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 språkmodell, optimalisert for ende-til-ende-programmering og agentarbeidsflyter, med 10 milliarder aktive parametere (230 milliarder totale parametere), som presterer nær state-of-the-art innen generell inferens, verktøybruk og flertrinns oppgaveutførelse, samtidig som den opprettholder lav latens og høy effektivitet ved utrulling. Modellen utmerker seg i kodegenerering, redigering av flere filer, kompiler–kjør–fiks-løkker og feilretting i testverifisering, og oppnår svært gode resultater i benchmark-tester som SWE-Bench Verified, Multi-SWE-Bench og Terminal-Bench, og viser konkurranseevne i langsyklisk oppgaveplanlegging, informasjonsinnhenting og gjenoppretting etter kjørefeil i agent-evalueringer som BrowseComp og GAIA. Vurdert av Artificial Analysis rangerer MiniMax-M2 i det øverste sjiktet blant åpne kildekode-modeller innen omfattende intelligensområder som matematikk, vitenskapelig inferens og evnen til å følge instruksjoner. Det lave antallet aktive parametere muliggjør rask inferens, høy samtidighet og bedre enhetsøkonomi, noe som gjør den ideell for storskala agentutrulling, utviklerstøtteverktøy og inferensdrevne applikasjoner som krever responshastighet og kostnadseffektivitet.