News

PPIO上线MiniMax-M1-80k：全球首个开源大规模混合架构推理模型

Saiki

— 5 min read
PPIO上线MiniMax-M1-80k：全球首个开源大规模混合架构推理模型

今天，PPIO 首发上线 MiniMax-M1，这是全球首个开源大规模混合架构的推理模型。

MiniMax-M1 采用混合专家 （MoE） 架构，并结合闪电注意力机制。该模型总共包含 4560 亿个参数，每个令牌激活了 459 亿个参数。M1 模型原生支持 100 万个令牌的上下文长度，是 DeepSeek R1 上下文大小的 8 倍。同时MiniMax-M1 结合 CISPO 算法与混合注意力设计的高效强化学习训练，在长输入推理与真实软件工程场景中实现了业界领先的性能。

因为相对高效的训练和推理算力使用，该模型可以以业内最低的价格提供 API 服务。PPIO 平台的 MiniMax M1-80k 价格为：输入￥4/百万 tokens，输出 ￥16/百万 tokens，上下文窗口为128k。

快速体验入口：

https://ppio.cn/llm/minimaxai-minimax-m1-80k

第三方平台集成 API：

https://ppio.cn/docs/third-party/overview

API 开发者文档：

https://ppio.cn/docs/model/llm

# 01

在 PPIO 在线体验 MiniMax M1

M1 在面向生产力的复杂场景中能力是开源模型中的最好一档，超过国内的闭源模型，接近海外的最领先模型，同时又有业内最高的性价比。

在 PPIO 官网，输入提示词：

Create an HTML page with a canvas-based animated particle background. The particles should move smoothly and connect when close. Add a central heading text over the canvas。

生成代码的网页效果如下：

M1 有一个显著的优势是支持目前业内最高的 100 万上下文的输入，跟闭源模型里面的 Google Gemini 2.5 Pro 一样，是 DeepSeek R1 的 8 倍，以及业内最长的 8 万tokens 的推理输出。

于是，我们进行了一番测试，直接让 M1 翻译了一份中文版的 M1 的技术报告，点击查看：

https://ppio-cloud.feishu.cn/wiki/SeBiwQQIWiNMGOkrNz7c8I1Hnzf?from=from_copylink

# 02

在第三方平台接入 PPIO API

目前 PPIO 支持在 20+ 主流平台中调用平台模型，具体包括：

  • 通用对话客户端：CherryStudio、Chatbox、LobeChat、Nextchat、ChatHub、
  • 通用 AI 助手：OpenManus、UI-TARS
  • 代码开发工具：Cursor、CLINE
  • 开发/ API 平台：Dify、OneAPI、RAGFlow、FastGPT
  • 生产力套件集成：Word、WPS Office AI，这些是办公软件集成AI功能。
  • 智能翻译工具：沉浸式翻译、欧路词典、流畅阅读、沉浸式导读。
  • 知识管理工具：思源笔记、Obsidian、AnythingLLM

我们以 Cherry Studio 为例接入PPIO API。

（1）获取并保存【 API key 】、【 Base URL 】和【模型名称】

注册并登录 PPIO，然后打开 API 密钥管理页面，点击【创建】按钮，输入自定义密钥名称，生成 API 密钥。

!!!注意：密钥在服务端是加密存储，请在生成时保存好密钥（比如记录在备忘录里）；若遗失密钥，可以在控制台上删除并创建一个新的密钥。

然后到模型广场获取模型名和 Base URL，固定地址为：

https://api.ppinfra.com/v3/openai

（2）在 Cherry Studio 中配置 API 密钥

下载并安装 Cherry Studio，官网地址为：

https://cherry-ai.com/download

打开 Cherry Studio，点击设置，选择【PPIO派欧云】，输入官网生成的 API 密钥。

点击【添加】，填入所需模型名称

minimaxai/minimax-m1-80k。

添加后点击【检测】，选择 MiniMax-M1-80k，会显示检测通过。

回到对话窗口，点击@，选择 MiniMax M1 模型后即可使用。

# 03

API 开发者文档

通过 PPIO 的 API 接口，可以将 LLM API 无缝集成到你的应用程序、工作流或聊天机器人。PPIO 提供多语言 SDK（cURL、Python、JavaScript 等）。

以 Python 为例：

主要特点：

  • OpenAI 兼容接口：使用 /v3/openai 统一接口，兼容 openai.ChatCompletion 调用方式。
  • 无需部署模型：无需管理模型权重或基础设施，后端完全托管。
  • 输出方式：支持流式和一次性返回

API 开发者文档：

https://ppio.cn/docs/model/llm


Read more

PPIO发布Agent Runtime：让Agent部署像Serverless一样简单

PPIO发布Agent Runtime：让Agent部署像Serverless一样简单

近期，PPIO 发布了基于 Sandbox（沙箱）自研的新产品：Agent Runtime，一个轻量级的 Agent 运行时框架。 Agent Runtime 是为了顺应 Agent 的专属需求而推出，其定位与 AWS AgentCore Runtime 类似。AgentCore 是 AWS 在 2025 年推出的专为 Agent 设计的基础设施平台，AgentCore Runtime 则是其中一个子产品，是基于 Firecracker 微虚拟机的 Serverless 运行时环境，旨在解决 Agent 低成本、高效率的部署问题。 PPIO Agent Runtime 通过简单易用的 SDK 与强大的沙箱运行环境来简化 Agent 的部署过程。用户无需关心基础设施配置、

By PPIO
当Agent计算规模扩大100倍，我们需要什么样的Agentic Infra？

当Agent计算规模扩大100倍，我们需要什么样的Agentic Infra？

近期，PPIO Sandbox（沙箱）发布了一个重要功能：沙箱克隆。 沙箱克隆旨在助力提高 Agent 的并行计算能力，也就是经典的“Scale up”规模扩展问题。 今年最流行的 Agent 产品是 Deep Research，它可以看作对单个研究问题持续追踪、推演、迭代直到形成洞察的长链路串行推理过程。 那么，如果将 Deep Research 的能力 Scale up 一百倍会发生什么？像 Manus 这样的 Agent 正在解决这类挑战，并将这种并行计算架构的 Agent 称之为 Wide Research。 从 Agent 的串行计算到并行计算，离不开“沙箱克隆”这一核心技术的助力，这是 PPIO 在 Agentic Infra

By PPIO
PPIO上线Kimi K2 Thinking，兼容Anthropic协议

PPIO上线Kimi K2 Thinking，兼容Anthropic协议

今天，PPIO 上线 Kimi K2 Thinking，这是 Kimi 最新、功能最强大的开源思考模型。 Kimi K2 Thinking 基于 Kimi K2 后训练而来的混合专家模型（MoE），总参数达 1T，激活参数 32B，上下文长度 256K。该模型支持深度思考、Function Call、结构化输出、json_schema、json_object 等功能。 现在，你可以到 PPIO 官网在线体现 Kimi K2 Thinking，也可以将 PPIO 的模型 API 部署到 AI 应用中。 PPIO 在线体验地址： https:

By PPIO
PPIO独家上新GPU实例模板，一键部署Kimi-Linear

PPIO独家上新GPU实例模板，一键部署Kimi-Linear

昨晚，月之暗面发布了混合线性注意力架构新模型 Kimi-Linear，旨在解决大语言模型在长上下文推理中的计算瓶颈。 Kimi-Linear 的核心亮点： * Kimi Delta Attention（KDA），一种通过细粒度门控机制改进门控规则的线性注意力架构。 * 混合架构：采用 3:1 的 KDA 与全局 MLA 比例，在保持甚至超越全注意力质量的同时降低内存占用。 * 卓越性能：在 1.4T Token 的训练规模下，经公平对比，KDA 在长文本与类强化学习基准等多项任务上均优于全注意力。 * 高吞吐：在 1M 上下文中实现最高 6 倍的解码吞吐量，显著缩短单输出 Token 耗时（TPOT）。 今天，PPIO 独家上新 GPU 实例模板，可一键部署 Kimi-Linear-48B-A3B-Instruct 的专属模型。 PPIO 算力市场的

By PPIO