MiniMax: MiniMax M2

MiniMax M2 adalah model pembuatan teks dari MiniMax, dirilis pada 23 Oktober 2025. Ini adalah model bahasa besar yang ringkas dan efisien tinggi dengan 10 miliar parameter aktif dari total 230 miliar, dan MiniMax menggambarkannya sebagai dioptimalkan untuk pengkodean end to end dan alur kerja agentic. Model ini berada dalam kategori teks, jadi ditujukan untuk tugas bahasa bukan pembuatan gambar, audio atau video.

Model ini menerima teks sebagai input dan mengembalikan teks sebagai output. Model ini memiliki jendela konteks 204.800 token, yang cukup besar untuk menampung file sumber substansial, dokumen panjang atau riwayat percakapan yang diperpanjang dalam satu permintaan. Output maksimum adalah 176.947 token, sehingga dapat menghasilkan penyelesaian yang sangat panjang ketika suatu tugas membutuhkannya. MiniMax memposisikannya sebagai memberikan kecerdasan mendekati frontier di seluruh penalaran umum, seiring dengan fokusnya pada pengkodean dan pekerjaan bergaya agen.

Kemampuan tersebut mengarah pada beberapa penggunaan praktis. Fokus pengkodean membuatnya cocok untuk pembuatan kode, refactoring, debugging dan bekerja di seluruh repositori multi file yang perlu dibaca bersama dalam jendela konteks. Penekanan agentic cocok untuk loop pemanggilan alat, di mana model memutuskan fungsi mana yang akan dipanggil dan menggabungkan hasilnya ke langkah berikutnya. Konteks panjang dan batas output panjang juga membantu dalam meringkas atau mentransformasi dokumen besar, dan dengan tugas berat penalaran di mana model mendapat manfaat dari mengerjakan suatu masalah sebelum menjawab.

Anda dapat memanggilnya melalui API yang kompatibel dengan OpenAI dari api14 menggunakan id model "minimax/minimax-m2". Parameter permintaan yang didukung adalah 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 dan top_p. Penggunaan alat tersedia melalui tools dan tool_choice, output terstruktur melalui response_format dan structured_outputs, dan perilaku penalaran dapat dipengaruhi dengan reasoning dan include_reasoning. Pengambilan sampel dapat disetel dengan temperature, top_p, top_k, frequency_penalty, presence_penalty dan repetition_penalty, sementara seed, stop, logprobs dan top_logprobs memberi Anda kendali atas reproduktifitas dan output tingkat token.

Karena model hanya menerima input teks, tugas yang melibatkan gambar, audio atau modalitas lain memerlukan model yang berbeda. Jika beban kerja Anda tidak melibatkan pengkodean, penggunaan alat agentic atau penalaran konteks panjang, model teks yang lebih kecil atau lebih umum mungkin lebih sederhana dan memadai.