Pins zu tag:MiniMax

MiniMax veröffentlicht M1, ein Open-Weight-Reasoning-Modell mit 456B Parametern, hybridem Mixture-of-Experts und Lightning Attention, einem Kontext von 1M Token und einer Reasoning-Ausgabe von 80K Token, trainiert mit einem neuen Reinforcement-Learning-Algorithmus für berichtete $534,700.

MiniMax stellt M2 als Open Source bereit, ein Mixture-of-Experts-Modell mit 230B Parametern und 10B aktiven Parametern für Coding und agentische Aufgaben, zum Preis von $0.30 pro Million Eingabe-Token und zum Start auf Platz eins unter den Open-Weight-Modellen im Intelligence Index von Artificial Analysis.

MiniMax veröffentlicht M2.1, ein Open-Weight-Mixture-of-Experts-Modell für Programmierung und Agenten mit 230B Parametern, von denen 10B aktiviert werden, und das 74.0 bei SWE-bench Verified sowie 88.6 bei seinem neuen Full-Stack-Benchmark VIBE erreicht.

MiniMax veröffentlicht M2.5, ein Open-Weight-Modell mit 229B Parametern, das per Reinforcement Learning in mehr als 200,000 realen Umgebungen trainiert wurde und bei 100 Tokens pro Sekunde 80.2% auf SWE-Bench Verified erreicht.

MiniMax veröffentlicht M2.7, sein erstes Modell, das an der eigenen Weiterentwicklung mitwirkt; es erreicht 56.22% auf SWE-Pro und 57.0% auf Terminal Bench 2, hat native Agent Teams und kostet $0.30 pro 1 Million Eingabe-Tokens.

MiniMax veröffentlicht MiniMax-M3, ein nativ multimodales Modell mit 1M Token Kontext auf Basis seiner neuen Sparse Attention, das 59.0% auf SWE-Bench Pro erreicht und nach einem Einführungsrabatt $0.30 pro 1 Million Eingabe-Token kostet.