内容的画图经验也总结进去了。

再进一步，我去追问他文章的细节，比如问「pdf 是如何介绍零拷贝的？」

回答很到位，零拷贝每一种技术实现的方式都做了详细的说明，还给出了零拷贝的局选性，甚至还给出了「 sendfile 零拷贝总数据拷贝次数减少到 2 次，且所有拷贝都由 DMA 完成」这些比较细节的事情。

这简直就是全新的学习方式！

我们直接导入需要学习的 pdf，利用 MiniMax-01 模型这强大的长文本处理能力，先让它帮我们梳理核心内容，再根据具体的细节进一步提问，还不懂可以继续追问，直到掌握这个知识为主。

这样有交互性的学习，学习效率一定是大增的，可能原本需要 2 周才能看完的书，现在利用 MiniMax-01 模型，可能只需要 2 天的时间。

卷 AI 应用好，还是卷大模型好？

MiniMax-01 选择开源，除了前面说了可以加速 Agent 时代的发展。

还有另外一个重要的原因，可以促使 MiniMax 团队做更多的创新，不念过往成绩，以更高质量地开展后续的模型研发工作。

可能很多同学也会好奇，为什么海螺 AI 不卷应用，而是选择做更难的大模型技术创新的工作呢？

MiniMax创始人闫俊杰是技术出身的，他坚信好的模型才是一切的基础，更好的模型可以导向更好的应用，但更好的应用和更多用户并不会导向更好的模型。

比如说，春节期间爆火的 DeepSeek，是凭借着 R1 优秀的模型能力迅速出圈，直接成为互联网历史上用户增长速度最快的产品。

但是，你会发现 DeepSeek 在应用方面做的是极其简单的，因为它们的重心并不在这，而是再大模型的技术创新上。

MiniMax 同样也是以技术为驱动。

对于 MiniMax-01 模型的开源，创始人闫俊杰曾表示「如果可以重新选，应该第一天就开源」。

MiniMax 最重要的目标其实并不是增长，也不是收入，而是通过开源来“加速技术迭代”，做得好的地方有鼓励，不好的地方会有很多批评，外面的人也会有贡献，这是他们开源的最大驱动力。

当模型的迭代创新一直在加速，那么就会促使 MiniMax 的 C 端产品拥有更好的体验，最后才有可能在 AI 应用市场中站稳脚。

现在国内搞大模型的，大厂与 AI 创业公司选择了多样的道路发展前行，有的专攻 APP 产品，定制合作项目、为政企定制小模型等，也有的一直在大模型技术创新上做持续的努力。

比如，DeepSeek 和 MiniMax 都是选择的是一条不走捷径、难，但可以走向更高更远的路——坚持技术创新，这在国内乃至全球的AI公司中，都是少有且珍贵的。

最后，不得不感慨，短短两年间，大模型的 “更新换代速度” 惊人，始终保持着以月为单位的高频更迭态势。

AI 圈，变得就是如此之快，真的是 AI一天，人间一年啊。

过去，我们总会吐槽国内大模型公司，还是跟以前的互联网一样，还是一直借着国外技术创新的成果，卷应用，在技术创新层面上，毫无贡献。

而现在，听到在大模型领域有新的技术创新的消息，越来越多有中国公司的身影。

2025 年，势必会因为 MiniMax-01 模型架构的持续创新，让 Agent 时代的到来会更快一些。

我们一起期待，一起共同见证。