Spécifications techniques de MiniMax‑M2.5
| Champ | Déclaration / valeur |
|---|---|
| Nom du modèle | MiniMax-M2.5 (version de production, 12 février 2026). |
| Architecture | Transformer à mélange d'experts (MoE) (famille M2). |
| Nombre total de paramètres | ~230 milliards (capacité totale MoE). |
| Paramètres actifs (par inférence) | ~10 milliards activés par inférence (activation clairsemée). |
| Types d’entrée | Texte et code (prise en charge native des contextes de code multi‑fichiers), appels d’outils / interfaces d’outils API (workflows agentiques). |
| Types de sortie | Texte, sorties structurées (JSON/appels d’outils), code (multi‑fichiers), artefacts Office (PPT/Excel/Word via chaînes d’outils). |
| Variantes / modes | M2.5 (haute précision/capacité) et M2.5‑Lightning (même qualité, latence inférieure / TPS plus élevé). |
Qu’est-ce que MiniMax‑M2.5 ?
MiniMax‑M2.5 est la mise à jour phare de la famille M2.x axée sur la productivité dans le monde réel et les workflows agentiques. Cette version met l’accent sur une meilleure décomposition des tâches, l’intégration outils/recherche, la fidélité de génération de code et l’efficacité des jetons pour des problèmes étendus en plusieurs étapes. Le modèle est proposé en variante standard et en variante « lightning » à latence réduite, destinées à différents compromis de déploiement.
Fonctionnalités principales de MiniMax‑M2.5
- Conception agentique prioritaire : planification améliorée et orchestration des outils pour les tâches en plusieurs étapes (recherche, appels d’outils, cadres d’exécution du code).
- Efficacité des jetons : réductions rapportées de la consommation de jetons par tâche par rapport à M2.1, permettant des coûts de bout en bout plus faibles pour de longs workflows.
- Achèvement de bout en bout plus rapide : les comparatifs du fournisseur indiquent des temps moyens d’achèvement des tâches ~37% plus rapides que M2.1 sur des évaluations de codage agentiques.
- Solide compréhension du code : entraîné sur des corpus de code multilingues pour des refactorisations multi‑langages robustes, des modifications multi‑fichiers et un raisonnement à l’échelle du dépôt.
- Service à haut débit : ciblé pour des déploiements en production avec des profils élevés en jetons/seconde ; adapté aux charges de travail d’agents en continu.
- Variantes pour des compromis latence vs puissance : M2.5‑lightning offre une latence inférieure avec un calcul et une empreinte réduits pour des scénarios interactifs.
Performances aux benchmarks (rapportées)
Points forts rapportés par le fournisseur — métriques représentatives (version) :
- SWE‑Bench Verified : 80.2% (taux de réussite rapporté sur les harnais de benchmark du fournisseur)
- BrowseComp (recherche & utilisation d’outils) : 76.3%
- Multi‑SWE‑Bench (codage multilingue) : 51.3%
- Vitesse / efficacité relatives : ~37% d’achèvement de bout en bout plus rapide vs M2.1 sur SWE‑Bench Verified dans les tests du fournisseur ; ~20% de tours de recherche/outils en moins dans certaines évaluations.
Interprétation : Ces chiffres positionnent M2.5 à parité avec, ou proche des modèles agentiques/de code leaders de l’industrie sur les benchmarks cités. Les benchmarks sont rapportés par le fournisseur et reproduits par plusieurs acteurs de l’écosystème — considérez qu’ils sont mesurés sous le harnais/configuration du fournisseur sauf reproduction indépendante.
MiniMax‑M2.5 vs pairs (comparaison concise)
| Dimension | MiniMax‑M2.5 | MiniMax M2.1 | Exemple pair (Anthropic Opus 4.6) |
|---|---|---|---|
| SWE‑Bench Verified | 80.2% | ~71–76% (varie selon le harnais) | Comparable (Opus a rapporté des résultats proches du sommet) |
| Vitesse des tâches agentiques | 37% plus rapide vs M2.1 (tests du fournisseur) | Référence | Vitesse similaire sur des harnais spécifiques |
| Efficacité des jetons | Améliorée vs M2.1 (~moins de jetons par tâche) | Utilisation de jetons plus élevée | Compétitif |
| Meilleure utilisation | Workflows agentiques de production, pipelines de codage | Génération antérieure de la même famille | Performant en raisonnement multimodal et tâches orientées sécurité |
Note du fournisseur : les comparaisons proviennent des documents de version et des rapports de benchmark du fournisseur. De petites différences peuvent être sensibles au cadre de test, à la chaîne d’outils et au protocole d’évaluation.
Cas d’utilisation représentatifs en entreprise
- Refactorisations à l’échelle du dépôt et pipelines de migration — préserver l’intention à travers des modifications multi‑fichiers et des correctifs PR automatisés.
- Orchestration agentique pour DevOps — orchestrer des exécutions de tests, des étapes CI, des installations de paquets et des diagnostics d’environnement avec des intégrations d’outils.
- Revue de code automatisée et remédiation — trier les vulnérabilités, proposer des corrections minimales et préparer des cas de test reproductibles.
- Récupération d’informations pilotée par la recherche — exploiter une compétence de recherche au niveau BrowseComp pour réaliser une exploration en plusieurs tours et une synthèse de bases de connaissances techniques.
- Agents et assistants de production — agents continus nécessitant une inférence de longue durée stable et rentable.
Comment accéder et intégrer MiniMax‑M2.5
Étape 1 : s’inscrire pour obtenir une clé API
Connectez‑vous à cometapi.com. Si vous n’êtes pas encore utilisateur, inscrivez‑vous d’abord. Connectez‑vous à votre Console CometAPI. Obtenez la clé API d’accès de l’interface. Cliquez sur « Add Token » au niveau du jeton API dans le centre personnel, obtenez la clé de jeton : sk-xxxxx et soumettez.
Étape 2 : envoyer des requêtes à l’API minimax-m2.5
Sélectionnez le point de terminaison « minimax-m2.5 » pour envoyer la requête API et définissez le corps de la requête. La méthode et le corps de la requête sont disponibles dans la documentation API de notre site web. Notre site propose également un test Apifox pour votre commodité. Remplacez <YOUR_API_KEY> par votre clé CometAPI réelle de votre compte. Où l’appeler : format Chat.
Insérez votre question ou votre demande dans le champ content — c’est à cela que le modèle répondra. Traitez la réponse API pour obtenir la réponse générée.
Étape 3 : récupérer et vérifier les résultats
Traitez la réponse API pour obtenir la réponse générée. Après traitement, l’API renvoie l’état de la tâche et les données de sortie.