MiniMax M2
3611°
Uruchom model
Oferty / Reklamy
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.
Poradniki do tego modelu
Najlepsze lokalne LLM według zastosowania (październik 2026): odpowiedni otwarty model do każdego zadania
Otwarte wagi vs otwarte źródła vs tylko API: co naprawdę możesz robić
Ile VRAM naprawdę potrzebuję do lokalnej AI?
Co to jest plik GGUF? Wyjaśnienie modeli kwantyzowanych (Q4, Q8, fp8, NF4)
Notatki kapitana
Notatki z 2026-10-13
MiniMax M2 to model mieszanki ekspertów od MiniMax z 230 miliardami parametrów, ale tylko 10 miliardami aktywnymi podczas wnioskowania, co daje przepustowość małego modelu z rozumowaniem na poziomie frontier. Został stworzony specjalnie do kodowania i pracy agentowej: edycje wieloplikowe, pętle kompiluj-uruchom-napraw, długoterminowe łańcuchy narzędzi i przeszukiwanie w przeglądarce. Otwarte wagi na licencji MIT i cena 0,30 USD za milion tokenów wejściowych czynią go odpowiednim dla deweloperów potrzebujących zdolnych agentów bez rachunków na poziomie frontier.
Znany z
- Silne wyniki w benchmarkach SWE-Bench i Terminal-Bench wśród modeli open-source
- Długoterminowe planowanie agentowe obejmujące shell, przeglądarkę i wykonawców kodu
- Licencja MIT: otwarte wagi, dozwolone użycie komercyjne
- Okno kontekstu 204 800 tokenów dla dużych baz kodu i agentów wieloetapowych
- Niskie zużycie aktywacji utrzymuje niskie opóźnienia i koszty na dużą skalę
Uważaj na
- MiniMax zaleca przekazywanie rozumowania między turami; pominięcie tego znacznie pogarsza wyniki.
- 230 miliardów parametrów całkowicie oznacza duże wymagania sprzętowe przy samodzielnym hostingu mimo małego aktywnego śladu.
- Cennik API jest opublikowany; dostępność darmowego poziomu jest ograniczona czasowo.
Podpowiedzi do wypróbowania
Zadanie refaktoryzacji wieloplikowej
Masz Pythonowy web API podzielony na trzy pliki: routes.py, models.py i db.py. Warstwa bazy danych używa surowych zapytań SQL rozsianych po wszystkich trzech plikach. Zrefaktoryzuj kod, centralizując wszystkie zapytania w klasie repozytorium w db.py, zaktualizuj pozostałe pliki odpowiednio i napisz test pytest dla każdej metody repozytorium. Pokaż pełne zaktualizowane pliki.
Pętla kompiluj-uruchom-napraw
Oto funkcja w Rust, która ma parsować listę liczb całkowitych rozdzielonych przecinkami i zwracać ich sumę, ale nie kompiluje się. Wskaż każdy błąd, wyjaśnij, dlaczego występuje, podaj poprawioną wersję, która kompiluje się poprawnie, i dodaj test jednostkowy obejmujący puste dane, pojedynczą wartość oraz listę z odstępami wokół przecinków.
fn sum_csv(input: &str) -> i32 {
input.split(',').map(|s| s.parse()).sum()
}
Plan długoterminowego agenta
Jesteś agentem z dostępem do shella, przeglądarki i wykonawcy kodu. Użytkownik chce wiedzieć, który z pięciu najczęściej pobieranych pakietów Python na PyPI w zeszłym miesiącu ma najwyższy stosunek otwartych do zamkniętych zgłoszeń na GitHubie. Napisz plan krok po kroku, jakie dokładnie polecenia lub zapytania wykonasz na każdym etapie, jak poradzisz sobie z nieudanym żądaniem HTTP i jaki będzie ostateczny wynik.
Porównaj z
- MiniMax M1Model tylko z APIKontekst 1,000,000 tokenów · $0.55/M wejście, $2.20/M wyjście
- MiniMax M3Model z otwartymi wagamiKontekst 1,048,576 tokenów · $0.30/M wejście, $1.20/M wyjście
- MiniMax M2.5Model z otwartymi wagamiKontekst 204,800 tokenów · $0.27/M wejście, $0.95/M wyjście
- MiniMax M2.1Model z otwartymi wagamiKontekst 204,800 tokenów · $0.30/M wejście, $1.20/M wyjście
Więcej modeli tekstowych od minimax
Pytania, które ludzie zadają
- Czy wagi są otwarte i czy mogę uruchomić MiniMax M2 lokalnie?
- Tak. MiniMax M2 jest wydany na licencji MIT, a wagi są dostępne na Hugging Face pod MiniMaxAI/MiniMax-M2. Pamiętaj, że pełny model ma 230 miliardów parametrów, więc samodzielny hosting wymaga znacznego sprzętu, mimo że tylko 10 miliardów parametrów jest aktywnych podczas pojedynczego przejścia.
- Ile kosztuje MiniMax M2 i jak długi jest jego kontekst?
- Przez API koszt to 0,30 USD za milion tokenów wejściowych i 1,20 USD za milion tokenów wyjściowych, z oknem kontekstu 204 800 tokenów.
- Jak MiniMax M2 wypada na tle innych otwartych modeli do kodowania?
- Jego wynik SWE-Bench Verified 69,4 i Terminal-Bench 46,3 plasują go przed DeepSeek-V3.2 i Kimi K2 w tych zadaniach, a wynik BrowseComp 44 jest zauważalnie wyższy niż większości otwartych alternatyw, choć modele zamknięte, takie jak Claude Sonnet 4.5, prowadzą w kilku tych samych benchmarkach.
Wyrok kapitanaRzadki model o otwartych wagach, który konkuruje na prawdziwych benchmarkach kodowania i agentów bez wymagań sprzętowych i cen na poziomie frontier.
Karta modelu na Hugging Face
Kapitan pisze te notatki na podstawie opisu modelu i karty modelu. Ceny i rozmiary kontekstu pochodzą od dostawcy w momencie pisania i mogą się zmieniać.
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.
Jak ten wynik się sumuje
Ten model nie ma jeszcze danych o popularności z żadnego źródła, więc ma zastępczą wartość poniżej 7,000°, która pozwala utrzymać kompletność list. Nigdy nie zajmuje wyższej pozycji niż model z danymi. Szczegóły pojawią się tutaj, gdy tylko jakieś źródło je zgłosi.
Słowniczek: używane tu terminy
- Wynik heat
- Jedna liczba pokazująca, jak bardzo model jest używany i pożądany teraz, od 0° do 9,999°. Każda lista na tej stronie z napisem hottest jest sortowana według tego i niczego innego.
- Podstawa
- 7,000° to punkt startowy dla każdego modelu z prawdziwymi danymi. Skala idzie od 0° do 9,999°; część poniżej podstawy jest zarezerwowana dla zastępczych modeli (bez danych), żeby model z danymi zawsze był wyżej. Podstawa jest taka sama dla wszystkich i nic nie decyduje; stopnie powyżej niej to właściwy pomiar.
- Równoważniki pobrań
- Wszystko, co wynik traktuje jak pobranie, zsumowane: same pobrania, każdy seeder torrenta jako 1,000, każde AI Horde zdjęcie i każde uruchomienie na stronie generującej jako jedno.
- Skala logarytmiczna
- Liczenie co dziesięć, nie co jeden: przejście z 1,000 do 10,000 pobrań dodaje tyle samo stopni, co z 10,000 do 100,000. Zapobiega to dominacji gigantów nad resztą.
- Polubienia
- Kciuki w górę i polubienia ze wszystkich źródeł, warte połowę pobrania na skali logarytmicznej.
- Tempo adopcji
- Ile pobrań dziennie model ma teraz, na podstawie różnicy między dwoma odczytami źródła. Ćwierć wagi terminu pobrania.
- Zmierzony i szacowany
- Zmierzony oznacza, że istnieją dwa odczyty źródła i różnica jest rzeczywista. Szacowany oznacza, że znana jest tylko dzisiejsza suma, a przeszłość jest rozłożona na czas życia modelu; strona mówi, który z nich pokazuje.
- Seeder
- Ktoś, kto trzyma kopię wag online, aby inni mogli je pobrać przez torrent, albo hostowany mirror robiący to samo. Każdy taki liczy się jako 1 000 pobrań.
- AI Horde
- Sieć wolontariuszy, która generuje obrazy za darmo na komputerach darczyńców. Liczba obrazów wygenerowanych z modelem jest publiczna i każde liczy się jako jedno pobranie.
- Strony generujące
- Strony, które mają własne kopie modelu i pozwalają ludziom generować z nim obrazy, takie jak PixAI, SeaArt i Yodayo. Ich pobrania liczą się jak na Civitai, a każde uruchomienie generowania to jedno pobranie.
- Tokeny OpenRouter
- Model tekstowy obsługiwany przez API, taki jak Claude czy GPT, nie ma wag do pobrania, więc jego użycie mierzy się tokenami: fragmentami tekstu, które przeczytał i napisał przez OpenRouter, bramkę używaną przez wiele aplikacji, w ciągu ostatnich 30 dni. Każde 10,000,000 tokenów liczy się jako jedno pobranie. Źródło: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- Pełny model (checkpoint)
- Same wagi, plik, który generuje samodzielnie. Dostaje bonus, bo dodatki od niego zależą.
- LoRA i embedding
- Małe pliki dodatków, które kierują czyjeś wagi w stronę stylu, postaci lub koncepcji. Nie mogą działać samodzielnie.
- Rodzina i wagi
- Podstawa, na której zbudowano model, np. SD 1.5, SDXL, Flux lub Wan. Każdy model dziedziczy datę wydania wag swojej rodziny.
- Wiek
- Stopnie odejmowane za to, jak dawno wyszły wagi rodziny: 150° za rok, do 750°. Zachowuje stare pobrania, które miały lata na narastanie, zamrażając szczyt listy.
- Wzmocnienie rodziny
- Małe, ograniczone wsparcie dla LoRA z rodziny, którą ta strona teraz promuje, zawsze podane w rozbiciu.
- Wynik zastępczy
- Stabilna liczba poniżej minimum, przyznawana modelowi, o którym jeszcze nie ma danych źródłowych, żeby listy były kompletne. Nigdy nie jest wyżej niż model z danymi.
- Nowy! (okres karencji)
- Model młodszy niż 7 dni pokazuje Nowy! zamiast wyniku i nie zajmuje miejsca w rankingu. Jego wynik jest liczony od pierwszego dnia, ale model jednodniowy rośnie najszybciej, więc bez oczekiwania #1 tygodnia byłby zawsze tym, który pojawił się wczoraj, a nie tym, który utrzymał się przez tydzień.
- Trend
- Jak wzrost modelu w danym okresie wypada na tle typowego wzrostu modelu w tym samym czasie. Szybszy niż zwykle to wzrost, wolniejszy to spadek.
- Typowy model
- Środek katalogu: połowa modeli z danymi rosła szybciej w tym okresie, połowa wolniej.
MiniMax M2 to model tekstowy z rodziny Text / LLM wymieniony na ModelTrends.ai, katalogu tylko do odczytu otwartych modeli AI do obrazów, wideo i tekstu. Porównaj go z innymi modelami Text / LLM i sprawdź wynik popularności, aby zobaczyć trend.
Więcej modeli Text / LLMWięcej Text / LLM Tekst / LLMllmminimaxrozumowaniekodowanieagencidługi kontekstlokalny
Przeglądaj według rodziny modeli
Modele Text / LLM
434
Modele Anima
528
Modele Chroma
19
Modele Fibo
2
Modele Flux
1,496
Modele Flux 2 / Klein
1,239
Modele Flux 3
3
Modele Moss
3
Modele Iris
1
Modele MiniMax H3
364
Modele Hunyuan
204
Modele Ideogram
20
Modele Krea2
717
Modele Qwen
20
Modele Qwen2
47
Modele Ltx2
153