MiniMax: MiniMax M2

MiniMax M2 é um modelo de geração de texto da MiniMax, lançado em 23 de outubro de 2025. É um modelo de linguagem de grande porte compacto e de alta eficiência, com 10 bilhões de parâmetros ativados de um total de 230 bilhões, e a MiniMax o descreve como otimizado para fluxos de trabalho de codificação ponta a ponta e agentes. Ele está na categoria de texto, portanto é voltado para tarefas de linguagem, e não para geração de imagem, áudio ou vídeo.

O modelo recebe texto como entrada e retorna texto como saída. Ele tem uma janela de contexto de 204.800 tokens, o que é suficiente para conter arquivos de código substanciais, documentos longos ou históricos de conversa extensos em uma única requisição. A saída máxima é de 176.947 tokens, então ele pode produzir completações muito longas quando uma tarefa exige isso. A MiniMax o posiciona como entregando inteligência próxima da fronteira em raciocínio geral, junto com seu foco em codificação e trabalho no estilo de agentes.

Essas capacidades apontam para alguns usos práticos. O foco em codificação o torna uma escolha razoável para geração de código, refatoração, depuração e trabalho em repositórios com múltiplos arquivos que precisam ser lidos em conjunto dentro da janela de contexto. A ênfase em agentes é adequada para loops de chamada de ferramentas, em que o modelo decide qual função invocar e incorpora o resultado ao próximo passo. O contexto longo e os limites de saída longa também ajudam a resumir ou transformar documentos grandes, e em tarefas com muito raciocínio, em que o modelo se beneficia de trabalhar um problema antes de responder.

Você pode chamá-lo através da API compatível com OpenAI da api14 usando o id de modelo "minimax/minimax-m2". Os parâmetros de requisição suportados são 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. O uso de ferramentas está disponível através de tools e tool_choice, as saídas estruturadas através de response_format e structured_outputs, e o comportamento de raciocínio pode ser influenciado com reasoning e include_reasoning. A amostragem pode ser ajustada com temperature, top_p, top_k, frequency_penalty, presence_penalty e repetition_penalty, enquanto seed, stop, logprobs e top_logprobs dão a você controle sobre reprodutibilidade e saída em nível de token.

Como o modelo aceita apenas entrada de texto, tarefas envolvendo imagens, áudio ou outras modalidades precisam de um modelo diferente. Se sua carga de trabalho não envolve codificação, uso de ferramentas por agentes ou raciocínio com contexto longo, um modelo de texto menor ou mais geral pode ser mais simples e suficiente.