Zijn de gewichten open en kan ik MiniMax M2 lokaal draaien?

Ja. MiniMax M2 is uitgebracht onder de MIT-licentie en de gewichten staan op Hugging Face bij MiniMaxAI/MiniMax-M2. Houd er rekening mee dat het volledige model 230 miljard parameters heeft, dus zelf-hosting vereist aanzienlijke hardware, ook al zijn er per voorwaartse stap slechts 10 miljard parameters actief.

Wat kost MiniMax M2 en hoe lang is de context?

Via de API kost het $0,30 per miljoen invoertokens en $1,20 per miljoen uitvoertokens, met een contextvenster van 204.800 tokens.

Hoe verhoudt MiniMax M2 zich tot andere open coding-modellen?

De SWE-Bench Verified score van 69,4 en Terminal-Bench score van 46,3 plaatsen het voor DeepSeek-V3.2 en Kimi K2 op die taken, terwijl de BrowseComp-score van 44 aanzienlijk hoger is dan de meeste open alternatieven, hoewel gesloten modellen zoals Claude Sonnet 4.5 op verschillende benchmarks leiden.

MiniMax M2

3611°

#llm #minimax #redeneren #coderen #agenten #lange context

Voer dit model uit

Aanbiedingen / Advertenties

OpenRouter Terminal / API

Betaal per token

Chat met dit model in de browser of roep het aan vanuit je code met één API-sleutel.

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.

Gidsen voor dit model

Beste lokale LLM per gebruik (oktober 2026): het juiste open model voor elke klus

Open weights vs open source vs alleen API: wat je eigenlijk mag doen

Hoeveel VRAM heb ik eigenlijk nodig voor lokale AI?

Wat is een GGUF-bestand? Uitleg over gekwantiseerde modellen (Q4, Q8, fp8, NF4)

Alle gidsen

Aantekeningen van de kapitein

Geschreven door Captain, de huisredacteur

Aantekeningen van 2026-10-13

MiniMax M2 is een mixture-of-experts-model van MiniMax met in totaal 230 miljard parameters, maar slechts 10 miljard actief tijdens inferentie, wat het doorvoersnelheid geeft van een klein model met redenering die dichter bij frontier-schaal ligt. Het is specifiek gebouwd voor coderen en agentwerk: multi-bestand bewerkingen, compile-run-fix-lussen, langetermijn toolketens en browsergebaseerde retrieval. Open gewichten onder MIT-licentie en geprijsd op $0,30 per miljoen invoertokens, is het geschikt voor ontwikkelaars die capabele agents willen zonder frontier-niveau kosten.

Bekend om

Sterke SWE-Bench en Terminal-Bench scores onder open-source modellen
Langetermijn agent-planning over shell, browser en code runners
MIT-licentie: open gewichten, commercieel gebruik toegestaan
204.800-token contextvenster voor grote codebases en multi-turn agents
Laag activatiegeheugen houdt latentie en kosten laag op schaal

Let op

MiniMax raadt aan redenering tussen beurten door terug te geven; overslaan degradeert de prestaties merkbaar.
230 miljard totale parameters maken zelf-hosting hardware-intensief ondanks het kleine actieve deel.
API-prijzen zijn gepubliceerd; gratis tier beschikbaarheid is tijdelijk.

Het beste voor

Coderen

Agenten en toolgebruik

Redeneren

Lange context

Draait lokaal

Prompts om te proberen

Multi-bestand refactor taak

Je hebt een Python web-API verdeeld over drie bestanden: routes.py, models.py en db.py. De databaselaag gebruikt ruwe SQL-strings verspreid over alle drie de bestanden. Refactor de code om alle queries te centraliseren in een repository-klasse in db.py, werk de andere bestanden dienovereenkomstig bij en schrijf een pytest-test voor elke repository-methode. Toon de volledige bijgewerkte bestanden.

Compile-run-fix lus

Hier is een Rust-functie die een door komma's gescheiden lijst van gehele getallen moet parsen en hun som moet teruggeven, maar het compileert niet. Identificeer elke fout, leg uit waarom die optreedt, maak een gecorrigeerde versie die schoon compileert en voeg een unittest toe die lege invoer, één waarde en een lijst met witruimte rond de komma's dekt. fn sum_csv(input: &str) -> i32 { input.split(',').map(|s| s.parse()).sum() }

Langetermijn agentplan

Je bent een agent met toegang tot een shell, een webbrowser en een code-runner. Een gebruiker wil weten welk van de vijf meest gedownloade Python-pakketten op PyPI vorige maand de hoogste verhouding open GitHub-issues tot gesloten issues heeft. Schrijf het stapsgewijze plan dat je zou uitvoeren, de exacte commando's of verzoeken per stap, hoe je een mislukte HTTP-aanvraag afhandelt en wat de uiteindelijke output is.

Vergelijk met

MiniMax M1
Alleen API-model
1,000,000 token context · $0.55/M invoer, $2.20/M uitvoer
MiniMax M3
Model met open gewichten
1,048,576 token context · $0.30/M invoer, $1.20/M uitvoer
MiniMax M2.5
Model met open gewichten
204,800 token context · $0.27/M invoer, $0.95/M uitvoer
MiniMax M2.1
Model met open gewichten
204,800 token context · $0.30/M invoer, $1.20/M uitvoer

Meer tekstmodellen van minimax

Veelgestelde vragen

Zijn de gewichten open en kan ik MiniMax M2 lokaal draaien?: Ja. MiniMax M2 is uitgebracht onder de MIT-licentie en de gewichten staan op Hugging Face bij MiniMaxAI/MiniMax-M2. Houd er rekening mee dat het volledige model 230 miljard parameters heeft, dus zelf-hosting vereist aanzienlijke hardware, ook al zijn er per voorwaartse stap slechts 10 miljard parameters actief.
Wat kost MiniMax M2 en hoe lang is de context?: Via de API kost het $0,30 per miljoen invoertokens en $1,20 per miljoen uitvoertokens, met een contextvenster van 204.800 tokens.
Hoe verhoudt MiniMax M2 zich tot andere open coding-modellen?: De SWE-Bench Verified score van 69,4 en Terminal-Bench score van 46,3 plaatsen het voor DeepSeek-V3.2 en Kimi K2 op die taken, terwijl de BrowseComp-score van 44 aanzienlijk hoger is dan de meeste open alternatieven, hoewel gesloten modellen zoals Claude Sonnet 4.5 op verschillende benchmarks leiden.

Oordeel van de kapitein
Een zeldzaam open-gewichtenmodel dat concurreert op echte codeer- en agentbenchmarks zonder frontier-niveau infrastructuur of prijzen te vereisen.

Modelkaart op Hugging Face

De kapitein schrijft deze aantekeningen op basis van de eigen beschrijving en modelkaart van het model. Prijzen en contextgroottes zijn die van de provider op het moment van schrijven en kunnen veranderen.

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

Hoe deze score wordt opgebouwd

Dit model heeft nog geen populariteitsgegevens van welke bron dan ook, dus het krijgt een tijdelijke waarde onder 7,000° om de lijsten compleet te houden. Het staat nooit hoger dan een model met data. De uitsplitsing verschijnt hier zodra een bron het rapporteert.

Woordenlijst: de gebruikte termen

Heat-score: Één getal voor hoe veel een model nu gebruikt en gewenst wordt, van 0° tot 9.999°. Elke lijst op deze site die zegt heetste is gesorteerd op deze score en niets anders.
Vloer: De 7.000° waar elk model met echte data mee begint. De schaal loopt van 0° tot 9.999°; het deel onder de vloer is gereserveerd voor plaatsvervangers (modellen zonder data), zodat een model met data altijd hoger scoort dan een zonder. De vloer is voor iedereen gelijk en beslist niets; de graden erboven zijn de meting.
Download-equivalenten: Alles wat de score als een download telt, bij elkaar opgeteld: downloads zelf, elke torrent seeder als 1.000, elke AI Horde-afbeelding en elke run op een generatie-site als één.
Logaritmische schaal: Tellen per tien, niet per één: van 1.000 naar 10.000 downloads voegt evenveel graden toe als van 10.000 naar 100.000. Zo verdringen grote spelers niet alles.
Likes: Duimen omhoog en likes van elke bron, elk de helft van een download waard op de log-schaal.
Adoptiesnelheid: Hoeveel downloads een model nu per dag krijgt, uit het verschil tussen twee metingen van een bron. Een kwart van het gewicht van de downloadterm.
Gemeten en geschat: Gemeten betekent dat er twee metingen van een bron zijn en het verschil echt is. Geschat betekent dat alleen het totaal van vandaag bekend is en het verleden over de levensduur van het model wordt verdeeld; de site geeft aan welke het toont.
Seeder: Iemand die een kopie van de gewichten online houdt zodat anderen die via een torrent kunnen downloaden, of een gehoste mirror die hetzelfde doet. Elk telt als 1.000 downloads.
AI Horde: Een vrijwilligersnetwerk dat gratis beelden genereert op gedoneerde computers. Het aantal beelden dat het met een model heeft gemaakt is openbaar, en elk telt als één download.
Generatiesites: Sites die hun eigen kopieën van een model hosten en mensen laten genereren, zoals PixAI, SeaArt en Yodayo. Hun downloads tellen net als die van Civitai en elke generatie telt als één download.
OpenRouter tokens: Een tekstmodel dat via een API wordt aangeboden, zoals Claude of GPT, heeft geen gewichten om te downloaden, dus het gebruik wordt gemeten in tokens: de tekststukken die het las en schreef via OpenRouter, een gateway die veel apps gebruiken, in de afgelopen 30 dagen. Elke 10,000,000 tokens telt als één download. Bron: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Volledig model (checkpoint): De gewichten zelf, het bestand dat zelfstandig genereert. Het krijgt een bonus omdat add-ons ervan afhangen.
LoRA en embedding: Kleine add-on bestanden die iemands gewichten sturen naar een stijl, een personage of een concept. Ze kunnen niet zelfstandig draaien.
Familie en gewichten: De basis waarop een model is gebouwd, zoals SD 1.5, SDXL, Flux of Wan. Elk model erft de releasedatum van de gewichten van zijn familie.
Leeftijd: Graden afgetrokken voor hoe lang geleden de gewichten van de familie uitkwamen: 150° per jaar, tot 750°. Het houdt oude downloads die jaren hadden om op te lopen door de top van de lijst te bevriezen.
Familie boost: Een kleine, begrensde duw voor LoRA's van een familie die deze site nu naar voren schuift, altijd vermeld in de uitsplitsing.
Stand-in score: Een stabiel getal onder de vloer gegeven aan een model waar nog geen bron over rapporteert, zodat lijsten compleet blijven. Het staat nooit hoger dan een model met data.
Nieuw! (gratieperiode): Een model dat minder dan 7 dagen oud is, toont Nieuw! in plaats van een score en neemt geen plaats in de ranglijst in. De score wordt vanaf dag één berekend, maar een model van één dag oud groeit sneller dan wat dan ook, dus zonder de wachttijd zou de #1 van de week altijd het model zijn dat gisteren uitkwam in plaats van wat een week standhield.
Trend: Hoe de groei van een model over een periode zich verhoudt tot de typische groei van een model over dezelfde periode. Sneller dan typisch betekent stijging, langzamer betekent daling.
Typisch model: Het midden van de catalogus: de helft van de modellen met een cijfer groeide sneller over de periode, de andere helft langzamer.

Vergelijkbare modellen

AI-modellen voor het genereren van afbeeldingen, video en tekst

MiniMax M2 is een tekstmodel voor de Text / LLM-familie, vermeld op ModelTrends.ai, een alleen-lezen catalogus van open source AI-modellen voor afbeeldingen, video en tekst. Vergelijk het met andere Text / LLM-modellen en bekijk de populariteitsscore om de trend te zien.

Meer Text / LLM-modellen Meer Text / LLM Tekst / LLM llm minimax redeneren coderen agenten lange context lokaal

Bladeren op modelfamilie