Model tujuan umum yang ditingkatkan secara komprehensif bernama MiniMax M2.5, diumumkan oleh MiniMax dan diposisikan sebagai model yang dibangun khusus untuk alur kerja berbasis agen, pembuatan kode, dan “produktivitas dunia nyata.” Perusahaan menggambarkan M2.5 sebagai hasil pelatihan reinforcement learning ekstensif di ratusan ribu lingkungan yang kompleks, menghadirkan peningkatan besar pada tolok ukur pengkodean, penggunaan alat, dan penalaran konteks panjang sekaligus mendorong efisiensi inferensi dan efektivitas biaya.
Anda sudah dapat melihat MiniMax M2.5 di CometAPI. Harganya adalah 20% dari harga resmi di CometAPI.
What is MiniMax M2.5 and why does it matter?
MiniMax M2.5 adalah rilis besar terbaru dari MiniMax, keluarga model yang diposisikan untuk throughput tinggi, alur kerja berbasis agen, dan — di atas semuanya — produktivitas coding. Diumumkan pada pertengahan Februari 2026, M2.5 memperluas pekerjaan M-series sebelumnya dengan jendela konteks yang lebih besar, primitif integrasi alat yang lebih rapat, dan penekanan pelatihan pada “ruang kerja AI-native” di mana model secara aktif mengorkestrasi penelusuran browser, panggilan API, dan langkah eksekusi kode alih-alih hanya mengembalikan teks. Pesan peluncurnya membingkai M2.5 bukan sekadar peningkatan percakapan umum, melainkan langkah di tingkat platform: model ini dimaksudkan untuk mempercepat produktivitas pengembang, mengotomatisasi tugas rekayasa yang berulang, dan menjadi mesin bagi produk yang digerakkan agen.
Alasan mengapa hal ini penting hari ini ada dua. Pertama, model ini mencapai serangkaian tolok ukur praktis dan target throughput yang membuatnya menarik untuk sistem produksi (bukan hanya demo riset). Kedua, rilis ini menandakan bagaimana vendor memprioritaskan penggunaan alat terintegrasi dan efisiensi token: M2.5 secara eksplisit disetel untuk mengurangi jumlah putaran pemanggilan alat dan pemborosan token selama tugas multi-langkah, yang langsung diterjemahkan menjadi biaya dan latensi yang lebih rendah dalam penerapan dunia nyata.
How Does MiniMax M2.5 Perform in Coding Benchmarks?
Overview of Coding Performance
MiniMax M2.5 dengan cepat menarik perhatian karena kinerjanya pada tolok ukur coding standar yang digunakan di seluruh industri AI untuk mengevaluasi pembuatan kode dan penalaran praktis:
| Benchmark Suite | M2.5 Result | Explanation |
|---|---|---|
| SWE-Bench Verified | 80.2% | Mengukur kemampuan memperbaiki isu GitHub nyata; kinerja mendekati teratas. |
| Multi-SWE-Bench | 51.3% | Menilai keandalan coding lintas berkas dan lintas repositori. |
| SWE-Bench Pro | 55.4% | Uji coding dunia nyata yang lebih sulit. |
Data benchmarking menunjukkan bahwa kelihaian coding M2.5 menyamai model proprietari berperingkat tinggi seperti Claude Opus 4.6 dari Anthropic dan GPT-5.2 dari OpenAI, menempatkan M2.5 di antara para penantang teratas untuk tugas rekayasa perangkat lunak produksi. Skor di atas 80% pada tolok ukur ini menandakan bahwa M2.5 mampu memberikan bantuan rekayasa perangkat lunak yang praktis, bukan sekadar pembuatan kode teoretis. Hal ini membuatnya sangat berharga untuk alur kerja perusahaan di mana ketepatan, keandalan, dan kemudahan pemeliharaan adalah prioritas tertinggi.
Angka-angka ini menunjukkan M2.5 beroperasi pada tingkat terdepan industri tanpa beban harga ekstrem yang lazim pada banyak sistem proprietari tertutup — poin yang secara langsung menantang persepsi industri baru-baru ini bahwa kinerja tinggi pasti berkorelasi dengan biaya tinggi.
Bagaimana perilaku M2.5 pada alur kerja rekayasa nyata?
Di luar skor mentah, yang patut dicatat adalah bagaimana M2.5 diarsiteki untuk pipeline berbasis agen. Model ini menyertakan primitif untuk pemikiran terjalin (pertimbangan internal antara pemanggilan alat), penalaran kode multi-giliran yang lebih kuat, dan strategi manajemen konteks untuk basis kode panjang. Dalam pengujian awal, pengulas melaporkan bahwa M2.5 menghasilkan porsi besar kode siap-commit untuk kelas tugas tertentu dan membutuhkan lebih sedikit koreksi manusia dibandingkan versi MiniMax sebelumnya. Kombinasi — ketepatan lulus-pertama yang lebih kuat dan lebih sedikit siklus bolak-balik — itulah yang membuat M2.5 menarik untuk peran asisten kode dan otomatisasi CI.
Search and Tool calling of MiniMax M2.5
Meskipun kinerja coding sering menjadi metrik utama bagi LLM berorientasi pengembang, M2.5 dirancang untuk produktivitas yang lebih luas:
| Task Type | Benchmark | M2.5 Score |
|---|---|---|
| Web Search & Context | BrowseComp | 76.3% |
| Tool-Use Reasoning | BFCL Multi-Turn | 76.8% |
| Workflow Orchestration | MEWC (Multi-Expert) | 74.4% |
| Office Productivity | VIBE-Pro Suite | 54.2% |
Metrik-metrik ini menyoroti bahwa kapabilitas M2.5 meluas ke penalaran padat dan multi-langkah, pencarian efektif dalam konteks tersimpan, dan interaksi alat berjangka panjang — kompetensi kunci bagi asisten dan agen AI multimodal yang tangguh.
Bisakah model ini menemukan dan menggunakan alat secara efektif?
Salah satu peningkatan utama di M2.5 adalah integrasi alat. Kemampuan “interleaved thinking” internal model memungkinkannya untuk merefleksikan sebelum dan sesudah setiap pemanggilan alat, memutuskan apakah perlu pencarian lain atau alat berbeda, dan mensintesis keluaran alat yang beragam menjadi langkah berikutnya yang koheren. Secara praktis, ini mengurangi jumlah putaran pemanggilan alat yang diperlukan untuk menyelesaikan tugas multi-langkah (cari → ambil → analisis → bertindak). Dokumentasi platform dan ulasan langsung melaporkan sekitar 20% lebih sedikit putaran pemanggilan alat dan peningkatan signifikan dalam “kematangan keputusan,” artinya model membuat lebih sedikit pemanggilan alat yang redundan atau prematur.
Tolok ukur yang berfokus pada penelusuran dan alur kerja alat (BrowseComp, BFCL) menempatkan M2.5 dekat puncak kelompok untuk tugas-tugas berbasis agen. Skor BrowseComp di kisaran pertengahan 70 dilaporkan, dan pengujian pemanggilan alat gaya BFCL menunjukkan presisi tinggi dalam orkestrasi alat multi-langkah. Hasil tersebut penting untuk produk apa pun yang mengharapkan model mensintesis data web langsung, memanggil API spesifik domain, atau secara aktif memanipulasi berkas dan kode atas nama pengguna.
Apa artinya bagi integrasi?
Bagi insinyur yang membangun asisten, bot, atau pipeline otomatisasi, inti pesannya adalah M2.5 tidak hanya “lebih baik dalam pencarian” — ia lebih baik dalam pengambilan keputusan tentang pencarian. Itu berarti lebih sedikit perjalanan bolak-balik, lebih sedikit pemborosan token, dan kode orkestrasi yang lebih sederhana dalam banyak kasus.
What Are MiniMax M2.5’s Efficiency and Speed Characteristics?
Salah satu atribut utama M2.5 adalah kecepatan dan efisiensi inferensi — pertimbangan kritis untuk penggunaan dunia nyata di mana throughput memengaruhi biaya dan latensi.
Efficiency Metrics
| Metric | Value |
|---|---|
| Speed Improvement vs M2.1 | +37% |
| Standard Output Speed | 50 tokens/second |
| Lightning Output Speed | 100 tokens/second |
| Typical Tokens/Task | ~3.52M tokens for complex tasks |
Varian Lightning menyamai throughput model seperti Claude Opus 4.6 — namun yang krusial dengan biaya sebagian kecil. Ini memungkinkan M2.5 mendukung alur kerja agen berkelanjutan tanpa biaya token yang berlebihan selama sesi panjang atau penggunaan operasional volume tinggi.
Engineering Implications
- Throughput lebih tinggi berkorelasi langsung dengan interaksi waktu nyata yang lebih cepat dalam loop pengembangan dan alur kerja otomatis.
- Efisiensi token yang lebih baik mengurangi total biaya dalam tugas panjang dan multi-tahap seperti pembuatan dokumentasi, debugging, dan integrasi lintas sistem.
- Dikombinasikan dengan tolok ukur penalaran M2.5 yang tinggi, efisiensi ini berarti hasil yang lebih baik pada biaya runtime total yang lebih rendah dibandingkan model frontier pesaing.
What Does MiniMax M2.5 Cost? — Pricing Breakdown
Salah satu aspek paling disruptif dari M2.5 adalah penetapan harganya — diposisikan sebagai alternatif hemat biaya untuk LLM proprietari. Opsi harga apa yang ditawarkan MiniMax?
MiniMax menyediakan beberapa opsi konsumsi dan langganan yang ditargetkan untuk pengembang dan bisnis. Materi publik perusahaan menguraikan dua pendekatan penagihan untuk model teks dalam produksi: langganan Coding Plan (ditujukan bagi pengembang yang menjalankan volume tetap prompt terkait kode) dan Pay-As-You-Go untuk penggunaan metered yang fleksibel. Coding Plan secara eksplisit dirancang untuk menawarkan opsi bulanan yang murah bagi tim pengembang, sementara jalur pay-as-you-go menagih berdasarkan token atau profil throughput yang dipilih.
How does the Coding Plan work?
Coding Plan ditawarkan sebagai langganan bulanan yang membundel sejumlah tetap “prompt” atau sesi dalam rentang waktu (contoh dalam dokumentasi mencakup tingkatan seperti starter/plus/max dengan jatah prompt berbeda setiap 5 jam). Alasan yang dinyatakan adalah menawarkan struktur biaya yang dapat diprediksi dan ramah pengembang bagi tim yang bergantung pada banyak sesi singkat asisten kode daripada permintaan tunggal ber-volume tinggi.
| Starter | Plus | Max | |
|---|---|---|---|
| Price | $10 /month | $20 /month | $50 /month |
| Prompts | 100 prompts / 5 hours | 300 prompts / 5 hours | 1000 prompts / 5 hours |
| Starter | Plus | Max | |
|---|---|---|---|
| Price | $100 /year 120 | $200 /year 240 | $500 /year 600 |
| Prompts | 100 prompts / 5 hours | 300 prompts / 5 hours | 1000 prompts / 5 hours |
Token Pricing Structure
| Variant | Input Price | Output Price | TPS (Tokens/sec) | Notes |
|---|---|---|---|---|
| M2.5-Standard | $0.15/M | $1.20/M | 50 | Varian yang dioptimalkan biaya. |
| M2.5-Lightning | $0.30/M | $2.40/M | 100 | Varian yang dioptimalkan kecepatan. |
Tarif harga token ini secara efektif mendemokratisasi ekonomi agen AI, memungkinkan model berjalan terus-menerus pada skala perusahaan tanpa hambatan biaya yang dihadapi oleh banyak sistem proprietari yang menetapkan harga token output 10×–30× lebih tinggi.
Hourly Operational Cost
Dengan menggunakan varian Lightning (100 TPS), output kontinu stabil menghasilkan kira-kira:
- 360,000 tokens dihasilkan per jam
- Biaya output = 360,000/1M × $2.40 ≈ $0.86
- Biaya input menambah sebagian kecil lagi untuk total biaya output kontinu sekitar $1/jam
Ini jauh lebih murah dibandingkan model frontier tipikal, menjadikan operasi agen yang selalu aktif secara ekonomis layak bagi bisnis.
Looking for a cheaper way to use M2.5
Nikmati diskon Minimax-M2.5 saat menggunakan CometAPI:
| Comet Price (USD / M Tokens) | Official Price (USD / M Tokens) | Discount |
|---|---|---|
| Input:$0.24/M; Output:$0.96/M | Input:$0.3/M; Output:$1.2/M | -20% |
How do you get started with MiniMax M2.5
Where can developers access the model?
MiniMax menerbitkan dokumentasi dan panduan platform untuk mengintegrasikan M2.5 melalui API-nya (dokumentasi platform mencakup panduan untuk teks, coding, dan alur berbasis alat). Model ini juga berada di beberapa pustaka dan registri model pihak ketiga (misalnya, beberapa pustaka platform menampilkan varian M2.5 untuk penggunaan cloud dan eksperimen lokal). Artinya, pengembang dapat memanggil M2.5 melalui endpoint API resmi MiniMax atau menggunakan tooling pihak ketiga yang didukung jika tersedia.
Common integration patterns
- Asisten IDE/Editor — kaitkan M2.5 ke plugin IDE untuk menyediakan penyelesaian, penjelasan, dan pembuatan test case. Gunakan langganan ‘Coding Plan’ jika Anda memperkirakan banyak sesi singkat pengembang.
- Orkestrasi agen — tanamkan M2.5 sebagai otak pengambil keputusan dalam sistem orkestrasi multi-alat; andalkan perilaku pemanggilan alatnya yang kuat untuk mengelola tindakan eksternal (API, kueri basis data, test runner). Pastikan kontrak skema eksplisit untuk payload API guna meminimalkan halusinasi.
- Pencarian + augmentasi pengambilan — kombinasikan lapisan pengambilan kecil (penyimpanan vektor + reranker) untuk membatasi penggunaan token konteks sambil mempertahankan relevansi untuk kueri dokumen panjang. Kinerja kuat M2.5 pada tolok ukur pencarian menjadikannya cocok untuk RAG.
- Transformasi kode batch — manfaatkan model untuk refactor massal atau pembuatan tes otomatis dengan menjalankan pekerjaan batch, di mana biaya per jam dan pengaturan throughput sangat penting bagi ekonomi model.
Practical tips for better results
- Gunakan contoh few-shot yang mencerminkan alur pengembang (input, bentuk output yang diinginkan, kasus kegagalan) untuk meningkatkan ketepatan pada prompt coding atau pemanggilan alat.
- Kunci antarmuka alat dengan validasi skema sehingga saat M2.5 mengeluarkan panggilan API, sistem hanya menerima payload yang tervalidasi.
- Pantau penggunaan token dan tetapkan pengaman (batas token keras per panggilan) untuk menghindari tagihan membengkak.
- Ukur tingkat keberhasilan (misalnya, tingkat kelulusan tes untuk kode yang dihasilkan) alih-alih hanya mengandalkan metrik kualitas subjektif.
Conclusion
MiniMax M2.5 merepresentasikan langkah pragmatis maju dalam ceruk “agen + coding” pada model besar: menggabungkan tolok ukur coding yang kuat, dukungan eksplisit untuk penggunaan alat terjalin, dan peningkatan operasional yang ditujukan untuk mengurangi biaya token dan waktu dalam alur kerja nyata. Bagi tim yang berfokus pada otomatisasi produktivitas pengembang, pembuatan kode, dan orkestrasi multi-alat, M2.5 layak untuk diujicobakan — terutama ketika efisiensi biaya menjadi prioritas. Bagi tim yang memerlukan yang paling mutakhir di setiap tolok ukur khusus tanpa memandang biaya, penawaran premium mungkin tetap menunjukkan keunggulan inkremental; tetapi trade-off biaya/kinerja membuat M2.5 menarik untuk penerapan produksi di banyak skenario dunia nyata.
Pengembang dapat mengakses MInimax-M2.5 melalui CometAPI sekarang. Untuk memulai, jelajahi kapabilitas model di Playground dan lihat API guide untuk instruksi terperinci. Sebelum mengakses, pastikan Anda sudah masuk ke CometAPI dan memperoleh kunci API. CometAPI menawarkan harga yang jauh lebih rendah daripada harga resmi untuk membantu Anda melakukan integrasi.
Ready to Go?→ Sign up fo glm-5 today
Jika Anda ingin mengetahui lebih banyak tips, panduan, dan berita tentang AI, ikuti kami di VK, X, dan Discord!