MiniMax: MiniMax M2

MiniMax M2 est un modèle de génération de texte de MiniMax, publié le 23 octobre 2025. C'est un grand modèle de langage compact et très efficace, avec 10 milliards de paramètres activés sur 230 milliards au total, et MiniMax le décrit comme optimisé pour le codage de bout en bout et les flux de travail agentiques. Il appartient à la catégorie texte, il est donc destiné aux tâches linguistiques plutôt qu'à la génération d'images, d'audio ou de vidéo.

Le modèle prend du texte en entrée et renvoie du texte en sortie. Il dispose d'une fenêtre de contexte de 204 800 tokens, suffisamment grande pour contenir des fichiers source substantiels, de longs documents ou des historiques de conversation étendus dans une seule requête. La sortie maximale est de 176 947 tokens, il peut donc produire des complétions très longues lorsqu'une tâche l'exige. MiniMax le positionne comme offrant une intelligence proche de l'état de l'art en raisonnement général, parallèlement à son accent sur le codage et le travail de type agent.

Ces capacités indiquent quelques usages pratiques. L'accent sur le codage en fait un choix raisonnable pour la génération de code, la refactorisation, le débogage et le travail sur des dépôts multi fichiers qui doivent être lus ensemble dans la fenêtre de contexte. L'accent mis sur les agents convient aux boucles d'appel d'outils, où le modèle décide quelle fonction invoquer et intègre le résultat dans son étape suivante. Le contexte long et les limites de sortie longues aident aussi à résumer ou transformer de grands documents, et pour les tâches à forte intensité de raisonnement où le modèle bénéficie d'un travail approfondi sur un problème avant de répondre.

Vous pouvez l'appeler via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "minimax/minimax-m2". Les paramètres de requête pris en charge sont 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 et top_p. L'utilisation d'outils est disponible via tools et tool_choice, les sorties structurées via response_format et structured_outputs, et le comportement de raisonnement peut être influencé avec reasoning et include_reasoning. L'échantillonnage peut être ajusté avec temperature, top_p, top_k, frequency_penalty, presence_penalty et repetition_penalty, tandis que seed, stop, logprobs et top_logprobs vous donnent le contrôle sur la reproductibilité et la sortie au niveau des tokens.

Comme le modèle accepte uniquement du texte en entrée, les tâches impliquant des images, de l'audio ou d'autres modalités nécessitent un modèle différent. Si votre charge de travail n'implique pas de codage, d'utilisation d'outils agentiques ou de raisonnement sur un contexte long, un modèle texte plus petit ou plus général peut être plus simple et suffisant.