MiniMax-01: Scalare i modelli di base con attenzione lampeggiante

MiniMax-01: Scaling Foundation Models with Lightning Attention

January 14, 2025

Autori: MiniMax, Aonian Li, Bangwei Gong, Bo Yang, Boji Shan, Chang Liu, Cheng Zhu, Chunhao Zhang, Congchao Guo, Da Chen, Dong Li, Enwei Jiao, Gengxin Li, Guojun Zhang, Haohai Sun, Houze Dong, Jiadai Zhu, Jiaqi Zhuang, Jiayuan Song, Jin Zhu, Jingtao Han, Jingyang Li, Junbin Xie, Junhao Xu, Junjie Yan, Kaishun Zhang, Kecheng Xiao, Kexi Kang, Le Han, Leyang Wang, Lianfei Yu, Liheng Feng, Lin Zheng, Linbo Chai, Long Xing, Meizhi Ju, Mingyuan Chi, Mozhi Zhang, Peikai Huang, Pengcheng Niu, Pengfei Li, Pengyu Zhao, Qi Yang, Qidi Xu, Qiexiang Wang, Qin Wang, Qiuhui Li, Ruitao Leng, Shengmin Shi, Shuqi Yu, Sichen Li, Songquan Zhu, Tao Huang, Tianrun Liang, Weigao Sun, Weixuan Sun, Weiyu Cheng, Wenkai Li, Xiangjun Song, Xiao Su, Xiaodong Han, Xinjie Zhang, Xinzhu Hou, Xu Min, Xun Zou, Xuyang Shen, Yan Gong, Yingjie Zhu, Yipeng Zhou, Yiran Zhong, Yongyi Hu, Yuanxiang Fan, Yue Yu, Yufeng Yang, Yuhao Li, Yunan Huang, Yunji Li, Yunpeng Huang, Yunzhi Xu, Yuxin Mao, Zehan Li, Zekang Li, Zewei Tao, Zewen Ying, Zhaoyang Cong, Zhen Qin, Zhenhua Fan, Zhihang Yu, Zhuo Jiang, Zijia Wu

cs.AI

Abstract

Introduciamo la serie MiniMax-01, che include MiniMax-Text-01 e MiniMax-VL-01, paragonabili ai modelli di alto livello offrendo capacità superiori nel processare contesti più lunghi. Il nucleo risiede nell'attenzione fulminea e nel suo efficiente scalabilità. Per massimizzare la capacità computazionale, lo integriamo con il Mixture of Experts (MoE), creando un modello con 32 esperti e 456 miliardi di parametri totali, di cui 45,9 miliardi sono attivati per ogni token. Sviluppiamo una strategia parallela ottimizzata e tecniche di sovrapposizione computazione-comunicazione altamente efficienti per MoE e attenzione fulminea. Questo approccio ci consente di condurre addestramenti efficienti e inferenze su modelli con centinaia di miliardi di parametri attraverso contesti che spaziano su milioni di token. La finestra di contesto di MiniMax-Text-01 può raggiungere fino a 1 milione di token durante l'addestramento ed estrapolare fino a 4 milioni di token durante l'inferenza a un costo accessibile. Il nostro modello visione-linguaggio, MiniMax-VL-01, è costruito attraverso un addestramento continuo con 512 miliardi di token visione-linguaggio. Gli esperimenti su benchmark standard e interni mostrano che i nostri modelli eguagliano le prestazioni di modelli all'avanguardia come GPT-4o e Claude-3.5-Sonnet offrendo una finestra di contesto 20-32 volte più lunga. Rilasciamo pubblicamente MiniMax-01 su https://github.com/MiniMax-AI.

English

We introduce MiniMax-01 series, including MiniMax-Text-01 and MiniMax-VL-01, which are comparable to top-tier models while offering superior capabilities in processing longer contexts. The core lies in lightning attention and its efficient scaling. To maximize computational capacity, we integrate it with Mixture of Experts (MoE), creating a model with 32 experts and 456 billion total parameters, of which 45.9 billion are activated for each token. We develop an optimized parallel strategy and highly efficient computation-communication overlap techniques for MoE and lightning attention. This approach enables us to conduct efficient training and inference on models with hundreds of billions of parameters across contexts spanning millions of tokens. The context window of MiniMax-Text-01 can reach up to 1 million tokens during training and extrapolate to 4 million tokens during inference at an affordable cost. Our vision-language model, MiniMax-VL-01 is built through continued training with 512 billion vision-language tokens. Experiments on both standard and in-house benchmarks show that our models match the performance of state-of-the-art models like GPT-4o and Claude-3.5-Sonnet while offering 20-32 times longer context window. We publicly release MiniMax-01 at https://github.com/MiniMax-AI.