技术报告
共 8 篇文章
MiniMax H3
MiniMax H3 是 MiniMax 开源的通用全能模态生成系统，可统一理解文本、图像、视频、音频多模态上下文，并生成带原生立体声、最高 2K 分辨率、最长 15 秒的视频。本文介绍其三模块系统架构、模型变体、本地部署方法以及完整 2K 工作流。
Intern-S2-Mobius
上海 AI 实验室开源 Intern-S2-Mobius，一个基于 Mobius-v0 架构的 35B 基座模型，由 Xtuner 与 LMDeploy 实现。它把知识存储与推理计算解耦：用全局共享的 Memory 存放知识，由多个 Reasoner 迭代查询并精炼隐状态，从而获得反向残差连接与动态潜式推理两项原生能力。相比 Qwen3.5-35B 基线，它在推理 benchmark 上表现相当或更强，输出更短，端到端推理加速接近 4 倍。
MiniMax-Provider-Verifier
MiniMax-Provider-Verifier 提供一套严谨、与厂商无关的验证工具，用于检验第三方部署的 MiniMax M2 系列模型是否正确可靠；它从工具调用行为、schema 正确性、系统稳定性等多个维度评估，并给出可复现的指标与参考阈值，帮助识别和定位部署配置问题。
MiniMax-M3
MiniMax-M3 是原生多模态模型，拥有 100 万上下文、约 428B 总参数和约 23B 激活参数。它通过 MiniMax Sparse Attention (MSA) 在 1M 上下文下相比 M2 取得 9 倍 prefill 与 15 倍 decode 加速，单 token 计算量降至 1/20，并在长程 agentic benchmark 上达到前沿水平的编码与协作能力。
VTP：面向生成任务的可扩展视觉 Tokenizer 预训练
VTP 是统一的视觉 tokenizer 预训练框架，首次联合优化图文对比、自监督与重建三类损失，证明以感知为导向的 tokenizer 预训练能为生成任务解锁新的 scaling law；在不改动 DiT 训练配置与 FLOPs 的前提下，仅扩大 VTP 预训练规模即可持续提升生成质量，最终在 ImageNet 256×256 上取得 1.11 gFID。
MiniMax-M2.7
MiniMax-M2.7 是首个深度参与自身演化的模型：开发过程中让模型自主更新记忆、构建复杂技能并根据实验结果改进学习过程，内部版本经过 100+ 轮自我优化带来 30% 性能提升。它在 SWE-Pro、SWE Multilingual、GDPval-AA、MLE Bench Lite 等工程与职业任务基准上达到开源模型领先水平，并原生支持 Agent Teams。
MiniMax-01
MiniMax 推出 MiniMax-Text-01 与 MiniMax-VL-01 两款模型：Text-01 拥有 4560 亿总参数，采用 Lightning Attention 与 MoE 混合架构，支持最高 400 万 token 上下文；VL-01 在其基础上增强视觉能力。
Baichuan-Audio
Baichuan-Audio 是百川智能开源的端到端语音交互基座模型，由 Baichuan-Audio Tokenizer、Audio LLM 与基于 flow-matching 的 Audio Decoder 三部分组成，支持高质量、可控的中英双语实时对话。文章介绍其架构、两阶段预训练策略、交错数据构建方法，并开源 OpenAudioBench 评测集。