API Minimax M2

MiniMax M2 es un de código abierto, nativo del agente Modelo de lenguaje grande (LLM) publicado por MiniMax el 27 de Octubre de 2025Está diseñado explícitamente para codificación y flujos de trabajo de agentes (llamada a herramientas, automatización de varios pasos), priorización baja latencia y rentable servir a la vez que se demuestran sólidas capacidades de razonamiento y uso de herramientas.

Características principales

Reflejos - especialización en codificación, flujos de trabajo de agentes, huella de parámetros activos baja, Soporte de contexto largo, API compatible con OpenAIPosiciones MiniMax Minimax M2 como herramienta de edición del Modelo MoE rápido y fácil de implementar Diseñado para agentes de múltiples pasos, generación y reparación de código, flujos de trabajo de terminal/IDE y llamadas a herramientas.

Puntos destacados (rápidos):

• arquitectura: Mezcla de expertos (MoE) con un número total de parámetros muy elevado y un pequeño activado Conjunto de parámetros por pasada hacia adelante.
• Huella de activación: ~10 mil millones de parámetros activos (por ficha).
• Parámetros totales (informados): reportado entre ~200 mil millones – 230 mil millones dependiendo de la fuente/métrica (ver Detalles técnicos).
• Ventana de contexto: contexto largo a escala empresarial; Tokens 204,800 contexto máximo.
• Modalidad principal: texto (se admiten llamadas a herramientas/funciones).
• Agente nativoDiseñado para la llamada a herramientas en múltiples pasos (shell, navegador, intérprete de Python, herramientas MCP).
• Enfoque de codificaciónOptimizado para ediciones de múltiples archivos, bucles de ejecución y corrección, y tareas de CI/IDE.

Detalles técnicos (arquitectura y especificaciones)

Arquitectura - Mezcla de expertos (MoE): Minimax M2 La API utiliza una estrategia MoE para que el modelo pueda tener una número total de parámetros muy grande activando solo una fracción por paso de inferencia. Esto produce una mejora. eficiencia computacional, throughput e costo por token para agentes interactivos y bucles de codificación.

Precisión y cuantificación — Los archivos de modelo y las pilas de proveedores enumeran los formatos FP32/BF16 y FP8 y múltiples compilaciones cuantizadas (safetensores, FP8/E4M3, etc.), lo que permite compensaciones entre implementación local y eficiencia.

Contexto y E/S — Los proveedores desplegados publican token de 204,800 Soporte de contexto y configuraciones de salida máximas grandes. M2 es solo texto Por ahora (muchas versiones de peso abierto de China han enfatizado las capacidades de texto/agente, mientras que la multimodalidad sigue siendo dominio de otras versiones).

Recomendaciones de tiempo de ejecución / instrucciones especiales — Minimax M2 La API utiliza una “pensamiento intercalado” formato de salida que encapsula el razonamiento interno del modelo en <think>...</think> Bloques. La solicitud de MiniMax mantiene intacto ese contenido de pensamiento y lo devuelve en su contexto histórico para preservar el rendimiento en flujos de trabajo de agentes de múltiples turnos.

Rendimiento de referencia

Inteligencia compuesta y puntos de referencia de agentes — Los informes de análisis comparativo independiente realizados por Artificial Analysis indican que MiniMax-M2 alcanza el mejor índice de inteligencia de su clase entre los modelos de peso abierto., y se encuentra entre los modelos de código abierto más destacados sobre métricas de inteligencia compuesta, especialmente en Uso de herramientas, seguimiento de instrucciones y tareas de agenteEl análisis artificial destaca el modelo eficiencia (muy pocos parámetros activos) como factor clave de su clasificación.

Minimax M2  enseñe Resultados sólidos en conjuntos de codificación y agentes (Tareas de tipo Terminal-Bench, SWE-Bench, BrowseComp, LiveCodeBench), donde su arquitectura y presupuesto de activación favorecen los bucles de planificación → acción → verificación (ciclos de compilación/ejecución/prueba, ediciones de múltiples archivos y cadenas de herramientas).

Comparación: MiniMax M2 frente a otros modelos contemporáneos

Frente a sus pares de pesos abiertos (DeepSeek, Qwen3, Kimi, etc.) — Minimax M2  se presenta como particularmente eficiente con un presupuesto de parámetros activos (≈10B) que le confiere fuertes ratios de inteligencia por parámetro activo; otros modelos abiertos pueden tener recuentos de parámetros activos más altos, pero parámetros totales similares o más altos.

Contra los modelos comerciales de vanguardia (OpenAI / Anthropic / Google / xAI) — lugares de informe M2 debajo de los modelos comerciales más importantes en algunas métricas generalistas pero competitivo o por delante en muchos puntos de referencia de agentes y codificación para su precio.

Compensaciones entre coste y velocidad — Su coste por token es solo el 8% del Anthropic Claude Sonnet y su velocidad es aproximadamente el doble de rápida.

Limitaciones y riesgos

Limitaciones — verbosidad (alto uso de tokens), modalidad solo texto, debilidades específicas de la tareay los riesgos habituales de los modelos lineales complejos (alucinación, exceso de confianza, sesgos en el conjunto de datos). Tanto el Análisis Artificial como el MiniMax señalan que M2 puede tener un rendimiento inferior al de algunos modelos generalistas grandes en ciertas tareas abiertas, incluso aunque destaque en flujos de trabajo de agentes y codificación. Debido a que se basa en el modelo de ejecución, consideraciones de implementación (Los marcos de enrutamiento, cuantificación e inferencia de expertos) importan.

Advertencias operativas — Minimax M2 , pensamiento intercalado El formato requiere conservar información especial. <think>...</think> Se utilizan tokens a lo largo del historial para un rendimiento óptimo; eliminar ese contenido puede degradar el comportamiento del agente. Además, porque Minimax M2  es detallado, el coste por tarea es función de ambos precio por token y total de tokens generados.

Casos de uso principales

• Orquestación de agentes y flujos de trabajo largos — cadenas de herramientas de varios pasos, ciclos de exploración→recuperación→ejecución, error de recuperación e trazabilidad de la evidencia en ejecuciones de agentes.
• Asistentes de productividad y codificación para desarrolladores — bucles de compilación-ejecución-prueba, ediciones de varios archivos, reparaciones validadas mediante pruebas e Integración IDE (Existen ejemplos de Claude Code, Cursor, Codex y Grok CLI).
• Flotas de agentes de alto rendimiento / bots de producción — dónde coste por inferencia y concurrencia En este sentido, la baja huella de parámetros activados del M2 puede reducir los costes de infraestructura.

Como llamar Minimax M2  API de CometAPI

minimax-m2 Precios de API en CometAPI: 20 % de descuento sobre el precio oficial.

• Tokens de entrada: $0.24 millones de tokens
• Tokens de salida: $0.96/M tokens

Pasos requeridos

• Inicia sesión en cometapi.comSi aún no eres nuestro usuario, por favor regístrate primero.
• Accede a tu Consola CometAPI.
• Obtenga la clave API de credenciales de acceso de la interfaz. Haga clic en "Agregar token" en el token API del centro personal, obtenga la clave del token: sk-xxxxx y envíe.

Método de uso

1. Seleccione el punto de conexión «minimax-m2» para enviar la solicitud a la API y configure el cuerpo de la solicitud. El método y el cuerpo de la solicitud se encuentran en la documentación de la API de nuestro sitio web. También ofrecemos pruebas con Apifox para su comodidad.
2. Reemplazar con su clave CometAPI real de su cuenta.
3. Inserte su pregunta o solicitud en el campo de contenido: esto es lo que responderá el modelo.
4. . Procesa la respuesta de la API para obtener la respuesta generada.

CometAPI proporciona una API REST totalmente compatible para una migración fluida. Detalles clave para Documento API:

• URL base: https://api.cometapi.com/v1/chat/completions
• Nombres de modelos: "minimax-m2"
• Autenticación: Bearer YOUR_CometAPI_API_KEY encabezamiento
• Tipo de contenido: application/json .

Integración de API y ejemplos

A continuación se muestra un Python Fragmento que muestra cómo invocar GLM‑4.6 mediante la API de CometAPI. Reemplazar <API_KEY>  y  <PROMPT> en consecuencia:

import requests

API_URL = "https://api.cometapi.com/v1/chat/completions"
headers = {
    "Authorization": "Bearer <API_KEY>",
    "Content-Type": "application/json"
}
payload = {
    "model": "minimax-m2",
    "messages": [
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user",   "content": "<PROMPT>"}
    ],
    "max_tokens": 512,
    "temperature": 0.7
}

response = requests.post(API_URL, json=payload, headers=headers)
print(response.json())

Vea también API de Claude Haiku 4.5