Les poids sont-ils ouverts et puis-je exécuter M2.5 localement ?

Oui, les poids sont disponibles sur Hugging Face sous licence Modified-MIT, donc le déploiement local est possible — mais MiniMax n’a pas publié le nombre de paramètres ni les exigences minimales en VRAM, vérifiez le dépôt avant d’investir dans du matériel.

Quel est le coût de M2.5 et quelle est la taille de la fenêtre de contexte ?

Via l’API, c’est 0,27 $ par million de tokens en entrée et 1,08 $ par million en sortie, avec une fenêtre de contexte de 204 800 tokens.

En quoi M2.5 diffère-t-il de M2.1 ?

M2.5 étend le focus codage de M2.1 au travail bureautique général — gestion native des fichiers Word, Excel et PowerPoint — et accomplirait les tâches agentiques 37 % plus vite que M2.1 tout en obtenant de meilleurs scores sur SWE-Bench Verified et BrowseComp.

MiniMax M2.5

6216°

#llm #minimax #raisonnement #programmation #agents #contexte long

Lancer ce modèle

Offres / Pub

OpenRouter Terminal / API

Payer par token

Discute avec ce modèle dans le navigateur ou appelle-le depuis ton code avec une clé API.

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.

Guides pour ce modèle

Meilleur LLM local par cas d’usage (octobre 2026) : le bon modèle open source pour chaque tâche

Poids ouverts vs open source vs API uniquement : ce que tu peux vraiment faire

De combien de VRAM ai-je vraiment besoin pour l'IA locale ?

Qu'est-ce qu'un fichier GGUF ? Explication des modèles quantifiés (Q4, Q8, fp8, NF4)

Tous les guides

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

MiniMax M2.5 est un modèle open-weights de classe frontier de MiniMax, conçu spécifiquement pour le travail agentique : codage sur tout le cycle de développement, recherche via navigateur, et tâches réelles sur fichiers Word, Excel et PowerPoint. Son entraînement par renforcement en environnements réels lui confère une discipline d’utilisation d’outils et de planification exceptionnellement forte. À 0,27 $/M en entrée et 1,08 $/M en sortie avec une fenêtre de contexte de 204 800 tokens, il est moins cher que la plupart des concurrents à niveaux de benchmark comparables.

Connu pour

80,2 % sur SWE-Bench Verified, compétitif avec les meilleurs modèles fermés sur plusieurs tests.
Planifie le code comme un architecte avant d’écrire une ligne, décomposant d’abord structure et fonctionnalités.
Entraîné sur plus de 13 langages couvrant projets web, Android, iOS et full-stack Windows.
Génère et manipule nativement des fichiers Word, Excel et PowerPoint, pas seulement du texte à leur sujet.
76,3 % sur BrowseComp ; forte recherche web autonome et appels d’outils dans des pipelines agentiques.

Attention à

Poids ouverts sous licence Modified-MIT — vérifiez les termes exacts avant déploiement commercial.
Modèle de niveau frontier ; l’inférence locale demandera un matériel sérieux. Les besoins en VRAM ne sont pas publiés.
Le contexte plafonne à 204 800 tokens — long mais pas dans la gamme 1M+ que certains rivaux proposent désormais.

Idéal pour

Programmation

Agents et utilisation d'outils

Raisonnement

Contexte long

Fonctionne localement

Prompts à essayer

Fonctionnalité full-stack depuis zéro

Vous créez une application web de gestion de tâches. Concevez d’abord l’architecture : listez composants, modèles de données et endpoints API. Puis implémentez un endpoint REST en Node.js avec Express qui crée une nouvelle tâche, valide l’entrée, et la stocke dans une base SQLite. Incluez la gestion d’erreurs et un bref test avec curl.

Plan agentique multi-étapes

Je dois rechercher les cinq meilleures bases de données vectorielles open-source selon les étoiles GitHub, comparer leurs licences, et produire une recommandation pour une startup qui veut auto-héberger. Décomposez la tâche en étapes, indiquez quels outils ou recherches vous feriez à chaque étape, puis exécutez le plan et donnez-moi un tableau comparatif final.

Logique Excel en code clair

Écrivez un script Python utilisant openpyxl qui ouvre un fichier nommé sales.xlsx, lit une feuille nommée Q1, somme les valeurs de la colonne C pour chaque ligne où la colonne B vaut 'EMEA', et écrit le résultat dans la cellule F2 avec l’étiquette 'EMEA Total' en E2. Gérez le cas où la feuille n’existe pas.

Comparer avec

MiniMax M1
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $0.55/M, sortie $2.20/M
MiniMax M3
Modèle à poids ouverts
Contexte de 1,048,576 tokens · entrée $0.30/M, sortie $1.20/M
MiniMax M2.1
Modèle à poids ouverts
Contexte de 204,800 tokens · entrée $0.30/M, sortie $1.20/M
MiniMax M2
Modèle à poids ouverts
Contexte de 204,800 tokens · entrée $0.26/M, sortie $1.02/M

Plus de modèles de texte de minimax

Questions fréquentes

Les poids sont-ils ouverts et puis-je exécuter M2.5 localement ?: Oui, les poids sont disponibles sur Hugging Face sous licence Modified-MIT, donc le déploiement local est possible — mais MiniMax n’a pas publié le nombre de paramètres ni les exigences minimales en VRAM, vérifiez le dépôt avant d’investir dans du matériel.
Quel est le coût de M2.5 et quelle est la taille de la fenêtre de contexte ?: Via l’API, c’est 0,27 $ par million de tokens en entrée et 1,08 $ par million en sortie, avec une fenêtre de contexte de 204 800 tokens.
En quoi M2.5 diffère-t-il de M2.1 ?: M2.5 étend le focus codage de M2.1 au travail bureautique général — gestion native des fichiers Word, Excel et PowerPoint — et accomplirait les tâches agentiques 37 % plus vite que M2.1 tout en obtenant de meilleurs scores sur SWE-Bench Verified et BrowseComp.

Verdict du capitaine
Un modèle agentique sérieux à un prix qui rend les sessions autonomes continues vraiment abordables — la maîtrise des fichiers bureautiques est un différenciateur rare.

Fiche modèle sur Hugging Face

Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.

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

Comment ce score se calcule

Ce modèle n’a pas encore de données de popularité provenant de sources, donc il porte un nombre de remplacement en dessous de 7,000° pour que les listes restent complètes. Il ne sera jamais mieux classé qu’un modèle avec des données. La répartition apparaît ici dès qu’une source la rapporte.

Glossaire : les termes utilisés ici

Score de chaleur: Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
Plancher: Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
Équivalents de téléchargement: Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
Échelle logarithmique: On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
Likes: Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
Taux d’adoption: Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
Mesuré et estimé: Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
Seeder: Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
AI Horde: Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
Sites de génération: Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
Tokens OpenRouter: Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modèle complet (checkpoint): Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
LoRA et embedding: Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
Famille et poids: La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
Âge: Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
Boost de la famille: Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
Score de remplacement: Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
Nouveau ! (période de grâce): Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
Tendance: Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
Modèle typique: Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.

Modèles similaires

Voxtral Small 24B 2507

TEXT / LLM

Mistral 7B Instruct v0.2

Modèles d'IA pour générer image, vidéo et texte

MiniMax M2.5 est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.

Plus de modèles Text / LLM Plus de Texte / LLM Text / LLM llm minimax raisonnement programmation agents contexte long local

Parcourir par famille de modèles