Adakah berat M2.5 terbuka dan boleh saya jalankan secara tempatan?

Ya, beratnya tersedia di Hugging Face di bawah lesen Modified-MIT, jadi penyebaran tempatan boleh dilakukan — walaupun MiniMax tidak menerbitkan bilangan parameter atau keperluan VRAM minimum, jadi periksa repositori sebelum membuat komitmen perkakasan.

Berapa kos M2.5 dan berapa panjang konteksnya?

Melalui API ia berharga $0.27 bagi sejuta token input dan $1.08 bagi sejuta token output, dengan tetingkap konteks 204,800 token.

Bagaimana M2.5 berbeza daripada M2.1?

M2.5 meluaskan fokus pengkodan M2.1 ke kerja pejabat umum — pengendalian fail Word, Excel, dan PowerPoint asli — dan dilaporkan menyelesaikan tugas agen 37% lebih pantas daripada M2.1 sambil memperoleh skor lebih tinggi pada SWE-Bench Verified dan BrowseComp.

MiniMax M2.5

6216°

#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 | $0.27/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 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 M2.5 adalah model berat terbuka kelas frontier dari MiniMax, dibina khusus untuk kerja agen: pengkodan merentasi kitar hayat pembangunan penuh, carian berasaskan pelayar, dan tugas fail pejabat sebenar dalam Word, Excel, dan PowerPoint. Latihan pembelajaran penguatan dalam persekitaran dunia nyata memberikannya disiplin penggunaan alat dan perancangan yang luar biasa. Pada harga $0.27/M input dan $1.08/M output dengan konteks 204,800 token, ia lebih murah daripada kebanyakan pesaing pada tahap penanda aras yang setara.

Dikenali untuk

80.2% pada SWE-Bench Verified, bersaing dengan model tertutup teratas pada pelbagai harness.
Merancang kod seperti arkitek sebelum menulis baris, memecahkan struktur dan ciri terlebih dahulu.
Dilatih pada 13+ bahasa merentasi projek web, Android, iOS, dan full-stack Windows.
Menjana dan mengendalikan fail Word, Excel, dan PowerPoint secara asli, bukan hanya teks tentangnya.
76.3% pada BrowseComp; carian web autonomi dan panggilan alat yang kuat dalam paip agen.

Berhati-hati dengan

Berat terbuka di bawah lesen Modified-MIT — periksa terma tepat sebelum penyebaran komersial.
Model skala frontier; inferens tempatan memerlukan perkakasan serius. Keperluan VRAM tidak diterbitkan.
Konteks maksimum 204,800 token — panjang tetapi bukan dalam kelas 1 juta token ke atas yang ditawarkan pesaing tertentu.

Terbaik untuk

Pengaturcaraan

Ejen dan penggunaan alat

Penalaran

Konteks panjang

Jalankan secara tempatan

Arahan untuk cuba

Ciri full-stack dari awal

Anda membina aplikasi web pengurusan tugas. Reka bentuk seni bina dahulu: senaraikan komponen, model data, dan titik akhir API. Kemudian laksanakan titik akhir REST dalam Node.js dengan Express yang mencipta tugas baru, mengesahkan input, dan menyimpannya dalam pangkalan data SQLite. Sertakan pengendalian ralat dan ujian ringkas menggunakan curl.

Pelan agen berbilang langkah

Saya perlu menyelidik lima pangkalan data vektor sumber terbuka teratas mengikut bintang GitHub, bandingkan lesen mereka, dan buat cadangan untuk startup yang mahu hos sendiri. Pecahkan tugas kepada langkah, nyatakan alat atau carian yang akan anda jalankan setiap langkah, kemudian laksanakan pelan dan berikan jadual perbandingan akhir.

Logik Excel dalam kod ringkas

Tulis skrip Python menggunakan openpyxl yang membuka fail bernama sales.xlsx, membaca helaian bernama Q1, menjumlahkan nilai dalam lajur C untuk setiap baris di mana lajur B sama dengan 'EMEA', dan menulis hasil ke dalam sel F2 dengan label 'EMEA Total' di E2. Tangani kes di mana helaian tidak wujud.

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 M2.1
Model berat terbuka
konteks 204,800 token · Input $0.30/M, output $1.20/M
MiniMax M2
Model berat terbuka
konteks 204,800 token · Input $0.26/M, output $1.02/M

Lebih banyak model teks dari minimax

Soalan yang sering ditanya

Adakah berat M2.5 terbuka dan boleh saya jalankan secara tempatan?: Ya, beratnya tersedia di Hugging Face di bawah lesen Modified-MIT, jadi penyebaran tempatan boleh dilakukan — walaupun MiniMax tidak menerbitkan bilangan parameter atau keperluan VRAM minimum, jadi periksa repositori sebelum membuat komitmen perkakasan.
Berapa kos M2.5 dan berapa panjang konteksnya?: Melalui API ia berharga $0.27 bagi sejuta token input dan $1.08 bagi sejuta token output, dengan tetingkap konteks 204,800 token.
Bagaimana M2.5 berbeza daripada M2.1?: M2.5 meluaskan fokus pengkodan M2.1 ke kerja pejabat umum — pengendalian fail Word, Excel, dan PowerPoint asli — dan dilaporkan menyelesaikan tugas agen 37% lebih pantas daripada M2.1 sambil memperoleh skor lebih tinggi pada SWE-Bench Verified dan BrowseComp.

Keputusan Kapten
Model pengkodan agen serius pada harga yang menjadikan sesi autonomi berterusan benar-benar mampu milik — kefasihan fail pejabat adalah pembeda yang jarang ditemui.

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

Model AI untuk penjanaan imej, video dan teks

MiniMax M2.5 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