MiniMax-M1 - Historique des versions

Pitpitt le 5 août 2025 à 14:04

2025-08-05T14:04:19Z

← Version précédente		Version du 5 août 2025 à 10:04
Ligne 1 :		Ligne 1 :
	~~==en construction==~~

	== Définition ==		== Définition ==
	Il s'agit d'un modèle de '''[[raisonnement]]''' hybride à grande échelle et à ''open-weight'', alimenté par une architecture hybride de '''[[mixture d'experts]]''' combinée à un '''mécanisme d'attention éclair'''. Il est entraîné à l'aide de l''''[[apprentissage par renforcement]]''' à grande échelle sur divers problèmes. MiniMax-M1 est particulièrement adapté aux tâches complexes qui nécessitent le traitement de données volumineuses et une réflexion approfondie.		Il s'agit d'un modèle de '''[[raisonnement]]''' hybride à grande échelle et à ''open-weight'', alimenté par une architecture hybride de '''[[mixture d'experts]]''' combinée à un '''mécanisme d'attention éclair'''. Il est entraîné à l'aide de l''''[[apprentissage par renforcement]]''' à grande échelle sur divers problèmes. MiniMax-M1 est particulièrement adapté aux tâches complexes qui nécessitent le traitement de données volumineuses et une réflexion approfondie.
Ligne 23 :		Ligne 21 :
	[https://minimax-m1.com/ Source : MiniMax-M1]		[https://minimax-m1.com/ Source : MiniMax-M1]

	[[Catégorie:~~vocabulary~~]]		[[Catégorie:GRAND_LEXIQUE_FRANÇAIS]]

			[[Catégorie:ENGLISH]]

Arianne le 14 juillet 2025 à 11:10

2025-07-14T11:10:38Z

← Version précédente		Version du 14 juillet 2025 à 07:10
Ligne 5 :		Ligne 5 :

	Voir aussi '''[[mécanisme d'attention]]'''		Voir aussi '''[[mécanisme d'attention]]'''

			== Compléments ==
			Attention: MiniMax-M1 n'est pas en lien avec l''''[[algorithme minimax]]'''.

	== Français ==		== Français ==

Arianne le 10 juillet 2025 à 16:41

2025-07-10T16:41:19Z

← Version précédente		Version du 10 juillet 2025 à 12:41
Ligne 2 :		Ligne 2 :

	== Définition ==		== Définition ==
	Il s'agit d'un modèle de raisonnement hybride à grande échelle et à ''open-weight'', alimenté par une architecture hybride de '''[[mixture d'experts]]''' combinée à un '''mécanisme d'attention éclair'''. Il est entraîné à l'aide de l''''[[apprentissage par renforcement]]''' à grande échelle sur divers problèmes. MiniMax-M1 est particulièrement adapté aux tâches complexes qui nécessitent le traitement de données volumineuses et une réflexion approfondie.		Il s'agit d'un modèle de '''[[raisonnement]]''' hybride à grande échelle et à ''open-weight'', alimenté par une architecture hybride de '''[[mixture d'experts]]''' combinée à un '''mécanisme d'attention éclair'''. Il est entraîné à l'aide de l''''[[apprentissage par renforcement]]''' à grande échelle sur divers problèmes. MiniMax-M1 est particulièrement adapté aux tâches complexes qui nécessitent le traitement de données volumineuses et une réflexion approfondie.

	Voir aussi '''[[mécanisme d'attention]]'''		Voir aussi '''[[mécanisme d'attention]]'''

Arianne le 8 juillet 2025 à 19:57

2025-07-08T19:57:29Z

← Version précédente		Version du 8 juillet 2025 à 15:57
Ligne 2 :		Ligne 2 :

	== Définition ==		== Définition ==
			Il s'agit d'un modèle de raisonnement hybride à grande échelle et à ''open-weight'', alimenté par une architecture hybride de '''[[mixture d'experts]]''' combinée à un '''mécanisme d'attention éclair'''. Il est entraîné à l'aide de l''''[[apprentissage par renforcement]]''' à grande échelle sur divers problèmes. MiniMax-M1 est particulièrement adapté aux tâches complexes qui nécessitent le traitement de données volumineuses et une réflexion approfondie.

			Voir aussi '''[[mécanisme d'attention]]'''

	== Français ==		== Français ==
Ligne 9 :		Ligne 11 :
	== Anglais ==		== Anglais ==
	'''MiniMax-M1'''		'''MiniMax-M1'''
			<!--It is an open-weight, large-scale hybrid-attention reasoning model, powered by a hybrid Mixture-of-Experts (MoE) architecture combined with a lightning attention mechanism. It is trained using large-scale reinforcement learning (RL) on diverse problems. M1 is particularly suitable for complex tasks that require processing long inputs and extensive thinking.-->

	~~MiniMax~~-~~M1, the world's first~~ open-weight, large-scale hybrid-attention reasoning model~~. MiniMax-M1 is~~ powered by a hybrid Mixture-of-Experts (MoE) architecture combined with a lightning attention mechanism. ~~The model~~ is ~~developed based~~ on ~~our previous MiniMax-Text-01 model, which contains a total of 456 billion parameters with 45~~.~~9 billion parameters activated per token. Consistent with MiniMax-Text-01, the~~ M1 ~~model natively supports a context length of 1 million tokens, 8x the context size of DeepSeek R1~~. ~~Furthermore, the lightning attention mechanism in MiniMax~~-~~M1 enables efficient scaling of test~~-~~time compute –~~

	== Sources ==		== Sources ==

Arianne le 8 juillet 2025 à 17:17

2025-07-08T17:17:17Z

← Version précédente		Version du 8 juillet 2025 à 13:17
Ligne 13 :		Ligne 13 :
	MiniMax-M1, the world's first open-weight, large-scale hybrid-attention reasoning model. MiniMax-M1 is powered by a hybrid Mixture-of-Experts (MoE) architecture combined with a lightning attention mechanism. The model is developed based on our previous MiniMax-Text-01 model, which contains a total of 456 billion parameters with 45.9 billion parameters activated per token. Consistent with MiniMax-Text-01, the M1 model natively supports a context length of 1 million tokens, 8x the context size of DeepSeek R1. Furthermore, the lightning attention mechanism in MiniMax-M1 enables efficient scaling of test-time compute –		MiniMax-M1, the world's first open-weight, large-scale hybrid-attention reasoning model. MiniMax-M1 is powered by a hybrid Mixture-of-Experts (MoE) architecture combined with a lightning attention mechanism. The model is developed based on our previous MiniMax-Text-01 model, which contains a total of 456 billion parameters with 45.9 billion parameters activated per token. Consistent with MiniMax-Text-01, the M1 model natively supports a context length of 1 million tokens, 8x the context size of DeepSeek R1. Furthermore, the lightning attention mechanism in MiniMax-M1 enables efficient scaling of test-time compute –

			== Sources ==
			[https://arxiv.org/abs/2506.13585 Source : arxiv]




	~~== Source ==~~
	[https://huggingface.co/MiniMaxAI/MiniMax-M1-80k Source : huggingface]		[https://huggingface.co/MiniMaxAI/MiniMax-M1-80k Source : huggingface]

			[https://minimax-m1.com/ Source : MiniMax-M1]

	[[Catégorie:vocabulary]]		[[Catégorie:vocabulary]]

Pitpitt : Page créée avec « ==en construction== == Définition == == Français == ''' MiniMax-M1''' == Anglais == '''MiniMax-M1''' MiniMax-M1, the world's first open-weight, large-scale hybrid-attention reasoning model. MiniMax-M1 is powered by a hybrid Mixture-of-Experts (MoE) architecture combined with a lightning attention mechanism. The model is developed based on our previous MiniMax-Text-01 model, which contains a total of 456 billion parameters with 45.9 billion parameters ac... »

2025-06-19T17:34:31Z

Page créée avec « ==en construction== == Définition == == Français == ''' MiniMax-M1''' == Anglais == '''MiniMax-M1''' MiniMax-M1, the world's first open-weight, large-scale hybrid-attention reasoning model. MiniMax-M1 is powered by a hybrid Mixture-of-Experts (MoE) architecture combined with a lightning attention mechanism. The model is developed based on our previous MiniMax-Text-01 model, which contains a total of 456 billion parameters with 45.9 billion parameters ac... »

Nouvelle page

==en construction==

== Définition ==

== Français ==
''' MiniMax-M1'''

== Anglais ==
'''MiniMax-M1'''

MiniMax-M1, the world's first open-weight, large-scale hybrid-attention reasoning model. MiniMax-M1 is powered by a hybrid Mixture-of-Experts (MoE) architecture combined with a lightning attention mechanism. The model is developed based on our previous MiniMax-Text-01 model, which contains a total of 456 billion parameters with 45.9 billion parameters activated per token. Consistent with MiniMax-Text-01, the M1 model natively supports a context length of 1 million tokens, 8x the context size of DeepSeek R1. Furthermore, the lightning attention mechanism in MiniMax-M1 enables efficient scaling of test-time compute –

== Source ==
[https://huggingface.co/MiniMaxAI/MiniMax-M1-80k Source : huggingface]

[[Catégorie:vocabulary]]