Model AI MiniMax M2 Mengatasi Google DeepMind

Peneraju baharu dalam kalangan model pemberat terbuka

MiniMax, syarikat pemula AI China yang berkembang pesat dan disokong pelabur utama dalam negara, telah melancarkan model bahasa besar M2 dan melonjak ke kelompok teratas dalam kedudukan global bagi sistem AI berpemberat terbuka. Penilaian bebas meletakkan MiniMax M2 sebagai model berpemberat terbuka paling berkeupayaan dalam Indeks Kecerdasan Artificial Analysis, dengan prestasi yang mengatasi Gemini 2.5 Pro Google DeepMind dan menghampiri sistem proprietari terkemuka dari Amerika Syarikat. Syarikat itu membangunkan M2 untuk dua kegunaan yang mendapat perhatian tinggi, iaitu penjanaan kod dan penggunaan alat berasaskan ejen, kemudian menetapkan harga serta mereka bentuknya agar pantas untuk menarik minat pembangun dan perusahaan yang mahu mengurangkan kos tanpa mengorbankan keupayaan.

Kecekapan menjadi teras teknikalnya. MiniMax M2 menggunakan reka bentuk Mixture of Experts yang menghalakan setiap input kepada sebahagian neuron model, dengan hanya kira-kira 10 bilion parameter aktif pada satu-satu masa, sedangkan kapasiti keseluruhan model jauh lebih besar. Pilihan ini mengurangkan kependaman dan keperluan memori GPU tanpa menjejaskan keupayaan penaakulan. API MiniMax ditawarkan pada harga yang sangat rendah, iaitu 0.30 dolar bagi setiap sejuta token input dan 1.20 dolar bagi setiap sejuta token output. Menurut perbandingan syarikat itu sendiri, harganya kira-kira 8 peratus daripada Claude 3.5 Sonnet Anthropic, manakala pasukannya mengiklankan kadar inferens hampir 100 token sesaat. Pemberat penuh model ini tersedia di bawah lesen permisif dan boleh dimuat turun untuk pengehosan kendiri, membolehkan pasukan memperhalus serta menggunakan M2 secara dalaman mengikut keperluan mereka.

Persaingan model berpemberat terbuka China semakin rancak sepanjang tahun ini, dengan DeepSeek, Qwen Alibaba, Moonshot AI dan pihak lain meningkatkan keupayaan konteks panjang dan penaakulan. Kemunculan MiniMax di barisan hadapan penting kerana M2 hadir ketika perniagaan benar-benar membelanjakan wang untuk mengautomasikan sokongan, penyelidikan dan pembangunan melalui ejen yang menggunakan alat untuk melayari web, membuat pertanyaan terhadap data dalaman, menjalankan kod dan menyemak hasil sendiri. Gabungan keupayaan, kos rendah dan pelesenan telus inilah yang menjadikan M2 penanda aras baharu bagi AI berpemberat terbuka.

Sejauh mana prestasinya?

Artificial Analysis menggabungkan penanda aras mencabar merentasi matematik, sains, pematuhan arahan, pengekodan dan aliran kerja ejen untuk menghasilkan satu Indeks Kecerdasan. MiniMax M2 memperoleh skor 61 dalam versi terkini, sekali gus menjadi model berpemberat terbuka terkuat dan antara model terbaik secara keseluruhan. Prestasinya mengatasi Gemini 2.5 Pro dan menghampiri Claude Sonnet 4.5 Anthropic dalam beberapa tugas ejen dan pengekodan, namun masih ketinggalan berbanding sistem kelas termaju terkini seperti GPT 5 dan Grok xAI. Bagi ramai pembangun, ini titik keseimbangan yang menarik kerana mereka mendapat keupayaan hampir setaraf model termaju tanpa kos atau keterikatan kepada penyedia pada tahap yang sama.

Tugas ejen pada tahap hampir setaraf model termaju

Penilaian berasaskan ejen mengukur kebolehan model merancang, menggunakan alat, membaca hasil, menyesuaikan tindakan dan mengesahkan keputusan dalam tugas berbilang langkah. M2 menunjukkan prestasi yang amat baik dalam aspek ini. MiniMax melaporkan skor tinggi dalam beberapa set penilaian berorientasikan ejen, termasuk tau squared Bench dengan 77.2, BrowseComp dengan 44.0 dan FinSearchComp global dengan 65.5. Penilaian ini merangkumi pelayaran web dan pemetikkan sumber, pencarian maklumat kewangan, serta perancangan dan pemulihan apabila langkah gagal. Dalam praktiknya, ini bermakna ejen berasaskan M2 boleh merangka pelan, menjalankan arahan shell, mencari dan membaca sumber, menggunakan penterjemah untuk menguji kod, membetulkan ralat dan mengemukakan bukti yang boleh dijejaki tanpa perlu sentiasa diarahkan manusia.

Penanda aras pengekodan dan penaakulan

MiniMax mereka bentuk M2 untuk aliran kerja pembangun dari awal hingga akhir, yang memerlukan model menyunting berbilang fail, menyusun, menguji dan membaiki kod secara berulang. Dalam tugas seumpama SWE Bench dan Terminal Bench, model ini menunjukkan kecekapan dalam repositori sebenar dan persekitaran baris perintah merentasi pelbagai bahasa. Gambaran gabungan Artificial Analysis, yang turut mengambil kira ujian pengetahuan dan penaakulan seperti GPQA Diamond dan AIME, menunjukkan kekuatan pengekodan M2 tidak mengorbankan kecerdasan umumnya. Bagi organisasi yang mahukan pembantu untuk tugas perisian dan kerja penyelidikan, keupayaan yang konsisten dalam kedua-dua bidang ini menjadi daya tarikannya.

Gambaran ringkas seni bina

M2 ialah model Mixture of Experts yang jarang aktif. Daripada menghantar setiap token melalui setiap bahagian rangkaian gergasi, satu gerbang terlatih memilih hanya beberapa subrangkaian pakar untuk diaktifkan bagi setiap input. Dokumentasi MiniMax menerangkan model dengan kira-kira 230 bilion jumlah parameter dan 10 bilion parameter aktif bagi setiap inferens. Laporan awal menyebut jumlah 200 bilion parameter, namun halaman teknikal dan kad model syarikat itu menjelaskan kapasiti keseluruhan yang lebih besar dengan jumlah aktif yang sama, iaitu 10 bilion. Manfaatnya jelas. Pengguna mendapat keluasan pengetahuan dan pengkhususan model yang sangat besar, dengan kos inferens yang lebih hampir kepada sistem padat 10 bilion parameter.

Kecekapan itu turut tercermin dalam keperluan perkakasan. MiniMax dan penguji pihak ketiga menyatakan M2 boleh dijalankan secara praktikal menggunakan sekurang-kurangnya empat GPU NVIDIA H100 pada ketepatan FP8, menjadikannya mampu dimiliki pasukan kejuruteraan bersaiz sederhana. Sebagai perbandingan, sesetengah pesaing mengaktifkan jauh lebih banyak parameter. V3.2 terbaharu DeepSeek mengaktifkan kira-kira 37 bilion parameter bagi setiap token, manakala Kimi K2 Moonshot AI menggunakan sekitar 32 bilion, sekali gus meningkatkan penggunaan memori dan mengurangkan kadar pemprosesan. Jejak pengaktifan M2 yang lebih kecil juga membantu mengurangkan kependaman hujung dan meningkatkan keserentakan, dua cabaran operasi bagi alat interaktif dan ejen.

Pilihan reka bentuk berasaskan ejen dan penggunaan alat

MiniMax membina M2 untuk berfikir, bertindak dan mengesahkan hasil secara berulang, kemudian menyediakan panduan penggunaan alat yang menghubungkan model itu dengan shell, pelayar, sistem pencarian maklumat dan pelaksana kod. Syarikat itu menekankan jejak penaakulan yang kelihatan dalam format pemikiran berselang-seli. Dalam sesi berbilang giliran, pembantu mengekalkan konteks perancangan dan rangkaian buktinya, sekali gus membantunya pulih daripada data tidak lengkap serta langkah yang gagal, di samping memudahkan pembangun mengaudit keputusan. Pendekatan ini direka supaya tugas jangka panjang lebih boleh dipercayai dan mudah dinyahpepijat.

MiniMax juga menghubungkan M2 dengan rapat kepada persekitaran pembangun praktikal. Model ini berfungsi dengan baik menggunakan rangka kerja inferens popular SGLang dan vLLM, serta mengikut format permintaan lazim yang digunakan oleh OpenAI dan Anthropic. Pasukan boleh menggantikan model sedia ada dengan M2 dengan perubahan kod yang minimum, kemudian meningkatkan skala perkhidmatan mengikut keperluan. Bagi sesiapa yang membina kopilot dalaman atau ejen gred produksi, integrasi yang lebih mudah amat bernilai.

MiniMax membingkaikan pelancaran ini dari sudut misi dan akses. Syarikat itu berkata ia mahu kecerdasan canggih dapat dinikmati oleh kumpulan pengguna yang luas, bukan hanya mereka yang mampu membayar model proprietari premium.

Sejak awal lagi, MiniMax berpegang pada visi 'Kecerdasan untuk Semua'.

Dalam kad model awamnya, pasukan itu menegaskan tumpuan mereka terhadap ejen dan kecekapan.

MiniMax-M2 mentakrifkan semula kecekapan untuk ejen.

MiniMax mengendalikan perkhidmatan Ejen berasaskan M2 dengan dua mod. Mod Lightning menstrim respons serta-merta untuk pertanyaan mudah. Mod Pro mengendalikan tugas rumit yang mengambil masa lebih lama, seperti penyelidikan, pengekstrakan data atau pengekodan berbilang peringkat. Pembahagian ini mencerminkan cara pasukan bekerja sebenar, bersilih ganti antara jawapan pantas dengan projek berterusan yang memerlukan model merancang, melaksanakan dan menyemak hasil kerja dari awal hingga akhir.

Akses, pelesenan dan harga

Ketersediaan M2 terbuka secara luar biasa bagi sistem dengan tahap keupayaan seperti ini. MiniMax telah mengeluarkan pemberat penuh di bawah lesen permisif dan menerbitkan panduan penggunaan. Pembangun boleh memuat turun repositori itu daripada platform seperti Hugging Face, menjalankan inferens setempat dengan SGLang atau vLLM, serta memperhalus model untuk domain tertentu. MiniMax turut menawarkan API dengan harga setiap token yang sangat rendah dan kadar penstriman pantas, selain mempromosikan akses percuma untuk tempoh terhad kepada aplikasi Ejen dan API-nya.

Butiran praktikal yang penting bagi pembeli termasuk sokongan untuk panggilan fungsi berstruktur, pemprosesan konteks panjang dan penggunaan alat yang mantap. MiniMax mengesyorkan tetapan pensampelan lazim dan menyediakan skema panggilan alat yang jelas untuk menghubungkan model dengan perkhidmatan luaran. Bagi pasukan yang bimbang tentang keterikatan kepada penyedia, gabungan pemberat terbuka dan keserasian API yang baik menjadi sebab kukuh untuk menilai M2. Untuk pasukan yang mahu kekal sepenuhnya di premis sendiri, dokumentasi syarikat menerangkan cara menyediakan M2 dengan cekap dan menentukan kapasiti memori GPU bagi tetapan ketepatan berbeza.

• Pemberat diterbitkan untuk pengehosan kendiri, berserta panduan bagi SGLang dan vLLM.
• Harga API ialah 0.30 dolar bagi setiap sejuta token input dan 1.20 dolar bagi setiap sejuta token output, dengan kelajuan yang diiklankan hampir 100 token sesaat.
• Penggunaan alat merangkumi shell, pelayar, pencarian maklumat dan penterjemah kod, dengan jejak penaakulan yang kelihatan untuk menyokong audit dan penyahpepijatan.
• Keserasian dengan API gaya OpenAI dan Anthropic mengurangkan usaha integrasi bagi aplikasi sedia ada.

Pilihan ini menjadikan M2 menarik untuk kopilot kejuruteraan perisian, pembantu analisis data dan ejen sokongan pelanggan yang perlu menggabungkan penaakulan dengan penggunaan alat yang boleh dipercayai.

Pesaing dan perubahan kedudukan

Kemunculan MiniMax M2 menyusun semula kedudukan model berpemberat terbuka dan meningkatkan persaingan di China mahupun Amerika Syarikat. Artificial Analysis meletakkan M2 sebagai model berpemberat terbuka terkuat dengan Indeks Kecerdasan 61, mengatasi Gemini 2.5 Pro Google dan berada tepat di belakang peneraju proprietari seperti Claude Sonnet 4.5, GPT 5 dan Grok 4, bergantung pada tugas. Kedudukan ini amat ketara dalam penilaian ejen seperti BrowseComp dan FinSearchComp global, yang menyaksikan keupayaan M2 merancang, memetik bukti dan pulih daripada ralat berjaya merapatkan sebahagian besar jurang dengan sistem tertutup.

Peta persaingan dalam China juga sedang berubah. DeepSeek dan Qwen mendominasi tajuk berita selama berbulan-bulan dengan latihan berskala termaju dan konteks panjang, tetapi kini MiniMax menarik perhatian melalui jumlah parameter aktif yang lebih kecil, sambil menawarkan prestasi ejen dan pengekodan yang setanding pada kos lebih rendah. DeepSeek telah meneroka jumlah parameter keseluruhan yang amat besar, yang dalam sesetengah konfigurasi boleh meningkatkan keperluan memori hingga hampir 700 gigabait. Pengaktifan jarang MiniMax dan panduan penyediaan yang teliti memastikan keperluan kekal pada tahap kluster yang mampu dimiliki ramai pasukan bersaiz sederhana, khususnya jika menggunakan FP8 dan rangka kerja inferens yang dioptimumkan.

Harga juga penting. Harga token MiniMax jauh lebih rendah, sehingga sepuluh kali ganda, berbanding pesaing proprietari besar. Bagi perusahaan yang mahu menjalankan ratusan ejen atau memastikan alat pengekodan berbantukan AI sentiasa tersedia untuk ramai pembangun sepanjang hari, hal ini boleh mengalihkan perbelanjaan daripada projek rintis kepada penggunaan produksi. Penerbitan pemberat terbuka merupakan satu lagi kelebihan kerana ia membolehkan firma yang mementingkan keselamatan mengaudit, memperhalus dan menggunakan model dalam persekitaran sendiri. Gabungan akses, kos dan keupayaan ini mencabar secara langsung platform proprietari yang bergantung pada harga premium.

Perkara yang perlu dipertimbangkan pembeli

Penanda aras ialah panduan berguna, bukannya jaminan. Artificial Analysis menilai model menggunakan rangka kerja ujian terkawal dan arahan tetap, yang mungkin tidak sepadan sepenuhnya dengan domain atau peralatan sesebuah syarikat. Pasukan yang menggunakan M2 perlu menjalankan penilaian sendiri terhadap tugas yang mewakili keperluan mereka serta mengukur kependaman, kadar pemprosesan dan kebolehpercayaan ejen dengan alat sebenar yang akan digunakan.

Aspek operasi juga perlu dirancang. MiniMax menggalakkan pengguna mengekalkan jejak pemikiran berselang-seli model merentas giliran supaya tugas panjang dapat mengekalkan pelan dan bukti yang koheren. Reka bentuk itu boleh menghasilkan output yang panjang dan sejarah perbualan yang lebih besar, jadi pembangun perlu mengurus tetingkap konteks dengan teliti serta memendekkan atau meringkaskannya apabila boleh. Organisasi yang mengutamakan kadar pemprosesan maksimum juga perlu menguji tetapan pengkuantuman dan strategi pengumpulan kelompok bagi mengimbangi kelajuan, kos dan ketepatan.

Akhir sekali, M2 kekal sebagai sistem berpemberat terbuka yang boleh diubah suai oleh organisasi, sekali gus meningkatkan tanggungjawab terhadap keselamatan dan pematuhan. Pasukan perlu menambah pemantauan, kawalan keselamatan untuk panggilan alat dan kawalan akses pada sebarang penggunaan yang boleh mencapai sumber luaran atau data sensitif. Ini ialah pertimbangan lazim bagi sistem ejen, dan disiplin yang sama perlu diterapkan di sini.

Ringkasan

• MiniMax M2 ialah model berpemberat terbuka dengan kedudukan tertinggi dalam Indeks Kecerdasan Artificial Analysis dan berada dalam kalangan peneraju global secara keseluruhan.
• Prestasi kecerdasan keseluruhannya mengatasi Gemini 2.5 Pro Google, namun ketinggalan berbanding sistem proprietari termaju seperti GPT 5 dan Claude Sonnet 4.5 dalam sesetengah tugas.
• M2 ialah model Mixture of Experts dengan kira-kira 230 bilion jumlah parameter dan 10 bilion parameter aktif bagi setiap inferens, sekali gus mengurangkan kependaman dan kos.
• Prestasi ejen menjadi kelebihan utama, dengan keputusan kukuh dalam tau squared Bench, BrowseComp dan FinSearchComp global.
• Kekuatan pengekodannya disahkan melalui tugas seumpama SWE Bench dan Terminal Bench, menyokong aliran kerja pembangun dari awal hingga akhir.
• API berharga 0.30 dolar bagi setiap sejuta token input dan 1.20 dolar bagi setiap sejuta token output, dengan kelajuan hampir 100 token sesaat.
• Pemberat penuh tersedia secara terbuka untuk pengehosan kendiri di bawah lesen permisif, dan model ini boleh digunakan bersama SGLang, vLLM serta format API lazim.
• Model boleh dijalankan menggunakan sekurang-kurangnya empat GPU NVIDIA H100 pada ketepatan FP8, memudahkan penggunaannya oleh pasukan bersaiz sederhana.
• Berbanding pesaing, M2 mengaktifkan lebih sedikit parameter daripada DeepSeek V3.2 dan Kimi K2 Moonshot, sekali gus meningkatkan kecekapan.
• Perusahaan perlu mengesahkan prestasi menggunakan rantaian alat sendiri serta merancang pengurusan output panjang, konteks dan kawalan keselamatan.