MiniMax-01: ライトニングアテンションを用いたファウンデーションモデルのスケーリング

MiniMax-01: Scaling Foundation Models with Lightning Attention

January 14, 2025

著者: 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

要旨

MiniMax-01シリーズを紹介します。これにはMiniMax-Text-01とMiniMax-VL-01が含まれており、トップモデルに匹敵しながらも、より長い文脈を処理する優れた機能を提供しています。その中核は、光速アテンションとその効率的なスケーリングにあります。計算能力を最大限に活用するために、32の専門家と4560億の合計パラメータを持つMixture of Experts（MoE）と統合しました。そのうち、各トークンに対して活性化されるのは459億です。MoEと光速アテンションのために最適化された並列戦略と非常に効率的な計算-通信の重なり技術を開発しました。このアプローチにより、数億のパラメータを持つモデルにおいて、数百万のトークンにわたる文脈で効率的なトレーニングと推論を行うことが可能となります。MiniMax-Text-01の文脈ウィンドウは、トレーニング中に最大100万トークンに達し、推論時には400万トークンまで拡張されますが、手頃なコストで実現します。また、ビジョン言語モデルであるMiniMax-VL-01は、5120億のビジョン言語トークンで継続的にトレーニングされて構築されています。標準および社内ベンチマークでの実験結果によると、GPT-4oやClaude-3.5-Sonnetなどの最先端モデルと同等の性能を発揮し、20〜32倍長い文脈ウィンドウを提供しています。MiniMax-01はhttps://github.com/MiniMax-AI で公開されています。

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.