MiniMax: MiniMax M2

MiniMax M2 è un modello di generazione di testo di MiniMax, rilasciato il 23 ottobre 2025. È un modello linguistico di grandi dimensioni compatto e ad alta efficienza, con 10 miliardi di parametri attivati su 230 miliardi totali, e MiniMax lo descrive come ottimizzato per il coding end to end e i flussi di lavoro agentici. Rientra nella categoria testo, quindi è pensato per attività linguistiche anziché per la generazione di immagini, audio o video.

Il modello accetta testo come input e restituisce testo come output. Ha una finestra di contesto di 204.800 token, sufficientemente ampia da contenere file sorgente sostanziosi, documenti lunghi o cronologie di conversazione estese in una singola richiesta. L'output massimo è di 176.947 token, quindi può produrre completamenti molto lunghi quando un'attività lo richiede. MiniMax lo posiziona come in grado di offrire un'intelligenza vicina alla frontiera nel ragionamento generale, insieme alla sua attenzione per il coding e il lavoro in stile agente.

Queste capacità indicano alcuni usi pratici. L'attenzione al coding lo rende adatto alla generazione di codice, al refactoring, al debugging e al lavoro su repository multi file che devono essere letti insieme all'interno della finestra di contesto. L'enfasi agentica si adatta ai cicli di chiamata di strumenti, in cui il modello decide quale funzione invocare e incorpora il risultato nel passaggio successivo. Il contesto lungo e i limiti di output elevati aiutano anche con la sintesi o la trasformazione di documenti di grandi dimensioni, e con attività ad alto contenuto di ragionamento in cui il modello trae vantaggio dall'elaborare un problema prima di rispondere.

Puoi chiamarlo tramite l'API compatibile con OpenAI di api14 usando l'id del modello "minimax/minimax-m2". I parametri di richiesta supportati sono 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 e top_p. L'uso degli strumenti è disponibile tramite tools e tool_choice, gli output strutturati tramite response_format e structured_outputs, e il comportamento di ragionamento può essere influenzato con reasoning e include_reasoning. Il campionamento può essere regolato con temperature, top_p, top_k, frequency_penalty, presence_penalty e repetition_penalty, mentre seed, stop, logprobs e top_logprobs ti danno il controllo sulla riproducibilità e sull'output a livello di token.

Poiché il modello accetta solo input testuali, le attività che coinvolgono immagini, audio o altre modalità necessitano di un modello diverso. Se il tuo carico di lavoro non coinvolge coding, uso agentico di strumenti o ragionamento su contesti lunghi, un modello di testo più piccolo o più generale potrebbe essere più semplice e sufficiente.