MiniMax M2
3611°
Ejecutar este modelo
Ofertas / Anuncios
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.
Guías para este modelo
Mejor LLM local según el uso (octubre 2026): el modelo abierto adecuado para cada tarea
Pesos abiertos vs código abierto vs solo API: lo que realmente puedes hacer
¿Cuánta VRAM necesito realmente para IA local?
¿Qué es un archivo GGUF? Modelos cuantizados explicados (Q4, Q8, fp8, NF4)
Notas del capitán
Notas del 2026-10-13
MiniMax M2 es un modelo de mezcla de expertos de MiniMax con 230 mil millones de parámetros totales pero solo 10 mil millones activos en inferencia, dándole el rendimiento de un modelo pequeño con razonamiento cercano a escala frontier. Está construido específicamente para codificación y trabajo agente: ediciones en múltiples archivos, ciclos de compilar-ejecutar-corregir, cadenas de herramientas a largo plazo y recuperación basada en navegador. Pesos abiertos bajo licencia MIT y precio de $0.30 por millón de tokens de entrada, es ideal para desarrolladores que necesitan agentes capaces sin facturas de nivel frontier.
Conocido por
- Altas puntuaciones en SWE-Bench y Terminal-Bench entre modelos de código abierto
- Planificación agente a largo plazo a través de shell, navegador y ejecutores de código
- Licencia MIT: pesos abiertos, uso comercial permitido
- Ventana de contexto de 204,800 tokens para grandes bases de código y agentes multi-turno
- Baja huella de activación mantiene latencia y costo bajos a escala
Cuidado con
- MiniMax recomienda pasar el razonamiento entre turnos; saltarse esto degrada el rendimiento notablemente.
- 230 mil millones de parámetros totales hacen que el autoalojamiento requiera hardware intensivo a pesar de la pequeña huella activa.
- El precio API está publicado; la disponibilidad de nivel gratuito se describe como limitada en el tiempo.
Prompts para probar
Tarea de refactorización multi-archivo
Tienes una API web en Python dividida en tres archivos: routes.py, models.py y db.py. La capa de base de datos usa cadenas SQL dispersas en los tres archivos. Refactoriza el código para centralizar todas las consultas en una clase repositorio en db.py, actualiza los otros archivos en consecuencia y escribe un test pytest para cada método del repositorio. Muestra los archivos completos actualizados.
Ciclo compilar-ejecutar-corregir
Aquí hay una función Rust que debería analizar una lista separada por comas de enteros y devolver su suma, pero no compila. Identifica todos los errores, explica por qué ocurren, produce una versión corregida que compile sin problemas y añade un test unitario que cubra entrada vacía, un solo valor y una lista con espacios alrededor de las comas.
fn sum_csv(input: &str) -> i32 {
input.split(',').map(|s| s.parse()).sum()
}
Plan agente a largo plazo
Eres un agente con acceso a shell, navegador web y ejecutor de código. Un usuario quiere saber cuál de los cinco paquetes Python más descargados en PyPI el mes pasado tiene la mayor proporción de issues abiertos en GitHub respecto a los cerrados. Escribe el plan paso a paso que ejecutarías, los comandos o solicitudes exactas en cada paso, cómo manejarías una solicitud HTTP fallida y cuál sería el resultado final.
Comparar con
- MiniMax M1Modelo solo APIContexto de 1,000,000 tokens · $0.55/M entrada, $2.20/M salida
- MiniMax M3Modelo con pesos abiertosContexto de 1,048,576 tokens · $0.30/M entrada, $1.20/M salida
- MiniMax M2.5Modelo con pesos abiertosContexto de 204,800 tokens · $0.27/M entrada, $0.95/M salida
- MiniMax M2.1Modelo con pesos abiertosContexto de 204,800 tokens · $0.30/M entrada, $1.20/M salida
Más modelos de texto de minimax
Preguntas frecuentes
- ¿Los pesos son abiertos y puedo ejecutar MiniMax M2 localmente?
- Sí. MiniMax M2 se lanza bajo licencia MIT y los pesos están en Hugging Face en MiniMaxAI/MiniMax-M2. Ten en cuenta que el modelo completo tiene 230 mil millones de parámetros, por lo que el autoalojamiento requiere hardware considerable aunque solo 10 mil millones estén activos por pasada.
- ¿Cuánto cuesta MiniMax M2 y cuál es su contexto?
- Vía API cuesta $0.30 por millón de tokens de entrada y $1.20 por millón de tokens de salida, con una ventana de contexto de 204,800 tokens.
- ¿Cómo se compara MiniMax M2 con otros modelos abiertos para código?
- Su puntuación SWE-Bench Verified de 69.4 y Terminal-Bench de 46.3 lo colocan por delante de DeepSeek-V3.2 y Kimi K2 en esas tareas, mientras que su puntuación BrowseComp de 44 es notablemente superior a la mayoría de alternativas abiertas, aunque modelos cerrados como Claude Sonnet 4.5 lideran en varios de los mismos benchmarks.
Veredicto del capitánUn modelo de pesos abiertos raro que compite en benchmarks reales de código y agentes sin exigir infraestructura o precios de nivel frontier.
Ficha del modelo en Hugging Face
El capitán escribe estas notas a partir de la descripción y ficha del modelo. Los precios y tamaños de contexto son los del proveedor al momento de escribir y pueden cambiar.
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.
Cómo se suma esta puntuación
Este modelo aún no tiene datos de popularidad de ninguna fuente, así que lleva un número provisional por debajo de 7,000° que mantiene las listas completas. Nunca se posiciona por encima de un modelo con datos. El desglose aparece aquí tan pronto como una fuente lo reporte.
Glosario: los términos usados aquí
- Puntuación heat
- Un número que muestra cuánto se usa y quiere un modelo ahora mismo, de 0° a 9,999°. Cada lista en este sitio que dice más popular está ordenada por esto y nada más.
- Piso
- Los 7,000° con los que empieza todo modelo con datos reales. La escala va de 0° a 9,999°; la parte bajo el piso está reservada para sustitutos (modelos sin datos), para que un modelo con datos siempre esté por encima de uno sin. El piso es igual para todos y no decide nada; los grados sobre él son la medida.
- Equivalentes a descargas
- Todo lo que la puntuación trata como una descarga, sumado: las descargas mismas, cada seeder de torrent como 1,000, cada imagen de AI Horde y cada ejecución en un sitio de generación como uno.
- Escala logarítmica
- Cuenta de a decenas, no de a uno: pasar de 1,000 a 10,000 descargas suma los mismos grados que pasar de 10,000 a 100,000. Evita que los gigantes opaquen todo lo demás.
- Likes
- Pulgares arriba y likes de todas las fuentes, valen la mitad de una descarga cada uno en la escala logarítmica.
- Tasa de adopción
- Cuántas descargas al día recibe un modelo ahora mismo, según la diferencia entre dos lecturas de una fuente. Un cuarto del peso del término de descarga.
- Medido y estimado
- Medido significa que hay dos lecturas de una fuente y la diferencia es real. Estimado significa que solo se conoce el total de hoy y el pasado se distribuye a lo largo de la vida del modelo; el sitio indica cuál está mostrando.
- Seeder
- Alguien que mantiene una copia de los pesos en línea para que otros la descarguen por torrent, o un espejo alojado que hace lo mismo. Cada uno cuenta como 1,000 descargas.
- AI Horde
- Una red de voluntarios que genera imágenes gratis en computadoras donadas. El número de imágenes que ha hecho con un modelo es público, y cada una cuenta como una descarga.
- Sitios de generación
- Sitios que alojan sus propias copias de un modelo y permiten que la gente genere con él, como PixAI, SeaArt y Yodayo. Sus descargas cuentan igual que las de Civitai y cada generación cuenta como una descarga.
- Tokens de OpenRouter
- Un modelo de texto servido mediante una API, como Claude o GPT, no tiene pesos para descargar, por lo que su uso se mide en tokens: fragmentos de texto que leyó y escribió a través de OpenRouter, una puerta de acceso que usan muchas apps, durante los últimos 30 días. Cada 10,000,000 tokens cuentan como una descarga. Fuente: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- Modelo completo (checkpoint)
- Los pesos en sí, el archivo que genera por sí solo. Tiene un bono porque los complementos dependen de él.
- LoRA y embedding
- Archivos pequeños que dirigen los pesos de otro hacia un estilo, personaje o concepto. No pueden funcionar solos.
- Familia y pesos
- La base sobre la que se construye un modelo, como SD 1.5, SDXL, Flux o Wan. Cada modelo hereda la fecha de lanzamiento de los pesos de su familia.
- Antigüedad
- Grados descontados según hace cuánto salieron los pesos de la familia: 150° por año, hasta 750°. Mantiene las descargas antiguas que tuvieron años para acumularse congelando la cima de la lista.
- Impulso de familia
- Un pequeño empujón limitado para LoRAs de una familia que este sitio está promoviendo ahora, siempre listado en el desglose.
- Puntaje provisional
- Un número estable por debajo del mínimo dado a un modelo que aún no tiene reportes de fuentes, para que las listas estén completas. Nunca se posiciona por encima de un modelo con datos.
- ¡Nuevo! (periodo de gracia)
- Un modelo con menos de 7 días muestra ¡Nuevo! en lugar de una puntuación y no ocupa lugar en los rankings. Su puntuación se calcula desde el primer día, pero un modelo de un día crece más rápido que cualquier otro, así que sin este periodo el #1 de la semana siempre sería el que salió ayer en vez del que se mantuvo una semana.
- Tendencia
- Cómo el crecimiento de un modelo en un período se compara con el crecimiento típico de modelos en ese mismo período. Más rápido que lo típico se lee como subida, más lento como bajada.
- Modelo típico
- El punto medio del catálogo: la mitad de los modelos con cifras crecieron más rápido en el período, la otra mitad más lento.
MiniMax M2 es un modelo de texto para la familia Text / LLM listado en ModelTrends.ai, un catálogo de solo lectura de modelos de IA de imagen, vídeo y texto de código abierto. Compáralo con otros modelos Text / LLM y consulta su puntuación de calor para ver su tendencia.
Más modelos Text / LLMMás Texto / LLM de Text / LLMllmminimaxrazonamientoprogramaciónagentescontexto largolocal
Explorar por familia de modelos
Modelos Text / LLM
434
Modelos Anima
528
Modelos Chroma
19
Modelos Fibo
2
Modelos Flux
1,496
Modelos Flux 2 / Klein
1,239
Modelos Flux 3
3
Modelos Moss
3
Modelos Iris
1
Modelos MiniMax H3
364
Modelos Hunyuan
204
Modelos Ideogram
20
Modelos Krea2
717
Modelos Qwen
20
Modelos Qwen2
47
Modelos Ltx2
153