- Início
- 12 de fev. de 202690% DE CONFIANÇAde a fonte
MiniMax-M2.5 lançado
Traduzido automaticamente do original
Título original: MiniMax-M2.5 Released
🇸🇪
#3 on Sverigetopplistan Årslista Singlar (2022)
GLF / Ifpi Sverige
A MiniMax lança o M2.5, um modelo de pesos abertos com 229B de parâmetros treinado com aprendizado por reforço em mais de 200,000 ambientes do mundo real, que marca 80.2% no SWE-Bench Verified a 100 tokens por segundo.
- A MiniMax lançou o M2.5 em 12 de fevereiro de 2026, três meses e meio após o início da série M2, como um modelo de pesos abertos “feito para a produtividade no mundo real” e treinado com aprendizado por reforço em centenas de milhares de ambientes reais[1][2]
- Marca 80.2% no SWE-Bench Verified (Claude Opus 4.6, 80.8%), 51.3% no Multi-SWE-Bench e 76.3% no BrowseComp com gerenciamento de contexto, e conclui o SWE-Bench Verified 37% mais rápido que o M2.1; nos harnesses Droid e OpenCode supera por pouco o Opus 4.6, 79.7 contra 78.9 e 76.1 contra 75.9[1]
- O argumento de velocidade da MiniMax é de 100 tokens por segundo na versão Lightning, a $0.30 por 1 milhão de tokens de entrada e $2.40 pelos de saída, com a versão padrão pela metade do preço e 50 tokens por segundo, cerca de $1 por hora de trabalho contínuo[1][2]; sua API agora lista $0.30 e $1.20 para o modelo padrão[3]
- Os pesos estão no Hugging Face sob uma licença MIT modificada, com 229B parâmetros e cerca de 10B ativos[2][4][6]
- As ações da MiniMax, listadas em Hong Kong, subiram mais de 20% durante o pregão no dia do lançamento, pouco mais de um mês após o IPO[6]
Principais recursos
- Programação no estilo arquiteto: antes de escrever código, o M2.5 decompõe os recursos, a estrutura e a interface de um projeto como uma especificação; foi treinado em mais de 10 linguagens, incluindo Go, C, C++, TypeScript, Rust, Kotlin e Python, em mais de 200,000 ambientes[1]
- Trabalho de escritório: criado com profissionais de finanças, direito e ciências sociais para entregas em Word, PowerPoint e modelagem financeira em Excel, e distribuído no MiniMax Agent como Office Skills reutilizáveis[1]
- Pilha de treinamento: o framework de RL nativo para agentes Forge, desenvolvido internamente (aceleração do treinamento de cerca de 40x com agendamento assíncrono e fusão de amostras em árvore), o algoritmo CISPO e uma recompensa de processo para execuções longas de agentes[1][5]
- Pesquisa: a MiniMax chama seus resultados em BrowseComp e Wide Search de líderes do setor, embora seu próprio gráfico coloque o Opus 4.6 à frente nos dois (84 e 79.4 contra 76.3 e 70.3); ela diz que o comportamento é mais estável em scaffolds desconhecidos[1]
Benchmarks[1]
| Benchmark | M2.5 | M2.1 | Claude Opus 4.5 | Claude Opus 4.6 | Gemini 3 Pro | GPT-5.2 |
|---|---|---|---|---|---|---|
| SWE-Bench Verified | 80.2 | 74 | 80.9 | 80.8 | 78 | 80 |
| SWE-Bench Pro | 55.4 | 49.7 | 56.9 | 55.4 | 54.1 | 55.6 |
| SWE-Bench Multilingual | 74.1 | 71.9 | 77.5 | 77.8 | 65 | 72 |
| Multi-SWE-Bench | 51.3 | 47.2 | 50 | 50.3 | 42.7 | — |
| Terminal Bench 2 | 51.7 | 47.9 | 53.4 | 55.1 | 54 | 54 |
| VIBE-Pro (média) | 54.2 | 42.4 | 55.2 | 55.6 | 36.9 | — |
| BrowseComp (com gerenciamento de contexto) | 76.3 | 62 | 67.8 | 84 | 59.2 | 65.8 |
| BFCL multi-turno | 76.8 | 37.4 | 68 | 63.3 | 61 | — |
| MEWC (Excel) | 74.4 | 55.6 | 82.1 | 89.8 | 78.7 | 41.3 |
| GDPval-MM | 59 | 24.6 | 61.1 | 73.5 | 28.1 | 54.5 |
- Lido dos gráficos de benchmarks da MiniMax na publicação de lançamento; um traço significa que o modelo não está nesse painel[1]