MiniMax, den kinesiske AI-oppstartsbedriften, har offentliggjort vektene og verktøyene for MiniMax M2, deres nyeste store språkmodell designet spesielt for kodingsarbeidsflyter og bruk av agentverktøy. Selskapet sier at M2 er bygget som en effektiv blanding av eksperter (MoE) design som leverer førsteklasses koding og agentytelse til en brøkdel av kostnaden for sammenlignbare proprietære modeller. Jeg vil forklare hvorfor MiniMax M2 er kongen av kostnadseffektivitet basert på funksjoner, ytelsesstandard, arkitektur og kostnad.
Hva er MiniMax M2?
MiniMax M2 er MiniMaxs nyeste store språkmodell med åpen kildekode, primært beregnet på koding, flertrinns agentarbeidsflyter og verktøykallModellen bruker en blanding av eksperter-arkitektur: den har en veldig stor total parameteravtrykk, men bare et beskjedent antall parametere er aktivert per token under inferens – et design som reduserer inferenskostnader og latens samtidig som det bevarer sterk resonnements- og kodingsevne.
Viktige overskriftstall (som publisert)
- Totalt parameterbudsjett: ~230 milliarder (totalt).
- Aktiverte/effektive parametere per token: ~10 milliarder (aktivert).
- Kontekstvindu (rapportert): opp til ~192 000 tokens
- Tillatelse: MIT (vekter med åpen kildekode).
- Kostnads- og hastighetspåstander: Kostnaden per token er bare 8 % av Anthropic Claude Sonnet, og hastigheten er omtrent dobbelt så rask.
Hva er de viktigste funksjonene i MiniMax M2?
Agent-/verktøyorientert atferd
MiniMax M2 leveres med eksplisitt støtte for verktøykall, strukturerte ledetekster og sammenflettede resonnement → handling → verifiseringsmønstre, noe som gjør det enkelt å bygge autonome agenter som kaller eksterne API-er, kjører kode eller betjener terminaler. Flere integrasjonsoppskrifter er rettet mot agentkjøretider og vLLM/akselerasjonsstabler.
Optimalisert for koding og oppgaver med flere filer
Referansetester rapportert på Hugging Face og tredjepartsanalyser viser sterk ytelse på utviklerorienterte testpakker (enhetstester, terminalsimulering, syntese av flere filer), der M2 scorer høyt i forhold til andre åpne og lukkede modeller. Dette stemmer overens med MiniMax' uttalte produktfokus på utviklerverktøy og kodeassistenter.
Sparsom blanding av eksperter (MoE) effektivitet
I stedet for et enkelt tett parametersett, MiniMax M2 bruker a sparsom blanding av eksperter rutingsstrategi slik at bare et delsett av hele parameterbanken aktiveres per token. Dette gir et stort totalt parameterantall, men et mye mindre aktivert parameteravtrykk under inferens – forbedrer kostnads- og latenseffektivitet for mange arbeidsbelastninger.
Hvordan fungerer MiniMax M2 internt?
Høynivåarkitektur
I følge MiniMax sine tekniske opplysninger og uavhengig rapportering, MiniMax M2 er implementert som en sparsom MoE-transformator med følgende, mye rapporterte, designbeslutninger:
- En veldig stor total parameterantall (rapportert i pressedekning som i størrelsesorden hundrevis av milliarder), med bare en delmengde av eksperter aktivert per token (Pressen nevner eksempler som 230 milliarder totalt med ~10 milliarder aktive per inferens i tidlige rapporter). Dette er det klassiske MoE-avveiningen: skalerbarhetskapasitet uten lineær inferenskostnad.
- Ruting: ruting av topp-k-eksperter (Topp-2 eller Topp-K) som sender hvert token til et lite antall eksperter, slik at beregningsbelastningen er sparsom og forutsigbar.
- Oppmerksomhets- og posisjonskoding: hybride oppmerksomhetsmønstre (f.eks. blandinger av tette og effektive oppmerksomhetskjerner) og moderne roterende eller RoPE-lignende posisjonskodinger er nevnt i dokumentasjon av fellesskapsmodeller og Hugging Face-modellkortet. Disse valgene forbedrer langkontekstatferd, noe som er viktig for koding av flere filer og agentminne.
Hvorfor sparsom MoE hjelper agentarbeidsflyter
Agentiske arbeidsflyter krever vanligvis en blanding av resonnement, kodegenerering, verktøyorkestrering og tilstandsbasert planlegging. Med MoE, MiniMax M2 har råd til mange spesialiserte ekspertundermoduler (f.eks. eksperter som er bedre på kode, eksperter som er innstilt på verktøyformatering, eksperter på faktagjenfinning) samtidig som de bare aktiverer ekspertene som trengs for hvert token. Denne spesialiseringen forbedrer både gjennomstrømning og korrekthet for sammensatte oppgaver, samtidig som den reduserer inferenskostnadene sammenlignet med en jevnt stor, tett modell.
Trenings- og finjusteringsnotater (hva MiniMax publiserte)
MiniMax siterer en blanding av kode, instruksjonsjustering, webtekst og agent-loop-datasett for M2s instruksjons- og verktøyflyt.
Hvorfor MoE for agenter og kode?
MoE lar deg øke modellkapasiteten (for bedre resonnement og multimodal kapasitet) uten å øke inferens-FLOP-ene lineært for hvert token. For agenter og kodeassistenter – som ofte foretar mange korte, interaktive spørringer og kaller eksterne verktøy – holder MoEs selektive aktivering latens og skyregning rimelige, samtidig som kapasitetsfordelene til en veldig stor modell beholdes.
Benchmark ytelse
Ifølge uavhengige evalueringer fra Artificial Analysis, en tredjeparts generativ AI-modellbenchmark og forskningsorganisasjon, rangerer M2 for tiden først blant alle vektede systemer med åpen kildekode globalt i «Intelligence Index», et omfattende mål på resonnement, koding og oppgaveutførelsesytelse.
MiniMax sitt modellkort viser sammenlignende resultater på tvers av koding / agentisk benchmark-pakker (SWE-bench, Terminal-Bench, BrowseComp, GAIA, τ²-Bench, osv.). I disse publiserte tabellene viser M2 sterke poengsummer på koding og flertrinnsverktøyoppgaver, og MiniMax fremhever konkurransedyktig intelligens/agentisk sammensatte poengsummer i forhold til andre åpne modeller.
Disse poengsummene plasserer den på eller nær nivået til topp proprietære systemer som GPT-5 (tenkning) og Claude Sonnet 4.5, noe som gjør MiniMax-M2 til den mest effektive åpne modellen hittil på agent- og verktøypåkallingsoppgaver i den virkelige verden.
MiniMax-M2 oppnår topp eller nesten topp ytelse i mange kategorier:
- SWE-benk verifisert: 69.4 – nær GPT-5s 74.9
- ArtifactsBench: 66.8 — over Claude Sonnet 4.5 og DeepSeek-V3.2
- τ²-Benken: 77.2 — nærmer seg GPT-5s 80.1
- GAIA (kun tekst): 75.7 – overgår DeepSeek-V3.2
- BrowseComp: 44.0 – betydelig sterkere enn andre åpne modeller
- FinSearchComp-global: 65.5 – best blant testede systemer med åpen vekt
Kostnad og prising
MiniMax lister offentlig opp en svært konkurransedyktig API-pris på 0.30 dollar per 1 000 000 inndatatokener og 1.20 dollar per 1 000 000 utdatatokenerSelskapet rapporterer også et inferensgjennomstrømningstall (TPS) på sitt vertsbaserte endepunkt på ~100 tokens/sek (og oppgir at de forbedrer det). CometAPI tilbyr 20 % rabatt på den offisielle prisen for tilgang til MiniMax M2 API.
Rask tolkning
- Input-tokens er ekstremt billige per token sammenlignet med mange kommersielle modeller; output-tokens er dyrere, men fortsatt lave sammenlignet med mange lukkede alternativer.
- Gjennomstrømning (tokens/sek) og latens vil i stor grad avhenge av distribusjonsvalg (hostet vs. selvhostet, GPU-type, batching, kvantisering). Bruk kun den publiserte TPS-en som et grunnlag for planlegging av vertsbaserte API-er.
Hva er de beste bruksområdene for MiniMax M2?
1) Komplette utviklerassistenter (koderedigering → kjør → fiks → verifiser)
MiniMax M2 er spesialbygd for redigering av flere filer, kompilering/kjøring/reparering av løkker og CI/IDE-automatisering – der modellen må huske store kodebaser eller lange terminaltranskripter og orkestrere verktøykall (build, test, lint, git). Referanseindekser og tidlige fellesskapstester plasserer den høyt blant kode-/agentpakker.
Typisk strømning: hent repo → kjør tester i sandkassen → parsefeil → produser oppdatering → kjør tester på nytt → åpne PR hvis grønt.
2) Agenter i flere trinn og RPA (verktøy + minne)
Agentapplikasjoner som trenger planlegging, verktøyanrop og gjenoppretting (nettlesing, terminal, database, tilpassede API-er) drar nytte av lang kontekst og strukturert funksjons-/verktøyanrop. M2s lang kontekstfunksjon lar deg oppbevare planer, logger og tilstand i minnet uten aggressiv ekstern henting.
3) Lange dokumenter med resonnement og kundestøtte (håndbøker, manualer)
Fordi M2 støtter svært store kontekster, kan du mate hele produktmanualer, håndbøker eller lange brukersamtalehistorikker uten tung chunking – ideelt for kontekstrik supportautomatisering, policyresonnement og samsvarskontroller.
4) Forskning og eksperimentering (åpne vekter, tillatt bruk)
Med åpne vekter på Hugging Face kan du kjøre eksperimenter (tilpasset finjustering, MoE-forskning, nye rutingsstrategier eller sikkerhetsmekanismer) lokalt eller på private klynger. Det gjør M2 attraktiv for laboratorier og team som ønsker full kontroll.
Praktiske anbefalinger for ingeniører og produktteam
Hvis du vil ha rask eksperimentering: Bruk MiniMax Cloud API (Anthropic/OpenAI-kompatibel). Det fjerner lokal infrastrukturfriksjon og gir deg umiddelbar tilgang til verktøykall og funksjoner for lang kontekst.
Hvis du trenger kontroll og kostnadsoptimalisering: Last ned vektene fra Hugging Face og server med vLLM eller SGLang. Forvent å investere i ingeniørarbeid for MoE-sharding og nøye inferensjustering. Test minne, kostnader og latens mot din reelle arbeidsmengde (multi-turn agents og flerfilskodeoppgaver).
Testing og sikkerhet: Kjør dine egne tester for rødt team, sikkerhetsfiltre og verktøyvalidering. Åpne vekter akselererer forskning, men betyr også at skadelige aktører kan iterere raskt; bygg detektorer og kontroller med menneskelige bånd der det er nødvendig.
Konklusjon
MiniMax M2 representerer et bemerkelsesverdig øyeblikk i LLM-økosystemet med åpen kildekode: en stor, agentsentrisk, permissivt lisensiert modell som prioriterer koding og verktøybruk, samtidig som den tar sikte på å holde inferenskostnader praktisk mulige gjennom sparsom MoE-ruting. For organisasjoner som bygger utviklerverktøy, autonome agenter eller forskningsteam som trenger tilgang til vekter for finjustering, tilbyr M2 et overbevisende, umiddelbart brukbart alternativ – forutsatt at teamet er forberedt på å håndtere MoE-distribusjonskompleksiteten.
Slik får du tilgang til MiniMax M2 API
CometAPI er en enhetlig API-plattform som samler over 500 AI-modeller fra ledende leverandører – som OpenAIs GPT-serie, Googles Gemini, Anthropics Claude, Midjourney, Suno og flere – i ett enkelt, utviklervennlig grensesnitt. Ved å tilby konsistent autentisering, forespørselsformatering og svarhåndtering, forenkler CometAPI dramatisk integreringen av AI-funksjoner i applikasjonene dine. Enten du bygger chatboter, bildegeneratorer, musikkomponister eller datadrevne analysepipeliner, lar CometAPI deg iterere raskere, kontrollere kostnader og forbli leverandøruavhengig – alt samtidig som du utnytter de nyeste gjennombruddene på tvers av AI-økosystemet.
Utviklere har tilgang Minimax M2 API gjennom Comet API, den nyeste modellversjonen er alltid oppdatert med den offisielle nettsiden. For å begynne, utforsk modellens muligheter i lekeplass og konsulter API-veiledning for detaljerte instruksjoner. Før du får tilgang, må du sørge for at du har logget inn på CometAPI og fått API-nøkkelen. CometAPI tilby en pris som er langt lavere enn den offisielle prisen for å hjelpe deg med å integrere.
Klar til å dra? → Registrer deg for CometAPI i dag !
Hvis du vil vite flere tips, guider og nyheter om AI, følg oss på VK, X og Discord!