Är vikterna öppna och kan jag köra M2.5 lokalt?

Ja, vikterna finns på Hugging Face under Modified-MIT-licens, så lokal drift är möjlig—men MiniMax har inte publicerat parameterantal eller minimikrav på VRAM, så kontrollera repo innan du satsar på hårdvara.

Vad kostar M2.5 och hur stort är kontextfönstret?

Via API kostar det $0.27 per miljon inmatningstokens och $1.08 per miljon utmatningstokens, med ett kontextfönster på 204 800 tokens.

Hur skiljer sig M2.5 från M2.1?

M2.5 utvidgar M2.1:s kodfokus till allmänt kontorsarbete—nativ hantering av Word, Excel och PowerPoint—och rapporteras slutföra agentuppgifter 37 % snabbare än M2.1 samtidigt som den presterar bättre på SWE-Bench Verified och BrowseComp.

MiniMax M2.5

6216°

#llm #minimax #resonemang #kodning #agenter #lång kontext

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 | $0.27/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.

Guider för denna modell

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

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

Hur mycket VRAM behöver jag egentligen för lokal AI?

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 M2.5 är en frontier-klass öppen vikt-modell från MiniMax, byggd specifikt för agentarbete: kodning genom hela utvecklingscykeln, webbläsarbaserad sökning och verkliga kontorsfiluppgifter i Word, Excel och PowerPoint. Dess förstärkningsinlärning i verkliga miljöer ger ovanligt stark verktygsanvändning och planeringsdisciplin. Med $0.27/M inmatning och $1.08/M utmatning samt ett 204 800 tokens kontextfönster underbjuder den de flesta konkurrenter på jämförbara benchmarknivåer.

Känd för

80,2 % på SWE-Bench Verified, konkurrenskraftig med topp stängda modeller på flera testsviter.
Planerar kod som en arkitekt innan en rad skrivs, bryter först ner struktur och funktioner.
Tränad på 13+ språk över webben, Android, iOS och Windows fullstack-projekt.
Genererar och hanterar Word-, Excel- och PowerPoint-filer nativt, inte bara text om dem.
76,3 % på BrowseComp; stark autonom webbsökning och verktygsanrop i agentkedjor.

Se upp för

Öppna vikter under Modified-MIT-licens—kontrollera exakta villkor innan kommersiell användning.
Frontier-skala modell; lokal inferens kräver seriös hårdvara. VRAM-krav är inte publicerade.
Kontexten toppar vid 204 800 tokens—långt men inte i 1M-plus-klassen som vissa konkurrenter nu erbjuder.

Bäst för

Kodning

Agenter och verktygsanvändning

Resonemang

Lång kontext

Kör lokalt

Promptar att prova

Fullstack-funktion från grunden

Du bygger en webbapp för uppgiftshantering. Designa arkitekturen först: lista komponenter, datamodeller och API-endpoints. Implementera sedan en REST-endpoint i Node.js med Express som skapar en ny uppgift, validerar indata och sparar i en SQLite-databas. Inkludera felhantering och ett kort test med curl.

Flerstegs agentplan

Jag behöver undersöka de fem bästa open-source vektordatabaserna efter GitHub-stjärnor, jämföra deras licenser och ge en rekommendation för en startup som vill köra själv. Bryt ner uppgiften i steg, ange vilka verktyg eller sökningar du skulle göra i varje steg, genomför sedan planen och ge en slutgiltig jämförelsetabell.

Excel-logik i ren kod

Skriv ett Python-skript med openpyxl som öppnar filen sales.xlsx, läser arket Q1, summerar värdena i kolumn C för varje rad där kolumn B är 'EMEA', och skriver resultatet i cell F2 med etiketten 'EMEA Total' i E2. Hantera fallet där arket saknas.

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 M2.1
Öppen vikt-modell
204,800 tokens kontext · $0.30/M indata, $1.20/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

Är vikterna öppna och kan jag köra M2.5 lokalt?: Ja, vikterna finns på Hugging Face under Modified-MIT-licens, så lokal drift är möjlig—men MiniMax har inte publicerat parameterantal eller minimikrav på VRAM, så kontrollera repo innan du satsar på hårdvara.
Vad kostar M2.5 och hur stort är kontextfönstret?: Via API kostar det $0.27 per miljon inmatningstokens och $1.08 per miljon utmatningstokens, med ett kontextfönster på 204 800 tokens.
Hur skiljer sig M2.5 från M2.1?: M2.5 utvidgar M2.1:s kodfokus till allmänt kontorsarbete—nativ hantering av Word, Excel och PowerPoint—och rapporteras slutföra agentuppgifter 37 % snabbare än M2.1 samtidigt som den presterar bättre på SWE-Bench Verified och BrowseComp.

Kaptens omdöme
En seriös agentbaserad kodningsmodell till ett pris som gör kontinuerliga autonoma körningar verkligt prisvärda—kontorsfilflödet är en sällsynt differentierare.

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

Qwen3.5 Plus 2026 02 15

TEXT / LLM

GPT 5

TEXT / LLM

AI-modeller för bild-, video- och textgenerering

MiniMax M2.5 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 lång kontext lokal

Bläddra efter modellfamilj