MiniMax: MiniMax M2

MiniMax M2 es un modelo de generación de texto de MiniMax, lanzado el 23 de octubre de 2025. Es un modelo de lenguaje grande compacto y de alta eficiencia con 10 mil millones de parámetros activados de un total de 230 mil millones, y MiniMax lo describe como optimizado para codificación de extremo a extremo y flujos de trabajo agénticos. Se sitúa en la categoría de texto, por lo que está orientado a tareas de lenguaje en lugar de generación de imágenes, audio o video.

El modelo toma texto como entrada y devuelve texto como salida. Tiene una ventana de contexto de 204,800 tokens, que es lo suficientemente grande para contener archivos fuente sustanciales, documentos largos o historiales de conversación extensos en una sola solicitud. La salida máxima es de 176,947 tokens, por lo que puede producir completaciones muy largas cuando una tarea lo requiere. MiniMax lo posiciona como capaz de ofrecer inteligencia cercana a la frontera en razonamiento general, junto con su enfoque en codificación y trabajo de estilo agéntico.

Esas capacidades apuntan a algunos usos prácticos. El enfoque en codificación lo hace una opción razonable para generación de código, refactorización, depuración y trabajo en repositorios de múltiples archivos que necesitan leerse juntos dentro de la ventana de contexto. El énfasis agéntico se adapta a bucles de llamadas a herramientas, donde el modelo decide qué función invocar e incorpora el resultado en su siguiente paso. El contexto largo y los límites de salida largos también ayudan con la summarización o transformación de documentos grandes, y con tareas de razonamiento intensivo donde el modelo se beneficia de trabajar en un problema antes de responder.

Puedes llamarlo a través de la API compatible con OpenAI de api14 usando el id de modelo "minimax/minimax-m2". Los parámetros de solicitud soportados son frequency_penalty, include_reasoning, logprobs, max_tokens, presence_penalty, reasoning, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k, top_logprobs y top_p. El uso de herramientas está disponible a través de tools y tool_choice, las salidas estructuradas a través de response_format y structured_outputs, y el comportamiento de razonamiento puede influirse con reasoning e include_reasoning. El muestreo puede ajustarse con temperature, top_p, top_k, frequency_penalty, presence_penalty y repetition_penalty, mientras que seed, stop, logprobs y top_logprobs te dan control sobre la reproducibilidad y la salida a nivel de token.

Dado que el modelo acepta solo entrada de texto, las tareas que involucran imágenes, audio u otras modalidades necesitan un modelo diferente. Si tu carga de trabajo no involucra codificación, uso de herramientas agénticas o razonamiento de contexto largo, un modelo de texto más pequeño o más general puede ser más simple y suficiente.