昨晚12点，我还在电脑前测试一个新模型，突然意识到一个问题让我兴奋得睡不着觉。
你有没有想过，如果AI能"记住"一整本书的内容，会发生什么？不是那种似是而非的"记住"，而是真正的、完整的、一字不漏的记住。
前两天，MiniMax发布了最新模型——MiniMax-M1，直接把上下文拉到了一百万token！
这是什么概念？我花了一晚上测试，发现它相当于能一次性"读完"300页的书，而且全程几乎不忘记任何细节。
从卡兹克的文章DeepSeek了。" data-itemshowtype="0" linktype="text" data-linktype="2">MiniMax深夜开源首个推理模型M1，这次是真的卷到DeepSeek了。也可以看出，M1的长上下文"大海捞针"能力确实有明显的进步！
作为一个每天都要处理大量文档的人，我当时的第一反应是：卧槽，这不是要革命了吗？
更劲爆的是，这个消息一出，连VentureBeat这种美国顶级科技媒体都专门报道了。
要知道，VentureBeat可是"美国前十科技网站"之一，能被他们关注说明这事儿确实不小。
为什么百万上下文让我这么激动？
说实话，我等这样的模型等了很久很久。
很多时候，我想让AI帮我分析一份上百页的调研报告。结果呢？DeepSeek模型直接甩给我一句"达到对话长度上限"。
那一刻我就想，什么时候AI能像人一样，可以完整地读完我提供的全部资料再和我交流？
你们肯定也遇到过这种情况：想让AI总结一篇50页的论文，它告诉你太长了；想分析一个完整的项目代码，它说放不下；想处理一份详细的商业计划书，还是放不下...
或者即使可以放下，但经常感觉给你的回答是碎片式的，遗漏了一大块重要内容。
因为这些功能背后每次都得用RAG（检索增强生成），需要把文档切成小块，让AI一点点处理。
但说句心里话，这就像让一个人戴着眼罩摸象——只能感知局部，很难把握全貌。
遇到这种要上传资料的场景，我经常怀疑AI是不是真的理解了我要表达的完整意思。
现在好了！百万token直接把整头大象都塞给AI，让它完整地"看"和"理解"。这种感觉，就像给AI做了近视手术，突然世界都清晰了。
国内也有公司吹过百万上下文，但我都试过，很多都是用RAG做的假象。
这次M1是真正原生的百万Token上下文！我这两天测试下来，真的是又惊又喜。
性能到底怎么样？
从MiniMax的报告可以看到，在长上下文理解的评测标准MRCR上，M1的表现稳稳进入第一梯队，几乎和谷歌Gemini比肩！
但数字是一回事，实际体验又是另一回事。
我最感兴趣的是TAU-bench（代理工具使用场景）的表现。这个测试很有意思，专门测试AI在复杂多轮对话中调用工具的能力。
结果让我眼前一亮：M1不仅领跑所有开源模型，还战胜了Gemini-2.5 Pro，和OpenAI O3分数接近，只是稍逊于Claude 4 Opus。
要知道，OpenAI O3、Gemini-2.5 Pro、Claude 4 Opus都是海外顶级闭源模型，每个都是"神仙"级别的存在。
M1不但完全开源，性能还能接近这些大佬，作为一个开源爱好者，我内心真的很激动。
这意味着什么？意味着我们终于有了一个既开源又强大的选择，不用再受制于海外闭源模型的各种限制了！
成本控制更是绝了
更让人震惊的是训练成本。
得益于他们独创的闪电注意力机制和CISPO强化学习算法，整个强化学习阶段只用了512块H800三周时间，总花费53.47万美金。
这个成本低到什么程度？比预期少了一个数量级！
API价格也很亲民，32k上下文下，百万Token不到1块钱。还采用了分段计费，用多少付多少。
如何体验？
第一时间，我就跑去了官方网站：https://chat.minimax.io/
这里有个小细节要注意：一定要选择chat模式并打开Thinking模式，我开始就是因为没注意这个设置，还在纳闷怎么效果一般般。
我用官方的案例做了个迷宫生成器测试，效果真的让我眼前一亮。
我用了下面的提示词：
Create a maze generator and pathfinding visualizer. Randomly generate a maze and visualize A* algorithm solving it step by step. Use canvas and animations. Make it visually appealing.
没想到它真的做出来了，而且效果比我想象的还要好！
还有一个惊喜是他们的Agent模式。我受到沃垠文章我用MiniMax Agent做PPT，实在太爽了的启发，试了试让AI做PPT，结果做得还真不错。
我把链接贴出来给大家看看：https://agent.minimax.io/share/281365721911444
老实说，看到这个生成的PPT时，我在电脑前愣了好一会儿——页面简洁干净，审美居然还挺在线的。
我们也可以用官方API调用，官方的API性价比和稳定性都是最好的。
四大实用场景
01 在Cherry Studio中调用
说实话，配置Cherry Studio的时候，我内心是忐忑的。因为之前试过太多模型，总是在关键时刻掉链子。
但M1真的给了我惊喜。我把它配置为主模型，搭配了联网MCP、Arxiv论文MCP、代码MCP、下载MCP等好几个工具。
然后我做了个大胆的尝试：丢给它一个超级复杂的任务——"搜索多智能体系统相关论文，下载第一篇PDF，然后读取并总结要点"。
说完这句话，我就去刷了个短视频，心想："看看这次又会在哪里卡住。"
结果呢？当我回来的时候，M1不仅完成了任务，还给了我一个意外惊喜：它在Arxiv搜索失败后，竟然自己想办法，切换到联网搜索找到了相关论文，然后下载、翻译、总结，一气呵成！
那一刻我真的有点感动，就像看到一个聪明的助手不仅完成了任务，还超额完成了。这种感觉，用过的人都懂。
02 Claude Code的长文本平替
说到Claude Code，我的心情很复杂。
一方面它确实很强大，但另一方面门槛实在太高了：
费用贵得让我心疼（每个月光API费用就要几百刀） 需要海外信用卡和"特殊"网络（你懂的） 最要命的是随时面临封号风险，我有朋友用了半年突然就没了
前几天我熬夜整理了一份claude-code终极平替指南，当时对于长上下文模型推荐的是Gemini方案。但说实话，网络问题依然让人头疼。
现在有了M1，我终于可以松一口气了！不用翻墙，不用担心封号，性能还不差，这种感觉真的很爽。
我昨晚就把配置改了，跑了几个项目测试，体验还不错。
如果你也想尝试一下Claude Code，建议试试下面这个配置：
{
"OPENAI_API_KEY": "sk-xxx",
"OPENAI_BASE_URL": "https://api.deepseek.com",
"OPENAI_MODEL": "deepseek-chat",
"Providers": [
{
"name": "deepseek",
"api_base_url": "https://api.deepseek.com",
"api_key": "sk-xxx",
"models": ["deepseek-reasoner", "deepseek-chat"]
},
{
"name": "MiniMax",
"api_base_url": "https://api.minimaxi.com/v1",
"api_key": "xxx",
"models": ["MiniMax-M1"]
}
],
"Router": {
"background": "deepseek,deepseek-chat",
"think": "deepseek,deepseek-reasoner",
"longContext": "MiniMax,MiniMax-M1"
}
}
03 告别Trae排队烦恼
用Trae自带模型总是遇到排队，浪费时间：
配置M1后，编程场景下的长上下文处理能力大大提升：
我日常用DeepSeek和Qwen-Max，现在又多了一个优秀选择。
04 无需RAG的长文MCP Server
关于"上下文能否取代RAG"这个话题，我和很多朋友争论过。但这次用了M1之后，我更加坚信：当模型上下文足够长时，很多复杂的RAG场景真的会变得极其简单。
为什么这么说？我给你举个真实的例子。
前两周，我需要分析一篇50页的技术论文。按照以前的做法，我得把PDF切成几块，然后让AI分别处理，最后再人工整合。光是这个流程就要折腾1个多小时，而且效果还不一定好。
有了M1的百万上下文，我直接把整个PDF的内容丢给它："帮我总结这篇论文的核心观点、技术创新点和潜在应用场景。"然后我就去干别的事情了，几分钟后回来发现它已经给了我一份详细的分析报告。
那一刻我想：这不就是我一直期待的AI助手吗？
于是我花了一个通宵，基于M1的长上下文能力做了这个MCP：
GitHub链接：https://github.com/yzfly/fullscope-mcp-server
功能很简单，但很实用：
超长网页一键总结（再也不用害怕长文章了） 超长PDF一键总结（学术论文、报告都不在话下） AI信息抽取和主题汇总（找资料的效率提升了10倍）
使用下面的配置就可以配置这个MCP Server，记得换成你自己的MiniMax API Key：
{
"mcpServers": {
"fullscope-mcp": {
"command": "uvx",
"args": ["fullscope-mcp-server"],
"env": {
"OPENAI_API_KEY": "xxx",
"OPENAI_BASE_URL": "https://api.minimaxi.com/v1",
"OPENAI_MODEL": "MiniMax-M1",
"MAX_INPUT_TOKENS": "900000",
"MAX_OUTPUT_TOKENS": "8000"
}
}
}
}
把这个MCP配置到Cherry Studio以后，我测试了一个50多页的PDF。
从发送指令到得到完整总结，只用了不到5分钟就完成了。以前这种任务，我得花上一个小时。
看到这份完整的PDF总结时，我内心真的很激动。这种感觉就像又找到了一个能解决我痛点需求的助手。
有个小细节要注意：因为处理比较耗时，记得把超时设置调到300秒。我开始设置太短，总是中途断掉，后来才发现这个问题。
AI上下文的重要转折点
去年好像是刚哥问过我，最期待大模型哪方面突破，当时我回答的就是「真正的上下文」。
今年我们应该会很快步入AI全员百万上下文时代！
今年年初Grok3发布后，我在微软做分享时就提到一个观点：当模型上下文越来越长，我们还需要现在这么复杂的RAG流程吗？
当时很多人觉得我太乐观，但现在M1的表现让我更加确信这个判断。
直接放到上下文中不就行了？为什么要绕那么多弯？
这就是我做这个MCP Server的初衷，像Manus提出的一样：less structure, more intelligence
让模型的真正能力赋能AI产品，而不是被复杂的工程架构束缚住手脚。
写在最后
说句心里话，写这篇文章的时候，我内心是激动的。
不是因为又有了一个新工具可以玩，而是因为我真切地感受到，我们正在见证一个时代的转折点。
从GPT-4的128k，到Claude的200k，再到现在M1的1000k，这不仅仅是数字的增长，更是AI能力边界的突破。
当AI能够"记住"和"理解"如此庞大的信息量时，我们与AI协作的方式将发生根本性改变。
以前我们和AI的对话，更像是在问答；现在我们可以和AI进行真正的深度协作了。
这让我想起了10年前第一次接触互联网时的感觉——你知道世界要变了，但你不知道会变成什么样。
但有一点是确定的：那些敢于尝试、勇于改变的人，总是能享受到时代红利。
