如此强大的 MiniMax-M1 有哪些亮点功能呢？首先，它支持UI 组件聚焦（Spotlight），只需输入提示词，立即就可以构建一个具有基于画布的动画粒子背景的 HTML 页面。 其次，MiniMax-M1 支持交互式应用程序。比如要求它构建一个打字速度测试，很快就生成一个干净、实用的 Web 应用程序，可以实时跟踪 WPM（每分钟字数）。不需要插件，也不需要设置。 此外，MiniMax-M1 的可视化效果很强。比如输入提示词：创建具有基于画布的动画粒子背景的 HTML 页面，颗粒应平稳移动并在靠近时连接，在画布上添加中心标题文本。（Create an HTML page with a canvas-based animated particle background. The particles should move smoothly and connect when close. Add a central heading text over the canvas.） 最后，MiniMax-M1 可以玩游戏。比如输入提示词：创建迷宫生成器和寻路可视化工具，随机生成一个迷宫，并可视化 A * 算法逐步解决它。使用画布和动画，使其具有视觉吸引力。（Create a maze generator and pathfinding visualizer. Randomly generate a maze and visualize A* algorithm solving it step by step. Use canvas and animations. Make it visually appealing.） 目前，Kimi-Dev-72B 已向社区开放，以供进一步研发，主要资源包括了模型权重、源代码和技术报告（即将发布）。月之暗面希望开发者和组织能够探索、集成和扩展该模型的应用。 MiniMax-M1 是全球首款开源权重的大规模混合注意力推理模型，由混合专家（MoE）架构与闪电注意力机制共同驱动。该模型基于此前的 MiniMax-Text-01 模型开发而来，总参数量为 456 B，每个 token 激活 45.9 B 参数。 此外，MiniMax-M1 中采用的闪电注意力机制实现了测试时计算成本的高效扩展 —— 例如，在生成长度为 10 万 token 时，M1 所消耗的浮点运算次数（FLOPs）仅为 DeepSeek R1 的 25%。这些特性使得 M1 尤其适用于需要处理长输入并进行深度思考的复杂任务。 MiniMax-M1 在从传统数学推理到基于沙盒的真实世界软件工程环境等各种问题上，均采用了大规模强化学习（RL）进行训练。MiniMax 为 M1 开发了一个高效的强化学习扩展框架，重点突出以下两个方面： 1. 提出了一种名为 CISPO 的新颖算法，该算法通过裁剪重要性采样权重而非 token 更新来优化模型。 在 AIME 的实验中，研究团队发现这比包括字节近期提出的 DAPO 等强化学习算法收敛性能快了一倍，显著的优于 DeepSeek 早期使用