Jsou váhy otevřené a mohu MiniMax M2 spustit lokálně?

Ano. MiniMax M2 je vydán pod licencí MIT a váhy jsou na Hugging Face pod MiniMaxAI/MiniMax-M2. Mějte na paměti, že celý model má 230 miliard parametrů, takže vlastní hostování vyžaduje značný hardware, i když je aktivních jen 10 miliard parametrů na průchod.

Kolik MiniMax M2 stojí a jak dlouhý má kontext?

Přes API stojí 0,30 USD za milion vstupních tokenů a 1,20 USD za milion výstupních tokenů, s kontextovým oknem 204 800 tokenů.

Jak si MiniMax M2 stojí v porovnání s jinými otevřenými modely pro kódování?

Jeho skóre SWE-Bench Verified 69,4 a Terminal-Bench 46,3 jej řadí před DeepSeek-V3.2 a Kimi K2 v těchto úlohách, zatímco jeho BrowseComp skóre 44 je výrazně vyšší než u většiny otevřených alternativ, i když uzavřené modely jako Claude Sonnet 4.5 vedou v několika stejných benchmarkech.

MiniMax M2

3611°

#llm #minimax #uvažování #programování #agenti #dlouhý kontext

Spustit model

Nabídky / Reklamy

OpenRouter Terminál / API

Platba za token

Chatuj s tímto modelem v prohlížeči nebo ho zavolej ze svého kódu s jedním API klíčem.

MiniMax | 204,800 token context | $0.26/M input, $1.02/M output. MiniMax-M2 is a compact, high-efficiency large language model optimized for end-to-end coding and agentic workflows. With 10 billion activated parameters (230 billion total), it delivers near-frontier intelligence across general reasoning, tool use, and multi-step task execution while maintaining low latency and deployment efficiency. The model excels in code generation, multi-file editing, compile-run-fix loops, and test-validated repair, showing strong results on SWE-Bench Verified, Multi-SWE-Bench, and Terminal-Bench. It also…MiniMax | 204,800 token context | $0.26/M input, $1.02/M output. MiniMax-M2 is a compact, high-efficiency large language model optimized for end-to-end coding and agentic workflows. With 10 billion activated parameters (230 billion total), it delivers near-frontier intelligence across general reasoning, tool use, and multi-step task execution while maintaining low latency and deployment efficiency. The model excels in code generation, multi-file editing, compile-run-fix loops, and test-validated repair, showing strong results on SWE-Bench Verified, Multi-SWE-Bench, and Terminal-Bench. It also performs competitively in agentic evaluations such as BrowseComp and GAIA, effectively handling long-horizon planning, retrieval, and recovery from execution errors. Benchmarked by Artificial AnalysisOpens in new tab, MiniMax-M2 ranks among the top open-source models for composite intelligence, spanning mathematics, science, and instruction-following. Its small activation footprint enables fast inference, high concurrency, and improved unit economics, making it well-suited for large-scale agents, developer assistants, and reasoning-driven applications that require responsiveness and cost efficiency. To avoid degrading this model's performance, MiniMax highly recommends preserving reasoning between turns. Learn more about using reasoning_details to pass back reasoning in our docsOpens in new tab.

Návody k tomuto modelu

Nejlepší lokální LLM podle použití (říjen 2026): správný otevřený model pro každou práci

Otevřené váhy vs open source vs pouze API: co vlastně smíš dělat

Kolik VRAM vlastně potřebuji pro lokální AI?

Co je soubor GGUF? Vysvětlení kvantovaných modelů (Q4, Q8, fp8, NF4)

Všechny návody

Poznámky kapitána

Napsal Captain, hlavní redaktor

Poznámky z 2026-10-13

MiniMax M2 je mixture-of-experts model od MiniMax s celkovými 230 miliardami parametrů, ale pouze 10 miliardami aktivními při inferenci, což mu dává propustnost malého modelu s uvažováním blízkým špičkové úrovni. Je speciálně navržen pro kódování a agentní práci: úpravy ve více souborech, smyčky kompilace-spuštění-opravy, dlouhodobé řetězce nástrojů a prohlížečem řízené vyhledávání. Otevřené váhy pod licencí MIT a cena 0,30 USD za milion vstupních tokenů jej předurčují pro vývojáře, kteří potřebují schopné agenty bez nákladů na úrovni špičkových modelů.

Známý pro

Silné skóre SWE-Bench a Terminal-Bench mezi open-source modely
Dlouhodobé agentní plánování přes shell, prohlížeč a kódové běhy
Licence MIT: otevřené váhy, povoleno komerční použití
Kontextové okno 204 800 tokenů pro velké kódové báze a víceturnové agenty
Nízká aktivace udržuje latenci a náklady nízko ve velkém měřítku

Dej pozor na

MiniMax doporučuje předávat uvažování mezi jednotlivými kroky; přeskočení tohoto výrazně snižuje výkon.
230 miliard parametrů celkem znamená, že vlastní hostování je náročné na hardware i přes malý aktivní rozsah.
Ceny API jsou zveřejněny; dostupnost bezplatné vrstvy je omezena na omezenou dobu.

Nejlepší pro

Programování

Agenti a používání nástrojů

Uvažování

Dlouhý kontext

Běží lokálně

Promptů k vyzkoušení

Úloha refaktoringu ve více souborech

Máte Python webové API rozdělené do tří souborů: routes.py, models.py a db.py. Databázová vrstva používá surové SQL řetězce rozptýlené ve všech třech souborech. Refaktorujte kód tak, aby všechny dotazy byly centralizovány do třídy repository v db.py, aktualizujte ostatní soubory a napište pytest test pro každou metodu repository. Ukažte kompletní aktualizované soubory.

Smyčka kompilace-spuštění-oprava

Zde je Rust funkce, která má parsovat seznam celých čísel oddělených čárkami a vrátit jejich součet, ale nepodaří se jí zkompilovat. Identifikujte všechny chyby, vysvětlete, proč k nim dochází, vytvořte opravenou verzi, která se bez problémů zkompiluje, a přidejte jednotkový test pokrývající prázdný vstup, jednu hodnotu a seznam s mezerami kolem čárek. fn sum_csv(input: &str) -> i32 { input.split(',').map(|s| s.parse()).sum() }

Dlouhodobý agentní plán

Jste agent s přístupem k shellu, webovému prohlížeči a kódovému běhu. Uživatel chce vědět, který z pěti nejstahovanějších Python balíčků na PyPI za minulý měsíc má nejvyšší poměr otevřených GitHub issues k uzavřeným. Napište krok za krokem plán, přesné příkazy nebo požadavky v každém kroku, jak byste řešili neúspěšný HTTP požadavek a jaký konečný výstup byste vrátili.

Porovnat s

MiniMax M1
Model pouze s API
kontext 1,000,000 tokenů · $0.55/M vstup, $2.20/M výstup
MiniMax M3
Model s otevřenými váhami
kontext 1,048,576 tokenů · $0.30/M vstup, $1.20/M výstup
MiniMax M2.5
Model s otevřenými váhami
kontext 204,800 tokenů · $0.27/M vstup, $0.95/M výstup
MiniMax M2.1
Model s otevřenými váhami
kontext 204,800 tokenů · $0.30/M vstup, $1.20/M výstup

Více textových modelů od minimax

Často kladené otázky

Jsou váhy otevřené a mohu MiniMax M2 spustit lokálně?: Ano. MiniMax M2 je vydán pod licencí MIT a váhy jsou na Hugging Face pod MiniMaxAI/MiniMax-M2. Mějte na paměti, že celý model má 230 miliard parametrů, takže vlastní hostování vyžaduje značný hardware, i když je aktivních jen 10 miliard parametrů na průchod.
Kolik MiniMax M2 stojí a jak dlouhý má kontext?: Přes API stojí 0,30 USD za milion vstupních tokenů a 1,20 USD za milion výstupních tokenů, s kontextovým oknem 204 800 tokenů.
Jak si MiniMax M2 stojí v porovnání s jinými otevřenými modely pro kódování?: Jeho skóre SWE-Bench Verified 69,4 a Terminal-Bench 46,3 jej řadí před DeepSeek-V3.2 a Kimi K2 v těchto úlohách, zatímco jeho BrowseComp skóre 44 je výrazně vyšší než u většiny otevřených alternativ, i když uzavřené modely jako Claude Sonnet 4.5 vedou v několika stejných benchmarkech.

Verdikt kapitána
Vzácný model s otevřenými váhami, který konkuruje na reálných benchmarkech pro kódování a agenty, aniž by vyžadoval infrastrukturu nebo ceny na úrovni špičkových modelů.

Modelová karta na Hugging Face

Kapitán píše tyto poznámky na základě popisu modelu a modelové karty. Ceny a velikosti kontextu jsou od poskytovatele v době psaní a mohou se změnit.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Jak se toto skóre sčítá

Tento model zatím nemá žádná data o popularitě z žádného zdroje, takže má náhradní číslo pod 7,000°, které udržuje seznamy kompletní. Nikdy se neumístí výš než model s daty. Rozpis se tu objeví, jakmile ho nějaký zdroj nahlásí.

Slovníček: pojmy používané zde

Heat skóre: Jedno číslo, které ukazuje, jak moc se model teď používá a chce, od 0° do 9 999°. Každý seznam na tomto webu, který říká nejžhavější, je podle toho seřazený a nic jiného.
Minimum: 7 000° je základ, od kterého začíná každý model s reálnými daty. Měřítko je od 0° do 9 999°; část pod minimem je vyhrazena pro zástupce (modely bez dat), aby model s daty byl vždy výš než ten bez. Minimum je stejné pro všechny a nic nerozhoduje; stupně nad ním jsou měření.
Ekvivalenty stažení: Všechno, co skóre počítá jako stažení, sečtené: samotná stažení, každý torrent seeder jako 1 000, každý obrázek z AI Horde a každý běh na generujícím webu jako jedno.
Logaritmická škála: Počítá se po desítkách, ne po jednotkách: přechod z 1 000 na 10 000 stažení přidá stejný počet stupňů jako z 10 000 na 100 000. Zabraňuje, aby obři přebili všechno ostatní.
Lajky: Palce nahoru a lajky ze všech zdrojů, každý za polovinu váhy stažení na logaritmické škále.
Rychlost přijetí: Kolik stažení denně model právě teď má, podle rozdílu mezi dvěma odečty zdroje. Čtvrtina váhy oproti termínu stažení.
Měřené a odhadované: Měřené znamená, že existují dva záznamy zdroje a rozdíl je skutečný. Odhadované znamená, že je znám jen dnešní celkový údaj a minulost je rozložena přes životnost modelu; stránka uvádí, který typ zobrazuje.
Seeder: Někdo, kdo drží kopii vah online, aby si ji ostatní mohli stáhnout přes torrent, nebo hostovaný zrcadlový server, který dělá totéž. Každý takový počítá jako 1 000 stažení.
AI Horde: Dobrovolnická síť, která zdarma generuje obrázky na darovaných počítačích. Počet obrázků vytvořených s modelem je veřejný a každý se počítá jako jedno stažení.
Generační stránky: Stránky, které hostují vlastní kopie modelu a umožňují lidem generovat s ním, například PixAI, SeaArt a Yodayo. Jejich stažení se počítají stejně jako u Civitai a každý běh generování jako jedno stažení.
OpenRouter tokeny: Textový model poskytovaný přes API, jako Claude nebo GPT, nemá žádné váhy ke stažení, takže jeho využití se měří tokeny: kusy textu, které přečetl a napsal přes OpenRouter, bránu, kterou používá mnoho aplikací, za posledních 30 dní. Každých 10,000,000 tokenů se počítá jako jedno stažení. Zdroj: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Plný model (checkpoint): Samotné váhy, soubor, který generuje sám o sobě. Má bonus, protože na něm závisí doplňky.
LoRA a embedding: Malé doplňkové soubory, které nasměrují váhy někoho jiného k určitému stylu, postavě nebo konceptu. Samy o sobě nemohou běžet.
Rodina a váhy: Základ, na kterém je model postavený, například SD 1.5, SDXL, Flux nebo Wan. Každý model dědí datum vydání vah své rodiny.
Věk: Stupně odečtené podle toho, jak dávno vyšla váha rodiny: 150° za rok, až do 750°. Staré stažení, která měla roky na nashromáždění, zůstávají nahoře na seznamu.
Boost rodiny: Malý, omezený posun pro LoRA rodiny, kterou tato stránka právě podporuje, vždy uvedený v rozpisu.
Náhradní skóre: Stabilní číslo pod minimem dané modelu, o kterém zatím žádný zdroj nehlásí, aby seznamy zůstaly kompletní. Nikdy není výše než model s daty.
Nové! (ochranná lhůta): Model mladší než 7 dní ukazuje místo skóre Nové! a nezískává místo v žebříčku. Jeho skóre se počítá od prvního dne, ale model starý jeden den roste rychleji než cokoli jiného, takže bez čekání by #1 týdne byl vždy model, který vyšel včera, místo toho, co vydrželo týden.
Trend: Jak růst modelu za určité období odpovídá typickému růstu modelu za stejné období. Rychlejší než obvyklé znamená vzestup, pomalejší pokles.
Typický model: Střed katalogu: polovina modelů s číslem rostla rychleji za dané období, polovina pomaleji.

Podobné modely

GPT 4

TEXT / LLM

ERNIE 4.5 VL 424B A47B

TEXT / LLM

Qwen3 Coder 480B A35B Instruct Turbo

TEXT / LLM

Mistral Nemo Instruct 2407

TEXT / LLM

AI modely pro generování obrázků, videa a textu

MiniMax M2 je textový model pro rodinu Text / LLM uvedený na ModelTrends.ai, katalogu open source AI modelů pro obrázky, video a text určeném jen ke čtení. Porovnejte ho s dalšími modely Text / LLM a podívejte se na jeho skóre žhavosti.

Další modely Text / LLM llm minimax uvažování programování agenti dlouhý kontext lokální

Procházet podle rodiny modelů