MiniMax M2

minimaxminimax/m2

MiniMax M2 is a MoE model blending frontier-level intelligence with efficient active parameters. Engineered for AI agents with strong reasoning, coding, and multilingual performance. Ideal for general-purpose chat/coding, tool use, and high-throughput inference.

GitHub 仓库 — MiniMax-AI/MiniMax-M2 ↗MiniMax 开放平台 — 模型列表 ↗OpenRouter 模型主页 ↗Hugging Face 模型主页 (MiniMax-M2) ↗

MiniMax M2 是一个开源权重的混合专家（MoE）语言模型，于 2025 年 10 月下旬发布，专门为编码和 agent 工作流而设计。总参数量 2300 亿，每次推理仅激活 100 亿参数，在能力与推理效率间取得良好的平衡——这一核心架构延续到后继的 M2.1、M2.5 和 M2.7。M2 在发布时是 Artificial Analysis 综合智能基准中表现最高的开源权重模型，在 SWE-bench 类编码评测和跨 Shell、浏览器、检索、代码运行器的长程工具使用任务上尤为突出。

对于 TheRouter 的操作者而言，M2 占据一个独特的位置：它是 M2 系列的开山之作，证明了 10B 激活参数的 MoE 可以在编码和 agent 基准上与前沿模型竞争。虽然它的后继版本（M2.1、M2.5、M2.7）不断迭代改进，M2 仍然是一个文档完善的基础版本——它是第一个证明 sub-20B 激活架构可达前沿 SWE-bench 得分（69.4% Verified）、BrowseComp 竞争力（44.0%）和强 GAIA 纯文本表现（75.7%）的开源权重模型。新 agent 项目应优先使用 M2.5 或 M2.7，但 M2 在跨版本回归测试、学术基线和需要匹配特定已知 M2 行为特征的部署中仍有价值。

适合使用

• 开源权重 SWE-bench 基准——M2 在发布时 SWE-bench Verified 达 69.4%，登顶开源模型排行榜，证明了 10B 激活参数 MoE 架构可在真实代码仓库编辑任务上竞争
• 长程 agent 工具链——模型可在 Shell、浏览器、检索和代码运行器间规划并执行复杂操作序列，BrowseComp 44.0% 和 GAIA（纯文本）75.7% 的表现证明了这一点
• 多语言软件工程——在 SWE-bench Multilingual 上 56.5%、Multi-SWE-Bench 上 36.2%（使用 claude-code scaffold），覆盖 Rust、Java、Golang、C++ 等语言
• 大规模经济型 agent 推理——10B 激活参数的 MoE 架构意味着相比同等能力稠密模型更快的首 token 延迟和更高并发吞吐，在 TheRouter 上批量 agent 工作负载中经济性突出

不适合使用

• 全新编码 agent 项目——M2.1（2025年12月）、M2.5（2026年2月）和 M2.7（2026年4月）已迭代升级；新集成应从 M2.5 开始作为当前代的推荐入口
• 深层竞赛级数学——AIME25 得分 78.0% 表现不错，但相较 DeepSeek V3.2（88.0%）或 Qwen3-235B-thinking 仍有明显差距
• 视觉或多模态任务——M2 仅支持文本输入/输出；多模态需求请路由 doubao-seed-2.0-vision、qwen3-vl 或 gpt-image-1.5

上下文长度

205K

最大输出

66K

输入价格每百万 tokens

$0.324每百万 Tokens

输出价格每百万 tokens

$1.30每百万 Tokens

模态能力

文本→文本

价格明细

类型	费率
输入	$0.324 每百万 Tokens
输出	$1.30 每百万 Tokens

支持参数

temperaturemax_tokenstop_ptoolstool_choiceresponse_formatstop

模型规格

发布日期	2025-10-27github.com ↗	已核实
架构	230B 总参数 / 10B 激活参数 — MoE（混合专家）；Transformer 架构github.com ↗	已核实
训练数据截止	未公开披露	未知
许可	开源权重（允许商用；据社区报告采用类似 Modified-MIT 的宽松许可）huggingface.co ↗	待核实
支持的推理后端	SGLang、vLLM、Transformers、MLX-LM、KTransformersgithub.com ↗	已核实
后继版本（M2.1）	MiniMax M2.1（2025年12月）— 改进了编码和工具使用；TheRouter 上可用 minimax/m2.1github.com ↗	已核实
家族最新版本（M2.7）	MiniMax M2.7（2026年4月）— 最新一代；TheRouter 上可用 minimax/m2.7openrouter.ai ↗	已核实

基准成绩

Benchmark	Score	Source
SWE-bench Verified OpenHands scaffold, 128k 上下文, 100 最大步骤, 无测试时缩放	69.4%%	github.com ↗
Multi-SWE-Bench claude-code scaffold, 300 最大步骤, 8 次平均	36.2	github.com ↗
SWE-bench Multilingual claude-code scaffold, 300 最大步骤, 8 次平均	56.5	github.com ↗
Terminal-Bench claude-code scaffold, 8 次平均	46.3	github.com ↗
BrowseComp WebExplorer agent 框架	44.0	github.com ↗
BrowseComp-zh WebExplorer agent, 中文子集	48.5	github.com ↗
GAIA (text only) 103 样本验证子集, WebExplorer agent	75.7%%	github.com ↗
AIME25 AA 方法	78	github.com ↗
MMLU-Pro	82	github.com ↗
GPQA-Diamond	78	github.com ↗
ArtifactsBench Gemini-2.5-Pro 裁判, 3 次平均	66.8	github.com ↗
LiveCodeBench (LCB)	83	github.com ↗
xbench-DeepSearch	72	github.com ↗
HLE (w/ tools)	31.8	github.com ↗

API 使用示例

所有新集成都应使用下方示例中的全球端点 api.therouter.ai；旧中国加速端点已下线。

cURL

curl https://api.therouter.ai/v1/chat/completions   -H "Content-Type: application/json"   -H "Authorization: Bearer $THE_ROUTER_API_KEY"   -d '{
    "model": "minimax/m2",
    "messages": [
      {"role": "user", "content": "Summarize the key points from this input."}
    ]
  }'

API 使用指南

完整 API 参考 →

Chat 调用

使用标准 OpenAI 风格的 chat completions 端点，模型 id 为 minimax/m2。支持 tools 和通过 response_format 的 JSON 模式。

cURL

curl https://api.therouter.ai/v1/chat/completions \
  -H "Authorization: Bearer $THEROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"minimax/m2","messages":[{"role":"user","content":"Write a Python function to merge two sorted arrays."}]}'

minimax 其他模型

minimax/m2.1增量升级（2025年12月）— 改进的编码和 agent 泛化；SWE-bench Verified 74.0%minimax/m2.5下一代入口（2026年2月）— SWE-bench Verified 80.2%，更快的 agent 完成 minimax/m2.7最新一代（2026年4月）— M2 家族最新改进

动态与变更

2025-10-27

MiniMax 开源 M2——为编码和 agent 工作流打造的 230B MoE 模型

MiniMax 发布 M2，230B 总参数 / 10B 激活参数的 MoE 语言模型，在发布时登顶 Artificial Analysis 开源权重排行榜。该模型在 SWE-bench Verified 上达到 69.4%，GAIA 纯文本 75.7%，以及具备竞争力的 BrowseComp 得分，每次仅激活 10B 参数实现快速经济的推理。M2 在宽松的开源权重许可下发布，允许商用。

TheRouter 编辑重写github.com/MiniMax-AI ↗

2025-12-23

MiniMax M2.1 发布——编码和 agent 增量改进

MiniMax 发布 M2.1 作为 M2 家族的增量升级，在 SWE-bench Verified（74.0%）、Multi-SWE-Bench（49.4%）以及全新 VIBE 基准（88.6%）上有所提升。M2.1 保持相同的 230B / 10B 激活 MoE 架构和 Modified-MIT 许可。

TheRouter 编辑重写github.com/MiniMax-AI ↗

常见问题

MiniMax M2 是否可以免费用于商业应用？

可以。M2 在开源权重许可下发布，允许商用和自部署。许可条款宽松（据社区报告类似 Modified-MIT）。用户可以从 Hugging Face 或 GitHub 下载权重自部署，或通过 TheRouter 按 token 付费使用。

huggingface.co ↗

M2 在 TheRouter 上支持多长的上下文？

M2 在 TheRouter 上支持 204,800 token 上下文窗口，最大输出 65,536 tokens。模型在 agent 评测（SWE-bench）中使用 128k 上下文，能够处理完整代码库级别的软件工程任务。

openrouter.ai ↗

M2 与其后继版本 M2.1、M2.5、M2.7 相比如何？

每个后继版本逐步改进。M2.1（2025年12月）将 SWE-bench Verified 从 69.4% 提升到 74.0% 并引入了 VIBE 基准。M2.5（2026年2月）进一步改进到 80.2% SWE-bench Verified，agent 完成更快，Toolathlon 得分更高。M2.7（2026年4月）是最新一代。新项目从 M2.5 或 M2.7 开始。M2 仍在回归测试和学术对比中作为文档完善的基础版本使用。

github.com ↗

M2 支持视觉或图片输入吗？

不支持。MiniMax M2 仅支持文本输入/输出。涉及图片、视频或音频的多模态任务，请使用 doubao-seed-2.0-vision、qwen3-vl 或 gpt-image-1.5。M2 专注于编码、文本推理和工具使用。