MiniMax · 2025-01 · MoE épars
MiniMax-Text-01
MiniMax-Text-01 est un Transformer à attention groupée (GQA) publié par MiniMax en 2025-01, avec 80 couches, une dimension cachée de 6144 et une fenêtre de contexte de 10,240,000 tokens.
Pile de couches
Linéaire ×70 Attention ×10 · Couches 80
Faits clés
| Laboratoire | MiniMax |
|---|---|
| Publication | 2025-01 |
| Paramètres | 456 Md |
| Actifs | 45.9 Md |
| Contexte | 10,240,000 tokens |
| Attention | GQA (64:8) |
| Couches | 80 |
| Dimension cachée | 6,144 |
| Têtes d'attention | 64 |
| Vocabulaire | 200,064 |
| Encodage positionnel | RoPE |
| Normalisation | RMSNorm |
| Activation | silu |
| Précision | bf16 |
| Classe d'architecture | MiniMaxForCausalLM |
Vue d'ensemble de l'architecture
Attention
attention groupée (GQA) — 64 q-heads / 8 kv-heads. RoPE θ=10,000,000.
FFN / MoE
C’est un mélange d’experts épars : 32 experts routés avec routage top-2 ; environ 45.9Md de paramètres sont actifs par token.
Comparaison champ à champ
Comparé au modèle précédent du même labo ; à défaut, au modèle structurellement le plus proche. La colonne ratio = ce modèle ÷ le modèle comparé.
Comparaison complète avec le plus proche, MiniMax-M1
| Modèle | MiniMax-Text-01 | MiniMax-M1 | Ratio |
|---|---|---|---|
| model_type | minimax | minimax | ＝ |
| architectures | MiniMaxForCausalLM | MiniMaxForCausalLM | ＝ |
| hidden_size | 6144 | 6144 | ≈1 |
| num_hidden_layers | 80 | 80 | ≈1 |
| num_attention_heads | 64 | 64 | ≈1 |
| num_key_value_heads | 8 | 8 | ≈1 |
| head_dim | 128 | 128 | ≈1 |
| intermediate_size | 9216 | 9216 | ≈1 |
| hidden_act | silu | silu | ＝ |
| num_experts_per_tok | 2 | 2 | ≈1 |
| rope_theta | 10000000 | 10000000 | ≈1 |
| max_position_embeddings | 10240000 | 10240000 | ≈1 |
| rms_norm_eps | 0.00001 | 0.00001 | ≈1 |
| vocab_size | 200064 | 200064 | ≈1 |
| attention_dropout | 0 | 0 | ＝ |
| layer_types | linear_attention×70 + full_attention×10 | linear_attention×70 + full_attention×10 | ＝ |
| initializer_range | 0.02 | 0.02 | ≈1 |
| full_attn_alpha_factor | 3.5565588200778455 | 3.5565588200778455 | ≈1 |
| full_attn_beta_factor | 1 | 1 | ≈1 |
| linear_attn_alpha_factor | 3.5565588200778455 | 3.5565588200778455 | ≈1 |
| linear_attn_beta_factor | 1 | 1 | ≈1 |
| mlp_alpha_factor | 3.5565588200778455 | 3.5565588200778455 | ≈1 |
| mlp_beta_factor | 1 | 1 | ≈1 |
| num_local_experts | 32 | 32 | ≈1 |
| output_router_logits | false | false | ＝ |
| postnorm | true | true | ＝ |
Architectures les plus proches
- MiniMax-M1 (MiniMax, 2025-06) 1.000
- Qwen3 235B A22B (Qwen, 2025-04) 0.991
- GLM-4.6 (GLM, 2025-10) 0.990
- GLM-4.5 (GLM, 2025-07) 0.989
- Mixtral 8x22B (Mistral, 2024-04) 0.988
- GLM-4.5-Air (GLM, 2025-07) 0.984
La similarité varie de 0 (aucune caractéristique catégorielle commune) à 1 (profils identiques).
Champs bruts du config.json
34 champs
| architectures | MiniMaxForCausalLM |
|---|---|
| attention_dropout | 0 |
| layer_types | linear_attention×70 + full_attention×10 |
| head_dim | 128 |
| hidden_act | silu |
| hidden_size | 6144 |
| initializer_range | 0.02 |
| intermediate_size | 9216 |
| full_attn_alpha_factor | 3.5565588200778455 |
| full_attn_beta_factor | 1 |
| linear_attn_alpha_factor | 3.5565588200778455 |
| linear_attn_beta_factor | 1 |
| mlp_alpha_factor | 3.5565588200778455 |
| mlp_beta_factor | 1 |
| max_position_embeddings | 10240000 |
| model_type | minimax |
| num_attention_heads | 64 |
| num_experts_per_tok | 2 |
| num_hidden_layers | 80 |
| num_key_value_heads | 8 |
| num_local_experts | 32 |
| output_router_logits | false |
| postnorm | true |
| rms_norm_eps | 0.00001 |
| rope_theta | 10000000 |
| rotary_dim | 64 |
| router_aux_loss_coef | 0.001 |
| router_jitter_noise | 0 |
| shared_intermediate_size | 0 |
| shared_moe_mode | sigmoid |
| tie_word_embeddings | false |
| transformers_version | 4.45.2 |
| use_cache | true |
| vocab_size | 200064 |