Bisakah saya menjalankan MiniMax M2.1 secara lokal?

Ya — bobotnya terbuka di Hugging Face dengan lisensi Modified-MIT, jadi penerapan lokal diperbolehkan, meskipun model penuh besar dan Anda harus memverifikasi perangkat keras Anda sebelum mengunduh.

Berapa biaya MiniMax M2.1 dan seberapa besar konteksnya?

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

Apa perbedaan M2.1 dengan pendahulunya M2?

M2.1 mencetak skor jauh lebih tinggi pada benchmark rekayasa perangkat lunak — 49,4% vs 36,2% pada Multi-SWE-Bench dan 72,5% vs 56,5% pada SWE-Bench Multilingual — dan MiniMax mengatakan keluaran lebih bersih dan waktu respons terasa lebih cepat.

MiniMax M2.1

3782°

#llm #minimax #penalaran #pemrograman #agen #multibahasa

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 | konteks 204.800 token | $0,30/M input, $1,20/M output. MiniMax-M2.1 adalah model bahasa besar ringan dan mutakhir yang dioptimalkan untuk coding, alur kerja agentic, dan pengembangan aplikasi modern. Dengan hanya 10 miliar parameter aktif, model ini memberikan lonjakan besar dalam kemampuan dunia nyata sambil mempertahankan latensi, skalabilitas, dan efisiensi biaya yang luar biasa. Dibandingkan pendahulunya, M2.1 menghasilkan output yang lebih bersih dan ringkas serta waktu respons yang terasa lebih cepat. Model ini menunjukkan performa coding multibahasa terdepan di berbagai…MiniMax | konteks 204.800 token | $0,30/M input, $1,20/M output. MiniMax-M2.1 adalah model bahasa besar ringan dan mutakhir yang dioptimalkan untuk coding, alur kerja agentic, dan pengembangan aplikasi modern. Dengan hanya 10 miliar parameter aktif, model ini memberikan lonjakan besar dalam kemampuan dunia nyata sambil mempertahankan latensi, skalabilitas, dan efisiensi biaya yang luar biasa. Dibandingkan pendahulunya, M2.1 menghasilkan output yang lebih bersih dan ringkas serta waktu respons yang terasa lebih cepat. Model ini menunjukkan performa coding multibahasa terdepan di berbagai sistem dan bahasa aplikasi utama, mencapai 49,4% pada Multi-SWE-Bench dan 72,5% pada SWE-Bench Multilingual, serta berfungsi sebagai “otak” agen serbaguna untuk IDE, alat coding, dan bantuan tujuan umum. Untuk menghindari penurunan performa model ini, MiniMax sangat menyarankan mempertahankan reasoning antar giliran. Pelajari lebih lanjut tentang penggunaan reasoning_details untuk mengembalikan reasoning di dokumentasi kamiOpens in new tab.

Panduan untuk model ini

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

Berapa banyak VRAM yang sebenarnya saya butuhkan untuk AI lokal?

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

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 M2.1 adalah model bahasa yang mampu bernalar dari MiniMax dengan 10 miliar parameter aktif, jendela konteks 200K token, dan bobot terbuka di bawah lisensi Modified-MIT. Sudut pandangnya yang menonjol adalah rekayasa perangkat lunak multibahasa: model ini mengungguli Claude Sonnet 4.5 pada Multi-SWE-Bench dan SWE-Bench Multilingual dengan biaya $0,30 per satu juta token input. Jika Anda membangun agen pengkodean atau alat IDE dan menginginkan sesuatu yang juga bisa dijalankan secara lokal, model ini layak dipertimbangkan serius.

Dikenal untuk

Hasil benchmark pengkodean multibahasa yang kuat, mengalahkan Claude Sonnet 4.5 pada Multi-SWE-Bench.
Hanya 10 miliar parameter aktif, menjaga latensi rendah dan memungkinkan hosting sendiri.
Dirancang sebagai 'otak' agen: penggunaan alat, mengikuti instruksi, perencanaan jangka panjang.
Bobot terbuka di Hugging Face dengan lisensi Modified-MIT.
Konteks 200K token dengan harga $0,30/$1,20 per satu juta token input/output.

Waspadai

MiniMax sangat menyarankan mempertahankan penalaran antar giliran; melewatkannya akan menurunkan performa.
Modified-MIT bukan lisensi MIT standar — periksa ketentuan lisensi sebelum penerapan komersial.
Bobot model penuh besar; pastikan VRAM Anda cukup sebelum merencanakan penggunaan lokal.

Terbaik untuk

Pemrograman

Agen dan penggunaan alat

Penalaran

Multibahasa

Jalankan secara lokal

Prompt untuk dicoba

Perbaiki isu GitHub nyata

Berikut adalah repositori Python dan laporan bug terbuka. Bug: memanggil `process_batch()` dengan daftar kosong memunculkan `IndexError` yang tidak tertangani alih-alih mengembalikan hasil kosong. Reproduksi error, identifikasi penyebab utama dalam kode di bawah, tulis perbaikan, dan tambahkan kasus uji yang seharusnya menangkapnya. [tempel kode Anda]

Bangun agen multi-langkah

Anda memiliki akses ke alat pencarian web dan alat eksekusi kode. Seorang pengguna ingin mengetahui nilai tukar saat ini antara USD dan JPY, lalu menghitung berapa nilai 3.750 USD dalam JPY, dan akhirnya menulis hasilnya ke file lokal bernama result.txt. Rencanakan langkah-langkahnya, panggil alat secara berurutan, dan konfirmasi file telah ditulis.

Tinjauan kode multibahasa

Tinjau fungsi TypeScript berikut untuk kebenaran, kasus tepi, dan performa. Kemudian tulis ulang dalam Rust idiomatik, pertahankan perilaku yang sama. Jelaskan perbedaan penanganan error antara kedua versi. [tempel fungsi TypeScript Anda]

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
Model dengan bobot terbuka
konteks 204,800 token · $0.26/M input, $1.02/M output

Model teks lain dari minimax

Pertanyaan yang sering diajukan

Bisakah saya menjalankan MiniMax M2.1 secara lokal?: Ya — bobotnya terbuka di Hugging Face dengan lisensi Modified-MIT, jadi penerapan lokal diperbolehkan, meskipun model penuh besar dan Anda harus memverifikasi perangkat keras Anda sebelum mengunduh.
Berapa biaya MiniMax M2.1 dan seberapa besar konteksnya?: Melalui API MiniMax, biayanya $0,30 per satu juta token input dan $1,20 per satu juta token output, dengan jendela konteks 204.800 token.
Apa perbedaan M2.1 dengan pendahulunya M2?: M2.1 mencetak skor jauh lebih tinggi pada benchmark rekayasa perangkat lunak — 49,4% vs 36,2% pada Multi-SWE-Bench dan 72,5% vs 56,5% pada SWE-Bench Multilingual — dan MiniMax mengatakan keluaran lebih bersih dan waktu respons terasa lebih cepat.

Putusan Kapten
Agen pengkodean bobot terbuka langka yang performanya melebihi jumlah parameter aktif dan lebih murah dari pesaing tertutup.

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

Llama 3.2 90B Vision Instruct

TEXT / LLM

Claude Haiku 5.5

TEXT / LLM

Model AI untuk Pembuatan Gambar, Video & Teks

MiniMax M2.1 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 multibahasa lokal

Jelajahi berdasarkan Keluarga Model