MiniMax-M2

Veröffentlichung

Oktober 2025

Knowledge Cutoff

Unbekannt

Parameter

230 Mrd.

Modellfamilie

MiniMax-M2

MIT

Zum Modell

MiniMax-M2 Modell-Übersicht

MiniMax-M2 ist ein Open-Source Mixture-of-Experts (MoE) LLM, das für Coding und den Einsatz in Agentischen Systemen optimiert wurde. Von den 230 Milliarden Gesamtparametern, werden während der Inferenz 10 Mrd. pro Token aktiviert. Damit ist MiniMax-M2 ein sehr effizientes Modell, das sich sogar auf lokaler Hardware, z.B. auch einem NVIDIA DGX Spark, ausführen lässt. MiniMax-M2 gehört zum Zeitpunkt der Veröffentlichung zu den weltweit besten Open Weights Modellen.

Playground API Dokumentation Github Hugging Face Blog

Features

Tools

Websuche, Bildgenerierung, Computer Use und MCP-Server.

Multimodalität

Das Modell kann Text, Bilder, Audio und PDFs als Input verarbeiten.

Finetuning

Finetuning des Modells ist aktuell nicht möglich.

Details zum Modell

Max. Input

204,8k Token

Max. Output

131,07k Token

Trainingsdaten

Unbekannt

Parameter

230 Mrd.

Input Preis

$0.30

Output Preis

$1.20

Vokabular

200,06k

Dateigröße

0 Bytes

MiniMax-M2 Benchmark Scores

Im KI-Kontext bezeichnet Performance die Leistungsfähigkeit eines Modells in Bereichen wie Sprachverständnis, Logik oder Programmierung – gemessen anhand standardisierter Benchmarks zur objektiven Vergleichbarkeit.

MiniMax-M2 Benchmark Übersicht

Überblick über die Leistungsfähigkeit des Modells in verschiedenen Benchmark-Tests.
Serie	Programmierung (min 0 / max 100)	Agentisch (min 0 / max 100)	Logik & Schlussfolgerung (min 0 / max 100)	Wissen & Sprache (min 0 / max 100)	Wissenschaft (min 0 / max 100)
MiniMax MiniMax-M2	76.2	66.39999999999999	40.766666666666666	82	78

Überblick über die Leistungsfähigkeit des Modells in verschiedenen Benchmark-Tests.

Ergebnisse in Benchmarks

Benchmark auswählen

Darstellung der Rohdaten für den Benchmark American Invitational Mathematics Examination 2025. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
Grok-4 Heavy	100 %
GPT-5	99,6 %
Grok-4	98,8 %
Claude Haiku 4.5	80,7 %
Claude Opus 4.1	78 %
MiniMax-M2	78 %
Claude Opus 4	75,5 %
Gemini 2.5 Flash	72 %

Vergleich von LLMs im Benchmark American Invitational Mathematics Examination 2025. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.

Darstellung der Rohdaten für den Benchmark GAIA: A Benchmark for General AI Assistants. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
MiniMax-M2	75,7 %

Vergleich von LLMs im Benchmark GAIA: A Benchmark for General AI Assistants. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.

Darstellung der Rohdaten für den Benchmark Graduate-Level Google-Proof Q&A Benchmark - Diamond Subset. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
GPT-5 Pro	88,4 %
GPT-5	87,3 %
Gemini 2.5 Pro	86,4 %
Claude Opus 4	79,6 %
Claude 3.7 Sonnet	78,2 %
MiniMax-M2	78 %
OpenAI o3-mini	77 %
Kimi K2 (0905)	75,1 %

Vergleich von LLMs im Benchmark Graduate-Level Google-Proof Q&A Benchmark - Diamond Subset. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.

Darstellung der Rohdaten für den Benchmark LiveCodeBench. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
MiniMax-M2	83 %
GLM-4.6	82,8 %
Grok-4 Heavy	79,4 %
Grok-4	79,3 %
Gemini 2.5 Pro	74,2 %

Vergleich von LLMs im Benchmark LiveCodeBench. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.

Darstellung der Rohdaten für den Benchmark MMLU-Pro. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
Grok-4	86,6 %
DeepSeek-R1-0528	85 %
GLM-4.5	84,6 %
Qwen3 235B A22B Thinking 2507	84,4 %
MiniMax-M2	82 %
GLM-4.5 Air	81,4 %
Qwen3 30B A3B Instruct 2507	78,4 %

Vergleich von LLMs im Benchmark MMLU-Pro. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.

Darstellung der Rohdaten für den Benchmark SWE-bench. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
Claude Sonnet 4.5	77,2 %
GPT-5	74,9 %
GPT-5 Pro	74,9 %
Claude Opus 4	72,5 %
GPT-5 mini	71 %
MiniMax-M2	69,4 %
Kimi K2 (0905)	69,2 %
OpenAI o3	69,1 %

Vergleich von LLMs im Benchmark SWE-bench. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.

Darstellung der Rohdaten für den Benchmark Tau2-Bench. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
Claude Sonnet 4.5	84,7 %
GPT-5	80,1 %
MiniMax-M2	77,2 %
Claude Haiku 4.5	76,6 %
GLM-4.6	75,9 %

Vergleich von LLMs im Benchmark Tau2-Bench. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.

Darstellung der Rohdaten für den Benchmark Terminal-Bench. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
MiniMax-M2	46,3 %

Vergleich von LLMs im Benchmark Terminal-Bench. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.

‌
‌

Technologie & Daten

Technische Spezifikationen

Architektur	Mixture-of-Experts Transformer
Input Kontextlänge	204,8k
Output Kontextlänge	131,07k
Tokenizer	GPT2Tokenizer

Besonderheiten

Extrem niedrige Aktivierungsparameter	Nur 10B der 230B Parameter aktiv
API-Kompatibilität	Unterstützt OpenAI- & Anthropic-API-Standards

Vorteile & Nachteile

Vorteile

Sehr effizientes Modell
Mit ca. 8% der Kosten von Claude Sonnet 4.5 bei nahezu doppelter Geschwindigkeit ist MiniMax-M2 ein extrem kosteneffizientes Modell.
Bestes Open Weights Modell für KI-Agenten
MiniMax-M2 schneidet in vielen Benchmarks für KI-Agenten-Systeme mit hohen Ergebnissen ab.
Beeindruckende Coding-Skills
In Benchmarks wie SWE-Bench oder Terminal-Bench schneidet M2 sehr gut ab. Es eignet sich somit gut für den Einsatz in Vibe-Coding Applikationen.
Open Source mit MIT-Lizenz
Vollständig Open Source und frei für kommerzielle Nutzung, Modifikation und Redistribution

Nachteile

Keine Multimodalität
MiniMax-M2 ist ein Text-only Modell und unterstützt keine multimodalen Eingaben (Bilder, Audio, Video).

Vergleiche MiniMax-M2 mit anderen LLMs

Vergleiche MiniMax-M2 mit anderen Sprachmodellen anhand wichtiger Metriken wie Kontextgröße, Parameteranzahl, Preisen und Benchmark-Leistung.

Entwickler	Modell⇅	Lizenz⇅	Parameter ⇅	Input-Tokens ⇅	Output-Tokens ⇅	Input-Preis ⇅	Output-Preis ⇅	GPQA
MiniMax	MiniMax-M2	MIT	230 Mrd.	204,8k	131,07k	$0.30	$1.20	83 %
Z.ai	GLM-4.6	MIT	355 Mrd.	200k	128k	$0.60	$2.00	82,8 %
xAI	Grok-4 Heavy	Proprietär	Unbekannt	256k	256k	$3.00	$15.00	79,4 %
xAI	Grok 4	Proprietär	Unbekannt	256k	256k	$3.00	$15.00	79,3 %
Google DeepMind	Gemini 2.5 Pro	Proprietär	Unbekannt	1,05 Mio.	65,54k	$1.25	$10.00	74,2 %
Alibaba	Qwen3	Apache 2.0	235 Mrd.	262,14k	81,92k	$0.13	$0.60	74,1 %
DeepSeek AI	Deepseek-R1	MIT	671 Mrd.	163,84k	163,84k	$0.50	$2.15	73,3 %
Z.ai	GLM-4.5	MIT	355 Mrd.	131,07k	131,07k	$0.60	$2.20	72,9 %
Z.ai	GLM-4.5 Air	MIT	106 Mrd.	131,07k	131,07k	$0.20	$1.10	70,7 %
Google DeepMind	Gemini 2.5 Pro	Proprietär	Unbekannt	1,05 Mio.	65,54k	$0.30	$2.50	59,3 %

‌
Alle Modelle vergleichen

Provider & APIs

Du kannst MiniMax MiniMax-M2 über die API folgender Anbieter nutzen.

Das Modell ist derzeit bei keinen Anbietern verfügbar.