MiniMax-M2.5 Modell-Übersicht

MiniMax M2.5 ist das neueste Flaggschiff-Modell von MiniMax (Hailuo AI), das speziell für Workflows von KI-Agenten und Coding-Aufgaben entwickelt wurde. M2.5 ist der Nachfolger von MiniMax-M2.1 und wurde nativ auf das Tool-Calling trainiert. Im Gegensatz zum zeitgleich veröffentlichten GLM-5 kommt MiniMax-M2.5 mit nur 10B aktiven Parametern aus einer 230B MoE-Architektur aus. Damit ist erreicht es vergleichbare Leistung zu GLM-5 und ist deutlich günstiger als Proprietäre Modelle wie Claude Opus 4.6.

Playground API Dokumentation Hugging Face OpenRouter 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

204,8k Token

131,07k Token

Unbekannt

230 Mrd.

$0.30

$1.20

Unbekannt

MiniMax-M2.5 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-M2.5 Benchmark Übersicht

Überblick über die Leistungsfähigkeit des Modells in verschiedenen Benchmark-Tests.
Serie	Logik & Schlussfolgerung (min 0 / max 100)	Wissenschaft (min 0 / max 100)	Programmierung (min 0 / max 100)	Agentisch (min 0 / max 100)
MiniMax MiniMax-M2.5	52.849999999999994	85.2	80.2	51.7

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 %
Claude Sonnet 4.5	87 %
OpenAI o3-mini	86,5 %
MiniMax M2.5	86,3 %
GPT-5 nano	85,2 %
MiniMax M2.1	83 %

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 %
DeepSeek-v3.2 Speciale	85,7 %
GLM-4.7	85,7 %
MiniMax M2.5	85,2 %
OpenAI o3-pro	84 %
Claude Sonnet 4.5	83,4 %

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 SWE-bench. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
Claude Opus 4.5	80,9 %
Claude Opus 4.6	80,8 %
MiniMax M2.5	80,2 %
GPT-5.2	80 %
GLM-5	77,8 %

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

‌
‌

Technologie & Daten

Technische Spezifikationen

Architektur	Sparse MoE-Transformer
Input Kontextlänge	204,8k
Output Kontextlänge	131,07k
Tokenizer	MiniMax Tokenizer

Besonderheiten

Forge RL Framework	Agent-natives Reinforcement-Learning-Framework
Lightning-Variante	Modellvariante mit doppeltem Throughput (100 TPS statt 50 TPS)
Sichtbares Thinking	Thinking-Tokens in transparent einsehbar
Office-Unterstützung	MiniMax 2.5 kann MS Office Dateien erstellen und bearbeiten
Expert Customization	Framework für benutzerdefinierte Experten mit bereits über 10.000 erstellten Expert-Konfigurationen.

Vorteile & Nachteile

Vorteile

Sehr gutes Preis-Leistungs-Verhältnis
MiniMax-M2.5 erreicht eine Vergleichbare Leistung von proprietären Modellen wie Claude Opus 4.6 oder GPT-5.3-Codex, bei nur 1/10 bis 1/20 der Kosten.
Stark in Tool-Calling Benchmarks
MiniMax-M2.5 erreicht 76.8% im BFCL Multi-Turn Benchmark und liegt damit 13 Prozentpunkte vor Claude Opus 4.6. M2.5 erledigte Multi-Step-Tasks in 20% weniger Durchläufen.
Starkes Coding-LLM
Gemeinsam mit GLM-5 führt MiniMax-M2.5 die Coding-Benchmarks der Open-Source Modelle an. Beide Modelle erreichen nahezu die Ergebnisse der proprietären US-Modelle.
Open Weights mit MIT-Lizenz
MiniMax-M2.5 ist vollständig open-source und die Gewichte lassen sich auf HuggingFace lokal herunterladen, sodass du das Modell (mit passender Hardware) offline auf deinem PC-System ausführen kannst.
Hoher Durchsatz
M2.5 erreicht über die Standard-API 50 TPS, bzw. 100 TPS über die teurere "Lightning-API", was durch die reduzierte Anzahl an aktiven Parametern erreicht wird. M2.5 hat damit einen ca. 3x höheren Throughput als Opus 4.6.

Nachteile

Hohe Hardware-Anforderungen für lokales Deployment
Auch wenn MiniMax-M2.5 deutlich kleiner als GLM-5 ist, werden für das lokale Betreiben des 230B-Parameter-Modells mehrere High-End-GPUs benötigt.
Politischer Bias
Wie bei anderen Modellen chinesischer LLM-Entwickler muss davon ausgegangen werden, dass politische Einflüsse in die Antworten mit einfließen.

Vergleiche MiniMax-M2.5 mit anderen LLMs

Vergleiche MiniMax-M2.5 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-M2.5 über die API folgender Anbieter nutzen.

Das Modell ist derzeit bei keinen Anbietern verfügbar.