I pesi sono open e posso eseguire M2.5 localmente?

Sì, i pesi sono disponibili su Hugging Face sotto licenza Modified-MIT, quindi il deployment locale è possibile — anche se MiniMax non ha pubblicato il numero di parametri o i requisiti minimi di VRAM, quindi verifica il repository prima di scegliere l’hardware.

Quanto costa M2.5 e qual è la finestra di contesto?

Attraverso l’API costa $0.27 per milione di token in input e $1.08 per milione di token in output, con una finestra di contesto da 204.800 token.

In cosa M2.5 differisce da M2.1?

M2.5 estende il focus sul coding di M2.1 al lavoro d’ufficio generale — gestione nativa di file Word, Excel e PowerPoint — e si dice completi i task agentici il 37% più velocemente di M2.1, ottenendo punteggi più alti su SWE-Bench Verified e BrowseComp.

MiniMax M2.5

6216°

#llm #minimax #ragionamento #programmazione #agenti #contesto lungo

Esegui questo modello

Offerte / Annunci

OpenRouter Terminale / API

Paga per token

Chatta con questo modello nel browser o chiamalo dal tuo codice con una chiave API.

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.

Guide per questo modello

Il miglior LLM locale per caso d'uso (ottobre 2026): il modello open giusto per ogni lavoro

Pesi aperti vs open source vs solo API: cosa puoi davvero fare

Quanta VRAM serve davvero per l'AI locale?

Cos'è un file GGUF? Modelli quantizzati spiegati (Q4, Q8, fp8, NF4)

Tutte le guide

Note del capitano

Scritto da Captain, l'editor di casa

Note del 2026-10-13

MiniMax M2.5 è un modello open-weights di livello frontier di MiniMax, costruito specificamente per lavoro agentico: coding su tutto il ciclo di sviluppo, ricerca browser-based e compiti reali su file Office in Word, Excel e PowerPoint. Il suo training con reinforcement learning in ambienti reali gli conferisce un uso degli strumenti e una disciplina di pianificazione particolarmente forti. A $0.27/M input e $1.08/M output con una finestra di contesto da 204.800 token, costa meno della maggior parte dei rivali a livelli benchmark comparabili.

Conosciuto per

80.2% su SWE-Bench Verified, competitivo con i migliori modelli closed su più harness.
Pianifica il codice come un architetto prima di scrivere una riga, decomponendo struttura e funzionalità.
Addestrato su più di 13 linguaggi in progetti full-stack web, Android, iOS e Windows.
Genera e opera nativamente su file Word, Excel e PowerPoint, non solo testo su di essi.
76.3% su BrowseComp; forte ricerca web autonoma e chiamate a strumenti in pipeline agentiche.

Attenzione a

Pesi open sotto licenza Modified-MIT — verifica i termini esatti prima di deployment commerciale.
Modello di scala frontier; l’inferenza locale richiederà hardware serio. Requisiti VRAM non pubblicati.
La finestra di contesto arriva a 204.800 token — lunga ma non nel livello 1M+ offerto da alcuni rivali.

Ideale per

Programmazione

Agenti e uso di strumenti

Ragionamento

Contesto lungo

Funziona localmente

Prompt da provare

Feature full-stack da zero

Stai costruendo un’app web di gestione task. Progetta prima l’architettura: elenca componenti, modelli dati e endpoint API. Poi implementa un endpoint REST in Node.js con Express che crea un nuovo task, valida l’input e lo salva in un database SQLite. Includi gestione errori e un breve test con curl.

Piano agentico multi-step

Devo ricercare le prime cinque database vettoriali open-source per stelle su GitHub, confrontarne le licenze e produrre una raccomandazione per una startup che vuole self-hostare. Spezza il compito in passi, indica quali strumenti o ricerche useresti in ciascuno, poi esegui il piano e dammi una tabella comparativa finale.

Logica Excel in codice semplice

Scrivi uno script Python usando openpyxl che apra un file chiamato sales.xlsx, legga un foglio chiamato Q1, sommi i valori nella colonna C per ogni riga dove la colonna B è 'EMEA' e scriva il risultato nella cella F2 con l’etichetta 'EMEA Total' in E2. Gestisci il caso in cui il foglio non esista.

Confronta con

MiniMax M1
Modello solo API
Contesto di 1,000,000 token · Input $0.55/M, output $2.20/M
MiniMax M3
Modello con pesi aperti
Contesto di 1,048,576 token · Input $0.30/M, output $1.20/M
MiniMax M2.1
Modello con pesi aperti
Contesto di 204,800 token · Input $0.30/M, output $1.20/M
MiniMax M2
Modello con pesi aperti
Contesto di 204,800 token · Input $0.26/M, output $1.02/M

Altri modelli di testo da minimax

Domande frequenti

I pesi sono open e posso eseguire M2.5 localmente?: Sì, i pesi sono disponibili su Hugging Face sotto licenza Modified-MIT, quindi il deployment locale è possibile — anche se MiniMax non ha pubblicato il numero di parametri o i requisiti minimi di VRAM, quindi verifica il repository prima di scegliere l’hardware.
Quanto costa M2.5 e qual è la finestra di contesto?: Attraverso l’API costa $0.27 per milione di token in input e $1.08 per milione di token in output, con una finestra di contesto da 204.800 token.
In cosa M2.5 differisce da M2.1?: M2.5 estende il focus sul coding di M2.1 al lavoro d’ufficio generale — gestione nativa di file Word, Excel e PowerPoint — e si dice completi i task agentici il 37% più velocemente di M2.1, ottenendo punteggi più alti su SWE-Bench Verified e BrowseComp.

Verdetto del capitano
Un modello agentico serio per coding a un prezzo che rende davvero accessibili le sessioni autonome continue — la fluency sui file Office è un raro elemento distintivo.

Scheda modello su Hugging Face

Il capitano scrive queste note dalla descrizione e dalla scheda modello. Prezzi e dimensioni del contesto sono quelli del provider al momento della scrittura e possono cambiare.

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

Come si calcola questo punteggio

Questo modello non ha ancora dati di popolarità da nessuna fonte, quindi ha un numero provvisorio sotto 7,000° che mantiene le liste complete. Non supera mai un modello con dati. La suddivisione appare qui appena una fonte la segnala.

Glossario: i termini usati qui

Punteggio heat: Un numero che indica quanto un modello è usato e desiderato ora, da 0° a 9.999°. Ogni lista su questo sito che dice più caldo è ordinata per questo e nient’altro.
Soglia minima: I 7.000° da cui parte ogni modello con dati reali. La scala va da 0° a 9.999°; la parte sotto la soglia è riservata ai sostituti (modelli senza dati), così un modello con dati è sempre sopra uno senza. La soglia è uguale per tutti e non decide nulla; i gradi sopra sono la misura.
Equivalenti di download: Tutto ciò che il punteggio considera come un download, sommato: i download stessi, ogni seeder torrent come 1.000, ogni immagine AI Horde e ogni esecuzione su un sito di generazione come uno.
Scala logaritmica: Conta a decine, non a unità: passare da 1.000 a 10.000 download aggiunge gli stessi gradi che passare da 10.000 a 100.000. Evita che i giganti schiaccino tutto il resto.
Like: Pollici in su e like da ogni fonte, valgono metà di un download sulla scala logaritmica.
Tasso di adozione: Quanti download al giorno riceve un modello ora, dalla differenza tra due rilevazioni di una fonte. Un quarto del peso del termine download.
Misurato e stimato: Misurato significa che ci sono due letture di una fonte e la differenza è reale. Stimato significa che si conosce solo il totale di oggi e il passato è distribuito sulla vita del modello; il sito indica quale viene mostrato.
Seeder: Qualcuno che mantiene una copia dei pesi online per farli scaricare agli altri tramite torrent, o uno specchio ospitato che fa lo stesso. Ognuno conta come 1.000 download.
AI Horde: Una rete di volontari che genera immagini gratis su computer donati. Il numero di immagini create con un modello è pubblico, e ognuna conta come un download.
Siti di generazione: Siti che ospitano copie di un modello e permettono di generare con esso, come PixAI, SeaArt e Yodayo. I loro download contano come quelli di Civitai e ogni generazione come un download.
Token OpenRouter: Un modello di testo servito tramite API, come Claude o GPT, non ha pesi da scaricare, quindi il suo utilizzo si misura in token: i pezzi di testo letti e scritti tramite OpenRouter, un gateway usato da molte app, negli ultimi 30 giorni. Ogni 10,000,000 token conta come un download. Fonte: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modello completo (checkpoint): I pesi stessi, il file che genera da solo. Riceve un bonus perché da esso dipendono gli add-on.
LoRA e embedding: Piccoli file add-on che indirizzano i pesi di qualcun altro verso uno stile, un personaggio o un concetto. Non possono funzionare da soli.
Famiglia e pesi: La base su cui è costruito un modello, come SD 1.5, SDXL, Flux o Wan. Ogni modello eredita la data di rilascio dei pesi della sua famiglia.
Età: Gradi tolti in base a quanto tempo fa sono usciti i pesi della famiglia: 150° all'anno, fino a 750°. Mantiene i vecchi download che hanno avuto anni per accumularsi congelando la cima della lista.
Boost famiglia: Una piccola spinta limitata per le LoRA di una famiglia che questo sito sta promuovendo ora, sempre elencata nel dettaglio.
Punteggio stand-in: Un numero stabile sotto il minimo dato a un modello su cui nessuna fonte ha ancora dati, così le liste restano complete. Non supera mai un modello con dati.
Novità! (periodo di grazia): Un modello più giovane di 7 giorni mostra Novità! invece di un punteggio e non ha posizione nelle classifiche. Il suo punteggio è calcolato dal primo giorno, ma un modello di un giorno cresce più velocemente di qualsiasi altro, quindi senza l'attesa il #1 della settimana sarebbe sempre quello uscito ieri invece di quello che ha resistito per una settimana.
Tendenza: Come la crescita di un modello in un periodo si confronta con la crescita tipica di un modello nello stesso periodo. Più veloce del tipico si legge come aumento, più lento come calo.
Modello tipico: Il centro del catalogo: metà dei modelli con un valore è cresciuta più velocemente nel periodo, metà più lentamente.

Modelli simili

Qwen3 VL 235B A22B Instruct

Modelli di IA per generare immagini, video e testo

MiniMax M2.5 è un modello di testo per la famiglia Text / LLM presente su ModelTrends.ai, un catalogo in sola lettura di modelli di IA open source per immagini, video e testo. Confrontalo con gli altri modelli Text / LLM e controlla il punteggio di calore per vedere la tendenza.

Altri modelli Text / LLM Altri Testo / LLM Text / LLM llm minimax ragionamento programmazione agenti contesto lungo locale

Sfoglia per famiglia di modelli