MiniMax-M2 — это компактная, высокоэффективная большая языковая модель, оптимизированная для сквозного кодирования и агентских рабочих процессов. Имея 10 миллиардов активированных параметров (всего 230 миллиардов), она обеспечивает почти передовой интеллект в области общего рассуждения, использования инструментов и выполнения многошаговых задач, сохраняя при этом низкую задержку и эффективность развертывания.
Модель превосходно справляется с генерацией кода, редактированием нескольких файлов, циклами компиляции-запуска-исправления и ремонтом, проверенным тестами, демонстрируя высокие результаты на SWE-Bench Verified, Multi-SWE-Bench и Terminal-Bench. Она также конкурентоспособна в агентских оценках, таких как BrowseComp и GAIA, эффективно справляясь с долгосрочным планированием, извлечением информации и восстановлением после ошибок выполнения.
По данным Artificial Analysis, MiniMax-M2 входит в число лучших моделей с открытым исходным кодом по комплексной интеллектуальной производительности, охватывающей математику, естественные науки и следование инструкциям. Небольшой объем активации обеспечивает быстрый вывод, высокую параллельность и улучшенную экономику единицы, что делает ее хорошо подходящей для крупномасштабных агентов, помощников разработчиков и приложений, ориентированных на рассуждения, которые требуют отзывчивости и экономической эффективности.
Чтобы избежать снижения производительности этой модели, MiniMax настоятельно рекомендует сохранять рассуждения между ходами. Узнайте больше об использовании reasoning_details для передачи рассуждений в нашей документации.
Провайдер для MiniMax: MiniMax M2
Hubris маршрутизирует запросы к лучшему доступному провайдеру с автоматическим fallback при сбоях.
Модальности
Провайдеры
Запросы обслуживает один из провайдеров ниже — маршрутизация автоматически выбирает оптимального по доступности и скорости в момент запроса. Итоговая стоимость зависит от того, какой провайдер обслужил запрос, и от попадания в кэш: при повторяющемся контексте вход тарифицируется по цене чтения кэша — до 60–80 % дешевле. Цены — в рублях за 1 млн токенов.
Minimax−15 % | — | — | 100,0 % |
Поддерживаемые параметры
Сравнить с…
выбрать любую модель →Другие модели от minimax
MiniMax: MiniMax M3.1 Flash
MiniMax-M3.1-Flash — это мультимодальная модель от MiniMax. По сравнению с M3, она демонстрирует значительные улучшения по нескольким бенчмаркам, особенно в сложных агентных задачах, кодировании и кибербезопасности. Модель создана для сложной, многошаговой автоматизации совместной работы, понимания реальных кодовых баз, исправления ошибок и создания функций, а также для визуального понимания и создания, включая создание фронтенда и презентаций. Это модель mixture-of-experts с открытым весом, имеющая 23B активных / 428B общих параметров.
MiniMax: H3 Max
MiniMax H3 Max — это модель для генерации видео от MiniMax, выпущенная совместно с fal.ai. Разработанная на основе дополнительного обучения MiniMax H3, она предназначена для более быстрой генерации видео из текста и изображений с...
MiniMax: H3
MiniMax H3 — это легковесная модель для генерации видео с открытым исходным кодом от MiniMax. Она разработана для точного мультимодального редактирования и контролируемой генерации контента, включая редактирование по инструкциям, рендеринг текста и брендов, а также...
MiniMax: Speech 2.8 HD
MiniMax Speech 2.8 HD — это модель преобразования текста в речь от MiniMax. Она подходит для приложений, которые генерируют речь из текста и принимает произвольные идентификаторы голоса MiniMax.
MiniMax: Speech 2.8 Turbo
MiniMax Speech 2.8 Turbo — это модель преобразования текста в речь от MiniMax. Она подходит для приложений, которые генерируют голосовое аудио из текста, и принимает произвольные идентификаторы голоса MiniMax.
MiniMax: MiniMax M3
MiniMax-M3 — это мультимодальная базовая модель от MiniMax. Она поддерживает текстовые, графические и видеовходы с текстовым выводом, имеет контекстное окно в 1M токенов и подходит для долгосрочной агентной работы, кодирования и использования инструментов. Модель построена на MiniMax Sparse Attention (MSA), которая заменяет полное внимание выбором KV-блоков для сокращения вычислений на токен при длинном контексте — примерно в 20 раз дешевле по сравнению с предыдущим поколением при 1M токенов, со значительно более быстрым заполнением и декодированием при сохранении качества в большинстве задач. Обученная как нативная мультимодальная модель на перемежающихся данных и настроенная для многоэтапного, производственного сотрудничества с помощью интерактивной пользовательской симуляторной платформы, модель ориентирована на устойчивые, многошаговые задачи, а не на одноэтапное выполнение.