Sind die Gewichte offen und kann ich M2.5 lokal ausführen?

Ja, die Gewichte sind auf Hugging Face unter einer Modified-MIT-Lizenz verfügbar, sodass lokale Bereitstellung möglich ist – MiniMax hat jedoch weder die Parameteranzahl noch Mindest-VRAM-Anforderungen veröffentlicht, prüfen Sie das Repository vor Hardwareanschaffung.

Was kostet M2.5 und wie groß ist das Kontextfenster?

Über die API kostet es $0,27 pro Million Eingabe-Tokens und $1,08 pro Million Ausgabe-Tokens, mit einem Kontextfenster von 204.800 Tokens.

Worin unterscheidet sich M2.5 von M2.1?

M2.5 erweitert M2.1s Fokus auf Codierung auf allgemeine Büroarbeit – native Word-, Excel- und PowerPoint-Dateiverarbeitung – und soll agentische Aufgaben 37 % schneller abschließen als M2.1, während es bei SWE-Bench Verified und BrowseComp besser abschneidet.

MiniMax M2.5

6216°

#llm #minimax #logik #programmieren #agenten #langer kontext

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 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.

Anleitungen zu diesem Modell

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

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

Wie viel VRAM brauche ich eigentlich für lokale KI?

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 M2.5 ist ein Spitzenmodell mit offenen Gewichten von MiniMax, speziell für agentische Arbeit gebaut: Codierung über den gesamten Entwicklungszyklus, browserbasierte Suche und echte Office-Datei-Aufgaben in Word, Excel und PowerPoint. Sein Reinforcement-Learning-Training in realen Umgebungen verleiht ihm ungewöhnlich starke Tool-Nutzung und Planungskontrolle. Mit $0,27/M Eingabe und $1,08/M Ausgabe bei 204.800 Token Kontext unterbietet es die meisten Konkurrenten bei vergleichbaren Benchmark-Werten.

Bekannt für

80,2 % bei SWE-Bench Verified, wettbewerbsfähig mit Top-geschlossenen Modellen in mehreren Tests.
Plant Code wie ein Architekt, bevor eine Zeile geschrieben wird, zerlegt zuerst Struktur und Features.
Trainiert auf über 13 Sprachen in Web-, Android-, iOS- und Windows-Full-Stack-Projekten.
Generiert und bearbeitet Word-, Excel- und PowerPoint-Dateien nativ, nicht nur Text darüber.
76,3 % bei BrowseComp; starke autonome Websuche und Tool-Aufrufe in agentischen Pipelines.

Achte auf

Offene Gewichte unter einer Modified-MIT-Lizenz – prüfen Sie die genauen Bedingungen vor kommerziellem Einsatz.
Spitzenmodell; lokale Inferenz erfordert ernsthafte Hardware. VRAM-Anforderungen sind nicht veröffentlicht.
Kontextfenster endet bei 204.800 Tokens – lang, aber nicht im Bereich von über 1 Million Tokens wie manche Konkurrenten.

Am besten für

Programmieren

Agenten und Werkzeugnutzung

Logisches Denken

Langer Kontext

Lokal ausführbar

Prompts zum Ausprobieren

Full-Stack-Feature von Grund auf

Sie bauen eine Aufgabenverwaltungs-Web-App. Entwerfen Sie zuerst die Architektur: listen Sie Komponenten, Datenmodelle und API-Endpunkte auf. Implementieren Sie dann einen REST-Endpunkt in Node.js mit Express, der eine neue Aufgabe erstellt, die Eingabe validiert und in einer SQLite-Datenbank speichert. Fügen Sie Fehlerbehandlung und einen kurzen Test mit curl bei.

Mehrstufiger agentischer Plan

Ich muss die fünf besten Open-Source-Vektordatenbanken nach GitHub-Stars recherchieren, ihre Lizenzen vergleichen und eine Empfehlung für ein Startup geben, das selbst hosten möchte. Zerlegen Sie die Aufgabe in Schritte, nennen Sie die Tools oder Suchanfragen für jeden Schritt, führen Sie den Plan aus und geben Sie eine abschließende Vergleichstabelle.

Excel-Logik in einfachem Code

Schreiben Sie ein Python-Skript mit openpyxl, das eine Datei namens sales.xlsx öffnet, ein Blatt namens Q1 liest, die Werte in Spalte C für alle Zeilen summiert, bei denen Spalte B 'EMEA' ist, und das Ergebnis in Zelle F2 mit der Beschriftung 'EMEA Total' in E2 schreibt. Berücksichtigen Sie den Fall, dass das Blatt nicht existiert.

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 M2.1
Modell mit offenen Gewichten
204,800 Token Kontext · $0.30/M Eingabe, $1.20/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

Sind die Gewichte offen und kann ich M2.5 lokal ausführen?: Ja, die Gewichte sind auf Hugging Face unter einer Modified-MIT-Lizenz verfügbar, sodass lokale Bereitstellung möglich ist – MiniMax hat jedoch weder die Parameteranzahl noch Mindest-VRAM-Anforderungen veröffentlicht, prüfen Sie das Repository vor Hardwareanschaffung.
Was kostet M2.5 und wie groß ist das Kontextfenster?: Über die API kostet es $0,27 pro Million Eingabe-Tokens und $1,08 pro Million Ausgabe-Tokens, mit einem Kontextfenster von 204.800 Tokens.
Worin unterscheidet sich M2.5 von M2.1?: M2.5 erweitert M2.1s Fokus auf Codierung auf allgemeine Büroarbeit – native Word-, Excel- und PowerPoint-Dateiverarbeitung – und soll agentische Aufgaben 37 % schneller abschließen als M2.1, während es bei SWE-Bench Verified und BrowseComp besser abschneidet.

Captain's Urteil
Ein ernstzunehmendes agentisches Codierungsmodell zu einem Preis, der kontinuierliche autonome Läufe wirklich erschwinglich macht – die Office-Datei-Flüssigkeit ist ein seltener Differenzierungsfaktor.

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

L3.3 70B Euryale v2.3

Gemini 3.1 Flash Lite Preview

TEXT / LLM

KI-Modelle für Bild-, Video- und Texterzeugung

MiniMax M2.5 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 langer kontext lokal

Nach Modellfamilie stöbern