Kan jag köra MiniMax M2.1 lokalt?

Ja – vikterna är öppna på Hugging Face under Modified-MIT-licens, så lokal distribution är tillåten, men hela modellen är stor och du bör verifiera att din hårdvara klarar den innan nedladdning.

Vad kostar MiniMax M2.1 och hur stort är kontextfönstret?

Via MiniMax API kostar den $0,30 per miljon indata-token och $1,20 per miljon utdata-token, med ett 204 800-token kontextfönster.

Hur skiljer sig M2.1 från sin föregångare M2?

M2.1 presterar betydligt bättre på mjukvarubenchmarks – 49,4 % vs 36,2 % på Multi-SWE-Bench och 72,5 % vs 56,5 % på SWE-Bench Multilingual – och MiniMax säger att output är renare och upplevda svarstider snabbare.

MiniMax M2.1

3782°

#llm #minimax #resonemang #kodning #agenter #fler språk

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

MiniMax | 204,800 token context | $0.30/M input, $1.20/M output. MiniMax-M2.1 är en lättviktig, toppmodern stor språkmodell optimerad för kodning, agentiska arbetsflöden och modern applikationsutveckling. Med endast 10 miljarder aktiverade parametrar levererar den ett stort hopp i verklig kapacitet samtidigt som den bibehåller exceptionell latens, skalbarhet och kostnadseffektivitet. Jämfört med sin föregångare levererar M2.1 renare, mer koncisa utdata och snabbare upplevda svarstider. Den visar ledande flerspråkig kodningsprestanda över stora system och applikationsspråk, med 49,4 % på…MiniMax | 204,800 token context | $0.30/M input, $1.20/M output. MiniMax-M2.1 är en lättviktig, toppmodern stor språkmodell optimerad för kodning, agentiska arbetsflöden och modern applikationsutveckling. Med endast 10 miljarder aktiverade parametrar levererar den ett stort hopp i verklig kapacitet samtidigt som den bibehåller exceptionell latens, skalbarhet och kostnadseffektivitet. Jämfört med sin föregångare levererar M2.1 renare, mer koncisa utdata och snabbare upplevda svarstider. Den visar ledande flerspråkig kodningsprestanda över stora system och applikationsspråk, med 49,4 % på Multi-SWE-Bench och 72,5 % på SWE-Bench Multilingual, och fungerar som en mångsidig agenthjärna för IDE:er, kodningsverktyg och allmän assistans. För att undvika försämrad prestanda rekommenderar MiniMax starkt att bevara resonemang mellan turer. Läs mer om att använda reasoning_details för att skicka tillbaka resonemang i vår dokumentationOpens in new tab.

Guider för denna modell

Bästa lokala LLM efter användningsområde (oktober 2026): rätt öppna modell för varje jobb

Hur mycket VRAM behöver jag egentligen för lokal AI?

Öppna vikter vs öppen källkod vs endast API: vad du faktiskt får göra

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

MiniMax M2.1 är en resonemangskapabel språkmodell från MiniMax med 10 miljarder aktiverade parametrar, ett 200K-token kontextfönster och öppna vikter under en Modified-MIT-licens. Dess utmärkande egenskap är flerspråkig mjukvaruutveckling: den presterar bättre än Claude Sonnet 4.5 på Multi-SWE-Bench och SWE-Bench Multilingual samtidigt som den kostar $0,30 per miljon indata-token. Om du bygger kodningsagenter eller IDE-verktyg och vill ha något du också kan köra lokalt är den värd en seriös titt.

Känd för

Starka flerspråkiga kodningsbenchmarkresultat, slår Claude Sonnet 4.5 på Multi-SWE-Bench.
Endast 10 miljarder aktiverade parametrar, vilket håller latensen låg och gör självhosting möjlig.
Designad som en agentisk 'hjärna': verktygsanvändning, instruktioner, långsiktig planering.
Öppna vikter på Hugging Face under Modified-MIT-licens.
200K-token kontext till $0,30/$1,20 per miljon indata/utdata-token.

Se upp för

MiniMax rekommenderar starkt att bevara resonemang mellan turer; att hoppa över detta försämrar prestandan.
Modified-MIT är inte standard MIT – kontrollera licensvillkoren innan kommersiell användning.
Fullständiga modellvikter är stora; kontrollera ditt VRAM innan lokal användning.

Bäst för

Kodning

Agenter och verktygsanvändning

Resonemang

Fler språk

Kör lokalt

Promptar att prova

Åtgärda ett verkligt GitHub-problem

Här är ett Python-repo och en öppen bugg. Buggen: att anropa `process_batch()` med en tom lista ger ett ohandlat `IndexError` istället för att returnera ett tomt resultat. Reproducera felet, identifiera grundorsaken i koden nedan, skriv en fix och lägg till ett testfall som skulle ha fångat det. [klistra in din kod]

Bygg en agent med flera steg

Du har tillgång till ett webbsökverktyg och ett kodexekveringsverktyg. En användare vill veta aktuell växelkurs mellan USD och JPY, sedan beräkna hur mycket 3 750 USD är värt i JPY och slutligen skriva resultatet till en lokal fil som heter result.txt. Planera stegen, anropa verktygen i ordning och bekräfta att filen skrevs.

Flerspråkig kodgranskning

Granska följande TypeScript-funktion för korrekthet, kantfall och prestanda. Skriv sedan om den i idiomatisk Rust med samma beteende. Förklara eventuella skillnader i felhantering mellan versionerna. [klistra in din TypeScript-funktion]

Jämför med

MiniMax M1
Endast API-modell
1,000,000 tokens kontext · $0.55/M indata, $2.20/M utdata
MiniMax M3
Öppen vikt-modell
1,048,576 tokens kontext · $0.30/M indata, $1.20/M utdata
MiniMax M2.5
Öppen vikt-modell
204,800 tokens kontext · $0.27/M indata, $0.95/M utdata
MiniMax M2
Öppen vikt-modell
204,800 tokens kontext · $0.26/M indata, $1.02/M utdata

Fler textmodeller från minimax

Vanliga frågor

Kan jag köra MiniMax M2.1 lokalt?: Ja – vikterna är öppna på Hugging Face under Modified-MIT-licens, så lokal distribution är tillåten, men hela modellen är stor och du bör verifiera att din hårdvara klarar den innan nedladdning.
Vad kostar MiniMax M2.1 och hur stort är kontextfönstret?: Via MiniMax API kostar den $0,30 per miljon indata-token och $1,20 per miljon utdata-token, med ett 204 800-token kontextfönster.
Hur skiljer sig M2.1 från sin föregångare M2?: M2.1 presterar betydligt bättre på mjukvarubenchmarks – 49,4 % vs 36,2 % på Multi-SWE-Bench och 72,5 % vs 56,5 % på SWE-Bench Multilingual – och MiniMax säger att output är renare och upplevda svarstider snabbare.

Kaptens omdöme
En sällsynt öppen-vikts kodningsagent som presterar över sin aktiverade parameterantal och underbjuder stängda konkurrenter på pris.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Liknande modeller

AI-modeller för bild-, video- och textgenerering

MiniMax M2.1 är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm minimax resonemang kodning agenter fler språk lokal

Bläddra efter modellfamilj