MiniMax: MiniMax M2

MiniMax M2 är en textgenereringsmodell från MiniMax, släppt den 23 oktober 2025. Det är en kompakt och högeffektiv stor språkmodell med 10 miljarder aktiverade parametrar av totalt 230 miljarder, och MiniMax beskriver den som optimerad för end-to-end-kodning och agentiska arbetsflöden. Den tillhör kategorin text, så den är inriktad på språkuppgifter snarare än bild-, ljud- eller videogenerering.

Modellen tar text som indata och returnerar text som utdata. Den har ett kontextfönster på 204 800 tokens, vilket är tillräckligt stort för att rymma omfattande källfiler, långa dokument eller utökade konversationshistoriker i en enda begäran. Den maximala utdatan är 176 947 tokens, så den kan producera mycket långa kompletteringar när en uppgift kräver det. MiniMax positionerar den som att leverera intelligens nära frontlinjen inom allmänt resonemang, vid sidan av sitt fokus på kodning och agentliknande arbete.

Dessa förmågor pekar mot några praktiska användningsområden. Kodningsfokuset gör den lämplig för kodgenerering, refaktorering, felsökning och arbete över flerfiliga kodbaser som behöver läsas tillsammans inom kontextfönstret. Den agentiska betoningen passar verktygsanropsloopar, där modellen avgör vilken funktion som ska anropas och införlivar resultatet i sitt nästa steg. Den långa kontexten och de långa utdatagränserna hjälper också till med att sammanfatta eller transformera stora dokument, och med resonemangstunga uppgifter där modellen drar nytta av att arbeta igenom ett problem innan den svarar.

Du kan anropa den via api14:s OpenAI-kompatibla API med modell-id:t "minimax/minimax-m2". De begärandeparametrar som stöds är 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 och top_p. Verktygsanvändning är tillgänglig via tools och tool_choice, strukturerade utdata via response_format och structured_outputs, och resonemangsbeteende kan påverkas med reasoning och include_reasoning. Sampling kan justeras med temperature, top_p, top_k, frequency_penalty, presence_penalty och repetition_penalty, medan seed, stop, logprobs och top_logprobs ger dig kontroll över reproducerbarhet och utdata på token-nivå.

Eftersom modellen endast accepterar textindata behöver uppgifter som involverar bilder, ljud eller andra modaliteter en annan modell. Om din arbetsbelastning inte involverar kodning, agentisk verktygsanvändning eller långt kontextresonemang kan en mindre eller mer allmän textmodell vara enklare och tillräcklig.