Minimax 大模型
Minimax 上海稀宇科技有限公司，总部位于上海市徐汇区模速空间的大模型人工智能公司。
总结
公司推出的产品 有MiniMaxM2.1、Hailuo2.3、Speech2.6和Music2.0等
全系列大模型
- （1）LLM
- MiniMax M3
- MiniMax M2.7
- MiniMax M2.5
- （2）VIDEO
- MiniMax H3
- （3）SPEECH & MUSICSPEECH & MUSIC
- MiniMax Speech 2.8
- MiniMax Music 3.0
我先搜索 MiniMax 各模型的发布时间，确保时间线准确。按发布时间整理如下：
| 时间 | 模型 | 类别 | 核心特点 |
|---|---|---|---|
| 2022 | abab 1–4 | 文本 | 早期多代语言模型，支撑 Glow 产品上线 |
| 2023-08 | abab 5 | 文本 | 基础对话模型 |
| 2023 | abab 5.5 | 文本 | 16,384 token 上下文 |
| 2023-11 | Speech-01 | 语音 | 首款语音合成模型 |
| 2024-01 | abab 6 | 文本（MoE） | 万亿参数，对标 GPT-4 |
| 2024-04 | abab 6.5 | 文本（MoE） | 万亿参数，200K 上下文 |
| 2024-08-31 | Hailuo-01（Video-01） | 视频 | 首个视频生成模型 |
| 2024 | Music-01 | 音乐 | 首款音乐生成模型 |
| 2025-01-15 | MiniMax-01（Text-01 / VL-01） | 文本/多模态 | 开源，线性注意力，4560亿参数/459亿激活，400万 Token 上下文 |
| 2025-02-11 | Image-01 | 图像 | 文生图，支持多种尺寸 |
| 2025-02 | T2V-01-Director / I2V-01-Director | 视频 | 导演版视频生成 |
| 2025-04 | Speech-02 | 语音 | 超拟人、个性化、多情感 |
| 2025-06-16 | MiniMax-M1 | 文本（推理） | 80K 思维链 × 1M 输入，开源 MoE，主打推理深度 |
| 2025-06 | Hailuo 02 | 视频 | 第二代视频模型 |
| 2025-09-11 | Music-1.5 | 音乐 | 音乐生成升级 |
| 2025-10-27 | MiniMax-M2 | 文本（MoE） | 230B 总参/10B 激活，编码与 Agent，MIT 协议，效果/价格/速度平衡 |
| 2025-10 | Hailuo 2.3 | 视频 | 视频模型迭代 |
| 2025-Q4 | M2.1 / M2-her | 文本 | M2 系列迭代（108 天完成 M2→M2.5 三代演进） |
| 2026-02 | M2.5 | 文本 | 生产力场景全球领先 |
| 2026-02 | Music2.5+ | 音乐 | 乐器解锁，突破风格边界 |
| 2026-03-18 | M2.7 | 文本/Agent | Agent 旗舰，首次实现模型自我进化，可承担 30%–50% 研发工作量 |
| 2026-04 | Music-2.6 | 音乐 | 封面重生、低音重定义 |
| 2026-06-01 | M3 | 文本/多模态 | 最新 M 系列，agentic reasoning、tool use、coding、多模态聊天、长上下文 |
| 2026-07-16 | Music-3.0 | 音乐 | 新一代音乐生成能力 |
| 2026-07-31 | MiniMax H3 | 视频/多模态 | 新一代多模态生成模型，开源，全球下载 2400 万+，衍生 300+ 模型 |
团队
闫俊杰
产品
AI 原生应用（C端产品）
- MiniMax（原海螺AI）：聚焦文本理解和生成，提供长文对话、搜索及内容创作等功能。
- 海螺视频（Hailuo AI Video）：主打视频生成能力，可根据文字或图片描述自动生成高质量视频故事。
- 星野：国内领先的AI虚拟伴侣与智能体（Agent）应用，支持用户定制原创角色或分身夥伴。
- Talkie：星野的海外版本，是主打全球市场的AI虚拟人物聊天和社交应用。
- MiniMax Audio / Music：提供语音合成、音乐创作、音色设计等音频处理功
【2026-06-01】M3
目标
- 解决更复杂的 Agent 任务
【2026-06-01】MiniMax M3：前沿 Coding 能力，1M上下文，原生多模态，一个模型全给你
MiniMax M3 在编程和智能体等专业任务上达到了前沿的能力。用了全新注意力架构 MSA （MiniMax Sparse Attention ），最高支持 1M 超长上下文。
一个原生多模态模型，支持图片和视频的输入，并能操作电脑桌面。
MSA
复杂Agent任务最大挑战就包括 context scaling。要实现真正的改变，必须从最底层的注意力机制入手，避开全注意力机制计算复杂度平方级增长的“先天缺陷”。
MSA 是简洁且易于扩展的全新稀疏注意力架构，给 M3 带来了 1M 的上下文窗口，并让 context 真正成为又一个可被 scale 的维度。
稀疏注意力机制普遍通过增加初筛阶段来避免复杂度爆炸问题。
与 DSA 和 MoBA 等方案相比，MSA 可以更精确为 KV 分块，实现更高的有效上下文覆盖。
同时，还在算子层直接优化，采用以 KV 块为外层来聚合命中 query 的 KV outer gather Q。每块只读一次、访存连续，在 M3 的 head 配比下计算访存比显著优于通行方法，比开源的 Flash-Sparse-Attention、flash-moba 快 4 倍以上。
100 万上下文下，M3 每 token 计算量仅为上代模型的 1/20。
- prefilling 阶段，我们实现了超过 9 倍的加速倍率
- decoding 阶段有超过 15 倍的加速优势。
而且在多个对照实验中，MSA 的绝大部分能力与全注意力打平。
H3
【2026-7-31】H3 实时视频生成模型
通用全模态生成系统：
- 输入是文本、图像、参考视频、参考音频的任意组合；
- 输出是最高 2K 分辨率、最长 15 秒、带原生立体声音频的视频。
通用多模态生成模型 H3 统一理解跨文本、图像、视频和音频的上下文，生成带原生立体声的视频，最高支持 2K 分辨率、时长可达 15 秒，在指令遵循、文字与品牌标识的准确渲染，以及视频到视频（V2V）的运动迁移方面表现出色，面向广告、品牌、电商、产品设计、UI/UX、游戏等场景。
核心特色概述：
- 全模态上下文理解：文本、图像、视频、音频统一编码，进入同一个 Transformer；
- 原生音视频联合生成：视频和音频不是后拼接的，而是在模型内部同时预测；
- 上下文内 2K 重新生成：不是传统超分，而是把低分辨率结果和原始上下文一起重新喂给模型，让它重新画一遍 2K；
- 系统级分层设计：Context-IR 负责理解输入，Base 负责生成，Regenerate-2K 负责放大。
凭借 H3-VAE、H3-Omni Transformer、In-Context Regeneration 等技术，H3 在 2K 分辨率下每秒价格不到主流模型的三分之一，768p 下不到主流模型 720p 的一半。
模型结构
结构
- H3-Context-IR 多模态输入理解与上下文中间表示生成，未开源，提供 API
- H3-Base 基于上下文表示联合生成 768p 视频与立体声音频，已开源
- H3-Regenerate-2K 在原始上下文指导下重新生成 2K 视频，未开源
支付宝打赏 
微信打赏 
