MiniMax-M2.7
MiniMax-M2.7 offers the same top-tier intelligence as the standard versionโincluding recursive self-evolution and expert-level office productivityโbut 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 adalah model bahasa besar yang ringkas dan efisien, dioptimalkan untuk pemrograman end-to-end dan alur kerja agen, dengan 10 miliar parameter aktif (230 miliar parameter total), menampilkan performa yang mendekati state-of-the-art dalam penalaran umum, penggunaan alat, dan eksekusi tugas multi-langkah, sekaligus mempertahankan latensi rendah dan efisiensi penyebaran yang tinggi. Model ini unggul dalam pembuatan kode, pengeditan multi-berkas, siklus kompilasi-jalankan-perbaiki, dan perbaikan bug dalam verifikasi pengujian, meraih hasil yang sangat baik pada benchmark seperti SWE-Bench Verified, Multi-SWE-Bench, dan Terminal-Bench, serta menunjukkan daya saing dalam perencanaan tugas siklus panjang, pengambilan informasi, dan pemulihan kesalahan eksekusi pada evaluasi agen seperti BrowseComp dan GAIA. Menurut penilaian Artificial Analysis, MiniMax-M2 berada di jajaran teratas model open-source dalam ranah kecerdasan komprehensif seperti matematika, inferensi ilmiah, dan kemampuan mengikuti instruksi. Jumlah parameter aktif yang kecil memungkinkan inferensi cepat, konkurensi tinggi, dan ekonomi unit yang lebih baik, sehingga ideal untuk penyebaran agen skala besar, alat bantu pengembang, dan aplikasi berbasis inferensi yang memerlukan kecepatan respons dan efisiensi biaya.