Kann ich MiniMax M2.1 lokal ausführen?

Ja – die Gewichte sind offen auf Hugging Face unter einer Modified-MIT-Lizenz, sodass lokaler Einsatz erlaubt ist, obwohl das vollständige Modell groß ist und Sie Ihre Hardware vor dem Download prüfen sollten.

Was kostet MiniMax M2.1 und wie groß ist das Kontextfenster?

Über die MiniMax-API kostet es $0,30 pro Million Eingabetokens und $1,20 pro Million Ausgabetokens, mit einem 204.800-Token-Kontextfenster.

Worin unterscheidet sich M2.1 von seinem Vorgänger M2?

M2.1 erzielt deutlich höhere Werte bei Software-Engineering-Benchmarks – 49,4 % vs. 36,2 % bei Multi-SWE-Bench und 72,5 % vs. 56,5 % bei SWE-Bench Multilingual – und MiniMax sagt, die Ausgaben seien sauberer und die wahrgenommenen Antwortzeiten schneller.

MiniMax M2.1

3782°

#llm #minimax #logik #programmieren #agenten #mehrsprachig

Modell ausführen

Angebote / Werbung

OpenRouter Terminal / API

Bezahlung pro Token

Chatte mit diesem Modell im Browser oder rufe es mit einem API-Schlüssel aus deinem Code auf.

MiniMax | 204.800 Token Kontext | $0,30/M Eingabe, $1,20/M Ausgabe. MiniMax-M2.1 ist ein leichtgewichtiges, hochmodernes großes Sprachmodell, optimiert für Codierung, agentische Workflows und moderne Anwendungsentwicklung. Mit nur 10 Milliarden aktivierten Parametern liefert es einen großen Sprung in der realen Leistungsfähigkeit bei gleichzeitig außergewöhnlicher Latenz, Skalierbarkeit und Kosteneffizienz. Im Vergleich zu seinem Vorgänger liefert M2.1 sauberere, prägnantere Ausgaben und schnellere wahrgenommene Antwortzeiten. Es zeigt führende mehrsprachige Codierleistung über wichtige Systeme und Anwendungssprachen hinweg, erreicht 49,4 % auf Multi-SWE-Bench und 72,5 % auf SWE-Bench Multilingual und dient als vielseitiges Agenten-

Anleitungen zu diesem Modell

Beste lokale LLM nach Anwendungsfall (Oktober 2026): Das richtige offene Modell für jede Aufgabe

Wie viel VRAM brauche ich eigentlich für lokale KI?

Offene Gewichte vs. Open Source vs. Nur API: Was du wirklich darfst

Was ist eine GGUF-Datei? Quantisierte Modelle erklärt (Q4, Q8, fp8, NF4)

Alle Anleitungen

Captain's Notizen

Geschrieben von Captain, dem Hausredakteur

Notizen vom 2026-10-13

MiniMax M2.1 ist ein reasoningfähiges Sprachmodell von MiniMax mit 10 Milliarden aktivierten Parametern, einem 200K-Token-Kontextfenster und offenen Gewichten unter einer Modified-MIT-Lizenz. Sein herausragendes Merkmal ist mehrsprachige Softwareentwicklung: Es übertrifft Claude Sonnet 4.5 bei Multi-SWE-Bench und SWE-Bench Multilingual und kostet $0,30 pro Million Eingabetokens. Wenn Sie Programmieragenten oder IDE-Tools bauen und etwas suchen, das Sie auch lokal betreiben können, ist es eine ernsthafte Option.

Bekannt für

Starke mehrsprachige Programmier-Benchmark-Ergebnisse, besser als Claude Sonnet 4.5 bei Multi-SWE-Bench.
Nur 10 Milliarden aktivierte Parameter, was Latenz niedrig hält und Selbsthosting ermöglicht.
Als agentisches 'Gehirn' konzipiert: Tool-Nutzung, Befolgung von Anweisungen, langfristige Planung.
Offene Gewichte auf Hugging Face unter einer Modified-MIT-Lizenz.
200K-Token-Kontext bei $0,30/$1,20 pro Million Eingabe-/Ausgabetokens.

Achte auf

MiniMax empfiehlt dringend, Reasoning zwischen den Turns beizubehalten; das Überspringen verschlechtert die Leistung.
Modified-MIT ist keine Standard-MIT-Lizenz – prüfen Sie die Lizenzbedingungen vor kommerziellem Einsatz.
Das vollständige Modell ist groß; prüfen Sie Ihren VRAM vor lokalem Einsatz.

Am besten für

Programmieren

Agenten und Werkzeugnutzung

Logisches Denken

Mehrsprachig

Lokal ausführbar

Prompts zum Ausprobieren

Echten GitHub-Fehler beheben

Hier ist ein Python-Repository und ein offener Bug-Report. Der Fehler: Der Aufruf von `process_batch()` mit einer leeren Liste wirft einen unbehandelten `IndexError` statt ein leeres Ergebnis zurückzugeben. Reproduzieren Sie den Fehler, identifizieren Sie die Ursache im Code unten, schreiben Sie eine Korrektur und fügen Sie einen Testfall hinzu, der den Fehler erkannt hätte. [fügen Sie Ihren Code ein]

Mehrstufigen Agenten bauen

Sie haben Zugriff auf eine Web-Suchfunktion und ein Code-Ausführungstool. Ein Nutzer möchte den aktuellen Wechselkurs zwischen USD und JPY wissen, dann berechnen, wie viel 3.750 USD in JPY sind, und das Ergebnis in eine lokale Datei namens result.txt schreiben. Planen Sie die Schritte, rufen Sie die Tools in der Reihenfolge auf und bestätigen Sie, dass die Datei geschrieben wurde.

Mehrsprachige Code-Review

Überprüfen Sie die folgende TypeScript-Funktion auf Korrektheit, Randfälle und Performance. Schreiben Sie sie dann idiomatisch in Rust um, wobei das gleiche Verhalten erhalten bleibt. Erklären Sie Unterschiede im Fehlerhandling zwischen den Versionen. [fügen Sie Ihre TypeScript-Funktion ein]

Vergleichen mit

MiniMax M1
Nur API-Modell
1,000,000 Token Kontext · $0.55/M Eingabe, $2.20/M Ausgabe
MiniMax M3
Modell mit offenen Gewichten
1,048,576 Token Kontext · $0.30/M Eingabe, $1.20/M Ausgabe
MiniMax M2.5
Modell mit offenen Gewichten
204,800 Token Kontext · $0.27/M Eingabe, $0.95/M Ausgabe
MiniMax M2
Modell mit offenen Gewichten
204,800 Token Kontext · $0.26/M Eingabe, $1.02/M Ausgabe

Mehr Textmodelle von minimax

Häufig gestellte Fragen

Kann ich MiniMax M2.1 lokal ausführen?: Ja – die Gewichte sind offen auf Hugging Face unter einer Modified-MIT-Lizenz, sodass lokaler Einsatz erlaubt ist, obwohl das vollständige Modell groß ist und Sie Ihre Hardware vor dem Download prüfen sollten.
Was kostet MiniMax M2.1 und wie groß ist das Kontextfenster?: Über die MiniMax-API kostet es $0,30 pro Million Eingabetokens und $1,20 pro Million Ausgabetokens, mit einem 204.800-Token-Kontextfenster.
Worin unterscheidet sich M2.1 von seinem Vorgänger M2?: M2.1 erzielt deutlich höhere Werte bei Software-Engineering-Benchmarks – 49,4 % vs. 36,2 % bei Multi-SWE-Bench und 72,5 % vs. 56,5 % bei SWE-Bench Multilingual – und MiniMax sagt, die Ausgaben seien sauberer und die wahrgenommenen Antwortzeiten schneller.

Captain's Urteil
Ein seltenes Open-Weights-Programmieragentenmodell, das seine aktivierten Parameter übertrifft und geschlossene Konkurrenten preislich unterbietet.

Model Card auf Hugging Face

Der Captain schreibt diese Notizen basierend auf der Beschreibung und Model Card des Modells. Preise und Kontextgrößen sind vom Anbieter zum Zeitpunkt der Erstellung und können sich ändern.

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

Wie sich dieser Wert zusammensetzt

Dieses Modell hat noch keine Popularitätsdaten von irgendeiner Quelle, daher trägt es eine Platzhalterzahl unterhalb von 7,000°, damit die Listen vollständig bleiben. Es rangiert niemals über einem Modell mit Daten. Die Aufschlüsselung erscheint hier, sobald eine Quelle sie meldet.

Glossar: die hier verwendeten Begriffe

Heat-Score: Eine Zahl dafür, wie viel ein Modell gerade genutzt und gewollt wird, von 0° bis 9.999°. Jede Liste auf dieser Seite, die „heißeste“ sagt, ist danach sortiert und nach nichts anderem.
Grundwert: Die 7.000°, mit denen jedes Modell mit echten Daten startet. Die Skala reicht von 0° bis 9.999°; der Bereich unter dem Grundwert ist für Platzhalter reserviert (Modelle ohne Daten), damit ein Modell mit Daten immer über einem ohne steht. Der Grundwert ist für alle gleich und entscheidet nichts; die Grade darüber sind die Messung.
Download-Äquivalente: Alles, was der Score als Download zählt, zusammengefasst: Downloads selbst, jeder Torrent-Seeder als 1.000, jedes AI Horde-Bild und jeder Lauf auf einer Generierungsseite als eins.
Logarithmische Skala: Gezählt in Zehnerschritten, nicht einzeln: Der Sprung von 1.000 auf 10.000 Downloads bringt genauso viele Grade wie von 10.000 auf 100.000. So verdrängen Riesen nicht alles andere.
Likes: Daumen hoch und Likes von allen Quellen, jeweils halb so viel wert wie ein Download auf der Log-Skala.
Verbreitungsrate: Wie viele Downloads ein Modell gerade pro Tag bekommt, aus dem Unterschied zwischen zwei Messungen einer Quelle. Ein Viertel der Gewichtung des Download-Begriffs.
Gemessen und geschätzt: Gemessen bedeutet, dass es zwei Messwerte einer Quelle gibt und der Unterschied echt ist. Geschätzt heißt, es ist nur die heutige Gesamtsumme bekannt und die Vergangenheit wird über die Lebensdauer des Modells verteilt; die Seite sagt, welche Variante angezeigt wird.
Seeder: Jemand, der eine Kopie der Gewichte online hält, damit andere sie über einen Torrent herunterladen können, oder ein gehosteter Spiegel, der dasselbe macht. Jeder davon zählt als 1.000 Downloads.
AI Horde: Ein Freiwilligennetzwerk, das kostenlos Bilder auf gespendeten Computern generiert. Die Anzahl der Bilder, die es mit einem Modell erstellt hat, ist öffentlich und jedes zählt als ein Download.
Generierungsseiten: Seiten, die eigene Kopien eines Modells hosten und Leute damit generieren lassen, wie PixAI, SeaArt und Yodayo. Ihre Downloads zählen wie bei Civitai und jeder Generierungslauf als ein Download.
OpenRouter Tokens: Ein Textmodell, das über eine API bereitgestellt wird, wie Claude oder GPT, hat keine Gewichte zum Herunterladen, daher wird seine Nutzung in Tokens gemessen: die Textstücke, die es über OpenRouter gelesen und geschrieben hat, einem Gateway, das viele Apps nutzen, in den letzten 30 Tagen. Je 10,000,000 Tokens zählen als ein Download. Quelle: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Vollständiges Modell (Checkpoint): Die Gewichte selbst, die Datei, die eigenständig generiert. Sie bekommt einen Bonus, weil Add-ons davon abhängen.
LoRA und Embedding: Kleine Zusatzdateien, die die Gewichte von jemand anderem in Richtung eines Stils, Charakters oder Konzepts lenken. Sie können nicht alleine laufen.
Familie und Gewichte: Die Basis, auf der ein Modell aufgebaut ist, wie SD 1.5, SDXL, Flux oder Wan. Jedes Modell erbt das Veröffentlichungsdatum der Gewichte seiner Familie.
Alter: Abzüge je nachdem, wie lange die Gewichte der Familie schon draußen sind: 150° pro Jahr, bis zu 750°. Alte Downloads, die Jahre zum Ansammeln hatten, bleiben oben in der Liste eingefroren.
Familien-Boost: Ein kleiner, begrenzter Schub für LoRAs einer Familie, die diese Seite gerade vorantreibt, immer in der Aufschlüsselung aufgeführt.
Stand-in-Wert: Eine stabile Zahl unter der Mindestgrenze, die einem Modell gegeben wird, über das noch keine Quelle berichtet hat, damit die Listen vollständig bleiben. Sie rangiert nie über einem Modell mit Daten.
Neu! (Schonfrist): Ein Modell, das weniger als 7 Tage alt ist, zeigt Neu! statt einer Punktzahl und nimmt keinen Platz in den Rankings ein. Seine Punktzahl wird ab dem ersten Tag berechnet, aber ein Modell, das einen Tag alt ist, wächst schneller als alles andere, daher wäre ohne die Wartezeit das #1 Modell der Woche immer das, das gestern herauskam, statt das, das sich eine Woche gehalten hat.
Trend: Wie das Wachstum eines Modells über einen Zeitraum im Vergleich zum typischen Wachstum eines Modells im gleichen Zeitraum ist. Schneller als üblich bedeutet Anstieg, langsamer bedeutet Rückgang.
Typisches Modell: Die Mitte des Katalogs: Die Hälfte der Modelle mit einer Zahl wuchs schneller im Zeitraum, die andere Hälfte langsamer.

Ähnliche Modelle

KI-Modelle für Bild-, Video- und Texterzeugung

MiniMax M2.1 ist ein Textmodell für die Familie Text / LLM und wird auf ModelTrends.ai gelistet, einem reinen Lesekatalog für Open-Source-KI-Modelle für Bild, Video und Text. Vergleiche es mit anderen Text / LLM-Modellen und prüfe den Hitzewert, um den Trend zu sehen.

Weitere Text / LLM-Modelle llm minimax logik programmieren agenten mehrsprachig lokal

Nach Modellfamilie stöbern