MiniMax-M2.5

2.5

Otwarty model językowy MoE od MiniMax (229B parametrów, 256 ekspertów) do agentowego kodowania, rozumowania i użycia narzędzi; okno kontekstu 192K.

✓ Aktywny✓ Publiczny dostęp⚖ Open weightsLLMModel rozumowaniaModel używający narzędzi

Okno kontekstowe

192K

tokenów

Parametry

229B

parametrów

Data premiery

12 lutego 2026

🏢MiniMaxProducent

Dostęp:APIDownloadWdrożenie:☁ Cloud💻 Lokalnie

Przegląd

MiniMax-M2.5 to otwarty (open-weight) model językowy (LLM) opracowany przez chińską firmę MiniMax i udostępniony w lutym 2026 roku na platformie Hugging Face. Model wykorzystuje architekturę Mixture-of-Experts (MoE) z 256 ekspertami, z których 8 jest aktywowanych dla każdego tokena, oraz mechanizm predykcji wielotokenowej (MTP).

Model jest ukierunkowany na zadania agentowe: kodowanie, wieloetapowe rozumowanie oraz korzystanie z narzędzi (tool use / function calling). Obsługuje okno kontekstu o długości 196 608 tokenów (ok. 192K) i pracuje wyłącznie na danych tekstowych. Wagi są dostępne do pobrania na licencji Modified MIT.

Według karty modelu MiniMax-M2.5 osiąga m.in. 80,2% na SWE-Bench Verified, 85,2 na GPQA-Diamond oraz 86,3 na AIME25. Poza pobraniem wag model jest udostępniany także przez API MiniMax.

Klasyfikacja

LLMModel rozumowaniaModel używający narzędzi

Dostęp i wdrożenie

APIPobieranie

ChmuraLokalnie

Wagi: Open weights

Kluczowe parametry

📏 Kontekst: 192K

🧩 Parametry: 229B

✓ Narzędzia

📥 Wejście: tekst

Specyfikacja techniczna

Okno kontekstowe

192K

tokenów

Parametry

229B

parametrów

Licencja

Modified MIT

Funkcje:✓ Używanie narzędzi

Modalności

⬇ Wejście (Input)

text

⬆ Wyjście (Output)

textcode

Możliwości i zastosowania

Natywne możliwości modelu

Rozumowanie

Zdolność modelu do logicznego wnioskowania i rozwiązywania złożonych problemów.

Kategoria: reasoning

Rozumowanie wieloetapowe

Prowadzenie wieloetapowego toku rozumowania w długich, złożonych zadaniach.

Kategoria: reasoning

Długi kontekst

Obsługa dużych okien kontekstowych — dziesiątek do setek tysięcy (lub milionów) tokenów wejścia. Umożliwia analizę całych baz kodu, długich dokumentów, wielu równolegle rozmów bez utraty wcześniejszych informacji. GPT-5.1 wspiera 400 000 tokenów.

Kategoria: language

Programowanie

Generowanie, analizowanie i modyfikowanie kodu w wielu językach programowania. Obejmuje pisanie funkcji, debugowanie, refaktoryzację, code review, tworzenie testów. Mierzone benchmarkami takimi jak HumanEval, SWE-bench.

Kategoria: coding

Wywoływanie funkcji

Natywne wsparcie dla ustrukturyzowanego wykorzystania narzędzi, umożliwiające przepływy pracy oparte na agentach.

Kategoria: planning

Wyjście strukturyzowane

Generowanie danych w ustrukturyzowanych formatach, np. JSON.

Kategoria: structured_generation

Wielojęzyczność

Kompetencje w wielu językach naturalnych (od kilku do stu+): rozumienie, generowanie, tłumaczenie, code-switching w obrębie jednej rozmowy. Modele frontier obsługują szeroki wachlarz języków ze zbliżoną jakością.

Kategoria: language

Planowanie

Tworzenie i realizacja planów działania dla złożonych zadań.

Kategoria: planning

Wyjście strumieniowe

Wiadomości strumieniowe umożliwiają pobieranie treści w czasie rzeczywistym, gdy model generuje odpowiedzi, bez czekania na wygenerowanie całej odpowiedzi. Takie podejście może znacząco poprawić doświadczenie użytkownika, zwłaszcza podczas tworzenia długich treści tekstowych, ponieważ użytkownicy mogą od razu zobaczyć, że odpowiedź zaczyna się pojawiać.

Kategoria: reasoning

Wyniki benchmarków

5 benchmarków

SWE-Bench Verified

accuracy

80.2%