En omfattende oppgradert generalmodell kalt MiniMax M2.5, kunngjort av MiniMax og posisjonert som en modell bygget spesielt for agentbaserte arbeidsflyter, kodegenerering og «praktisk produktivitet». Selskapet beskriver M2.5 som resultatet av omfattende forsterkningslæring i hundretusener av komplekse miljøer, som gir store forbedringer i kode-benchmarker, verktøybruk og resonnering med lang kontekst, samtidig som den øker inferenseffektivitet og kostnadseffektivitet.
Du kan allerede se MiniMax M2.5 på CometAPI. Prisen er 20 % av den offisielle prisen i CometAPI.
Hva er MiniMax M2.5, og hvorfor er det viktig?
MiniMax M2.5 er den nyeste større utgaven fra MiniMax, en modellsuite posisjonert rundt høy gjennomstrømning, agentbaserte arbeidsflyter og — fremfor alt — kodeproduktivitet. Annonsert i midten av februar 2026, utvider M2.5 selskapets tidligere M-serie med et større kontekstvindu, strammere primitive for verktøyintegrasjon, og en treningsvekt på «AI-native arbeidsflater» der modellen aktivt orkestrerer nettlesersøk, API-kall og kodekjøringstrinn i stedet for bare å returnere tekst. Lanseringsbudskapet rammer inn M2.5 ikke bare som en generell samtaleoppgradering, men som et plattformnivå-trekk: den er ment å akselerere utviklerproduktivitet, automatisere repeterende ingeniøroppgaver og fungere som motor for agentdrevne produkter.
Hvorfor dette er viktig i dag er todelt. For det første treffer modellen et sett med praktiske benchmarker og gjennomstrømningsmål som gjør den attraktiv for produksjonssystemer (ikke bare forskningsdemoer). For det andre signaliserer utgivelsen hvordan leverandører prioriterer integrert verktøybruk og tokeneffektivitet: M2.5 er eksplisitt finjustert for å redusere antall verktøykall-runder og token-sløsing under flerstegsoppgaver, noe som direkte oversettes til lavere kostnad og latens i virkelige utrullinger.
Hvordan presterer MiniMax M2.5 i kode-benchmarker?
Oversikt over kodeytelse
MiniMax M2.5 har raskt vakt oppmerksomhet for ytelsen på standard kode-benchmarker som brukes i AI-bransjen for å evaluere praktisk kodegenerering og resonnering:
| Benchmark-pakke | M2.5-resultat | Forklaring |
|---|---|---|
| SWE-Bench Verified | 80.2% | Måler evnen til å fikse ekte GitHub-problemer; nær toppytelse. |
| Multi-SWE-Bench | 51.3% | Vurderer pålitelighet på tvers av flere filer og repositorier. |
| SWE-Bench Pro | 55.4% | Mer krevende virkelighetsnær kodeprøve. |
Benchmark-data antyder at M2.5s kodeferdigheter matcher høyt rangerte proprietære modeller som Anthropic sin Claude Opus 4.6 og OpenAI sin GPT-5.2, og plasserer M2.5 blant toppkandidatene for produksjonsmessige programvareingeniøroppgaver. Å score over 80 % i denne benchmarken signaliserer at M2.5 er i stand til praktisk programvareingeniørbistand, ikke bare teoretisk kodegenerering. Dette gjør den spesielt verdifull for bedriftsarbeidsflyter der korrekthet, pålitelighet og vedlikeholdbarhet er topp prioriteringer.
Disse tallene viser M2.5 operere på bransjeledende nivåer uten den ekstreme prisbyrden som er typisk for mange lukkede proprietære systemer — et poeng som direkte utfordrer den nylige oppfatningen i bransjen om at høy ytelse nødvendigvis korrelerer med høy kostnad.
Hvordan oppfører M2.5 seg i virkelige ingeniørarbeidsflyter?
Utover rå scorer er det bemerkelsesverdig at M2.5 er arkitekturert for agentbaserte arbeidsflyter. Modellen inkluderer primitiver for innflettet tenkning (intern overveielse mellom verktøykall), sterkere flerrunde koderesonnering, og en kontekststyringsstrategi for lange kodebaser. I tidlige tester rapporterte anmeldere at M2.5 genererte en stor andel commit-klar kode for visse klasser av oppgaver og krevde færre menneskelige korrigeringer enn tidligere MiniMax-versjoner. Den kombinasjonen — sterkere korrekthet i første pass og færre fram-og-tilbake-runder — er det som gjør M2.5 attraktiv for kodeassistanse og CI-automatiseringsroller.
Søk og verktøykalling i MiniMax M2.5
Selv om kodeytelse ofte er en sentral metrikk for utviklerorienterte LLM-er, er M2.5 designet for bredere produktivitet:
| Oppgavetype | Benchmark | M2.5-score |
|---|---|---|
| Websøking og kontekst | BrowseComp | 76.3% |
| Resonnering med verktøy | BFCL Multi-Turn | 76.8% |
| Arbeidsflytor orkestrering | MEWC (Multi-Expert) | 74.4% |
| Kontorproduktivitet | VIBE-Pro Suite | 54.2% |
Disse metrikker viser at M2.5s kapabiliteter strekker seg inn i tett, flerstegsresonnering, effektiv søk innen lagret kontekst, og langhorisont interaksjoner med verktøy — nøkkelkompetanser for robuste multimodale AI-assistenter og agenter.
Kan den finne og bruke verktøy effektivt?
En av hovedforbedringene i M2.5 er verktøyintegrasjon. Modellens interne «innflettede tenkning» gjør at den reflekterer før og etter hvert verktøykall, avgjør om den trenger et nytt søk eller et annet verktøy, og syntetiserer ulike verktøyutdata til et sammenhengende neste steg. I praksis reduserer dette antall verktøykall-runder som kreves for å løse en flerstegsoppgave (søk → hent → analyser → utfør). Plattformdokumentasjon og praktiske anmeldelser rapporterer omtrent 20 % færre verktøykall-runder og en betydelig økning i «beslutningsmodenhet», noe som betyr at modellen gjør færre redundante eller for tidlige verktøykall.
Benchmarker som fokuserer på browsing og verktøyarbeidsflyter (BrowseComp, BFCL) plasserer M2.5 nær toppen for agentbaserte oppgaver. BrowseComp-score i midten av 70-årene ble rapportert, og BFCL-aktige verktøykall-tester viser høy presisjon i flerstegs orkestrering av verktøy. Disse resultatene er viktige for enhver løsning som forventer at en modell skal syntetisere levende webdata, kalle domenespesifikke API-er eller aktivt manipulere filer og kode på vegne av brukeren.
Hva betyr dette for integrasjoner?
For ingeniører som bygger assistenter, bot-er eller automatiseringspipeliner, er lærdommen at M2.5 ikke bare er «bedre på søk» — den er bedre på beslutningstaking om søk. Det betyr færre rundeturer, mindre token-sløsing og enklere orkestreringskode i mange tilfeller.
Hva er MiniMax M2.5s effektivitet og hastighetskarakteristikker?
En av M2.5s hovedattributter er dens hastighet og inferenseffektivitet — en kritisk betraktning for bruk i virkeligheten der gjennomstrømning påvirker både kostnad og latens.
Effektivitetsmålinger
| Metrikk | Verdi |
|---|---|
| Hastighetsforbedring vs M2.1 | +37% |
| Standard utgangshastighet | 50 token/sekund |
| Lightning-utgangshastighet | 100 token/sekund |
| Typiske token/oppgave | ~3.52M token for komplekse oppgaver |
Lightning-varianten matcher gjennomstrømningen til modeller som Claude Opus 4.6 — men avgjørende nok til en brøkdel av kostnaden. Dette gjør at M2.5 kan støtte kontinuerlige agentbaserte arbeidsflyter uten prohibitive tokenutgifter over lange økter eller bruk med høy volum.
Ingeniørmessige implikasjoner
- Høyere gjennomstrømning korrelerer direkte med raskere sanntidsinteraksjon i utviklingssløyfer og automatiserte arbeidsflyter.
- Bedre tokeneffektivitet reduserer total kostnad i lengre, flertrinnsoppgaver som dokumentasjonsgenerering, feilsøking og integrasjon på tvers av systemer.
- Kombinert med M2.5s sterke resonneringsbenchmarker betyr denne effektiviteten bedre resultater til lavere total kjøretidskostnad sammenlignet med konkurrerende frontmodeller.
Hva koster MiniMax M2.5? — Prisinndeling
En av de mest disruptive aspektene ved M2.5 er prisingen — posisjonert som et kostnadseffektivt alternativ til proprietære LLM-er. Hvilke prisalternativer tilbyr MiniMax?
MiniMax tilbyr noen forskjellige forbruks- og abonnementsmuligheter rettet mot utviklere og bedrifter. Selskapets offentlige materiale skisserer to faktureringsmetoder for tekstmodeller i produksjon: et Coding Plan-abonnement (rettet mot utviklere som kjører jevnt volum av koderelaterte prompter) og Pay-As-You-Go for fleksibel, målt bruk. Coding Plan er eksplisitt designet for å tilby et rimelig månedlig alternativ for utviklerteam, mens Pay-As-You-Go belaster per token eller etter valgt gjennomstrømningsprofil.
Hvordan fungerer Coding Plan?
Coding Plan presenteres som et månedlig abonnement som pakker et fast antall «prompter» eller økter over en tidsperiode (eksempler i dokumentasjonen inkluderer nivåer som starter/plus/max med ulike prompt-tillegg hver 5. time). Den uttalte begrunnelsen er å tilby en forutsigbar, utviklervennlig kostnadsstruktur for team som er avhengige av mange korte, hyppige kodeassistanseøkter snarere enn høyt volum i enkeltforespørsler.
| Starter | Plus | Max | |
|---|---|---|---|
| Pris | $10 /month | $20 /month | $50 /month |
| Prompter | 100 prompter / 5 timer | 300 prompter / 5 timer | 1000 prompter / 5 timer |
| Starter | Plus | Max | |
|---|---|---|---|
| Pris | $100 /år 120 | $200 /år 240 | $500 /år 600 |
| Prompter | 100 prompter / 5 timer | 300 prompter / 5 timer | 1000 prompter / 5 timer |
Struktur for token-prising
| Variant | Inngangspris | Utgangspris | TPS (Tokens/sek) | Merknader |
|---|---|---|---|---|
| M2.5-Standard | $0.15/M | $1.20/M | 50 | Kostnadsoptimalisert variant. |
| M2.5-Lightning | $0.30/M | $2.40/M | 100 | Hastighetsoptimalisert variant. |
Disse tokenprisene demokratiserer AI-agentøkonomi, og gjør det mulig å kjøre modeller kontinuerlig i bedriftsmålestokk uten kostnadsbarrierer som mange proprietære systemer møter, hvor utgangstoken prises 10×–30× høyere.
Timebasert driftskostnad
Med Lightning-varianten (100 TPS) gir stabil kontinuerlig utgang omtrent:
- 360 000 token generert per time
- Utgangskostnad = 360 000/1M × $2.40 ≈ $0.86
- Inngangskostnad legger til en liten andel for ~$1/time total kontinuerlig utgangskostnad
Dette er ordrer av størrelsesorden billigere enn typiske frontmodeller, noe som gjør alltid-på agentiske operasjoner økonomisk levedyktige for bedrifter.
Ser du etter en rimeligere måte å bruke M2.5 på
Nyt en rabatt på Minimax-M2.5 ved bruk av CometAPI:
| Comet-pris (USD / M token) | Offisiell pris (USD / M token) | Rabatt |
|---|---|---|
| Input:$0.24/M; Output:$0.96/M | Input:$0.3/M; Output:$1.2/M | -20% |
Hvordan kommer du i gang med MiniMax M2.5
Hvor kan utviklere få tilgang til modellen?
MiniMax publiserer dokumentasjon og plattformguider for å integrere M2.5 via API-et (plattformdokumenter inkluderer veiledninger for tekst, koding og verktøydrevne flyter). Modellen finnes også i enkelte tredjeparts modellbiblioteker og registre (for eksempel har flere plattformbiblioteker eksponert M2.5-varianter for skybruk og for lokal eksperimentering). Det betyr at utviklere enten kan kalle M2.5 gjennom MiniMax’ offisielle API-endepunkter eller bruke støttede tredjepartsverktøy der de er tilgjengelige.
Vanlige integrasjonsmønstre
- IDE-/editorassistent — koble M2.5 inn i et IDE-tillegg for å levere fullføringer, forklaringer og generering av testtilfeller. Bruk et ‘Coding Plan’-abonnement hvis du forventer mange korte utviklerøkter.
- Agentorkestrering — bygg M2.5 inn som beslutningshjernen i et multi-verktøy orkestreringssystem; stol på dens sterke verktøykall-oppførsel for å håndtere eksterne handlinger (API-er, databaseforespørsler, testrunnere). Sørg for eksplisitte skjemakontrakter for API-nyttelaster for å minimere hallusinasjoner.
- Søk + henteforsterket generering — kombiner et lite hente-/retrievelag (vektorlager + reranker) for å begrense konteksttokenbruk samtidig som relevans bevares for langdok-spørsmål. M2.5s sterke søk-benchmarker gjør den til et naturlig valg for henteforsterket generering.
- Batch kode-transformasjon — utnytt modellen for bulkrefaktorer eller automatisert testgenerering ved å kjøre batchjobber, der kostnad per time og gjennomstrømningsinnstillinger er særlig viktige for modellekonomi.
Praktiske tips for bedre resultater
- Bruk fåskuddseksempler som speiler utviklerflyten (input, ønsket utdataform, feiltilfeller) for å forbedre korrekthet ved koding eller verktøykall-prompter.
- Lås ned verktøygrensesnitt med skjemavalidering slik at når M2.5 utsteder et API-kall, aksepterer systemet kun validerte nyttelaster.
- Overvåk tokenbruk og sett sikkerhetsgrenser (harde tokengrenser per kall) for å unngå løpske kostnader.
- Mål suksessrater (f.eks. andel beståtte tester for generert kode) fremfor å basere deg utelukkende på subjektive kvalitetsmetrikker.
Konklusjon
MiniMax M2.5 representerer et pragmatisk steg fremover i «agent + koding»-nisjen for store modeller: den kombinerer sterke koderesultater, eksplisitt støtte for innflettet verktøybruk, og operative forbedringer rettet mot å redusere token- og tidskostnader i virkelige arbeidsflyter. For team som fokuserer på automatisk utviklerproduktivitet, kodegenerering og orkestrering av flere verktøy, er M2.5 verdt å pilotere — spesielt der kostnadseffektivitet er en prioritet. For team som krever det absolutt nyeste i hver nisjebenchmark uansett kostnad, kan premiumtilbud fortsatt vise inkrementelle fordeler; men kostnad/ytelse-avveiningene gjør M2.5 overbevisende for produksjonsutrulling i mange virkelige scenarier.
Utviklere kan få tilgang til MInimax-M2.5 via CometAPI nå. For å komme i gang, utforsk modellens kapabiliteter i Playground og konsulter API-veiledningen for detaljerte instruksjoner. Før du får tilgang, må du forsikre deg om at du har logget inn på CometAPI og hentet API-nøkkelen. CometAPI tilbyr en pris langt lavere enn den offisielle prisen for å hjelpe deg med integreringen.
Klar til å starte?→ Registrer deg for glm-5 i dag !
Hvis du vil ha flere tips, veiledninger og nyheter om AI, følg oss på VK, X og Discord!