M2.5 的權重是開放的嗎？我可以本地運行嗎？

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.

本模型的指南

2026年10月最佳本地大型語言模型（LLM）按使用情境分類：每個工作都適合的開放模型

開放權重、開源與僅API：你到底能做什麼

我到底需要多少 VRAM 才能在本地跑 AI？

什麼是 GGUF 檔案？量化模型解說（Q4、Q8、fp8、NF4）

全部指南

船長筆記

由 Captain 撰寫，內部編輯

2026-10-13 的筆記

MiniMax M2.5 是 MiniMax 推出的前沿級開放權重模型，專為代理式工作打造：涵蓋完整開發生命週期的編碼、基於瀏覽器的搜尋，以及 Word、Excel 和 PowerPoint 的真實辦公檔案任務。其在真實環境中以強化學習訓練，具備異常強大的工具使用與規劃紀律。輸入每百萬 token 0.27 美元，輸出 1.08 美元，擁有 204,800 token 的上下文視窗，價格低於多數同級競爭者。

以...聞名

SWE-Bench Verified 得分 80.2%，在多個測試中與頂級封閉模型競爭。
在撰寫代碼前先像架構師般規劃，先分解結構與功能。
訓練涵蓋 13 種以上語言，跨 Web、Android、iOS 與 Windows 全棧專案。
原生生成與操作 Word、Excel、PowerPoint 檔案，而非僅生成相關文字。
BrowseComp 得分 76.3%，具強大自主網路搜尋與工具調用能力。

注意

開放權重採用 Modified-MIT 授權——商業部署前請詳查授權條款。
屬前沿規模模型，本地推理需強大硬體，VRAM 需求未公開。
上下文視窗最高 204,800 token，雖長但不及部分競爭對手的百萬以上等級。

最適合

可嘗試的提示詞

從零開始的全棧功能

你正在開發一個任務管理網頁應用。先設計架構：列出元件、資料模型與 API 端點。接著用 Node.js 和 Express 實作一個 REST 端點，能建立新任務、驗證輸入並存入 SQLite 資料庫。包含錯誤處理與簡短的 curl 測試。

多步代理式計畫

我需要調查 GitHub 星數最高的五個開源向量資料庫，比較它們的授權條款，並為想自我部署的初創公司提出推薦。將任務拆解成步驟，說明每步會用什麼工具或搜尋，然後執行計畫並給我最終比較表。

Excel 邏輯純程式碼實作

寫一個使用 openpyxl 的 Python 腳本，打開名為 sales.xlsx 的檔案，讀取名為 Q1 的工作表，將欄 B 為 'EMEA' 的每列欄 C 數值加總，並將結果寫入 F2，E2 寫入標籤 'EMEA Total'。處理找不到工作表的情況。

比較

MiniMax M1
僅限 API 模型
1,000,000 代幣上下文 · $0.55/M 輸入，$2.20/M 輸出
MiniMax M3
開放權重模型
1,048,576 代幣上下文 · $0.30/M 輸入，$1.20/M 輸出
MiniMax M2.1
開放權重模型
204,800 代幣上下文 · $0.30/M 輸入，$1.20/M 輸出
MiniMax M2
開放權重模型
204,800 代幣上下文 · $0.26/M 輸入，$1.02/M 輸出

更多來自 minimax 的文字模型

常見問題

M2.5 的權重是開放的嗎？我可以本地運行嗎？: 是的，權重在 Hugging Face 以 Modified-MIT 授權提供，可本地部署——但 MiniMax 未公布參數數量與最低 VRAM 需求，部署前請先查看倉庫資訊。
M2.5 的價格與上下文視窗大小？: 透過 API，輸入每百萬 token 收費 0.27 美元，輸出每百萬 token 收費 1.08 美元，上下文視窗為 204,800 token。
M2.5 與 M2.1 有何不同？: M2.5 將 M2.1 的編碼焦點擴展至一般辦公工作——原生處理 Word、Excel、PowerPoint 檔案，據報完成代理任務速度比 M2.1 快 37%，且在 SWE-Bench Verified 和 BrowseComp 上得分更高。

船長評語
一款認真代理式編碼模型，價格合理，讓持續自主運行真正可行——辦公檔案流暢處理是罕見的差異化優勢。

Hugging Face 上的模型卡

船長根據模型自身描述與模型卡撰寫這些筆記。價格與上下文大小為撰寫時提供者資料，可能會變動。

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

這個分數是怎麼累積的

這個模型目前還沒有任何來源的流行度數據，所以它會有一個低於 7,000° 的替代數字，讓列表保持完整。它永遠不會排在有數據的模型前面。一旦有來源報告數據，細項就會顯示在這裡。

詞彙表：這裡使用的術語

熱度分數: 一個數字，表示模型目前的使用和需求程度，範圍從 0° 到 9,999°。本網站所有標示「最熱門」的排行榜都是依此排序，沒有其他排序依據。
底線: 每個有實際數據的模型起始於 7,000°。分數範圍是 0° 到 9,999°；底線以下保留給沒有數據的模型，確保有數據的模型總是排名較前。底線對所有人相同，不影響排名；超過底線的度數才是評分依據。
下載等值: 分數中視為下載的所有項目加總：下載本身、每個種子節點算 1,000、每張 AI Horde 圖像和每次生成網站的執行算一。
對數刻度: 以十為單位計數，不是以一為單位：從 1,000 到 10,000 下載增加的度數，和從 10,000 到 100,000 增加的度數相同。這樣能防止巨頭壓過其他模型。
喜歡數: 來自各來源的讚和喜歡，每個在對數刻度上算半個下載量。
採用率: 模型目前每天的下載次數，根據兩次來源讀取的差異計算。權重是下載量的四分之一。
實測與估算: 實測表示有兩個來源的讀數，且差異是真實的。估算表示只知道今天的總數，過去的數據則分散在模型的整個生命週期；網站會說明顯示的是哪一種。
種子節點: 指在線上保留權重檔案供他人透過種子下載的人，或是提供相同服務的鏡像站。每一個種子節點算作1,000次下載。
AI Horde: 一個志願者網絡，利用捐贈的電腦免費生成圖片。它用某模型生成的圖片數量是公開的，每張圖片算作一次下載。
生成網站: 自己托管模型並讓人使用它生成圖片的網站，例如PixAI、SeaArt和Yodayo。它們的下載量和Civitai一樣，每次生成算一次下載。
OpenRouter 代幣: 透過 API 提供的文字模型，如 Claude 或 GPT，沒有權重可下載，因此使用量以代幣計算：過去30天內透過 OpenRouter（許多應用使用的閘道）讀取和生成的文字片段。每 10,000,000 代幣算作一次下載。來源：OpenRouter (openrouter.ai/rankings)，CC BY 4.0。
完整模型（檢查點）: 權重本身，是能獨立生成的檔案。它會有額外加分，因為其他附加檔案都依賴它。
LoRA和嵌入: 小型附加檔案，用來引導別人的權重走向某種風格、角色或概念。它們無法獨立運行。
家族與權重: 模型所建立的基礎，例如SD 1.5、SDXL、Flux或Wan。每個模型都繼承其家族權重的發布日期。
年齡: 根據家族權重發布時間距今多久，扣除的度數：每年150°，最多750°。它會保留那些有多年累積下載的舊模型，防止它們從排行榜頂端消失。
家族加成: 針對本站目前推廣的某個家族的LoRA給予的小幅度限制加成，會在分解中顯示。
替代分數: 給尚無來源報告的模型一個穩定的最低分，讓列表保持完整。它永遠不會高於有數據的模型。
全新！(寬限期): 不到 7 天的新模型會顯示「全新！」而非分數，且不列入排名。分數從第一天開始計算，但一天大的模型成長最快，若不等待，週榜首將永遠是昨天剛出的模型，而非持續一週的。
趨勢: 模型在某段時間內的成長與典型模型同期成長的比較。比典型快表示上升，比典型慢表示下降。
典型模型: 目錄中的中間值：一半模型在該期間成長較快，一半較慢。

相似模型

Qwen3.8 Flash

TEXT / LLM

GPT 3.5 Turbo Instruct

TEXT / LLM

Llama 3.3 70B Instruct

TEXT / LLM

L3 70B Euryale v2.1

TEXT / LLM