MiniMax-M2 — новый король среди LLM с открытым исходным кодом (особенно для агентного вызова инструментов)

Берегитесь, DeepSeek и Qwen! Появился новый король среди открытых больших языковых моделей (LLM), особенно в той сфере, которой предприятия придают все большее значение: агентное использование инструментов — то есть способность самостоятельно применять возможности другого ПО, такого как веб-поиск или специализированные приложения, без значительного вмешательства человека.

Этой моделью оказалась не кто иной, как MiniMax-M2, новейшая LLM от китайского стартапа с тем же названием. И что является большой победой для компаний по всему миру, модель доступна по мягкой, дружественной к бизнесу лицензии MIT. Это означает, что она предоставляется разработчикам бесплатно для загрузки, развертывания, дообучения и использования по их усмотрению — даже в коммерческих целях. Ее можно найти на Hugging Face, GitHub и ModelScope, а также через API MiniMax здесь. Она также поддерживает стандарты API OpenAI и Anthropic, что позволяет клиентам этих проприетарных ИИ-стартапов при желании легко переключить свои модели на API MiniMax.

Согласно независимым оценкам Artificial Analysis — сторонней организации, занимающейся бенчмаркингом и исследованиями генеративных ИИ-моделей, — M2 теперь занимает первое место среди всех систем с открытыми весами по всему миру в Индексе интеллекта (Intelligence Index), который представляет собой комплексный показатель производительности в области рассуждений, написания кода и выполнения задач.

В агентских бенчмарках, измеряющих способность модели планировать, выполнять действия и использовать внешние инструменты (навыки, лежащие в основе помощников по написанию кода и автономных агентов), собственные результаты MiniMax, полученные по методологии Artificial Analysis, показали: τ²-Bench — 77,2, BrowseComp — 44,0 и FinSearchComp-global — 65,5.

Эти показатели выводят ее на уровень ведущих проприетарных систем, таких как GPT-5 (thinking) и Claude Sonnet 4.5, или близко к нему, что делает MiniMax-M2 самой производительной открытой моделью из всех выпущенных на сегодняшний день для реальных агентских задач и вызова функций (tool-calling).

Что это значит для бизнеса и гонки ИИ

Созданная на базе эффективной архитектуры «мощности смешанных экспертов» (Mixture-of-Experts, MoE), MiniMax-M2 обеспечивает высочайший уровень возможностей для агентских и разработческих рабочих процессов, оставаясь при этом практичной для развертывания на предприятиях.

Для технических директоров этот релиз знаменует собой важный поворотный момент для открытых моделей в корпоративной среде. MiniMax-M2 сочетает в себе рассуждения передового уровня с умеренными требованиями к активации — всего 10 миллиардов активных параметров из 230 миллиардов общих.

Такая конструкция позволяет предприятиям запускать передовые задачи по рассуждениям и автоматизации на меньшем количестве графических процессоров, достигая результатов, близких к передовым (state-of-the-art), без инфраструктурных требований или лицензионных сборов, связанных с проприетарными системами верхнего уровня.

Данные Artificial Analysis показывают, что сильные стороны MiniMax-M2 выходят за рамки простых оценок интеллектуальных способностей. Модель лидирует или идет вровень с ведущими проприетарными системами, такими как GPT-5 (thinking) и Claude Sonnet 4.5, в бенчмарках комплексного написания кода, рассуждений и использования агентских инструментов.

Ее показатели в τ²-Bench, SWE-Bench и BrowseComp свидетельствуют об особых преимуществах для организаций, зависящих от ИИ-систем, способных планировать, выполнять и проверять сложные рабочие процессы — ключевые функции для агентских и разработческих инструментов внутри корпоративных сред.

Как написал на X инженер по LLM Пьер-Карл Лангле (Pierre-Carl Langlais), также известный как Александр Дория: «MiniMax доказывает необходимость сквозного освоения технологии для достижения реальной агентской автоматизации».

Компактный дизайн, масштабируемая производительность

Техническая архитектура MiniMax-M2 представляет собой разреженную модель Mixture-of-Experts с 230 миллиардами общих параметров и 10 миллиардами активных на один вывод (inference).

Эта конфигурация значительно снижает задержку и требования к вычислительным ресурсам при сохранении широкого общего интеллекта.

Такой дизайн обеспечивает быстрые циклы работы агентов (циклы «компиляция — запуск — тест» или «поиск — извлечение — цитирование»), которые выполняются быстрее и более предсказуемо, чем в более плотных моделях.

Для корпоративных технологических команд это означает более простое масштабирование, меньшие затраты на облачные вычисления и снижение трудностей при развертывании. Согласно данным Artificial Analysis, модель может эффективно обслуживаться всего на четырех графических процессорах NVIDIA H100 с точностью FP8, что вполне доступно для средних организаций или локальных ИИ-кластеров.

Лидерство в бенчмарках для кодинга и агентских процессов

Набор бенчмарков MiniMax подчеркивает высокую производительность в реальных условиях разработки и агентских сред. На приведенной ниже диаграмме, выпущенной вместе с моделью, MiniMax-M2 (выделена красным цветом) сравнивается с несколькими ведущими проприетарными и открытыми моделями, включая GPT-5 (thinking), Claude Sonnet 4.5, Gemini 2.5 Pro и DeepSeek-V3.2.

MiniMax-M2 достигает наивысших или близких к ним результатов во многих категориях:

• SWE-bench Verified: 69,4 — близко к 74,9 у GPT-5

• ArtifactsBench: 66,8 — выше, чем у Claude Sonnet 4.5 и DeepSeek-V3.2

• τ²-Bench: 77,2 — приближается к 80,1 у GPT-5

• GAIA (только текст): 75,7 — превосходит DeepSeek-V3.2

• BrowseComp: 44,0 — заметно превосходит другие открытые модели

• FinSearchComp-global: 65,5 — лучший показатель среди протестированных систем с открытыми весами

Эти результаты демонстрируют способность MiniMax-M2 выполнять сложные задачи с поддержкой инструментов на разных языках и в различных средах — навыки, которые становятся все более востребованными для автоматизированной поддержки, исследований и разработок (R&D), а также анализа данных внутри предприятий.

Успех в «Индексе интеллекта» от Artificial Analysis

Общий профиль интеллекта модели подтверждается в новейшем Индексе интеллекта Artificial Analysis v3.0, который агрегирует результаты по десяти бенчмаркам рассуждений, включая MMLU-Pro, GPQA Diamond, AIME 2025, IFBench и τ²-Bench Telecom.

MiniMax-M2 набрала 61 балл, заняв первое место среди моделей с открытыми весами во всем мире и расположившись сразу за GPT-5 (high) и Grok 4.

В Artificial Analysis отметили баланс модели между технической точностью, глубиной рассуждений и прикладным интеллектом в различных областях. Для корпоративных пользователей такая стабильность указывает на надежную основу модели, подходящую для интеграции в системы разработки программного обеспечения, техподдержки или автоматизации работы с знаниями.

Создано для разработчиков и агентских систем

MiniMax спроектировала M2 для сквозных рабочих процессов разработчиков, обеспечивая многофайловое редактирование кода, автоматическое тестирование и исправление регрессий прямо в интегрированных средах разработки (IDE) или пайплайнах CI/CD.

Модель также превосходно справляется с агентским планированием — решением задач, сочетающих веб-поиск, выполнение команд и вызовы API с сохранением возможности отслеживания логики рассуждений.

Эти возможности делают MiniMax-M2 особенно ценной для предприятий, изучающих автономных агентов-разработчиков, помощников по анализу данных или инструменты операционной деятельности на базе ИИ.

Такие бенчмарки, как Terminal-Bench и BrowseComp, демонстрируют способность модели адаптироваться к неполным данным и корректно восстанавливаться после промежуточных ошибок, повышая надежность в производственных условиях.

Интерливинг-мышление и структурированное использование инструментов

Отличительной особенностью MiniMax-M2 является ее формат чередующегося мышления (interleaved thinking), который сохраняет видимые цепочки рассуждений между тегами ….

Это позволяет модели планировать и проверять шаги в ходе нескольких обменов сообщениями, что является важнейшей функцией для агентских рассуждений. MiniMax рекомендует сохранять эти сегменты при передаче истории диалога для поддержания логики и непрерывности модели.

Компания также предоставляет Руководство по вызову инструментов (Tool Calling Guide) на Hugging Face, в котором подробно описывается, как разработчики могут подключать внешние инструменты и API с помощью структурированных вызовов в стиле XML.

Эта функциональность позволяет MiniMax-M2 выступать в качестве ядра рассуждений для более крупных агентских фреймворков, выполняя динамические задачи, такие как поиск, извлечение данных и вычисления через внешние функции.

Доступ с открытым исходным кодом и варианты корпоративного развертывания

Предприятия могут получить доступ к модели через API открытой платформы MiniMax и интерфейс MiniMax Agent (веб-чат, аналогичный ChatGPT), оба из которых в настоящее время бесплатны в течение ограниченного времени.

Для эффективного обслуживания MiniMax рекомендует SGLang и vLLM, каждая из которых предлагает поддержку с первого дня уникальной структуры чередующихся рассуждений и вызова инструментов модели. Руководства по развертыванию и конфигурации параметров доступны в документации MiniMax.

Экономичность и токеномика

Как отметили в Artificial Analysis, ценообразование API MiniMax установлено на уровне $0,30 за миллион входных токенов и $1,20 за миллион выходных токенов, что является одним из самых конкурентоспособных показателей в экосистеме открытых моделей.

Примечания и оговорки (для читателей):

• Цены указаны в долларах США за миллион токенов и могут изменяться; проверяйте ссылки для получения обновлений и информации о региональных особенностях / особенностях эндпоинтов (например, длинный контекст Anthropic >200K входных данных, варианты Google Live API, скидки за кэширование).

• Поставщики могут взимать дополнительную плату за инструменты на стороне сервера (веб-поиск, выполнение кода) или предлагать скидки на пакетную обработку / кэширование контекста.

Хотя модель выдает более длинные и явные цепочки рассуждений, ее разреженная активация и оптимизированный дизайн вычислений помогают поддерживать выгодный баланс стоимости и производительности — преимущество для команд, развертывающих интерактивных агентов или высокопроизводительные системы автоматизации.

Общие сведения о MiniMax — восходящем китайском гиганте

MiniMax быстро стала одним из самых обсуждаемых имен в быстро развивающемся секторе искусственного интеллекта Китая.

При поддержке Alibaba и Tencent компания за год прошла путь от малоизвестного стартапа до международного признания — сначала благодаря прорывам в генерации ИИ-видео, а затем благодаря серии больших языковых моделей (LLM) с открытыми весами, нацеленных непосредственно на разработчиков и предприятия.

Компания впервые привлекла глобальное внимание в конце 2024 года со своим инструментом для генерации видео с помощью ИИ — «video-01», который продемонстрировал способность создавать динамичные кинематографичные сцены за считанные секунды. Издание VentureBeat описало, как запуск модели вызвал широкий интерес после того, как онлайн-криэйторы начали делиться реалистичными видеоматериалами, созданными ИИ. Самым запоминающимся стал вирусный ролик с дуэлью на световых мечах из «Звездных войн», набравший миллионы просмотров менее чем за два дня.

Генеральный директор Янь Цзюньцзе (Yan Junjie) подчеркнул, что система превзошла ведущие западные инструменты в генерации человеческих движений и мимики — области, где видео-ИИ часто испытывают трудности. Этот продукт, позже коммерциализированный через платформу MiniMax Hailuo, продемонстрировал техническую уверенность и творческий потенциал стартапа, помогая утвердить Китай в качестве серьезного игрока в сфере технологий генеративного видео.

К началу 2025 года MiniMax переключила свое внимание на языковое моделирование с длинным контекстом, представив серию MiniMax-01, включая MiniMax-Text-01 и MiniMax-VL-01. Эти модели с открытыми весами представили беспрецедентное окно контекста в 4 миллиона токенов, что в два раза превышает показатели Gemini 1.5 Pro от Google и более чем в двадцать раз превосходит GPT-4o от OpenAI.

Компания продолжила свой стремительный темп, выпустив в июне 2025 года MiniMax-M1 — модель, ориентированную на рассуждения в условиях длинного контекста и эффективность обучения с подкреплением. M1 расширила объем контекста до 1 миллиона токенов и представила гибридную архитектуру «микросхемы экспертов» (Mixture-of-Experts), обученную с использованием специализированного алгоритма обучения с подкреплением под названием CISPO. Примечательно, что издание VentureBeat сообщило, что компания MiniMax обучила M1 при общей стоимости около 534 700 долларов, что примерно в десять раз меньше затрат на DeepSeek R1 и намного ниже многомиллионных бюджетов, типичных для моделей передового уровня.

Для предприятий и технических команд траектория развития MiniMax сигнализирует о появлении нового поколения экономичных моделей с открытыми весами, предназначенных для развертывания в реальных условиях. Открытая лицензия (от Apache 2.0 до MIT) дает компаниям свободу кастомизации, самостоятельного хостинга и тонкой настройки без привязки к определенному поставщику или нормативных ограничений.

Такие функции, как структурированный вызов функций, сохранение длинного контекста и высокоэффективные архитектуры внимания, непосредственно удовлетворяют потребности инженерных групп, управляющих многошаговыми системами рассуждений и конвейерами с интенсивным использованием данных.

Поскольку MiniMax продолжает расширять свою линейку, компания зарекомендовала себя как ключевой мировой инноватор в области искусственного интеллекта с открытыми весами, сочетая амбициозные исследования с прагматичным инжинирингом.

Лидерство в области открытых весов и отраслевой контекст

Выпуск MiniMax-M2 подтверждает растущее лидерство китайских исследовательских групп в сфере ИИ в разработке моделей с открытыми весами.

Вслед за предыдущими достижениями DeepSeek, серии Qwen от Alibaba и Moonshot AI, появление MiniMax продолжает тенденцию на создание открытых, эффективных систем, предназначенных для практического применения.

Аналитический ресурс Artificial Analysis отметил, что MiniMax-M2 является примером более широкого сдвига акцента в сторону возможностей агентов и доработки с помощью обучения с подкреплением, отдавая приоритет контролируемым рассуждениям и реальной полезности в ущерб чистому размеру модели.

Для предприятий это означает доступ к передовой открытой модели, которую можно проверять, дорабатывать и развертывать внутри компании с полной прозрачностью.

Сочетая высокую производительность в бенчмарках с открытым лицензированием и эффективным масштабированием, MiniMaxAI позиционирует MiniMax-M2 как практическую основу для интеллектуальных систем, которые думают, действуют и помогают с отслеживаемой логикой, что делает ее одной из самых готовых к внедрению на уровне предприятий открытых моделей ИИ, доступных сегодня.