MiniMax-M2：2300亿参数高效MoE模型开源

导语：MiniMaxAI正式开源2300亿参数MoE模型MiniMax-M2，以仅100亿激活参数实现编码与智能体任务的卓越性能，重新定义大模型效率标准。

【免费下载链接】MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型，2300亿总参数中仅激活100亿，却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用项目地址: https://ai.gitcode.com/MiniMax-AI/MiniMax-M2

行业现状：随着大语言模型应用向生产环境深入，"性能-效率"平衡成为行业核心挑战。当前主流大模型普遍依赖数百亿甚至千亿级激活参数实现复杂任务处理，导致部署成本高企、响应延迟增加。据Artificial Analysis最新报告，2025年全球企业AI基础设施支出中，模型推理成本占比已达63%，如何在保持性能的同时降低计算资源消耗，成为制约大模型规模化应用的关键瓶颈。

产品/模型亮点：MiniMax-M2采用混合专家（Mixture of Experts, MoE）架构，通过2300亿总参数与100亿激活参数的创新配置，在效率与性能间取得突破性平衡。该模型在编码领域表现尤为突出，支持多文件协同编辑、终端命令执行与自动化测试修复闭环，其核心优势体现在三大维度：

首先是卓越的任务适应性。在SWE-bench Verified代码修复基准测试中，MiniMax-M2取得69.4分的成绩，超越GLM-4.6（68分）和DeepSeek-V3.2（67.8分），仅略低于Claude Sonnet 4.5（77.2分）。更值得关注的是其在Terminal-Bench终端操作任务中的表现，46.3分的成绩不仅领先同类开源模型，甚至超越了Claude Sonnet 4（36.4分），展现出在实际开发环境中的强大实用价值。

[

如上图所示，该对比图表展示了MiniMax-M2在SWE-bench Verified、Multi-SWE-Bench等8项关键编码与智能体任务中的表现。从图中可以清晰看到，尽管激活参数仅为100亿，MiniMax-M2在多数任务中已接近或超越参数量更大的闭源模型，尤其在多语言代码处理和终端操作方面优势明显。这一性能图谱验证了其"小激活、大能力"的设计理念，为开发者提供了兼顾性能与效率的新选择。

其次是智能体工具链调用能力。MiniMax-M2能够规划并执行跨工具链的复杂任务，包括shell命令、网页浏览、信息检索和代码运行器等多模态工具协同。在BrowseComp网页信息获取基准中，其44分的成绩显著领先于Gemini 2.5 Pro（25.3分）和GLM-4.6（40.5分），尤其在中文环境下（BrowseComp-zh）达到48.5分，展现出对中文信息的精准理解与高效处理能力。这种端到端的工具使用能力，使其能够胜任从技术调研到代码实现的全流程开发辅助工作。

最后是部署友好的高效设计。100亿激活参数的配置使其推理延迟降低40%以上，同时保持每秒更高的令牌吞吐量。据官方测试数据，在相同硬件条件下，MiniMax-M2的并发处理能力是同等性能模型的2.3倍，单次推理成本降低65%。这种"轻量级激活"特性完美契合当前行业向高可部署性模型转型的趋势，特别适合构建交互式智能体和批量处理系统。

行业影响：MiniMax-M2的开源将加速大模型技术普及进程，其创新架构为行业提供了"高效能模型"的新范式。对于企业级用户而言，该模型显著降低了高级AI助手的部署门槛——100亿激活参数意味着可在单台高端GPU服务器上实现低延迟推理，无需庞大的分布式集群支持。开发者生态方面，官方已提供SGLang、vLLM、MLX等多种部署框架支持，并发布详细的工具调用指南，配合MIT开源许可，为二次开发和垂直领域定制提供了充分自由度。

值得关注的是，MiniMax-M2在Artificial Analysis综合智能评估中获得61分，位列开源模型首位。该评估体系涵盖数学、科学、指令遵循等多维度能力，其高评分表明MiniMax-M2不仅在专业领域表现突出，更具备全面的通用智能。这种均衡发展的特性使其有望成为从个人开发者到大型企业都能受益的"全场景助手"。

[

从图中可以看出，该评分图表展示了MiniMax-M2在AIME25、MMLU-Pro、GPQA-Diamond等11项综合能力测试中的表现。MiniMax-M2以61分的AA Intelligence总分领先所有开源竞品，尤其在LiveCodeBench（83分）和IFBench（72分）等实操性任务中表现突出。这一结果证明高效模型同样可以具备强大的综合智能，打破了"参数规模决定一切"的行业迷思。

结论/前瞻：MiniMax-M2的开源标志着大模型发展正式进入"精致化"阶段——不再单纯追求参数规模，而是通过架构创新和效率优化实现性能跃升。该模型展现出的100亿激活参数效能，为行业树立了新的效率标杆，预示着"小而美"的专业模型将成为企业级AI应用的主流选择。

对于开发者而言，MiniMax-M2提供了一个理想的智能体开发基座，其原生支持的工具调用能力和编码专长可直接用于构建IDE插件、自动化运维助手、智能数据分析平台等各类应用。随着模型生态的完善，预计将催生一批基于该架构的垂直领域优化版本，进一步拓展大模型的应用边界。

未来，随着MoE技术的持续成熟和硬件适配的深化，我们有理由相信，100亿激活参数级别模型将逐步承担起当前千亿级模型的大部分任务，推动AI助手真正融入生产工具链，实现从"实验性"到"实用性"的关键跨越。MiniMax-M2的开源，无疑为这一进程按下了加速键。

【免费下载链接】MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型，2300亿总参数中仅激活100亿，却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用项目地址: https://ai.gitcode.com/MiniMax-AI/MiniMax-M2