Bukás ba ang weights at maaari ko bang patakbuhin ang M2.5 nang lokal?

Oo, available ang weights sa Hugging Face sa ilalim ng Modified-MIT licence, kaya posible ang lokal na deployment — pero hindi inilathala ng MiniMax ang bilang ng parameters o minimum VRAM requirements, kaya suriin ang repository bago mag-commit sa hardware.

Magkano ang M2.5 at gaano kahaba ang context window?

Sa API, $0.27 bawat milyon input tokens at $1.08 bawat milyon output tokens, na may 204,800-token context window.

Paano naiiba ang M2.5 sa M2.1?

Pinalalawak ng M2.5 ang coding focus ng M2.1 sa pangkalahatang office work — native na paghawak ng Word, Excel, at PowerPoint files — at iniulat na natatapos ang agentic tasks nang 37% mas mabilis kaysa M2.1 habang mas mataas ang score sa SWE-Bench Verified at BrowseComp.

MiniMax M2.5

6216°

#llm #minimax #pangangatwiran #pag-coding #mga ahente #mahabang konteksto

Patakbuhin ang modelong ito

Alok / Ads

OpenRouter Terminal / API

Bayad kada token

Makipag-chat sa modelong ito sa browser o tawagan ito mula sa iyong code gamit ang isang API key.

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.

Mga gabay para sa model na ito

Pinakamahusay na lokal na LLM ayon sa gamit (Oktubre 2026): ang tamang open model para sa bawat trabaho

Open weights vs open source vs API-only: ano talaga ang pwede mong gawin

Gaano ba talaga kalaki ang VRAM na kailangan ko para sa local AI?

Ano ang GGUF file? Ipinaliwanag ang mga quantized na modelo (Q4, Q8, fp8, NF4)

Lahat ng gabay

Mga tala ng Kapitan

Isinulat ni Captain, ang editor ng bahay

Mga tala mula sa 2026-10-13

Ang MiniMax M2.5 ay frontier-class open-weights model mula sa MiniMax, na ginawa para sa agentic work: coding sa buong development lifecycle, browser-based search, at totoong office-file tasks sa Word, Excel, at PowerPoint. Ang reinforcement-learning training nito sa totoong mundo ay nagbibigay dito ng kakaibang lakas sa paggamit ng tools at disiplina sa pagpaplano. Sa $0.27/M input at $1.08/M output na may 204,800-token context, mas mura ito kaysa karamihan ng katunggali sa parehong benchmark level.

Kilalang-kilala sa

80.2% sa SWE-Bench Verified, katunggali ng mga nangungunang closed models sa maraming harnesses.
Nagpaplano ng code tulad ng isang architect bago magsulat, hinahati muna ang istruktura at mga feature.
Na-train sa 13+ na wika sa web, Android, iOS, at Windows full-stack projects.
Gumagawa at nagpapatakbo ng Word, Excel, at PowerPoint files nang native, hindi lang text tungkol dito.
76.3% sa BrowseComp; malakas sa autonomous web search at tool-calling sa agentic pipelines.

Mag-ingat sa

Open weights sa ilalim ng Modified-MIT licence — suriin ang eksaktong mga termino bago gamitin sa komersyal.
Frontier-scale model; nangangailangan ng seryosong hardware para sa lokal na inference. Hindi inilathala ang VRAM requirements.
Ang context ay hanggang 204,800 tokens — mahaba pero hindi kasing haba ng 1M-plus tier ng ibang katunggali.

Pinakamainam para sa

Pag-coding

Mga ahente at paggamit ng tool

Pangangatwiran

Mahabang konteksto

Tumakbo nang lokal

Mga prompt na subukan

Full-stack feature mula sa simula

Gumagawa ka ng task-management web app. Disenyuhin muna ang arkitektura: ilista ang mga components, data models, at API endpoints. Pagkatapos gumawa ng REST endpoint sa Node.js gamit ang Express na lumilikha ng bagong task, sinusuri ang input, at iniimbak ito sa SQLite database. Isama ang error handling at maikling test gamit ang curl.

Multi-step agentic plan

Kailangan kong magsaliksik ng top five open-source vector databases ayon sa GitHub stars, ikumpara ang kanilang lisensya, at gumawa ng rekomendasyon para sa startup na gustong mag-self-host. Hatiin ang gawain sa mga hakbang, sabihin kung anong tools o paghahanap ang gagawin sa bawat hakbang, pagkatapos isagawa ang plano at bigyan ako ng huling comparison table.

Excel logic sa plain code

Sumulat ng Python script gamit ang openpyxl na nagbubukas ng file na sales.xlsx, binabasa ang sheet na Q1, sinusuma ang mga halaga sa column C para sa bawat row kung saan ang column B ay 'EMEA', at isinusulat ang resulta sa cell F2 na may label na 'EMEA Total' sa E2. I-handle ang kaso kung wala ang sheet.

Ihambing sa

MiniMax M1
Modelong API lang
1,000,000 token na konteksto · $0.55/M input, $2.20/M output
MiniMax M3
Modelong bukas ang timbang
1,048,576 token na konteksto · $0.30/M input, $1.20/M output
MiniMax M2.1
Modelong bukas ang timbang
204,800 token na konteksto · $0.30/M input, $1.20/M output
MiniMax M2
Modelong bukas ang timbang
204,800 token na konteksto · $0.26/M input, $1.02/M output

Higit pang mga text model mula sa minimax

Mga tanong na madalas itanong

Bukás ba ang weights at maaari ko bang patakbuhin ang M2.5 nang lokal?: Oo, available ang weights sa Hugging Face sa ilalim ng Modified-MIT licence, kaya posible ang lokal na deployment — pero hindi inilathala ng MiniMax ang bilang ng parameters o minimum VRAM requirements, kaya suriin ang repository bago mag-commit sa hardware.
Magkano ang M2.5 at gaano kahaba ang context window?: Sa API, $0.27 bawat milyon input tokens at $1.08 bawat milyon output tokens, na may 204,800-token context window.
Paano naiiba ang M2.5 sa M2.1?: Pinalalawak ng M2.5 ang coding focus ng M2.1 sa pangkalahatang office work — native na paghawak ng Word, Excel, at PowerPoint files — at iniulat na natatapos ang agentic tasks nang 37% mas mabilis kaysa M2.1 habang mas mataas ang score sa SWE-Bench Verified at BrowseComp.

Hatol ng Kapitan
Isang seryosong agentic coding model sa presyong abot-kaya para sa tuloy-tuloy na autonomous runs — ang kakayahan sa office-file ay isang bihirang tagapagpahiwalay.

Model card sa Hugging Face

Isinusulat ng Kapitan ang mga tala na ito mula sa sariling paglalarawan at model card ng modelo. Ang mga presyo at laki ng konteksto ay mula sa provider sa oras ng pagsulat at maaaring magbago.

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

Paano nagkakalkula ang score na ito

Walang datos ng kasikatan mula sa kahit anong pinanggalingan ang modelong ito, kaya may stand-in na numero ito sa ibaba ng 7,000° para kumpleto ang mga listahan. Hindi ito kailanman mauuna sa isang modelong may datos. Lalabas dito ang breakdown kapag may nag-ulat na pinanggalingan.

Talahulugan: ang mga terminong ginagamit dito

Heat score: Isang numero kung gaano kadalas gamitin at gusto ang isang modelo ngayon, mula 0° hanggang 9,999°. Bawat listahan sa site na ito na nagsasabing pinakamainit ay nakaayos base dito at wala nang iba pa.
Floor: Ang 7,000° na panimulang puntos ng bawat modelong may totoong datos. Ang sukatan ay mula 0° hanggang 9,999°; ang bahagi sa ilalim ng floor ay para sa mga stand-in (mga modelong walang datos), para laging mas mataas ang ranggo ng may datos kaysa wala. Pareho ang floor para sa lahat at hindi ito nagpapasya; ang mga degree sa itaas nito ang totoong sukat.
Katumbas ng download: Lahat ng tinatrato ng score bilang download, pinagsama-sama: mga download mismo, bawat torrent seeder bilang 1,000, bawat AI Horde na larawan at bawat takbo sa isang generation site bilang isa.
Log scale: Bilang ng sampu, hindi isa-isa: ang pagtaas mula 1,000 hanggang 10,000 downloads ay nagdadagdag ng parehong degree tulad ng mula 10,000 hanggang 100,000. Pinipigilan nito ang mga higante na mauna sa lahat.
Likes: Thumbs up at likes mula sa lahat ng pinanggalingan, na katumbas ng kalahati ng download sa log scale.
Bilis ng pagtanggap: Ilang downloads kada araw ang nakukuha ng modelo ngayon, mula sa pagkakaiba ng dalawang readings ng isang pinanggalingan. Isang-kapat ng bigat ng term na download.
Nasukat at tinantya: Ang nasukat ay ibig sabihin may dalawang pagbabasa mula sa isang pinagmulan at tunay ang pagkakaiba. Ang tinantya naman ay alam lang ang kabuuan ngayon at hinahati ang nakaraan sa buong buhay ng modelo; sinasabi ng site kung alin ang ipinapakita.
Seeder: Isang tao na nag-iimbak ng kopya ng weights online para ma-download ng iba gamit ang torrent, o isang naka-host na mirror na gumagawa rin nito. Bawat isa ay katumbas ng 1,000 downloads.
AI Horde: Isang volunteer network na gumagawa ng mga larawan nang libre gamit ang mga donadong computer. Pampubliko kung ilang larawan ang nagawa gamit ang isang modelo, at bawat isa ay katumbas ng isang download.
Mga generation site: Mga site na may sariling kopya ng modelo at pinapayagan ang mga tao na gumawa gamit ito, tulad ng PixAI, SeaArt at Yodayo. Ang kanilang mga downloads ay binibilang tulad ng sa Civitai at bawat generation run ay isang download.
OpenRouter tokens: Ang isang text model na pinagsisilbihan sa pamamagitan ng API, tulad ng Claude o GPT, ay walang weights na ida-download, kaya ang paggamit nito ay sinusukat sa tokens: mga piraso ng teksto na binasa at isinulat nito sa pamamagitan ng OpenRouter, isang gateway na ginagamit ng maraming apps, sa nakaraang 30 araw. Bawat 10,000,000 tokens ay katumbas ng isang download. Pinagmulan: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Buong modelo (checkpoint): Ang weights mismo, ang file na kayang mag-generate mag-isa. May bonus ito dahil nakadepende dito ang mga add-on.
LoRA at embedding: Maliit na add-on files na nagtutulak sa weights ng iba papunta sa isang estilo, karakter o konsepto. Hindi sila kayang tumakbo mag-isa.
Pamilya at weights: Ang base na pinagbuo ng modelo, tulad ng SD 1.5, SDXL, Flux o Wan. Lahat ng modelo ay namamana ang petsa ng release ng weights ng pamilya nito.
Edad: Mga degree na ibinabawas base sa gaano katagal nang lumabas ang weights ng pamilya: 150° kada taon, hanggang 750°. Pinananatili nito ang mga lumang downloads na may taon para mag-ipon mula sa pag-freeze sa taas ng listahan.
Pampasigla ng pamilya: Isang maliit at limitadong tulak para sa mga LoRA ng pamilyang itinataguyod ng site ngayon, palaging nakalista sa breakdown.
Stand-in score: Isang matatag na numero sa ibaba ng floor na ibinibigay sa modelong wala pang ulat mula sa pinagmulan, para kumpleto ang listahan. Hindi ito nangunguna sa modelong may datos.
Bago! (panahon ng grace): Ang isang model na mas mababa sa 7 araw ang tanda ay nagpapakita ng Bago! sa halip na score at walang puwesto sa mga ranggo. Ang score nito ay kinakalkula mula unang araw, pero ang modelong isang araw pa lang ang tanda ay lumalago nang mas mabilis kaysa sa iba, kaya kung walang paghihintay, ang #1 ng linggo ay palaging yung lumabas kahapon kaysa sa tumagal nang isang linggo.
Uso: Paano ang paglago ng modelo sa isang panahon kumpara sa karaniwang paglago ng modelo sa parehong panahon. Mas mabilis kaysa karaniwan ay pagtaas, mas mabagal ay pagbaba.
Karaniwang modelo: Gitna ng katalogo: kalahati ng mga modelo na may numero ay mas mabilis ang paglago sa panahon, kalahati ay mas mabagal.

Mga katulad na model

DeepSeek V4 Flash 0731

TEXT / LLM

Mga AI model para sa paggawa ng larawan, video at teksto

Ang MiniMax M2.5 ay isang text model para sa pamilyang Text / LLM na nakalista sa ModelTrends.ai, isang read-only na catalog ng mga open source AI model para sa larawan, video at teksto. Ikumpara ito sa ibang Text / LLM model at tingnan ang heat score nito para makita kung gaano ito kasikat.

Higit pang Text / LLM model Higit pang Text / LLM Teksto / LLM llm minimax pangangatwiran pag-coding mga ahente mahabang konteksto lokal

Mag-browse ayon sa pamilya ng model