MiniMax M2 是 开源、原生面向代理（agent-native） 的大型语言模型（LLM），由 MiniMax 于 2025 年 10 月 27 日 发布。它专为 编程 和 代理式工作流（工具调用、多步自动化）而设计，优先实现 低时延 与 高性价比 的部署，同时具备强大的推理与工具使用能力。
关键特性
亮点 — 编码专项优化、代理式工作流、低激活参数占用、长上下文支持、兼容 OpenAI 的 API。MiniMax 将 Minimax M2 定位为一款 快速、易部署的 MoE 模型，面向多步代理、代码生成与修复、终端/IDE 工作流以及工具调用。
重点要点（速览）：
- 架构： 专家混合（MoE），总参数规模极大，但每次前向计算仅激活较小的激活参数集合。
- 激活占用： ~10 billion 激活参数（每 token）。
- 总参数（报告）： 据不同来源/指标，介于 ~200B – 230B（见技术细节）。
- 上下文窗口： 企业级长上下文；最大 204,800 tokens。
- 主要模态： 文本（支持工具调用/函数调用）。
- 原生面向代理：为多步工具调用而设计（shell、浏览器、Python 解释器、MCP 工具）。
- 编码侧重：针对多文件编辑、运行-修复循环以及 CI/IDE 任务优化。
技术细节（架构与规格）
架构 — 专家混合（MoE）：Minimax M2 API 采用 MoE 策略，使模型拥有非常大的总参数规模，同时在每次推理仅激活一部分参数。这提升了交互式代理与编码循环的计算效率、吞吐量以及单位 token 成本。
精度与量化 — 模型文件与提供商栈列出了 FP32/BF16、FP8 等格式以及多种量化构建（safetensors、FP8/E4M3 等），支持本地部署与效率权衡。
上下文与 I/O — 已部署的提供方宣称支持 204,800 token 的上下文以及较大的最大输出配置。M2 目前为纯文本（中国的许多开源权重发布强调文本/代理能力，而多模态仍主要由其他发布提供）。
运行建议/特别说明 — Minimax M2 API 使用 “交错思考（interleaved thinking）” 的输出格式，将模型的内部推理包裹在 <think>...</think> 块中。MiniMax 要求保持该思考内容完整，并在会话历史中传回，以在多轮代理工作流中维持性能。
基准测试表现
综合智能与代理基准 — Artificial Analysis 的独立评测报告称，MiniMax‑M2 在开源权重模型中取得同类最佳的 Intelligence Index，并在综合智能指标上位列顶级开源模型之列，尤其在工具使用、指令遵循与代理式任务方面表现突出。Artificial Analysis 强调该模型的效率（激活参数极少）是其排名的关键驱动因素。
MiniMax M2 在编码与代理套件（Terminal-Bench、SWE-Bench、BrowseComp、LiveCodeBench 类型任务）上表现强劲，其架构与激活预算有利于 规划 → 执行 → 验证 循环（编译/运行/测试周期、多文件编辑与工具链）。
对比：MiniMax M2 与其他同时代模型
对开源权重同类（DeepSeek、Qwen3、Kimi 等）— MiniMax M2 在激活参数预算（≈10B）上被认为尤为高效，带来较高的“每激活参数智能比”；其他开源模型可能拥有更高的激活参数数量，但总参数相近或更高。
对商业前沿模型（OpenAI / Anthropic / Google / xAI）— 报告显示，M2 在部分通用指标上低于最顶级的商业模型，但在许多代理与编码基准上以其价格定位具备竞争力甚至领先。
成本与速度权衡 — 其单位 token 成本仅为 Anthropic Claude Sonnet 的 8%，速度约为其两倍。
限制与风险
限制 — 冗长（高 token 消耗）、仅限文本模态、任务特定弱项，以及常见的 LLM 风险（幻觉、过度自信、数据集偏差）。Artificial Analysis 与 MiniMax 均指出，M2 在某些开放式任务上可能不如部分大型通用模型，尽管其在代理与编码工作流中表现优异。由于基于 MoE，部署考量（专家路由、量化与推理框架）尤为重要。
运行注意事项 — MiniMax M2 的交错思考格式要求在会话历史中保留特殊的 <think>...</think> 标记以获得最佳性能；删除该内容可能削弱代理行为。此外，由于 MiniMax M2 较为冗长，单次任务成本取决于单位 token 价格与生成的 token 总量。
主要用例
- 代理编排与长流程 — 多步工具链、浏览→检索→执行循环、错误恢复以及代理运行中的证据可追溯性。
- 开发者效率与编码助手 — 编译-运行-测试循环、多文件编辑、经测试验证的修复以及IDE 集成（已有 Claude Code、Cursor、Codex、Grok CLI 等示例）。
- 高吞吐代理集群/生产机器人 — 在单次推理成本与并发至关重要的场景下，M2 的低激活参数占用可降低基础设施成本。
如何通过 CometAPI 调用 Minimax M2 API
minimax-m2 在 CometAPI 的 API 价格，较官方价优惠 20%：
- 输入 Tokens：$0.24 M tokens
- 输出 Tokens：$0.96/ M tokens
必要步骤
- 登录到 cometapi.com。如果尚未成为我们的用户，请先注册。
- 登录你的 CometAPI 控制台。
- 获取接口的访问凭证 API Key。在个人中心的 API Token 处点击 “Add Token”，获得令牌密钥：sk-xxxxx 并提交。
使用方法
- 选择 “minimax-m2” 端点发送 API 请求并设置请求体。请求方法与请求体可从我们网站 API 文档获取。我们的网站也提供 Apifox 测试以供使用。
- 将 <YOUR_API_KEY> 替换为你账户中的实际 CometAPI Key。
- 将你的问题或请求插入 content 字段——模型会对其进行响应。
- . 处理 API 响应以获取生成的答案。
CometAPI 提供完全兼容的 REST API——便于无缝迁移。关键细节参见 API 文档:
- Base URL： https://api.cometapi.com/v1/chat/completions
- Model Names： “
minimax-m2“ - Authentication：
Bearer YOUR_CometAPI_API_KEY头 - Content-Type：
application/json。
API 集成与示例
下面是一个 Python 代码片段，演示如何通过 CometAPI 的 API 调用 GLM‑4.6。请相应替换 <API_KEY> 和 <PROMPT>：
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())
另请参阅 Claude Haiku 4.5 API