MiniMax-M2.7
MiniMax-M2.7 offers the same top-tier intelligence as the standard version—including recursive self-evolution and expert-level office productivity—but is designed for applications requiring sub-second latency and high-speed token generation. Leveraging an enhanced inference backbone architecture, its output speed is 66% faster than the standard model (reaching 100 tps). It is the preferred choice for interactive programming assistants, real-time agent loop execution, and high-throughput enterprise pipelines with stringent completion time requirements.
MiniMax M2.5
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.
MiniMax M2.1
MiniMax M2.1
MiniMax M2.1: Significantly Enhanced Multi-Language Programming, Built for Real-World Complex Tasks
minimax-m2
minimax-m2
minimax-m2 er en kompakt og effektiv stor sprogmodel, optimeret til ende-til-ende-programmering og agent-arbejdsgange, med 10 milliarder aktive parametre (230 milliarder samlede parametre), som leverer ydelse tæt på state-of-the-art i generel inferens, brug af værktøjer og udførelse af opgaver i flere trin, samtidig med at den bevarer lav latenstid og høj effektivitet i udrulning. Modellen udmærker sig i kodegenerering, redigering på tværs af flere filer, compile-run-fix-løkker og fejlrettelse i testverifikation, og opnår fremragende resultater i benchmarks som SWE-Bench Verified, Multi-SWE-Bench og Terminal-Bench, samt demonstrerer konkurrencedygtighed inden for langcyklisk opgaveplanlægning, informationsindhentning og genopretning efter udførelsesfejl i agent-evalueringer som BrowseComp og GAIA. Ifølge Artificial Analysis’ vurdering placerer MiniMax-M2 sig i den øverste kategori blandt open source-modeller inden for omfattende intelligensområder såsom matematik, videnskabelig inferens og efterlevelse af instruktioner. Dets lille antal aktive parametre muliggør hurtig inferens, høj samtidighed og bedre enhedsøkonomi, hvilket gør den ideel til agent-udrulning i stor skala, hjælpeværktøjer til udviklere og inferensdrevne applikationer, der kræver hurtig responstid og omkostningseffektivitet.