MiniMax: MiniMax M2

MiniMax M2 is een tekstgeneratiemodel van MiniMax, uitgebracht op 23 oktober 2025. Het is een compact, zeer efficiënt groot taal模型的 with 10 miljard geactiveerde parameters van in totaal 230 miljard, en MiniMax beschrijft het als geoptimaliseerd voor end-to-end codering en agentische workflows. Het valt in de categorie tekst, dus het is gericht op taaltaken en niet op het genereren van afbeeldingen, audio of video.

Het model neemt tekst als invoer en geeft tekst als uitvoer. Het heeft een contextvenster van 204.800 tokens, wat groot genoeg is om substantiële bronbestanden, lange documenten of uitgebreide gespreksgeschiedenissen in één verzoek op te nemen. De maximale uitvoer is 176.947 tokens, dus het kan zeer lange completions produceren wanneer een taak dat vereist. MiniMax positioneert het als het leveren van bijna frontier-intelligentie bij algemeen redeneren, naast de focus op codering en agentachtig werk.

Die capaciteiten wijzen op een paar praktische toepassingen. De coderingsfocus maakt het redelijk geschikt voor codegeneratie, refactoring, debugging en het werken met repositories met meerdere bestanden die samen binnen het contextvenster moeten worden gelezen. De agentische nadruk past bij tool calling-loops, waarbij het model beslist welke functie moet worden aangeroepen en het resultaat opneemt in zijn volgende stap. De lange context en lange uitvoerlimieten helpen ook bij het samenvatten of transformeren van grote documenten, en bij redeneerintensieve taken waarbij het model er baat bij heeft een probleem door te werken voordat het antwoordt.

Je kunt het aanroepen via de OpenAI-compatibele API van api14 met het model-id "minimax/minimax-m2". De ondersteunde verzoekparameters zijn 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 en top_p. Toolgebruik is beschikbaar via tools en tool_choice, gestructureerde uitvoer via response_format en structured_outputs, en redeneergedrag kan worden beïnvloed met reasoning en include_reasoning. Sampling kan worden afgestemd met temperature, top_p, top_k, frequency_penalty, presence_penalty en repetition_penalty, terwijl seed, stop, logprobs en top_logprobs je controle geven over reproduceerbaarheid en uitvoer op tokenniveau.

Aangezien het model alleen tekstinvoer accepteert, hebben taken met afbeeldingen, audio of andere modaliteiten een ander model nodig. Als je workload geen codering, agentisch toolgebruik of redeneren met lange context omvat, kan een kleiner of algemener tekstmodel eenvoudiger en voldoende zijn.