🧠 語言模型MoEMiniMax

MiniMax M2.1

MiniMax M2.1，2025 年 12 月發布，230B MoE 模型，支援 1M token 上下文，GPQA 84.5%，SWE-bench 60.2%，Code Arena 51.0%。

📅 發布：2025-12↻資料更新：2026年5月12日

VRAM 計算器

我的 GPU VRAM：
量化等級
上下文長度
Q4_K_M · 8K context
模型權重 + KV Cache + 0.5 GB overhead
128 GB
完整 VRAM 對照表（所有量化 × 上下文）
量化4K8K16K32K64K128K
Q4_K_M★127 GB128 GB129 GB131 GB136 GB146 GB
Q8_0242 GB243 GB244 GB246 GB251 GB261 GB

部署指南

方法二：llama.cpp

適合進階用戶，支援 CPU 和 GPU 混合推理，可精確控制量化等級。

# Download GGUF model from Hugging Face, then run:
./llama-cli -m model.gguf -p "Hello" -n 128

方法三：vLLM（高效能伺服器）

適合生產環境，支援批次推理和 OpenAI 相容 API。

pip install vllm
vllm serve MiniMax --dtype auto

規格

參數量230B
最大上下文1M tokens
HF 下載量18K/月

模型強項

旗艦級性能超長上下文程式碼能力高推理準確性MoE高效能

推薦用途

  • ▸處理和理解超長文件內容，如法律條文、學術論文等，進行摘要、問答與分析。
  • ▸複雜程式碼的生成、除錯與優化，特別適用於需要高準確性和長程式碼上下文的開發任務。

標籤

MoE1M Context旗艦

部署工具

vLLMSGLang

關於 MiniMax M2.1 — 開源 AI 模型

MiniMax M2.1 是一個開源語言模型，擁有 230B 參數，採用 MiniMax 授權。可使用 vLLM、SGLang 進行部署。適用場景包括：處理和理解超長文件內容，如法律條文、學術論文等，進行摘要、問答與分析。、複雜程式碼的生成、除錯與優化，特別適用於需要高準確性和長程式碼上下文的開發任務。。核心優勢：旗艦級性能、超長上下文、程式碼能力、高推理準確性、MoE高效能。 可在本地硬體上自行部署，完全保護隱私，無需 API 金鑰。

使用心得

分享你的使用體驗，幫助其他人了解這個模型

0/1000
還沒有評論，成為第一個分享心得的人！