GPTProto
⌘K

MiniMax

24 picksNewest firstLatest article Aug 13, 2026, 12:00 AM
1 story
1 story
13:44 MarkTechPost（RSS）AI score 72/100

Implementing a MiniMax-H3 Multimodal Video and Audio Generation Pipeline with ComfyUI APIs

本教程演示如何以 ComfyUI 为无头推理后端，构建端到端的 MiniMax-H3 视频生成工作流。通过 Python 直接构建执行图，支持文生视频、首尾帧条件生成和参考图像条件生成，并自动根据 GPU 显存选择 quality、balanced、squeeze 三种权重配置。流水线涵盖模型自动下载、节点模式校验、音视频联合解码与进度监控，无需图形界面即可复现实验。
1 story
1 story
17:59 MiniMax：Blog（网页）AI score 78/100

MiniMax H3: An Open Model Breaking the Boundaries Between Tasks and Modalities

MiniMax 正式推出全能多模态生成模型 H3，可联合理解文本、图像、视频和音频，生成最高 2K 分辨率、15 秒时长且带原生立体声的视频。H3 在指令跟随、文字与品牌呈现、V2V 动作迁移上表现突出，2K 下每秒价格低于主流模型三分之一，768p 下低于主流 720p 价格一半。官方计划近日开源模型权重，以支持开源社区并加速硬件兼容。
1 story
15:44 MarkTechPost（RSS）AI score 70/100

MiniMax Sparse Attention (MSA): a Two-Branch Block-Sparse Attention Trained on a 109B-Parameter MoE With a 3T-Token Budget

MiniMax 发布 MSA（MiniMax Sparse Attention），一种构建在 Grouped Query Attention 上的稀疏注意力方法。它将注意力分解为索引分支与主分支：索引分支以块粒度（默认 128 token）为每个 GQA 组选择 16 个 token 块（固定预算 2048 个键值 token），主分支仅在这些块上执行精确 softmax 注意力。MSA 在 109B 参数 MoE 模型上训练，开源了面向 NVIDIA SM100 GPU 的推理内核 `fmha_sm100`（MIT 许可，支持 BF16/FP8/NVFP4/FP4），并发布生产模型 MiniMax-M3。MSA-PT 在 MMLU、GSM8K、HumanEval、RULER-8K、RULER-32K 上分别达 67.2、77.7、64.0、84.2、77.5，与全注意力基线持平。128K 上下文下，其 exp-free Top-k 选择比 `torch.topk` 快 5.1 倍。
1 story
3 stories
08:00 HuggingFace Daily Papers（社区热门论文）AI score 77/100

MiniMax Sparse Attention

MiniMax 提出块状稀疏注意力 MSA，基于 GQA 构建。轻量级 Index Branch 为每个 GQA 组独立选择 Top‑k KV 块，Main Branch 仅对选中块执行精确块稀疏注意力。在 109B 参数多模态模型上，MSA 与 GQA 性能持平，1M 上下文下每 token 注意力计算减少 28.4 倍。配合协同设计的 GPU 内核，H800 上实现 14.2 倍 prefill 和 7.6 倍 decoding 端到端加速。推理内核与基于 MSA 的多模态模型已公开发布。
08:00 HuggingFace Daily Papers（社区热门论文）AI score 79/100

MaxProof: Scaling Mathematical Proof with Generative-Verifier RL and Population-Level Test-Time Scaling

MaxProof 是为 MiniMax-M3 系列设计的群体级别测试时扩展框架，用于竞赛级数学证明。M3 模型训练了证明生成、证明验证和基于 critique 的证明修复三种能力，验证器采用低假阳性率的深度防御生成式架构。这些能力合并到单个 M3 模型。测试时，MaxProof 将模型用作生成器、验证器、精炼器和排序器，在候选证明群体中搜索并通过锦标赛选择返回最终证明。M3 模型在 IMO 2025 达 35/42，USAMO 2026 达 36/42，均超过人类金牌阈值。
1 story
00:00 MiniMax：Blog（网页）AI score 76/100

MaxProof: Scaling Mathematical Proof with Generative-Verifier RL and Evolutionary Search

MiniMax M3采用MaxProof框架，在IMO 2025和USAMO 2026两项数学奥赛基准上超越人类金牌线。框架分三阶段训练：Proof RL使用生成式验证器提供奖励，进行长程强化学习提升证明生成能力；Verifier Alignment将验证对齐为错误定位任务；Refinement Augmentation利用训练中产生的错误证明与验证分析对，通过拒绝采样微调修复能力。三者合并为M3通用模型。系统通过低假阳性率过滤噪声，保证RL稳定性。
1 story
1 story
11:39 MiniMax：Blog（网页）AI score 83/100

MiniMax M3: Frontier Coding, 1M Context, Native Multimodality — All in One Model

MiniMax M3 是一个开源前沿模型，具备先进的编码与AI智能体能力。它支持100万token的超长上下文窗口，并采用名为MSA（MiniMax Sparse Attention）的新型稀疏注意力架构。该架构使模型在100万token上下文下的每token计算成本降至前代的1/20，预填充速度提升9倍以上，解码速度提升15倍以上。在SWE-Bench Pro编码基准上，MiniMax M3得分59.0%，超越GPT-5.5和Gemini 3.1 Pro，性能接近Opus 4.7。该模型可通过MiniMax Code、Token Plan和API服务使用。
1 story
1 story
00:00 MiniMax：Blog（网页）AI score 75/100

MiniMax Agent Team: Built for Long-Running Tasks and Continuous Evolution

MiniMax对其Agent Team进行了整体升级并更名为Mavis。本次更新的核心是推出Agent Teams功能，允许用户在MiniMax Agent桌面端并行运行多个不同角色的智能体，组成团队以协作处理单一智能体难以完成的复杂长时任务。同时，原有的TokenPlan与Agent Plan合并为统一订阅，整合了CLI、API及Agent对M2.7模型、音乐、视频和语音功能的访问，其信用额度可在智能体与API之间共享。此次升级旨在解决单智能体在执行长期任务时容易出现的停滞、判断模糊及质量衰退问题，通过主智能体快速响应、任务拆分并行执行与关键节点汇报的机制，提供更流畅的用户体验。
2 stories
08:00 HuggingFace Daily Papers（社区热门论文）AI score 72/100

The MiniMax-M2 Series: Mini Activations Unleashing Max Real-World Intelligence

MiniMax推出M2系列大语言模型。其旗舰模型M2采用混合专家（MoE）架构，总参数229.9B，每个token仅激活9.8B参数。该系列专为智能体部署设计，基于三大组件构建：智能体驱动的数据管道、可扩展的智能体原生强化学习系统Forge，以及展示早期自我进化能力的M2.7检查点。这种设计使其在智能体编码、深度搜索、办公任务及推理基准测试中达到了前沿性能水平。
1 story
08:00 Epoch AI：研究、数据与评测AI score 61/100

Final training runs account for a minority of R&D compute spending

Epoch AI 基于 MiniMax 和 Z.ai 的 IPO 披露数据估算，最终训练运行占研发算力支出的比例分别为 OpenAI 9.6%、MiniMax 22.6%、Z.ai 12.3%，三家均不足四分之一。这一模式与公司规模、国家和商业模型差异无关；MiniMax 较高的比例与追赶型公司可减少实验的假说一致，Z.ai 则不符合，三个数据点证据仍不充分。
1 story
00:00 MiniMax：Blog（网页）AI score 61/100

MiniMax M2.7: Early Echoes of Self-Evolution

M2.7是M2系列中首个深度参与自身进化的模型。它能构建复杂的智能体框架，完成精细的生产力任务，尤其在软件工程方面表现突出，其SWE-Pro基准测试得分56.22%，接近Opus的最佳水平。模型的办公软件处理能力在开源模型中领先，GDPval-AA的ELO分数为1495。M2.7能保持97%的技能遵循率，处理超过40个、每个超过2000 token的复杂技能。该模型通过内部研究智能体框架，实现了“分析-修改-评估”的自主迭代优化循环，在内部评估中提升了性能。
1 story
00:00 MiniMax：Blog（网页）AI score 67/100

MiniMax M2.5: Built for Real-World Productivity.

MiniMax 最新发布的大语言模型 M2.5，通过在数十万个复杂现实环境中进行强化学习训练，在编码、智能体工具调用、搜索和办公工作等多项任务上达到 SOTA。模型推理效率高，完成 SWE-Bench Verified 评估的速度比前代 M2.1 快 37%，与 Claude Opus 4.6 相当。定价方面，以 100 tokens/秒运行时每小时成本仅 1 美元。M2.5 在超过 10 种编程语言和 20 多万个真实环境中训练，具备从系统设计到测试的全流程能力。
1 story
00:00 MiniMax：Blog（网页）

MiniMax Speech 2.8Audio Model

MiniMax 发布新一代语音模型 MiniMax Speech 2.8，通过原生声音标签技术模拟人类口语中的"嗯"、"啊"等填充词及呼吸停顿，显著提升对话自然度。该模型支持10秒样本高保真声音克隆，精准还原音色与语速，同时消除背景噪音与数字伪影，输出录音室级纯净音质。此外，模型优化了跨语言表现，从普通话-日语对开始解决口音渗透问题，实现更接近母语者的发音效果。
1 story
1 story
1 story
00:00 MiniMax：Blog（网页）AI score 62/100

MiniMax M2 & Agent: Ingenious in Simplicity

MiniMax正式开源并发布了专为AI智能体（Agent）和代码场景设计的大语言模型MiniMax M2。该模型API定价极具竞争力，仅为Claude Sonnet价格的约8%，且推理速度更快。在关键的智能体能力方面，其工具调用和深度搜索表现接近顶尖模型，编程能力在国内处于领先地位。MiniMax M2旨在解决性能、价格与速度的“不可能三角”，为构建更普及的AI智能体应用提供基础，体现了其“智能平权”的愿景。
1 story