MiniMax: MiniMax M2

MiniMax M2 to model generowania tekstu od MiniMax, wydany 23 października 2025. To kompaktowy, wysoce wydajny duży model językowy z 10 miliardami aktywowanych parametrów z 230 miliardów całkowitych, a MiniMax opisuje go jako zoptymalizowany pod kątem kompleksowych przepływów pracy związanych z kodowaniem i agentami. Należy do kategorii tekstowej, więc jest skierowany na zadania językowe, a nie generowanie obrazów, dźwięku lub wideo.

Model przyjmuje tekst jako dane wejściowe i zwraca tekst jako dane wyjściowe. Ma okno kontekstu wynoszące 204 800 tokenów, co jest wystarczająco duże, aby pomieścić znaczne pliki źródłowe, długie dokumenty lub rozszerzone historie rozmów w jednym żądaniu. Maksymalne dane wyjściowe to 176 947 tokenów, więc może generować bardzo długie uzupełnienia, gdy zadanie tego wymaga. MiniMax pozycjonuje go jako dostarczającego inteligencję bliską czołówce w ogólnym rozumowaniu, obok skupienia na kodowaniu i pracy w stylu agentowym.

Te możliwości wskazują na kilka praktycznych zastosowań. Skupienie na kodowaniu czyni go rozsądnym wyborem do generowania kodu, refaktoryzacji, debugowania i pracy w repozytoriach wieloplikowych, które trzeba odczytać razem w oknie kontekstu. Nacisk na agentowość pasuje do pętli wywoływania narzędzi, w których model decyduje, którą funkcję wywołać, i włącza wynik do następnego kroku. Długi kontekst i długie limity danych wyjściowych pomagają również w streszczaniu lub przekształcaniu dużych dokumentów oraz w zadaniach wymagających intensywnego rozumowania, gdzie modelowi pomaga przeanalizowanie problemu przed odpowiedzią.

Możesz go wywołać przez API zgodne z OpenAI w api14, używając identyfikatora modelu "minimax/minimax-m2". Obsługiwane parametry żądania to 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 i top_p. Używanie narzędzi jest dostępne przez tools i tool_choice, ustrukturyzowane dane wyjściowe przez response_format i structured_outputs, a na zachowanie związane z rozumowaniem można wpływać przez reasoning i include_reasoning. Próbkowanie można dostroić za pomocą temperature, top_p, top_k, frequency_penalty, presence_penalty i repetition_penalty, natomiast seed, stop, logprobs i top_logprobs dają kontrolę nad powtarzalnością i danymi wyjściowymi na poziomie tokenów.

Ponieważ model przyjmuje wyłącznie dane wejściowe tekstowe, zadania obejmujące obrazy, dźwięk lub inne modalności wymagają innego modelu. Jeśli Twoje obciążenie nie obejmuje kodowania, agentowego używania narzędzi ani rozumowania na długim kontekście, mniejszy lub bardziej ogólny model tekstowy może być prostszy i wystarczający.