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 is een compact en efficiënt groot taalmodel, geoptimaliseerd voor end-to-end programmeren en agent-werkstromen, met 10 miljard actieve parameters (230 miljard totale parameters), dat bijna state-of-the-art presteert in algemene inferentie, gebruik van tools en uitvoering van taken in meerdere stappen, terwijl het een lage latentie en hoge implementatie-efficiëntie behoudt. Het model blinkt uit in codegeneratie, bewerken van meerdere bestanden, compile-run-fix-lussen en herstel van defecten bij testverificatie, met uitstekende resultaten op benchmarks zoals SWE-Bench Verified, Multi-SWE-Bench en Terminal-Bench, en het toont concurrentiekracht in taakplanning met lange cycli, informatieopvraging en herstel van uitvoeringsfouten in agent-evaluaties zoals BrowseComp en GAIA. Volgens de beoordeling van Artificial Analysis behoort MiniMax-M2 tot de topklasse van open-sourcemodellen op het gebied van algemene intelligentie, zoals wiskunde, wetenschappelijke inferentie en het opvolgen van instructies. Het kleine aantal actieve parameters maakt snelle inferentie, hoge gelijktijdigheid en betere unit economics mogelijk, waardoor het ideaal is voor grootschalige agent-implementatie, ondersteunende hulpmiddelen voor ontwikkelaars en inferentiegestuurde toepassingen die reactiesnelheid en kostenefficiëntie vereisen.