稀宇科技今日宣佈開源其原生多模態旗艦模型MiniMax M3，總參數428B，激活參數23B，爲行業首個此類模型。此前已開放權重併發布稀疏注意力機制論文，引發廣泛關注。該模型綜合性能在開源模型中排名第一。
MiniMax稀宇科技於2026年6月1日發佈新一代前沿大模型M3，這是國內首個集成頂尖編程、1M超長上下文及原生多模態能力的開源模型，對標海外閉源旗艦。針對複雜智能體任務的上下文擴展瓶頸，M3自主研發稀疏注意力架構（MSA），實現更精確的KV分塊與算子層優化，計算速度較同類開源方案提升4倍以上，在1M上下文下每Token計算量顯著降低。
國內AI獨角獸MiniMax即將發佈新一代大模型M3，採用稀疏注意力架構，結合快速索引與精準計算，突破超長上下文計算瓶頸。AI工程負責人預告“Something BIG is coming!”，引發業界關注。
寒武紀宣佈完成對DeepSeek-V4全系列模型的“Day0”適配，基於vLLM推理框架，覆蓋285B參數Flash版及1.6T參數Pro版。通過自研Torch-MLU-Ops算子庫優化稀疏注意力與壓縮結構，確保模型發佈當日即可在寒武紀硬件上穩定運行，相關代碼已開源至GitHub。
Alibaba
$2
輸入tokens/百萬
-
輸出tokens/百萬
256
上下文長度
Bytedance
$0.8
128
$0.3
32
Openai
Stepfun
$1
Bigcode
8
01-ai
$0.99
Google
Chatglm
$17.5
$70
2.1k
$5
$9
jackcloudman
Qwen3-Next-80B-A3B-Thinking 是通義千問團隊推出的新一代思考型大語言模型，採用創新的混合注意力機制和高稀疏MoE架構，在保持高效推理的同時具備強大的複雜推理能力，原生支持262K上下文長度。
QuantTrio
DeepSeek-V3.2-Exp-AWQ是基於DeepSeek-V3.2-Exp模型的量化版本，通過vLLM框架實現高效文本生成。該模型引入了DeepSeek稀疏注意力機制，在長上下文訓練和推理效率上有顯著提升，同時保持了模型輸出質量。
cpatonn
Qwen3-Next-80B-A3B-Instruct是通義千問團隊開發的高效稀疏混合專家模型，總參數量80B，激活參數量僅3B。該模型採用創新的混合注意力機制和極低激活率的MoE架構，在保持強大性能的同時大幅提升推理效率，原生支持262K上下文長度並可擴展至1M令牌。
unsloth
Qwen3-Next-80B-A3B-Instruct是阿里巴巴通義千問團隊開發的最新一代大型語言模型，採用創新的混合注意力機制和高稀疏專家混合架構，在保持80B總參數的同時僅激活3B參數，實現了高效的上下文建模和推理加速，原生支持262K上下文長度並可擴展至1M令牌。
Qwen3-Next-80B-A3B-Thinking-AWQ-4bit是基於Qwen3-Next-80B-A3B-Thinking模型通過AWQ量化技術生成的4位版本，顯著提升了模型推理效率。該模型採用混合注意力機制和高稀疏MoE架構，在複雜推理任務中表現出色，支持長達262K標記的上下文長度。
Qwen3-Next-80B-A3B-Instruct-AWQ-4bit是基於Qwen3-Next-80B-A3B-Instruct模型進行4位AWQ量化的高效版本。該模型採用混合注意力機制和高稀疏專家混合架構，支持長達262K tokens的上下文長度，在保持高性能的同時大幅降低計算資源需求。
Qwen
Qwen3-Next-80B-A3B-Instruct是Qwen3-Next系列的基礎模型，通過創新的混合注意力機制、高稀疏性專家混合層等技術，實現了在長文本處理上的高效建模和推理加速，在多個基準測試中展現出卓越性能。
FastVideo
FastWan2.1-T2V-1.3B-Diffusers是基於全新Sparse-distill策略微調的視頻生成模型，結合蒸餾和稀疏注意力優勢，支持高效的3步推理，能夠以61×448×832分辨率生成高質量視頻。
SeerAttention
為QwQ-32B模型引入注意力門控（AttnGates）權重的適配器，通過動態塊級稀疏性加速長上下文計算
inclusionAI
玲瓏線性預覽版是由InclusionAI開源發佈的混合線性稀疏大語言模型，總參數量17.1B，激活參數量3.0B。該模型基於混合線性注意力機制實現長文本推理，在推理過程中具備近線性計算複雜度與近恆定空間複雜度。
ccdv
LSG模型是基於BART-large改進的長序列處理模型，採用局部+稀疏+全局注意力機制，高效處理長文本任務
google
BigBird是一種基於稀疏注意力的Transformer模型，能夠處理長達4096的序列，適用於長文檔任務。
基於LEGAL-BERT的小型版本，採用局部+稀疏+全局注意力機制(LSG)高效處理長序列
nsi319
基於稀疏注意力的Transformer模型，專為移動應用描述分類任務微調
monologg
基於稀疏注意力的韓語Transformer模型，能處理最長4096的序列
flax-community
Pino是基於BigBird架構的荷蘭語預訓練模型，採用稀疏注意力機制處理長序列文本，支持最長4096的序列長度。
BigBirdPegasus 是一種基於稀疏注意力的 Transformer 模型，能夠處理更長的序列，特別適用於長文檔摘要任務。
BigBird是一種基於稀疏注意力的Transformer模型，能夠處理更長的序列，適用於長文檔摘要等任務。
BigBird是一種基於稀疏注意力的Transformer模型，能夠處理長達4096的序列，適用於長文檔摘要等任務。
基於CamemBERT-base調整的長序列處理模型，採用局部+稀疏+全局注意力機制(LSG)，高效處理長文本
VGGT-MPS是基於蘋果芯片優化的3D視覺重建工具，使用Metal Performance Shaders加速，能夠從單張或多張圖像生成深度圖、相機姿態和3D點雲，支持稀疏注意力實現城市級重建。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
'%3e%3cpath%20d='M55.2622%2038L48.2289%2022L44.1206%2031.3333H47.2539L45.7872%2034.6667H38.7622L46.0956%2018H37.6706C36.7539%2018%2036.0039%2018.75%2036.0039%2019.6667V36.3333C36.0039%2037.25%2036.7539%2038%2037.6706%2038H55.2622Z'%20fill='white'/%3e%3cpath%20d='M64.3368%2018H50.3535L59.1535%2038H64.3368C65.2535%2038%2066.0035%2037.25%2066.0035%2036.3333V19.6667C66.0035%2018.75%2065.2535%2018%2064.3368%2018ZM63.0868%2034.6667H59.7535V21.3333H63.0868V34.6667Z'%20fill='%23FFCC66'/%3e%3cpath%20d='M89.3379%2026.75V29.25H81.8379V36.75H91.8379V24.25H81.8379V26.75H89.3379ZM84.3379%2034.25V31.75H89.3379V34.25H84.3379Z'%20fill='white'/%3e%3cpath%20d='M103.504%2036.75V29.25H96.0039V26.75H103.504V24.25H93.5039V31.75H101.004V34.25H93.5039V36.75H103.504Z'%20fill='white'/%3e%3cpath%20d='M115.17%2026.75V24.25H105.17V36.75H115.17V34.25H107.67V31.75H115.17V29.25H107.67V26.75H115.17Z'%20fill='white'/%3e%3cpath%20d='M80.1712%2029.25V29.175L78.9962%2028L80.1712%2026.825V20.425L78.9962%2019.25H69.3379V36.75H78.9962L80.1712%2035.575V29.25ZM77.6712%2034.25H71.8379V29.25H77.6712V34.25ZM77.6712%2026.75H71.8379V21.75H77.6712V26.75Z'%20fill='white'/%3e%3c/g%3e%3cg%20clip-path='url(%23clip1_644_3948)'%3e%3cpath%20d='M169.59%2022.9827L169.59%2023.6491H177.409L168.175%2032.8822L169.118%2033.8248L178.351%2024.5917L178.352%2032.4106H179.685V22.3164L179.018%2022.3157H169.59V22.9827Z'%20fill='white'/%3e%3c/g%3e%3cdefs%3e%3cclipPath%20id='clip0_644_3948'%3e%3crect%20width='80'%20height='20'%20fill='white'%20transform='translate(36%2018)'/%3e%3c/clipPath%3e%3cclipPath%20id='clip1_644_3948'%3e%3crect%20width='20'%20height='20'%20fill='white'%20transform='translate(164%2018)'/%3e%3c/clipPath%3e%3c/defs%3e%3c/svg%3e)
