表1三款芯片的首要功用参数表TT0516ST从下图可以看出，技嘉TT0516ST首要是由具有必定的ESD维护电压额定值的二极管阵列组成的，技嘉它具有6个通道数，VRWM(最大接连作业的脉冲电压)为5V，即反向电压5V加于TT0516ST上时，二极管阵列处于反向关断状况;VBR(最小的雪崩电压)为6V，即25°C时，所加的反向电压在6V之前，维护的二极管阵列不导通;TT0516ST的VC@Ipp为12V@1A，即在流过的峰值电流为1A其两头电压可以钳位在12V;寄生电容Cj仅为0.4pF，可以保证高频信号安稳传输不失真。

作为一起具有多个明星toC产品的公司，技嘉MiniMax也构建了一个依据实在帮手场景数据的测验集，技嘉它在其间的体现也呈现出相同的特征，根本才能在榜首队伍，长文本才能显着抢先。1下个Transformer时间当模型的代际迭代不再凶狠，技嘉上下文长度和逻辑推理正在成为两个最要点方向。

在Transformer的每8层中，技嘉有7层运用LightningAttention，高效处理部分联系;而剩余1层保存传统的Softmax注意力，保证可以捕捉要害的大局上下文。DeepSeekV3被描述把Nvidia的卡榨干了，技嘉而MiniMax可以完成如此高的推理MFU，很要害的也是他们直接对练习结构和硬件做优化。咱们正在研讨更有用的架构，技嘉终究完全去掉softmax注意力，然后有或许在不呈现核算过载的前提下完成无限制上下文窗口。

在上一年MiniMax榜首次开发者活动上，技嘉创始人就曾体系共享过MiniMax的技能崇奉：技嘉更快的练习和推理，而完成办法他其时也举了两个比如：线性注意力和MoE。最初Attention机制也现已在试验室走红，技嘉但争议依然不断，技嘉是信任它的潜力的Google实在堆上了算力和资源，把它从理论试验，做成了大规模布置完成出来的真东西。

MoE加上史无前例大规模投入出产环境的LightningAttention，技嘉再加上从结构到CUDA层面的如软件和工程重构，技嘉会得到什么?答案是，一个追平了尖端模型才能、且把上下文长度提升到400万token等级的新模型。

由所以业界榜首次做如此大规模的首要依靠线性注意力模型，技嘉咱们简直重构了咱们的练习和推理体系，技嘉包含更高效的MoEAll-to-all通讯优化、更长的序列的优化，以及推线性注意力层的高效Kernel完成。一起，技嘉它还改进了全新的ExpertTensorParallel(ETP)和ExpertDataParallel(EDP)架构，它们能协助下降数据在不同专家模块间通讯的本钱。

和传统的机制比较，技嘉一个是看书时分每个字都看，另一个是挑要点看，然后偶然看一下目录对照一下全体。技嘉它包含根底言语大模型MiniMax-Text-01和在其上集成了一个轻量级ViT模型而开发的视觉多模态大模型MiniMax-VL-01。

其时的Transformer把注意力机制堆了更多层，技嘉用上了更多的算力，今日的MiniMax-01则在测验完全改造旧的注意力机制，一切都有些似曾相识。有意思的是，技嘉从技能道路上，技嘉某种程度上两者都是在对奠定今日昌盛根底的Transformer里最中心的注意力机制做优化，而且是斗胆的重构，软硬件一体的重构。