MiniMax-M2.1 von MiniMax

MiniMax-M2.1 Modell-Übersicht

MiniMax M2.1 ist ein chinesisches Mixture-of-Experts-Modell, das insbesondere für Programmieraufgaben und den Einsatz in KI-Agenten entwickelt wurde. Mit nur 10B aktiven Parametern bei 230B Gesamtparametern gehört es zu den besten Coding-LLMs. M2.1 ist ein Open Weights Modell und lässt sich bei entsprechender Hardware auch lokal ausführen.

Playground Hugging Face API Dokumentation Blog

Features & Modalitäten

Verfügbar

ReasoningToolsMultimodalitätWebsucheStrukturierte AusgabenQuellenangabenFinetuning

Input:TextBild

Output:TextJson

Details zum Modell

200k Token

128k Token

0,30 $

1,20 $

230 Mrd.

214,33 GB

200,06k

Kosten berechnen Geschwindigkeit testen

MiniMax-M2.1 Benchmark Scores

Stärken

Top 3Wissen & Sprache

MiniMax-M2.1 Benchmark Übersicht

Wissen & Sprache

GPQA Diamond

‌
‌

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, Preisen und Benchmark-Leistung.

Entwickler	Modell⇅	Lizenz⇅	Intelligence-Index ⇅	Input-Tokens ⇅	Output-Tokens ⇅	Input-Preis ⇅	Output-Preis ⇅	Veröffentlichung
MiniMax	MiniMax-M2.1	MIT	–	200k	128k	0,30 $	1,20 $	23.12.2025
Meta AI	Muse Glimmer 30B	Apache 2.0	35,1	131,07k	131,07k	0,35 $	1,50 $	10.08.2026
Meta AI	Muse Spark 1.2	Proprietär	54,1	1,05 Mio.	1,05 Mio.	1,25 $	4,25 $	05.08.2026
Alibaba	Qwen 3.8 Max	Proprietär	–	1 Mio.	128k	2,00 $	6,00 $	02.08.2026
DeepSeek AI	DeepSeek V4 Flash	MIT	49,9	1 Mio.	384k	0,14 $	0,28 $	31.07.2026
Thinking Machines Lab	Inkling Small	Apache 2.0	40	1 Mio.	1 Mio.	0,50 $	1,20 $	30.07.2026
Anthropic	Claude Opus 5	Proprietär	61	1 Mio.	128k	5,00 $	25,00 $	24.07.2026
Google DeepMind	Gemini 3.5 Flash Lite	Proprietär	36,5	1 Mio.	65,54k	0,30 $	2,50 $	21.07.2026
Google DeepMind	Gemini 3.6 Flash	Proprietär	50,1	1 Mio.	64k	1,50 $	7,50 $	21.07.2026
Poolside	Laguna S 2.1	Open Model License	–	1,05 Mio.	131,07k	0,10 $	0,20 $	20.07.2026
MiniMax	MiniMax-M2	MIT	–	204,8k	131,07k	0,30 $	1,20 $	27.10.2025

Inklusive Vorgänger MiniMax-M2 — zusätzlich zu den 10 neuesten Modellen.

‌
Alle Modelle vergleichen

MiniMax-M2.1 ausprobieren

Du musst kein Entwickler sein: MiniMax-M2.1 ist auch direkt in MiniMax Code nutzbar.

MiniMax Code

20,00 $

Provider & APIs

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

Das Modell ist derzeit bei keinen Anbietern verfügbar.

Häufige Fragen zu MiniMax-M2.1

Kann ich MiniMax-M2.1 kostenlos nutzen?

Ja, MiniMax-M2.1 ist in MiniMax Code auch mit einem kostenlosen Konto nutzbar — allerdings meist mit Nutzungslimits.

Ist MiniMax-M2.1 Open Source?

MiniMax-M2.1 wird unter der Lizenz „MIT“ veröffentlicht. Details stehen in den Lizenzbedingungen des Anbieters.

Welche Eingabeformate versteht MiniMax-M2.1?

MiniMax-M2.1 verarbeitet folgende Eingabeformate: Text, Bild.

Was kostet MiniMax-M2.1 über die API?

Über die API kostet MiniMax-M2.1 0,30 $ pro 1 Mio. Input-Token und 1,20 $ pro 1 Mio. Output-Token. Bei Reasoning-Modellen kommen Thinking-Tokens hinzu, die als Output abgerechnet werden.

Wie groß ist das Kontextfenster von MiniMax-M2.1?

MiniMax-M2.1 verarbeitet bis zu 200k Token in einer Anfrage.

Was ist der Vorgänger von MiniMax-M2.1?

Der direkte Vorgänger von MiniMax-M2.1 ist MiniMax-M2 (erschienen Oktober 2025). Einen tabellarischen Vergleich der beiden Modelle findest du auf dieser Seite im Abschnitt „Vergleiche“.

Benchmark	MiniMax-M2.1	MiniMax-M2	MiniMax-M2.5	GLM-4.7	Kimi K2.5	Muse Glimmer 30B	Muse Spark 1.2
AIME 2025Logik & Schlussfolgerung	83 %	78 %	86,3 %	95,7 %	96,1 %	—	—
GPQA DiamondWissen & Sprache	83 %	78 %	85,2 %	85,7 %	87,6 %	83,5 %	90,4 %
Humanity's Last ExamWissen & Sprache	22,2 %	12,5 %	19,4 %	24,8 %	30,1 %	22 %	43,9 %
LiveCodeBenchProgrammierung	81 %	83 %	—	84,9 %	85 %	—	—
MMLU-ProWissen & Sprache	88 %	82 %	—	84,3 %	87,1 %	—	—
SWE-bench VerifiedProgrammierung	74 %	69,4 %	80,2 %	73,8 %	76,8 %	76 %	—
Terminal-Bench 2.0Programmierung	47,9 %	46,3 %	51,7 %	41 %	50,8 %	—	—
τ²-BenchAgentische Aufgaben	87 %	77,2 %	—	87,4 %	—	—	—

Modell	Score
GPT-5.2	100 %
GPT-5.2 Pro	100 %
GPT-5	99,6 %
GPT-5.4 nano	98,33 %
Kimi K2.5 (Thinking)	96,1 %
DeepSeek-v3.2 Speciale	96 %
GLM-4.7	95,7 %
Gemini 3 Pro	95 %
Kimi K2 Thinking	94,5 %
GPT-5.1	94 %
GLM-4.6	93,9 %
DeepSeek-v3.2 Thinking	93,1 %
GPT-5.4 mini	90,83 %
Nemotron 3 Super	90,21 %
Claude Sonnet 4.5	87 %
MiniMax M2.5	86,3 %
MiniMax M2.1	83 %
Claude Haiku 4.5	80,7 %
MiniMax-M2	78 %
Kimi K2 (0905)	49,5 %

Modell	Score
Fugu Ultra	95,5 %
GPT-5.6 Sol	94,6 %
Claude Opus 4.8	93,6 %
Kimi K3	93,5 %
Claude Opus 5	93,43 %
Claude Fable 5	93,18 %
Grok 4.5	93,1 %
GPT-5.6 Terra	92,9 %
Gemini 3.6 Flash	92,8 %
Qwen 3.8 Max	92,6 %
GPT-5.6 Luna	92,3 %
GLM-5.2	91,2 %
DeepSeek V4 Flash 0731	90,8 %
Muse Spark 1.2	90,4 %
DeepSeek-V4-Pro (Preview)	90,1 %
Inkling-Small	89,5 %
Inkling	87,2 %
Gemini 3.5 Flash-Lite	83,8 %
Muse Glimmer 30B	83,5 %
MiniMax M2.1	83 %

Modell	Score
Claude Opus 5	56,3 %
Muse Spark 1.1	52,2 %
Fugu Ultra	50 %
Claude Opus 4.8	49,8 %
GPT-5.6 Sol	47,2 %
Muse Spark 1.2	43,93 %
Qwen 3.8 Max	43,6 %
Kimi K3	43,5 %
Claude Sonnet 5	43,2 %
GPT-5.6 Terra	41,8 %
GLM-5.2	40,5 %
Grok 4.5	40,3 %
Gemini 3.5 Flash	40,2 %
Gemini 3.6 Flash	38,3 %
DeepSeek V4 Flash 0731	36,8 %
Inkling-Small	31,6 %
Inkling	29,7 %
MiniMax M2.1	22,2 %
Muse Glimmer 30B	22 %
Gemini 3.5 Flash-Lite	17,5 %

Modell	Score
Gemini 3.1 Pro	2.887 %
DeepSeek-V4-Pro (Preview)	93,5 %
Fugu Ultra	93,2 %
DeepSeek V4 Flash	91,6 %
Kimi K2.6	89,6 %
Claude Opus 5	89,03 %
DeepSeek-v3.2 Speciale	88,7 %
GPT-5.6 Terra	85,93 %
Kimi K2.5 (Thinking)	85 %
GLM-4.7	84,9 %
Qwen3.5-397B-A17B	83,6 %
DeepSeek-v3.2 Thinking	83,3 %
Kimi K2 Thinking	83,1 %
MiniMax-M2	83 %
GPT-5.6 Sol	82,6 %
Nemotron 3 Super	81,19 %
MiniMax M2.1	81 %
Muse Spark	80 %
Gemma 4 31B	80 %
Gemini 3.1 Flash-Lite	72 %

MiniMax-M2.1

MiniMax-M2.1 Modell-Übersicht

Features & Modalitäten

Features & Modalitäten

Details zum Modell

API-Preise einordnen

MiniMax-M2.1 Benchmark Scores

Stärken

MiniMax-M2.1 Benchmark Übersicht

Wissen & Sprache

Benchmarks & Performance

Technologie & Daten

Technische Spezifikationen

Besonderheiten

Vorteile & Nachteile

Vorteile

Nachteile

Vergleiche MiniMax-M2.1 mit anderen LLMs

MiniMax-M2.1 ausprobieren

Provider & APIs

Häufige Fragen zu MiniMax-M2.1

Stärken

MiniMax-M2.1 Benchmark Übersicht

Wissen & Sprache

Logik & Schlussfolgerung

Programmierung

Agentische Aufgaben

So liest du die Übersicht

MiniMax-M2.1 Performance im Vergleich zu anderen KI-Modellen

So liest du die Tabelle

Ergebnisse in Benchmarks

So liest du die Charts

Modell	Score
Claude Opus 5	91,59 %
GPT-5.6 Sol	89,1 %
MiniMax M2.1	88 %
Qwen3.5-397B-A17B	87,8 %
DeepSeek-V4-Pro (Preview)	87,5 %
Kimi K2.5 (Thinking)	87,1 %
GPT-5.6 Terra	86,66 %
Grok-4	86,6 %
DeepSeek V4 Flash	86,2 %
Gemma 4 31B	85,2 %
DeepSeek-R1-0528	85 %
Kimi K2 Thinking	84,6 %
GLM-4.5	84,6 %
Qwen3 235B A22B Thinking 2507	84,4 %
GLM-4.7	84,3 %
Nemotron 3 Super	83,73 %
MiniMax-M2	82 %
GLM-4.5 Air	81,4 %
Qwen3 30B A3B Instruct 2507	78,4 %
Gemma 3	67,5 %

Modell	Score
GPT-5.6 Sol	96,2 %
Claude Opus 5	96 %
Claude Fable 5	95 %
Claude Mythos Preview	93,9 %
Claude Opus 4.8	88,6 %
Claude Opus 4.7	87,6 %
Claude Sonnet 5	85,2 %
DeepSeek-V4-Pro (Preview)	80,6 %
Gemini 3.1 Pro	80,6 %
MiniMax-M3	80,5 %
Inkling-Small	80,2 %
Kimi K2.6	80,2 %
MiniMax M2.7	79,9 %
Claude Sonnet 4.6	79,6 %
DeepSeek V4 Flash	79 %
Inkling	77,6 %
Muse Spark	77,4 %
Muse Glimmer 30B	76 %
GPT-5.6 Terra	75,2 %
MiniMax M2.1	74 %

Modell	Score
GPT-5.5	82,7 %
Claude Mythos Preview	82 %
GPT-5.4	75,1 %
Claude Opus 4.7	69,4 %
Gemini 3.1 Pro	68,5 %
DeepSeek-V4-Pro (Preview)	67,9 %
Kimi K2.6	66,7 %
Claude Opus 4.6	65,4 %
GLM-5.1	63,5 %
Claude Sonnet 4.6	59,1 %
Muse Spark	59 %
MiniMax M2.7	57 %
DeepSeek V4 Flash	56,9 %
GLM-5	56,2 %
Qwen3.5-397B-A17B	52,5 %
MiniMax M2.5	51,7 %
MiniMax M2.1	47,9 %
GPT-5.4 nano	46,3 %
GPT-5.4 mini	38,2 %
Nemotron 3 Super	31 %

Modell	Score
Claude Opus 4.6	95,6 %
Gemini 3.1 Pro	95,1 %
Claude Sonnet 4.6	94,8 %
Claude Opus 4.5	93,55 %
Muse Spark	91,5 %
GPT-5.2	90,35 %
GLM-5	89,7 %
GPT-5.4 nano	88,38 %
GLM-4.7	87,4 %
MiniMax M2.1	87 %
Qwen3.5-397B-A17B	86,7 %
GPT-5.6 Terra	86,26 %
Gemini 3 Pro	85,4 %
DeepSeek-v3.2 Thinking	80,3 %
GPT-5.1	80,2 %
MiniMax-M2	77,2 %
Gemma 4 31B	76,9 %
GPT-5.4 mini	74,1 %
GLM-5.1	70,6 %
Nemotron 3 Super	61,15 %