Zijn de gewichten open en kan ik M2.5 lokaal draaien?

Ja, de gewichten zijn beschikbaar op Hugging Face onder een Modified-MIT-licentie, dus lokale implementatie is mogelijk — hoewel MiniMax het aantal parameters en minimale VRAM-vereisten niet heeft gepubliceerd, dus controleer de repository voordat je hardware aanschaft.

Wat kost M2.5 en hoe groot is het contextvenster?

Via de API kost het $0,27 per miljoen input tokens en $1,08 per miljoen output tokens, met een contextvenster van 204.800 tokens.

Hoe verschilt M2.5 van M2.1?

M2.5 breidt M2.1’s focus op coderen uit naar algemeen kantoorwerk — native Word-, Excel- en PowerPoint-bestandshantering — en zou agent-taken 37% sneller voltooien dan M2.1, terwijl het hoger scoort op SWE-Bench Verified en BrowseComp.

MiniMax M2.5

6216°

#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 | $0.27/M input, $0.95/M output. MiniMax-M2.5 is a SOTA large language model designed for real-world productivity. Trained in a diverse range of complex real-world digital working environments, M2.5 builds upon the coding expertise of M2.1 to extend into general office work, reaching fluency in generating and operating Word, Excel, and Powerpoint files, context switching between diverse software environments, and working across different agent and human teams. Scoring 80.2% on SWE-Bench Verified, 51.3% on Multi-SWE-Bench, and 76.3% on BrowseComp, M2.5 is also more token efficient than previous generations, having been trained to optimize its actions and output through planning.

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 M2.5 is een frontier-klasse open-gewichten model van MiniMax, specifiek gebouwd voor agent-gebaseerd werk: coderen over de volledige ontwikkelingscyclus, browsergebaseerd zoeken en echte kantoorbestanden in Word, Excel en PowerPoint. De reinforcement-learning training in echte omgevingen geeft het uitzonderlijk sterke tool-gebruik en planningsdiscipline. Met $0,27/M input en $1,08/M output en een contextvenster van 204.800 tokens onderbiedt het de meeste concurrenten op vergelijkbare benchmarkniveaus.

Bekend om

80,2% op SWE-Bench Verified, concurrerend met top gesloten modellen op meerdere tests.
Plant code als een architect voordat er een regel wordt geschreven, eerst structuur en functies decomponerend.
Getraind op 13+ talen over web, Android, iOS en Windows full-stack projecten.
Genereert en bewerkt Word-, Excel- en PowerPoint-bestanden native, niet alleen tekst erover.
76,3% op BrowseComp; sterke autonome webzoek- en tool-aanroepcapaciteiten in agent-pijplijnen.

Let op

Open gewichten onder een Modified-MIT-licentie — controleer de exacte voorwaarden voor commerciële inzet.
Frontier-schaal model; lokale inferentie vereist serieuze hardware. VRAM-vereisten zijn niet gepubliceerd.
Context is maximaal 204.800 tokens — lang, maar niet in het 1 miljoen-plus bereik dat sommige concurrenten nu bieden.

Het beste voor

Coderen

Agenten en toolgebruik

Redeneren

Lange context

Draait lokaal

Prompts om te proberen

Full-stack functie vanaf nul

Je bouwt een taakbeheer-webapp. Ontwerp eerst de architectuur: noem de componenten, datamodellen en API-eindpunten. Implementeer daarna een REST-eindpunt in Node.js met Express dat een nieuwe taak aanmaakt, de input valideert en opslaat in een SQLite-database. Voeg foutafhandeling toe en een korte test met curl.

Meerstaps agent-gebaseerd plan

Ik moet de top vijf open-source vector databases onderzoeken op GitHub-sterren, hun licenties vergelijken en een aanbeveling maken voor een startup die zelf wil hosten. Breek de taak op in stappen, geef aan welke tools of zoekopdrachten je bij elke stap zou gebruiken, voer het plan uit en geef een eindvergelijkingstabel.

Excel-logica in gewone code

Schrijf een Python-script met openpyxl dat een bestand sales.xlsx opent, een sheet Q1 leest, de waarden in kolom C optelt voor elke rij waar kolom B gelijk is aan 'EMEA', en het resultaat schrijft in cel F2 met het label 'EMEA Total' in E2. Handel het geval af dat de sheet niet bestaat.

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 M2.1
Model met open gewichten
204,800 token context · $0.30/M invoer, $1.20/M uitvoer
MiniMax M2
Model met open gewichten
204,800 token context · $0.26/M invoer, $1.02/M uitvoer

Meer tekstmodellen van minimax

Veelgestelde vragen

Zijn de gewichten open en kan ik M2.5 lokaal draaien?: Ja, de gewichten zijn beschikbaar op Hugging Face onder een Modified-MIT-licentie, dus lokale implementatie is mogelijk — hoewel MiniMax het aantal parameters en minimale VRAM-vereisten niet heeft gepubliceerd, dus controleer de repository voordat je hardware aanschaft.
Wat kost M2.5 en hoe groot is het contextvenster?: Via de API kost het $0,27 per miljoen input tokens en $1,08 per miljoen output tokens, met een contextvenster van 204.800 tokens.
Hoe verschilt M2.5 van M2.1?: M2.5 breidt M2.1’s focus op coderen uit naar algemeen kantoorwerk — native Word-, Excel- en PowerPoint-bestandshantering — en zou agent-taken 37% sneller voltooien dan M2.1, terwijl het hoger scoort op SWE-Bench Verified en BrowseComp.

Oordeel van de kapitein
Een serieus agent-gebaseerd coderingsmodel tegen een prijs die continue autonome runs echt betaalbaar maakt — de kantoorbestandsvloeiendheid is een zeldzame onderscheidende factor.

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 M2.5 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