开源大模型SOTA又刷新！中国MiniMax M2全球排名第五，开源榜

中国AI独角兽之一，MiniMax发布了专为智能体和代码任务设计的模型M2，刷新开源SOTA。

价格仅有Claude Sonnet的8%，速度超越近两倍。

MiniMax最知名的就是它们家的海螺AI，时不时就刷新视频生成、语音生成新高度。存在感爆棚。

成立三年，MiniMax迅速发展，完成了多轮融资，在2023年6月就获得了超过2.5亿美元的投资。

在M2之前，MiniMax已经推出了MiniMax-M1系列模型。

MiniMax-M1上线表现优异，超越了DeepSeek-R1和Qwen3-235B等其他强大的开放权重模型。

这些前期工作为M2的开发奠定了坚实的技术基础。

MiniMax的发展战略始终围绕普惠智能这一核心理念。

这种理念引导着MiniMax在模型设计上的选择，也决定了M2的产品定位。

模型只为解决真实世界的问题

随着AI技术的发展，简单的问答式对话助手正在向能够独立完成复杂任务的Agent演进。

MiniMax在实践中发现，现有的AI模型难以完全满足Agent的需求，主要挑战在于性能、价格和推理速度之间的平衡——这几乎是一个不可能三角。

海外顶级模型虽然性能优秀，但价格昂贵且相对较慢。

国内模型价格较低，但在性能和速度上存在差距。

这种状况导致现有的Agent产品往往价格高昂或速度缓慢。例如，许多Agent订阅服务每月需要数十甚至数百美元，完成单个任务常常需要数小时。

Mini-Max团队在公司快速发展的过程中，构建了多种Agent来应对挑战。

这些Agent开始完成越来越复杂的任务，从分析在线数据、研究技术问题，到日常编程、处理用户反馈，甚至筛选人力资源简历。

它们与团队一起工作，推动公司发展，构建了一个从开发AGI到与AGI共同进化的AI原生组织。

MiniMax M2采用了混合专家（MoE）架构，总参数量达到2300亿，但每次推理只激活约100亿参数。

这种设计使得模型在保持强大性能的同时，大幅降低了计算成本和推理延迟。通过激活参数的高效设计，MiniMax实现了智能、速度和成本的最佳平衡。

M2的核心设计理念是为了满足人们的需求，团队要求首先能够自己使用它。

为此，MiniMax的开发者，包括业务和后端团队的成员，与算法工程师一起，投入了大量精力构建环境和评估体系，并越来越多地将其集成到日常工作中。

在掌握这些复杂场景后，MiniMax发现将积累的方法迁移到传统大模型任务（如知识和数学）上，可以自然地获得优异结果。

M2具备三个对Agent至关重要的关键能力：编程、工具使用和深度搜索。

在工具使用和深度搜索方面的能力非常接近海外顶级模型，在编程方面虽然略逊于顶级海外模型，但已经在中国市场处于领先地位。

在编程能力方面，M2专为端到端开发工作流而构建，在Claude Code、Cursor、Cline、Kilo Code和Droid等各种应用中表现出色。

在Agent性能方面，M2展示了出色的规划和稳定执行复杂长链工具调用任务的能力，能够协调调用Shell、浏览器、Python代码解释器和各种MCP工具。

M2在性能和成本上找到了平衡点

MiniMax M2在多个权威基准测试中表现优异。

根据Artificial Analysis的基准测试，该模型集成了10个测试任务，M2在全球排名前五。

在编程和Agent相关的基准测试中，M2刷新了开源模型SOTA。

MiniMax M2在定价策略上具有显著优势。

模型API价格设定为每百万输入令牌0.30美元，每百万输出令牌1.20美元。

这一价格是Claude 3.5 Sonnet的8%，同时提供近两倍的推理速度。

主流模型的推理速度通常在50-80 TPS之间。MiniMax M2提供的在线推理服务TPS（每秒token数）约为100，并且正在快速提升。

MiniMax从两个角度分析了这种价格和推理速度的组合。

一个是价格与性能的关系。合适的模型应该具有良好的性能且价格合理，在下图中应落在绿色区域。这里使用Artificial Analysis上10个测试集的平均分数来代表性能。

另一个是价格与推理速度的关系。部署模型时，通常存在权衡：较慢的推理速度可以带来较低的价格。理想的模型应该既便宜又快速。MiniMax比较了几种代表性模型。

任何人都可以部署和使用它

MiniMax M2提供了多种部署和使用方式，满足不同用户的需求。

模型权重已在Hugging Face上开源，开发者可以自行部署。

用户可以从Hugging Face仓库下载模型权重：

https://huggingface.co/MiniMaxAI/MiniMax-M2

MiniMax推荐使用vLLM或SGLang来部署M2。

vLLM是一个快速且易于使用的大语言模型推理和服务库，最初由加州大学伯克利分校Sky Computing Lab开发。它具有PagedAttention等高效内存管理功能，支持动态批处理和流式响应。

vLLM部署指南：

https://huggingface.co/MiniMaxAI/MiniMax-M2/blob/main/docs/vllm_deploy_guide.md

SGLang是一个为大型语言模型和视觉语言模型设计的高性能服务框架。它旨在提供低延迟和高吞吐量的服务，核心功能包括快速后端运行时，提供带有RadixAttention的前缀缓存、零开销CPU（中央处理器）调度器等。

SGLang部署指南：

https://huggingface.co/MiniMaxAI/MiniMax-M2/blob/main/docs/sglang_deploy_guide.md

为了获得最佳性能，MiniMax推荐使用以下推理参数：

temperature=1.0, top_p = 0.95, top_k = 20

工具调用是Agent功能的核心，MiniMax提供了详细的工具调用指南：

https://huggingface.co/MiniMaxAI/MiniMax-M2/blob/main/docs/tool_calling_guide.md

基于M2模型，MiniMax推出了Agent产品，在中国市场发布了新版，并升级了海外版本。

通用Agent产品MiniMax Agent现已全面开放使用，限时免费：

https://agent.minimax.io/

MiniMax Agent提供两种模式：闪电模式和专业模式。

闪电模式是一种高效、高速的Agent，适用于对话问答、轻量级搜索和简单编码任务等即时输出场景。它通过强大的Agent能力增强了对话产品的体验。

专业模式提供专业的Agent能力，在复杂、长时间运行的任务上实现最佳性能。它擅长深度研究、全栈开发、创建PPT/报告、Web开发等任务。

MiniMax-M2 API已在MiniMax开放平台上提供，也限时免费：

https://platform.minimax.io/docs/api-reference/text-anthropic-api

对于开发者而言，M2提供了一个高性能、低成本的AI模型选择。特别是在Agent和代码生成任务中，M2的表现接近顶级模型，但成本仅为后者的零头。这使得个人开发者和小型企业也能够构建复杂的AI应用。

对于企业用户，M2提供了一个平衡性能、成本和速度的解决方案。企业可以用更低的成本部署AI Agent，提高业务效率。MiniMax内部已经使用这些Agent来处理各种复杂任务，从数据分析到人力资源筛选，证明了其在实际业务中的价值。

AI技术正在朝着更加普惠、实用的方向发展。

参考资料：

https://www.minimax.io/news/minimax-m2

https://artificialanalysis.ai/models

https://artificialanalysis.ai/methodology/intelligence-benchmarking

https://huggingface.co/MiniMaxAI/MiniMax-M2

https://github.com/MiniMax-AI/MiniMax-M2

https://www.modelscope.cn/organization/MiniMax

报告下载

大 佬观点分享

关于RPA、AI、企业数字化转型

(点击文字即可阅读)

| |

| | |

| | |

| | |

| |

行业知识交流分享，结识扩展人脉圈层

公众号后台回复【RPA】或者【流程挖掘】

可受邀加入相关的交流群