MiniMax M2.1 Modell-Übersicht

Playground Hugging Face API Dokumentation 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

200k Token

128k Token

Unbekannt

230 Mrd.

$0.30

$1.20

200,06k

214,33 GB

MiniMax M2.1 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 M2.1 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 M2.1	77.5	67.45	52.6	88	83

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-5.2	100 %
GPT-5.2 Pro	100 %
OpenAI o3-mini	86,5 %
GPT-5 nano	85,2 %
MiniMax M2.1	83 %
Claude Haiku 4.5	80,7 %
Claude Opus 4.1	78 %

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 Graduate-Level Google-Proof Q&A Benchmark - Diamond Subset. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
Gemini 3 Deep Think	93,8 %
GPT-5.2 Pro	93,2 %
GPT-5.2	92,4 %
Claude Sonnet 4.5	83,4 %
OpenAI o3	83,3 %
MiniMax M2.1	83 %
Gemini 2.5 Flash-Lite	82,8 %
DeepSeek-v3.2 Thinking	82,4 %

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
DeepSeek-v3.2 Speciale	88,7 %
Kimi K2.5 (Thinking)	85 %
GLM-4.7	84,9 %
MiniMax-M2	83 %
GLM-4.6	82,8 %
MiniMax M2.1	81 %
Grok-4 Heavy	79,4 %
Grok-4	79,3 %

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
MiniMax M2.1	88 %
Kimi K2.5 (Thinking)	87,1 %
Grok-4	86,6 %
DeepSeek-R1-0528	85 %
GLM-4.5	84,6 %

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 Tau2-Bench. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
Claude Opus 4.5	93,55 %
GPT-5.2	90,35 %
GLM-4.7	87,4 %
MiniMax M2.1	87 %
Gemini 3 Pro	85,4 %
Claude Sonnet 4.5	84,7 %

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

‌
‌

Technologie & Daten

Technische Spezifikationen

Architektur	Sparse MoE mit Multi-Head Attention (MHA)
Input Kontextlänge	200k
Output Kontextlänge	128k
Tokenizer	MiniMax Tokenizer

Besonderheiten

Derzeit sind keine besonderen Features für dieses Modell bekannt.

Vorteile & Nachteile

Vorteile

Exzellente Multi-Language-Coding-Performance
Übertrifft Claude Sonnet 4.5 in multilingualen Benchmarks, nähert sich Claude Opus 4.5. Ist in der Lage native iOS und Android Apps zu entwickeln.
Extrem kosteneffizient
Nur 8% der Kosten von Claude Sonnet (das bereits sehr kostengünstig ist), bei vergleichbarer Performance.
Open Source verfügbar
Vollständig open-source und auf HuggingFace mit Modified-MIT Lizenz herunterladbar. Lässt sich auch auf Home-PC Hardware ausführen.
Agent-Framework-Kompatibilität
Funktioniert zuverlässig mit Claude Code, Droid, Cline etc.

Nachteile

Fokus auf Coding, schwächer in anderen Bereichen
Mit 78.3% im AIME Benchmark liegt MiniMax-M2.1 deutlich hinter GLM-4.7 (95.7%) oder DeepSeek-V3.2 (93.1%).
10B aktive Parameter limitieren Reasoning-Tiefe
Die sparse Architektur kann bei abstraktem mathematischem Reasoning Nachteile haben.
Politischer Bias möglich
Wie bei allen chinesischen Modellen kann es dazu kommen, dass das LLM einen politischen Einfluss aufweist. Insbesondere bei Coding-LLMs wie MiniMax-M2.1 dürfte dies aber keinen großen Einfluss auf die Arbeit mit dem Modell haben.

Vergleiche MiniMax M2.1 mit anderen LLMs

Vergleiche MiniMax M2.1 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
DeepSeek AI	DeepSeek-v3.2 Speciale	MIT	685 Mrd.	131,07k	64k	$0.28	$0.42	88,7 %
Moonshot AI	Kimi K2.5	MIT	1.000 Mrd.	256k	96k	$0.60	$3.00	85 %
Z.ai	GLM-4.7	MIT	400 Mrd.	200k	128k	$0.60	$2.20	84,9 %
DeepSeek AI	DeepSeek-v3.2	MIT	685 Mrd.	131,07k	64k	$0.28	$0.42	83,3 %
Moonshot AI	Kimi K2 Thinking	MIT	1.000 Mrd.	262,14k	262,14k	$0.60	$2.50	83,1 %
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 %
MiniMax	MiniMax-M2.1	MIT	230 Mrd.	200k	128k	$0.30	$1.20	81 %
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 %

‌
Alle Modelle vergleichen

Provider & APIs

Du kannst MiniMax MiniMax M2.1 über die API folgender Anbieter nutzen.

Das Modell ist derzeit bei keinen Anbietern verfügbar.

‌
‌
‌

‌
‌
‌
‌
‌
‌
‌
‌
‌
‌
‌