Apakah bobot terbuka dan bisakah saya menjalankan MiniMax M2 secara lokal?

Ya. MiniMax M2 dirilis di bawah lisensi MIT dan bobotnya ada di Hugging Face pada MiniMaxAI/MiniMax-M2. Perlu diingat model penuh memiliki 230 miliar parameter, jadi self-hosting memerlukan perangkat keras besar meski hanya 10 miliar parameter yang aktif per forward pass.

Berapa biaya MiniMax M2 dan berapa panjang konteksnya?

Melalui API harganya $0,30 per juta token input dan $1,20 per juta token output, dengan jendela konteks 204.800 token.

Bagaimana MiniMax M2 dibandingkan model coding open-source lain?

Skor SWE-Bench Verified 69,4 dan Terminal-Bench 46,3 menempatkannya di atas DeepSeek-V3.2 dan Kimi K2 pada tugas tersebut, sementara skor BrowseComp 44 jauh lebih tinggi dari sebagian besar alternatif terbuka, meski model tertutup seperti Claude Sonnet 4.5 memimpin di beberapa benchmark yang sama.

MiniMax M2

3611°

#llm #minimax #penalaran #pemrograman #agen #konteks panjang

Jalankan model ini

Penawaran / Iklan

OpenRouter Terminal / API

Bayar per token

Ngobrol dengan model ini di browser atau panggil dari kode kamu dengan satu API key.

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.

Panduan untuk model ini

LLM lokal terbaik berdasarkan kasus penggunaan (Oktober 2026): model terbuka yang tepat untuk setiap pekerjaan

Bobot terbuka vs sumber terbuka vs hanya API: apa yang sebenarnya boleh kamu lakukan

Berapa banyak VRAM yang sebenarnya saya butuhkan untuk AI lokal?

Apa itu file GGUF? Penjelasan model terkuantisasi (Q4, Q8, fp8, NF4)

Semua panduan

Catatan Kapten

Ditulis oleh Captain, editor rumah

Catatan dari 2026-10-13

MiniMax M2 adalah model mixture-of-experts dari MiniMax dengan total 230 miliar parameter tapi hanya 10 miliar yang aktif saat inferensi, memberikan throughput model kecil dengan penalaran mendekati skala frontier. Dibangun khusus untuk pengkodean dan kerja agen: pengeditan multi-file, loop compile-run-fix, rantai alat jangka panjang, dan pengambilan berbasis browser. Bobot terbuka di bawah lisensi MIT dan harga $0,30 per juta token input, cocok untuk pengembang yang butuh agen mumpuni tanpa biaya tingkat frontier.

Dikenal untuk

Skor SWE-Bench dan Terminal-Bench yang kuat di antara model open-source
Perencanaan agen jangka panjang lintas shell, browser, dan runner kode
Lisensi MIT: bobot terbuka, penggunaan komersial diizinkan
Jendela konteks 204.800 token untuk basis kode besar dan agen multi-giliran
Jejak aktivasi rendah menjaga latensi dan biaya tetap rendah dalam skala besar

Waspadai

MiniMax menyarankan untuk mengoperasikan penalaran bolak-balik antar giliran; melewatkan ini menurunkan performa secara signifikan.
230 miliar parameter total membuat self-hosting membutuhkan perangkat keras besar meski jejak aktif kecil.
Harga API dipublikasikan; ketersediaan free-tier disebut terbatas untuk waktu tertentu saja.

Terbaik untuk

Pemrograman

Agen dan penggunaan alat

Penalaran

Konteks panjang

Jalankan secara lokal

Prompt untuk dicoba

Tugas refaktor multi-file

Anda memiliki API web Python yang terbagi dalam tiga file: routes.py, models.py, dan db.py. Lapisan database menggunakan string SQL mentah yang tersebar di ketiga file. Refaktor kode untuk memusatkan semua query ke dalam kelas repository di db.py, perbarui file lain sesuai, dan tulis tes pytest untuk setiap metode repository. Tampilkan file lengkap yang diperbarui.

Loop compile-run-fix

Berikut fungsi Rust yang seharusnya mengurai daftar integer yang dipisah koma dan mengembalikan jumlahnya, tapi gagal kompilasi. Identifikasi setiap kesalahan, jelaskan mengapa terjadi, buat versi yang benar yang bisa kompilasi bersih, dan tambahkan unit test yang mencakup input kosong, satu nilai, dan daftar dengan spasi di sekitar koma. fn sum_csv(input: &str) -> i32 { input.split(',').map(|s| s.parse()).sum() }

Rencana agen jangka panjang

Anda adalah agen dengan akses ke shell, browser web, dan runner kode. Seorang pengguna ingin tahu paket Python lima teratas yang paling banyak diunduh di PyPI bulan lalu dengan rasio isu GitHub terbuka terhadap tertutup tertinggi. Tuliskan rencana langkah demi langkah yang akan Anda jalankan, perintah atau permintaan tepat di setiap langkah, bagaimana menangani permintaan HTTP gagal, dan output akhir yang akan Anda berikan.

Bandingkan dengan

MiniMax M1
Model hanya API
konteks 1,000,000 token · $0.55/M input, $2.20/M output
MiniMax M3
Model dengan bobot terbuka
konteks 1,048,576 token · $0.30/M input, $1.20/M output
MiniMax M2.5
Model dengan bobot terbuka
konteks 204,800 token · $0.27/M input, $0.95/M output
MiniMax M2.1
Model dengan bobot terbuka
konteks 204,800 token · $0.30/M input, $1.20/M output

Model teks lain dari minimax

Pertanyaan yang sering diajukan

Apakah bobot terbuka dan bisakah saya menjalankan MiniMax M2 secara lokal?: Ya. MiniMax M2 dirilis di bawah lisensi MIT dan bobotnya ada di Hugging Face pada MiniMaxAI/MiniMax-M2. Perlu diingat model penuh memiliki 230 miliar parameter, jadi self-hosting memerlukan perangkat keras besar meski hanya 10 miliar parameter yang aktif per forward pass.
Berapa biaya MiniMax M2 dan berapa panjang konteksnya?: Melalui API harganya $0,30 per juta token input dan $1,20 per juta token output, dengan jendela konteks 204.800 token.
Bagaimana MiniMax M2 dibandingkan model coding open-source lain?: Skor SWE-Bench Verified 69,4 dan Terminal-Bench 46,3 menempatkannya di atas DeepSeek-V3.2 dan Kimi K2 pada tugas tersebut, sementara skor BrowseComp 44 jauh lebih tinggi dari sebagian besar alternatif terbuka, meski model tertutup seperti Claude Sonnet 4.5 memimpin di beberapa benchmark yang sama.

Putusan Kapten
Model open-weights langka yang bersaing pada benchmark coding dan agen nyata tanpa membutuhkan infrastruktur atau harga tingkat frontier.

Kartu model di Hugging Face

Kapten menulis catatan ini dari deskripsi model dan kartu model itu sendiri. Harga dan ukuran konteks adalah milik penyedia pada saat penulisan dan dapat berubah.

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

Bagaimana skor ini dihitung

Model ini belum punya data popularitas dari sumber mana pun, jadi memakai angka pengganti di bawah 7,000° supaya daftar tetap lengkap. Model ini tidak pernah berada di atas model yang punya data. Rinciannya akan muncul di sini segera setelah ada laporan dari sumber.

Glosarium: istilah yang dipakai di sini

Skor heat: Satu angka untuk seberapa banyak model dipakai dan diinginkan sekarang, dari 0° sampai 9.999°. Setiap daftar di situs ini yang bilang terpanas diurutkan berdasarkan ini dan tidak ada yang lain.
Lantai: 7.000° yang jadi titik awal semua model dengan data nyata. Skala dari 0° sampai 9.999°; bagian di bawah lantai untuk pengganti (model tanpa data), supaya model dengan data selalu di atas yang tanpa. Lantai sama untuk semua dan tidak menentukan apa-apa; derajat di atasnya yang dihitung.
Setara unduhan: Semua yang dihitung skor sebagai unduhan, dijumlahkan: unduhan itu sendiri, setiap torrent seeder dihitung 1.000, setiap gambar AI Horde dan setiap run di situs generasi dihitung satu.
Skala log: Menghitung per puluhan, bukan per satuan: naik dari 1.000 ke 10.000 unduhan menambah derajat yang sama dengan naik dari 10.000 ke 100.000. Ini mencegah raksasa mendominasi semuanya.
Suka: Jempol ke atas dan suka dari semua sumber, bernilai setengah unduhan di skala log.
Tingkat adopsi: Berapa banyak unduhan per hari yang didapat model sekarang, dari selisih dua pembacaan sumber. Bobot seperempat dari istilah unduhan.
Diukur dan diperkirakan: Diukur berarti ada dua pembacaan dari sumber dan perbedaannya nyata. Diperkirakan berarti hanya total hari ini yang diketahui dan masa lalu dibagi selama umur model; situs memberitahu mana yang sedang ditampilkan.
Seeder: Seseorang yang menyimpan salinan bobot secara online agar orang lain bisa mengunduh lewat torrent, atau mirror yang dihosting melakukan hal yang sama. Setiap satu dihitung sebagai 1.000 unduhan.
AI Horde: Jaringan sukarelawan yang menghasilkan gambar secara gratis di komputer yang disumbangkan. Jumlah gambar yang dibuat dengan model tertentu bersifat publik, dan setiap gambar dihitung sebagai satu unduhan.
Situs generasi: Situs yang menyimpan salinan model sendiri dan membiarkan orang menghasilkan gambar dengannya, seperti PixAI, SeaArt, dan Yodayo. Unduhan mereka dihitung seperti di Civitai dan setiap kali generasi dihitung sebagai satu unduhan.
Token OpenRouter: Model teks yang dilayani melalui API, seperti Claude atau GPT, tidak memiliki bobot untuk diunduh, jadi penggunaannya diukur dalam token: potongan teks yang dibaca dan ditulis melalui OpenRouter, gateway yang digunakan banyak aplikasi, selama 30 hari terakhir. Setiap 10,000,000 token dihitung sebagai satu unduhan. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Bobot itu sendiri, file yang bisa menghasilkan secara mandiri. Mendapat bonus karena add-on bergantung padanya.
LoRA dan embedding: File add-on kecil yang mengarahkan bobot orang lain ke gaya, karakter, atau konsep tertentu. Tidak bisa dijalankan sendiri.
Keluarga dan bobot: Dasar yang dipakai model, seperti SD 1.5, SDXL, Flux, atau Wan. Setiap model mewarisi tanggal rilis bobot keluarganya.
Usia: Pengurangan nilai berdasarkan seberapa lama bobot keluarga itu dirilis: 150° per tahun, sampai maksimal 750°. Ini menjaga unduhan lama yang sudah bertahun-tahun menumpuk agar tetap di atas daftar.
Dorongan keluarga: Dorongan kecil dan terbatas untuk LoRA dari keluarga yang sedang didorong situs ini sekarang, selalu tercantum dalam rincian.
Skor pengganti: Angka stabil di bawah batas yang diberikan pada model yang belum ada laporan sumbernya, supaya daftar tetap lengkap. Tidak pernah lebih tinggi dari model yang punya data.
Baru! (masa tenggang): Model yang berumur kurang dari 7 hari menunjukkan label Baru! bukan skor dan tidak masuk peringkat. Skornya dihitung sejak hari pertama, tapi model yang baru sehari tumbuh lebih cepat dari apa pun, jadi tanpa masa tunggu model #1 minggu ini selalu yang baru kemarin, bukan yang bertahan seminggu.
Tren: Bagaimana pertumbuhan model selama periode tertentu dibandingkan dengan pertumbuhan model biasa di periode yang sama. Lebih cepat dari biasanya berarti naik, lebih lambat berarti turun.
Model biasa: Tengah katalog: setengah model dengan angka tumbuh lebih cepat selama periode itu, setengahnya lebih lambat.

Model Serupa

Model AI untuk Pembuatan Gambar, Video & Teks

MiniMax M2 adalah model teks untuk keluarga Text / LLM yang tercantum di ModelTrends.ai, katalog hanya-baca untuk model AI gambar, video, dan teks open source. Bandingkan dengan model Text / LLM lainnya dan lihat skor popularitasnya untuk mengetahui trennya.

Model Text / LLM lainnya Teks / LLM Text / LLM lainnya llm minimax penalaran pemrograman agen konteks panjang lokal

Jelajahi berdasarkan Keluarga Model