Adakah berat terbuka dan boleh saya jalankan MiniMax M2 secara tempatan?

Ya. MiniMax M2 dikeluarkan di bawah lesen MIT dan beratnya ada di Hugging Face di MiniMaxAI/MiniMax-M2. Ingat bahawa model penuh mempunyai 230 bilion parameter, jadi kendiri hos memerlukan perkakasan besar walaupun hanya 10 bilion parameter aktif setiap laluan ke hadapan.

Berapa kos MiniMax M2 dan berapa panjang konteksnya?

Melalui API ia berharga $0.30 setiap sejuta token input dan $1.20 setiap sejuta token output, dengan tetingkap konteks 204,800 token.

Bagaimana MiniMax M2 dibandingkan dengan model pengkodan sumber terbuka lain?

Skor SWE-Bench Verified 69.4 dan Terminal-Bench 46.3 meletakkannya di hadapan DeepSeek-V3.2 dan Kimi K2 dalam tugasan tersebut, manakala skor BrowseComp 44 jauh lebih tinggi daripada kebanyakan alternatif terbuka, walaupun model tertutup seperti Claude Sonnet 4.5 memimpin dalam beberapa penanda aras yang sama.

MiniMax M2

3611°

#llm #minimax #penalaran #pengaturcaraan #ejen #konteks panjang

Jalankan model ini

Tawaran / Iklan

OpenRouter Terminal / API

Bayar setiap token

Bual dengan model ini dalam pelayar atau panggil ia dari kod anda dengan satu kunci API.

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 tempatan terbaik mengikut kegunaan (Oktober 2026): model terbuka yang sesuai untuk setiap kerja

Berat terbuka vs sumber terbuka vs hanya API: apa yang sebenarnya kamu dibenarkan lakukan

Berapa banyak VRAM yang saya perlukan untuk AI tempatan?

Apakah fail GGUF? Model kuantisasi diterangkan (Q4, Q8, fp8, NF4)

Semua panduan

Nota Kapten

Ditulis oleh Captain, editor rumah

Nota dari 2026-10-13

MiniMax M2 adalah model campuran-pakar dari MiniMax dengan 230 bilion parameter keseluruhan tetapi hanya 10 bilion aktif semasa inferens, memberikannya kelajuan model kecil dengan penalaran hampir skala frontier. Ia dibina khusus untuk pengkodan dan kerja agen: suntingan berbilang fail, gelung kompilasi-jalankan-betulkan, rantaian alat jangka panjang, dan pengambilan berasaskan pelayar. Berat terbuka di bawah lesen MIT dan harga $0.30 setiap sejuta token input, ia sesuai untuk pembangun yang memerlukan agen berkemampuan tanpa bil tahap frontier.

Dikenali untuk

Skor SWE-Bench dan Terminal-Bench yang kuat dalam kalangan model sumber terbuka
Perancangan agen jangka panjang merentas shell, pelayar, dan pelari kod
Lesen MIT: berat terbuka, penggunaan komersial dibenarkan
Tetingkap konteks 204,800 token untuk kod besar dan agen berbilang pusingan
Jejak pengaktifan rendah mengekalkan latensi dan kos rendah pada skala

Berhati-hati dengan

MiniMax mengesyorkan menghantar penalaran balik antara pusingan; melangkau ini menurunkan prestasi dengan ketara.
230 bilion parameter keseluruhan menjadikan kendiri hos memerlukan perkakasan intensif walaupun jejak aktif kecil.
Harga API diterbitkan; ketersediaan lapisan percuma diterangkan sebagai terhad masa sahaja.

Terbaik untuk

Pengaturcaraan

Ejen dan penggunaan alat

Penalaran

Konteks panjang

Jalankan secara tempatan

Arahan untuk cuba

Tugas refaktor berbilang fail

Anda mempunyai API web Python yang dibahagikan kepada tiga fail: routes.py, models.py, dan db.py. Lapisan pangkalan data menggunakan rentetan SQL mentah yang tersebar di ketiga-tiga fail. Refaktor kod untuk menempatkan semua pertanyaan ke dalam kelas repositori di db.py, kemas kini fail lain dengan sewajarnya, dan tulis ujian pytest untuk setiap kaedah repositori. Tunjukkan fail yang dikemas kini sepenuhnya.

Gelung kompilasi-jalankan-betulkan

Ini adalah fungsi Rust yang sepatutnya mengurai senarai integer yang dipisahkan koma dan mengembalikan jumlahnya, tetapi gagal dikompilasi. Kenal pasti setiap ralat, terangkan mengapa ia berlaku, hasilkan versi diperbetulkan yang boleh dikompilasi dengan bersih, dan tambah ujian unit yang merangkumi input kosong, satu nilai, dan senarai dengan ruang putih di sekitar koma. fn sum_csv(input: &str) -> i32 { input.split(',').map(|s| s.parse()).sum() }

Pelan agen jangka panjang

Anda adalah agen dengan akses ke shell, pelayar web, dan pelari kod. Seorang pengguna mahu tahu yang mana antara lima pakej Python paling banyak dimuat turun di PyPI bulan lepas mempunyai nisbah isu GitHub terbuka tertinggi berbanding yang ditutup. Tulis pelan langkah demi langkah yang akan anda laksanakan, arahan atau permintaan tepat pada setiap langkah, bagaimana anda mengendalikan permintaan HTTP gagal, dan output akhir yang akan anda berikan.

Bandingkan dengan

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

Lebih banyak model teks dari minimax

Soalan yang sering ditanya

Adakah berat terbuka dan boleh saya jalankan MiniMax M2 secara tempatan?: Ya. MiniMax M2 dikeluarkan di bawah lesen MIT dan beratnya ada di Hugging Face di MiniMaxAI/MiniMax-M2. Ingat bahawa model penuh mempunyai 230 bilion parameter, jadi kendiri hos memerlukan perkakasan besar walaupun hanya 10 bilion parameter aktif setiap laluan ke hadapan.
Berapa kos MiniMax M2 dan berapa panjang konteksnya?: Melalui API ia berharga $0.30 setiap sejuta token input dan $1.20 setiap sejuta token output, dengan tetingkap konteks 204,800 token.
Bagaimana MiniMax M2 dibandingkan dengan model pengkodan sumber terbuka lain?: Skor SWE-Bench Verified 69.4 dan Terminal-Bench 46.3 meletakkannya di hadapan DeepSeek-V3.2 dan Kimi K2 dalam tugasan tersebut, manakala skor BrowseComp 44 jauh lebih tinggi daripada kebanyakan alternatif terbuka, walaupun model tertutup seperti Claude Sonnet 4.5 memimpin dalam beberapa penanda aras yang sama.

Keputusan Kapten
Model berat terbuka yang jarang yang bersaing dalam penanda aras pengkodan dan agen sebenar tanpa memerlukan infrastruktur atau harga tahap frontier.

Kad model di Hugging Face

Kapten menulis nota ini berdasarkan penerangan model dan kad model itu sendiri. Harga dan saiz konteks adalah dari penyedia pada masa penulisan dan boleh 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 dijumlahkan

Model ini belum ada data populariti dari mana-mana sumber lagi, jadi ia membawa nombor gantian di bawah 7,000° yang memastikan senarai lengkap. Ia tidak pernah menduduki tempat lebih tinggi daripada model yang ada data. Pecahan muncul di sini sebaik sahaja sumber melaporkannya.

Glosari: istilah yang digunakan di sini

Skor heat: Satu nombor untuk seberapa banyak model digunakan dan diingini sekarang, dari 0° hingga 9,999°. Setiap senarai di laman ini yang kata paling panas disusun mengikutnya dan tiada yang lain.
Lantai: 7,000° yang setiap model dengan data sebenar bermula. Skala dari 0° hingga 9,999°; bahagian bawah lantai untuk pengganti (model tanpa data), supaya model dengan data sentiasa lebih tinggi dari yang tiada. Lantai sama untuk semua dan tidak tentukan apa-apa; darjah di atasnya adalah ukuran.
Setara muat turun: Semua yang skor anggap sebagai muat turun, dijumlahkan: muat turun sendiri, setiap torrent seeder sebagai 1,000, setiap imej AI Horde dan setiap larian di laman generasi sebagai satu.
Skala log: Mengira dengan puluhan, bukan satuan: dari 1,000 ke 10,000 muat turun tambah darjah sama seperti dari 10,000 ke 100,000. Ini elak gergasi menindas yang lain.
Suka: Jempol dan suka dari semua sumber, bernilai separuh muat turun pada skala log.
Kadar penerimaan: Berapa banyak muat turun sehari model dapat sekarang, dari beza dua bacaan sumber. Berat suku dari terma muat turun.
Diukur dan dianggarkan: Diukur bermaksud ada dua bacaan dari satu sumber dan perbezaannya adalah nyata. Dianggarkan bermaksud hanya jumlah hari ini yang diketahui dan masa lalu diagihkan sepanjang hayat model; laman web akan memberitahu yang mana satu ia tunjukkan.
Seeder: Seseorang yang menyimpan salinan berat secara dalam talian untuk dimuat turun oleh orang lain melalui torrent, atau cermin yang dihoskan melakukan perkara yang sama. Setiap satu dikira sebagai 1,000 muat turun.
AI Horde: Rangkaian sukarelawan yang menjana imej secara percuma pada komputer yang didermakan. Bilangan imej yang telah dihasilkan dengan model adalah awam, dan setiap satu dikira sebagai satu muat turun.
Laman penjanaan: Laman yang menghoskan salinan model mereka sendiri dan membenarkan orang menjana dengannya, seperti PixAI, SeaArt dan Yodayo. Muat turun mereka dikira seperti Civitai dan setiap sesi penjanaan dikira sebagai satu muat turun.
Token OpenRouter: Model teks yang disediakan melalui API, seperti Claude atau GPT, tidak mempunyai berat untuk dimuat turun, jadi penggunaannya diukur dalam token: bahagian teks yang dibaca dan ditulis melalui OpenRouter, pintu masuk yang digunakan oleh banyak aplikasi, dalam 30 hari terakhir. Setiap 10,000,000 token dikira sebagai satu muat turun. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Berat itu sendiri, fail yang menjana secara sendiri. Ia mendapat bonus kerana add-on bergantung padanya.
LoRA dan embedding: Fail add-on kecil yang mengarahkan berat orang lain ke arah gaya, watak atau konsep. Ia tidak boleh dijalankan sendiri.
Keluarga dan berat: Asas yang model dibina, seperti SD 1.5, SDXL, Flux atau Wan. Setiap model mewarisi tarikh keluaran berat keluarganya.
Umur: Darjah yang ditolak berdasarkan berapa lama berat keluarga itu dikeluarkan: 150° setahun, sehingga 750°. Ia mengekalkan muat turun lama yang mempunyai masa bertahun-tahun untuk terkumpul dengan membekukan di bahagian atas senarai.
Peningkatan keluarga: Dorongan kecil dan terhad untuk LoRA dari keluarga yang laman ini sedang galakkan sekarang, sentiasa disenaraikan dalam pecahan.
Skor gantian: Nombor stabil di bawah paras yang diberikan kepada model yang belum ada laporan sumber, supaya senarai kekal lengkap. Ia tidak pernah mendahului model yang ada data.
Baru! (tempoh kelonggaran): Model yang berumur kurang dari 7 hari menunjukkan Baru! dan tidak mempunyai skor serta tidak menduduki tempat dalam kedudukan. Skornya dikira dari hari pertama, tetapi model yang berumur satu hari berkembang lebih cepat daripada apa pun, jadi tanpa menunggu, #1 minggu ini akan sentiasa menjadi apa sahaja yang keluar semalam dan bukan yang bertahan selama seminggu.
Trend: Bagaimana pertumbuhan model dalam tempoh tertentu dibandingkan dengan pertumbuhan model biasa dalam tempoh yang sama. Lebih cepat dari biasa bermaksud naik, lebih perlahan bermaksud turun.
Model biasa: Tengah katalog: separuh model dengan angka tumbuh lebih cepat dalam tempoh itu, separuh lagi lebih perlahan.

Model serupa

Llama 3.3 70B Instruct Turbo

Mistral Small 3.2 24B

TEXT / LLM

Model AI untuk penjanaan imej, video dan teks

MiniMax M2 ialah model teks untuk keluarga Text / LLM yang disenaraikan di ModelTrends.ai, katalog baca sahaja untuk model AI imej, video dan teks sumber terbuka. Bandingkannya dengan model Text / LLM lain dan semak skor habanya untuk melihat trendnya.

Lagi model Text / LLM Lagi Teks / LLM Text / LLM llm minimax penalaran pengaturcaraan ejen konteks panjang tempatan

Layari mengikut keluarga model