MiniMax: MiniMax-01
Publié par MiniMax le 15 janvier 2025, MiniMax-01 est un LLM à poids ouverts désormais ancien à l’échelle de l’IA. Près de deux ans après sa sortie, il appartient à une génération probablement dépassée. Sa caractéristique majeure reste sa fenêtre de contexte d’environ un million de tokens.
Publié par MiniMax le 15 janvier 2025, MiniMax-01 est un LLM à poids ouverts désormais ancien à l’échelle de l’IA. Près de deux ans après sa sortie, il appartient à une génération probablement dépassée. Sa caractéristique majeure reste sa fenêtre de contexte d’environ un million de tokens.
Également appelé MiniMax-Text-01, il compte 456 milliards de paramètres, dont 45.9 milliards activés par token. Son architecture hybride associe Lightning Attention, Softmax Attention et Mixture-of-Experts. Son tarif très économique se situe 90% sous la moyenne des LLM similaires et environ 27.5 fois sous celui des modèles frontière.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | MiniMax |
| Poids | 🟢 Poids ouverts |
| Date de sortie | 15 janvier 2025 |
| Connaissances jusqu'à | 2024-03-31 |
| Multimodal | oui |
| Fenêtre de contexte | 1 000 192 tokens (≈ 1,0 M) |
| Modalités (entrée → sortie) | text,image → text |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| Benchable : Ethics (Baseline) | 100,0 % | 1ᵉ / 159 | benchable | ✅ Mesuré |
| Benchable : General Knowledge (Baseline) | 99,0 % | 75ᵉ / 161 | benchable | ✅ Mesuré |
| Benchable : Email Classification (Baseline) | 99,0 % | 11ᵉ / 163 | benchable | ✅ Mesuré |
| Benchable : Coding (Baseline) | 81,0 % | 110ᵉ / 162 | benchable | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 74,0 % | 84ᵉ / 155 | benchable | ✅ Mesuré |
| Benchable : Instruction Following (Baseline) | 65,0 % | 69ᵉ / 163 | benchable | ✅ Mesuré |
| Benchable : Hallucinations (Baseline) | 56,0 % | 127ᵉ / 146 | benchable | ✅ Mesuré |
| Benchable : Mathematics (Baseline) | 0,0 % | 133ᵉ / 140 | benchable | ✅ Mesuré |
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles sur chaque dimension évaluée, et à ses voisins de classement.
Benchable : Ethics (Baseline)
Benchable : General Knowledge (Baseline)
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| MiniMax | 0,2 $ | 1,1 $ | n.d. |
Prix en dollars US par million de tokens.
Sa tarification se situe 90 % en dessous de la moyenne des LLM similaires, et 27,5 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.6 Sol, Gemini 3.5 Flash).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût moyen par benchmark — Benchable | 0,01 $ |
| Latence moyenne par benchmark — Benchable | 5 min 10 s |
Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.
Notre analyse
Forces. MiniMax-01 obtient des scores bruts très élevés en General Knowledge, en Email Classification et en Ethics. Ces benchmarks sont toutefois plafonnés et les places sont partagées par de nombreux modèles, ce qui réduit leur pouvoir de comparaison. À sa sortie, sa principale singularité tenait surtout à son contexte d’environ un million de tokens. Les techniques LASP+, varlen ring attention et Expert Tensor Parallel accompagnent cette architecture conçue pour le long contexte. Les poids ouverts et les accès par Chat, API et MCP élargissent ses modes de déploiement.
Limites et points d’attention. Le modèle se situe en retrait en Coding, autour du milieu de classement en Reasoning et à un niveau intermédiaire en Instruction Following. Ces résultats limitent son intérêt pour la programmation, les raisonnements complexes et l’exécution rigoureuse de consignes. Ses connaissances s’arrêtent au 31 mars 2024. Près de deux ans après sa sortie, ses performances sont aujourd’hui largement dépassées et les modèles de cet âge sont souvent retirés du catalogue de leur éditeur. Son échelle reste néanmoins marquante, avec 456 milliards de paramètres au total et 45.9 milliards activés par token.
Sources des données : OpenRouter (openrouter.ai) · LLM-Stats (llm-stats.com) · Benchable.ai (benchable.ai).