Apakah bobot M2.5 terbuka dan bisa saya jalankan lokal?

Ya, bobot tersedia di Hugging Face dengan lisensi Modified-MIT, jadi penerapan lokal memungkinkan—meski MiniMax belum mempublikasikan jumlah parameter atau persyaratan VRAM minimum, jadi periksa repositori sebelum memilih perangkat keras.

Berapa biaya M2.5 dan berapa besar jendela konteksnya?

Melalui API biayanya $0,27 per juta token input dan $1,08 per juta token output, dengan jendela konteks 204.800 token.

Apa perbedaan M2.5 dengan M2.1?

M2.5 memperluas fokus coding M2.1 ke pekerjaan kantor umum—penanganan berkas Word, Excel, dan PowerPoint native—dan dilaporkan menyelesaikan tugas agentik 37% lebih cepat dari M2.1 serta mendapat skor lebih tinggi di SWE-Bench Verified dan BrowseComp.

MiniMax M2.5

6216°

#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 | $0.27/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.

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 M2.5 adalah model bobot terbuka kelas frontier dari MiniMax, dibuat khusus untuk pekerjaan agentik: coding sepanjang siklus pengembangan, pencarian berbasis browser, dan tugas berkas kantor nyata di Word, Excel, dan PowerPoint. Pelatihan reinforcement learning di lingkungan dunia nyata memberinya disiplin penggunaan alat dan perencanaan yang sangat kuat. Dengan biaya $0,27/M input dan $1,08/M output serta jendela konteks 204.800 token, model ini lebih murah dari sebagian besar pesaing dengan level benchmark sebanding.

Dikenal untuk

80,2% di SWE-Bench Verified, kompetitif dengan model tertutup terbaik di berbagai pengujian.
Merencanakan kode seperti arsitek sebelum menulis baris kode, memecah struktur dan fitur terlebih dahulu.
Dilatih pada 13+ bahasa di proyek full-stack web, Android, iOS, dan Windows.
Menghasilkan dan mengoperasikan berkas Word, Excel, dan PowerPoint secara native, bukan hanya teks tentangnya.
76,3% di BrowseComp; pencarian web otonom dan pemanggilan alat kuat dalam pipeline agentik.

Waspadai

Bobot terbuka di bawah lisensi Modified-MIT—periksa ketentuan tepat sebelum penerapan komersial.
Model skala frontier; inferensi lokal membutuhkan perangkat keras serius. Persyaratan VRAM tidak dipublikasikan.
Konteks maksimal 204.800 token—panjang tapi tidak sampai tingkat 1 juta+ token yang ditawarkan beberapa pesaing.

Terbaik untuk

Pemrograman

Agen dan penggunaan alat

Penalaran

Konteks panjang

Jalankan secara lokal

Prompt untuk dicoba

Fitur full-stack dari nol

Anda membangun aplikasi web manajemen tugas. Rancang arsitektur terlebih dahulu: daftar komponen, model data, dan endpoint API. Lalu buat endpoint REST di Node.js dengan Express yang membuat tugas baru, memvalidasi input, dan menyimpan ke database SQLite. Sertakan penanganan error dan tes singkat menggunakan curl.

Rencana agentik multi-langkah

Saya perlu meneliti lima database vektor open-source teratas berdasarkan bintang GitHub, membandingkan lisensinya, dan membuat rekomendasi untuk startup yang ingin menjalankan sendiri. Pecah tugas menjadi langkah, sebutkan alat atau pencarian yang akan Anda jalankan di tiap langkah, lalu jalankan rencana dan berikan tabel perbandingan akhir.

Logika Excel dalam kode sederhana

Tulis skrip Python menggunakan openpyxl yang membuka file bernama sales.xlsx, membaca sheet bernama Q1, menjumlahkan nilai di kolom C untuk setiap baris di mana kolom B sama dengan 'EMEA', dan menulis hasil ke sel F2 dengan label 'EMEA Total' di E2. Tangani kasus jika sheet tidak ada.

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 M2.1
Model dengan bobot terbuka
konteks 204,800 token · $0.30/M input, $1.20/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

Apakah bobot M2.5 terbuka dan bisa saya jalankan lokal?: Ya, bobot tersedia di Hugging Face dengan lisensi Modified-MIT, jadi penerapan lokal memungkinkan—meski MiniMax belum mempublikasikan jumlah parameter atau persyaratan VRAM minimum, jadi periksa repositori sebelum memilih perangkat keras.
Berapa biaya M2.5 dan berapa besar jendela konteksnya?: Melalui API biayanya $0,27 per juta token input dan $1,08 per juta token output, dengan jendela konteks 204.800 token.
Apa perbedaan M2.5 dengan M2.1?: M2.5 memperluas fokus coding M2.1 ke pekerjaan kantor umum—penanganan berkas Word, Excel, dan PowerPoint native—dan dilaporkan menyelesaikan tugas agentik 37% lebih cepat dari M2.1 serta mendapat skor lebih tinggi di SWE-Bench Verified dan BrowseComp.

Putusan Kapten
Model coding agentik serius dengan harga yang membuat sesi otonom berkelanjutan benar-benar terjangkau—kemampuan berkas kantor adalah pembeda langka.

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 M2.5 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