MiniMax-01: Dimensionamento de Modelos de Fundação com Atenção Relâmpago

MiniMax-01: Scaling Foundation Models with Lightning Attention

January 14, 2025

Autores: 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

Resumo

Apresentamos a série MiniMax-01, que inclui o MiniMax-Text-01 e o MiniMax-VL-01, comparáveis aos modelos de primeira linha, oferecendo capacidades superiores no processamento de contextos mais longos. O cerne reside na atenção relâmpago e sua escalabilidade eficiente. Para maximizar a capacidade computacional, integramos o Modelo de Especialistas (MoE), criando um modelo com 32 especialistas e 456 bilhões de parâmetros totais, dos quais 45,9 bilhões são ativados para cada token. Desenvolvemos uma estratégia paralela otimizada e técnicas de sobreposição de computação-comunicação altamente eficientes para MoE e atenção relâmpago. Essa abordagem nos permite realizar treinamento e inferência eficientes em modelos com centenas de bilhões de parâmetros em contextos que abrangem milhões de tokens. A janela de contexto do MiniMax-Text-01 pode atingir até 1 milhão de tokens durante o treinamento e se estender para 4 milhões de tokens durante a inferência a um custo acessível. Nosso modelo visão-linguagem, MiniMax-VL-01, é construído por meio de treinamento contínuo com 512 bilhões de tokens visão-linguagem. Experimentos em benchmarks padrão e internos mostram que nossos modelos igualam o desempenho de modelos de última geração como GPT-4o e Claude-3.5-Sonnet, oferecendo uma janela de contexto 20-32 vezes mais longa. Lançamos publicamente o MiniMax-01 em 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.