如何存取 MiniMax M1

什麼是 MiniMax M1？
透過 API 使用 MiniMax M1
在本機執行 MiniMax M1
在第三方平台上連接 MiniMax M1
常見問題

MiniMax M1 代表了 AI 語言模型技術的重大躍進，引入了強大的長上下文推理能力與靈活的部署選項。本全面指南將帶領您逐步存取並實作 MiniMax M1，提供增強 AI 驅動專案所需的工具。

重點摘要

MiniMax M1：456B 參數 MoE 模型，1M 上下文長度。

**透過 API 使用 MiniMax M1
容易上手的 OpenAI 相容 API。
可自訂參數，提供免費試用。

**在本機執行 MiniMax M1
逐步安裝指南。

在第三方平台上連接 MiniMax M1
透過 Hugging Face Spaces、代理框架及 OpenAI 相容 API 無縫整合 MiniMax M1，打造流暢的開發流程。

限時優惠，新用戶可領取 10 美元免費額度，在 Novita AI 上探索並建構 LLM API。

什麼是 MiniMax M1？

MiniMax M1 是全球首個開源的大規模混合專家推理模型。它結合了混合專家 (MoE) 架構 ** 與創新的 Lightning Attention 機制，專為超長上下文推理與複雜任務而設計。MiniMax 支援 函式呼叫 **，其處理高達 1 百萬個 token 的上下文 的能力，使其非常適合研究、軟體開發、數學推理及其他高要求應用。


基本資訊	詳細資料
發布日期	2025 年 6 月
模型大小	456B 參數 (45.9B 活躍)
架構	混合混合專家 (MoE) 搭配 Lightning Attention
上下文長度	1M tokens
訓練	針對多樣化問題集進行大規模強化學習
特殊功能	測試時計算的高效擴展、用於 RL 的混合注意力

MiniMax M1

高效長上下文處理：

支援長上下文視窗，能夠一次性處理極長文件、技術程式碼庫及多輪對話。
採用混合混合專家 (MoE) 架構搭配 lightning attention，實現高效推論，計算成本約為同類密集模型的 25%。
非常適合處理大型知識庫、研究論文及需要深度上下文理解的代理工作流程的企業。

具成本效益的部署：

提供具競爭力的 API 定價：每百萬輸入 token 為 $0.55，每百萬輸出 token 為 $2.2。

開源且對研究友善：

完全開放權重的模型，鼓勵社群進行微調與整合，支援法律、醫學及科學研究等領域的特定客製化。
支援函式呼叫與代理 AI 工具使用，實現複雜工作流程與多步驟推理。

透過 API 使用 MiniMax M1

Novita AI 是一個 AI 雲端平台，為開發者提供透過簡單 API 輕鬆部署 AI 模型的方式，同時也提供經濟實惠且可靠的 GPU 雲端服務，用於建構與擴展。

步驟 1：登入並存取模型庫

登入您的帳戶，然後點擊 模型庫 按鈕。

立即試用 MiniMax M1 示範！

步驟 2：選擇您的模型

瀏覽可用選項，然後選擇符合您需求的模型。

步驟 3：開始免費試用

開始免費試用，探索所選模型的功能。

步驟 4：取得您的 API 金鑰

為了透過 API 進行驗證，我們將為您提供一個新的 API 金鑰。進入「設定」頁面，您可以按照圖片指示複製 API 金鑰。

步驟 5：安裝 API

使用您程式語言特定的套件管理器來安裝 API。

安裝後，將必要的函式庫匯入您的開發環境。使用您的 API 金鑰初始化 API，以開始與 Novita AI LLM 互動。以下是針對 Python 使用者使用聊天補全 API 的範例。

from openai import OpenAI
  
client = OpenAI(
    base_url="https://api.novita.ai/v3/openai",
    api_key="",
)

model = "minimaxai/minimax-m1-80k"
stream = True # or False
max_tokens = 20000
system_content = ""Be a helpful assistant""
temperature = 1
top_p = 1
min_p = 0
top_k = 50
presence_penalty = 0
frequency_penalty = 0
repetition_penalty = 1
response_format = { "type": "text" }

chat_completion_res = client.chat.completions.create(
    model=model,
    messages=[
        {
            "role": "system",
            "content": system_content,
        },
        {
            "role": "user",
            "content": "Hi there!",
        }
    ],
    stream=stream,
    max_tokens=max_tokens,
    temperature=temperature,
    top_p=top_p,
    presence_penalty=presence_penalty,
    frequency_penalty=frequency_penalty,
    response_format=response_format,
    extra_body={
      "top_k": top_k,
      "repetition_penalty": repetition_penalty,
      "min_p": min_p
    }
  )

if stream:
    for chunk in chat_completion_res:
        print(chunk.choices[0].delta.content or "", end="")
else:
    print(chat_completion_res.choices[0].message.content)

在本機執行 MiniMax M1

逐步安裝指南

# Step 1: Install Python and Create a Virtual Environment
# Make sure Python 3.8+ is installed, then create and activate a virtual environment.
python3 -m venv minimax_env
source minimax_env/bin/activate  # On Windows, use `minimax_env\Scripts\activate`

# Step 2: Install Required Libraries
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118  # GPU optimized PyTorch
pip install vllm huggingface-hub  # vLLM for serving MiniMax M1, and Hugging Face utilities

# Step 3: (Optional) Login to Hugging Face if you want to pull models later
pip install huggingface-cli
huggingface-cli login  # Follow prompts to authenticate

# Step 4: Download MiniMax M1 Model (if not already done)
# Replace <model-name> with actual MiniMax M1 repo name on Hugging Face
huggingface-cli download MiniMaxAI/MiniMax-M1-80k --local-dir ./minimax-m1

# Step 5: Set Environment Variable for Fast Loading (Linux/macOS)
export SAFETENSORS_FAST_GPU=1

# Step 6: Launch MiniMax M1 API Server with vLLM
# Adjust --tensor-parallel-size according to your GPU count
python3 -m vllm.entrypoints.api_server \
  --model ./minimax-m1 \
  --tensor-parallel-size 8 \
  --trust-remote-code \
  --max_model_len 8192 \
  --dtype bfloat16

# Step 7: Test Inference with curl (in a new terminal)
curl -X POST http://localhost:8000/generate \
  -H "Content-Type: application/json" \
  -d '{"prompt": "Explain quantum computing in simple terms.", "max_tokens": 100}'

# Step 8: (Optional) Python inference example
python3 -c "
import requests
response = requests.post('http://localhost:8000/generate', json={
    'prompt': 'Explain quantum computing in simple terms.',
    'max_tokens': 100
})
print(response.json())
"

GPU 記憶體需求：

最低需求： 640GB VRAM
建議： 1,128GB VRAM (8 x H200 SXM 141GB 配置) 以獲得最佳效能

在第三方平台上連接 MiniMax M1

Hugging Face：在 Spaces、pipeline 或使用 Transformers 函式庫，透過 Novita AI 端點使用 MiniMax M1。

代理與編排框架： 透過官方連接器與逐步整合指南，輕鬆將 Novita AI 與合作夥伴平台（如 Continue、AnythingLLM、LangChain、Dify 及 Langflow）連接。
OpenAI 相容 API： 享受與 Cline 和 Cursor 等工具的無痛遷移與整合，專為 OpenAI API 標準設計。

Novita AI 已整合超過 20 個平台，詳細教學可在文件中找到。

MiniMax M1 是一個革命性的大規模混合注意力推理模型，擅長處理超長上下文長度與複雜推理任務。它採用混合混合專家 (MoE) 架構搭配 lightning attention 機制，實現高效且可擴展的推論。您可以透過 API 使用 MiniMax M1，或在第三方平台上連接它。

限時優惠，新用戶可領取 10 美元免費額度，在 Novita AI 上探索並建構 LLM API。

常見問題

如何免費使用 MiniMax AI？

您可以在 Novita AI 上免費試用 MiniMax AI 示範。新用戶可領取 10 美元免費額度，在 Novita AI 上探索並建構 LLM API。

在本機執行 MiniMax M1 需要什麼硬體？

最低需求： 640GB VRAM
建議： 1,128GB VRAM (8 x H200 SXM 141GB 配置) 以獲得最佳效能

MiniMax M1 是否開源？

是的，MiniMax M1 完全開源，並可在 Hugging Face 等平台上取得。

關於 Novita AI

Novita AI 是一個 AI 雲端平台，為開發者提供透過簡單 API 輕鬆部署 AI 模型的方式，同時也提供經濟實惠且可靠的 GPU 雲端服務，用於建構與擴展。

如何存取 MiniMax M1

重點摘要