MiniMax: MiniMax M2.7

MiniMax: MiniMax M2.5 (Бесплатно)

minimax

MiniMax-M2.5 — это современная языковая модель, разработанная для повышения продуктивности в реальных условиях. Обученная в разнообразных сложных цифровых рабочих средах, M2.5 расширяет кодировочные возможности M2.1, охватывая общий офисный функционал. Модель достигла высокого уровня владения созданием и управлением файлами Word, Excel и PowerPoint, переключением контекста между различными программными средами и работой в командах с агентами и людьми. M2.5 демонстрирует впечатляющие результаты: 80,2% на SWE-Bench Verified, 51,3% на Multi-SWE-Bench и 76,3% на BrowseComp. Кроме того, модель более эффективна в использовании токенов по сравнению с предыдущими поколениями, поскольку обучена оптимизировать свои действия и вывод через планирование.

MiniMax: MiniMax M2.5

minimax

MiniMax-M2.5 — это передовая большая языковая модель, разработанная для решения практических задач и повышения производительности. Обученная в разнообразных сложных цифровых рабочих средах, M2.5 развивает возможности программирования версии M2.1 и расширяет их на сферу офисной работы. Модель свободно создает и редактирует файлы Word, Excel и PowerPoint, эффективно переключается между различными программными средами и взаимодействует в командах, состоящих из агентов и людей. Демонстрируя высокие результаты в тестах — 80,2% на SWE-Bench Verified, 51,3% на Multi-SWE-Bench и 76,3% на BrowseComp — M2.5 также отличается повышенной эффективностью использования токенов по сравнению с предыдущими поколениями благодаря оптимизации действий и выводов через предварительное планирование. На alltokens модель доступна для интеграции в ваши рабочие процессы.

MiniMax: MiniMax M2-her

minimax

MiniMax M2-her — это большая языковая модель, ориентированная на диалоговое взаимодействие и созданная для глубокого погружения в ролевые игры, чаты с персонажами и выразительные многопользовательские беседы. Модель разработана для строгого соблюдения заданного тона и индивидуальности персонажа. Она поддерживает расширенные роли сообщений, такие как user_system, group, sample_message_user и sample_message_ai, и способна обучаться на примерах диалогов. Это позволяет ей точно соответствовать стилю и темпу вашего сценария. MiniMax M2-her является отличным выбором для сторителлинга, создания виртуальных компаньонов и любых разговорных интерфейсов, где важны естественность потока речи и яркость взаимодействия.

MiniMax: MiniMax M2.1

minimax

MiniMax-M2.1 — это легкая современная большая языковая модель, оптимизированная для написания кода, работы в составе агентов и разработки современных приложений. Имея всего 10 миллиардов активных параметров, она обеспечивает значительный скачок в производительности при сохранении исключительной скорости отклика, масштабируемости и экономической эффективности. По сравнению с предыдущей версией, M2.1 выдает более четкие и лаконичные ответы с высокой скоростью генерации. Модель демонстрирует лидирующие показатели в многоязычном программировании, достигая 49,4% в тесте Multi-SWE-Bench и 72,5% в SWE-Bench Multilingual. Это делает ее универсальным «мозгом» для интеграции в среды разработки (IDE), инструменты кодинга и системы общего назначения. Для поддержания максимальной производительности модели разработчики рекомендуют сохранять цепочку рассуждений между шагами диалога. Для передачи контекста рассуждений через API alltokens рекомендуется использовать параметр reasoning_details.

MiniMax: MiniMax M2

minimax

MiniMax-M2 — это компактная и высокоэффективная большая языковая модель, оптимизированная для сквозного написания кода и работы в составе автономных агентов. Обладая 10 миллиардами активируемых параметров (при общем объеме в 230 миллиардов), она обеспечивает уровень интеллекта, близкий к флагманским моделям, в задачах логического вывода, использования инструментов и многоэтапного выполнения инструкций, сохраняя при этом низкую задержку и эффективность развертывания. Модель демонстрирует превосходные результаты в генерации кода, редактировании нескольких файлов одновременно, циклах компиляции-исправления и восстановлении кода на основе тестов. Это подтверждается высокими показателями в специализированных тестах SWE-Bench Verified, Multi-SWE-Bench и Terminal-Bench. Она также конкурентоспособна в оценках агентных систем, таких как BrowseComp и GAIA, эффективно справляясь с долгосрочным планированием, поиском информации и исправлением ошибок выполнения. Согласно тестам Artificial Analysis, MiniMax-M2 входит в число лучших моделей с открытыми весами по совокупному показателю интеллекта, охватывающему математику, естественные науки и следование инструкциям. Небольшое количество активируемых параметров обеспечивает высокую скорость генерации, поддержку большого числа одновременных запросов и выгодную экономику использования. Это делает модель оптимальным выбором для масштабных агентных систем, помощников разработчика и приложений, требующих быстрого логического вывода при минимальных затратах. Для поддержания максимальной производительности модели alltokens рекомендует сохранять цепочку рассуждений между этапами диалога. Вы можете использовать параметр reasoning_details для передачи контекста рассуждений в последующие запросы.

MiniMax: MiniMax M1

minimax

MiniMax-M1 — это масштабная модель с открытыми весами, предназначенная для глубоких рассуждений, работы с расширенным контекстом и высокоэффективного вывода. Она использует гибридную архитектуру Mixture-of-Experts (MoE) в сочетании с механизмом lightning attention, что позволяет обрабатывать последовательности длиной до 1 миллиона токенов при сохранении конкурентоспособной вычислительной эффективности. Общее количество параметров модели составляет 456 миллиардов, из которых 45,9 миллиарда активны для каждого токена. Данная версия оптимизирована для решения сложных многоэтапных логических задач. Благодаря обучению с помощью специализированного конвейера обучения с подкреплением (CISPO), M1 демонстрирует выдающиеся результаты в понимании длинного контекста, программной инженерии, использовании инструментов в режиме агента и математических рассуждениях. Тесты показывают высокую производительность в FullStackBench, SWE-bench, MATH, GPQA и TAU-Bench, где модель часто превосходит другие открытые решения, такие как DeepSeek R1 и Qwen3-235B. На платформе alltokens модель доступна для интеграции в различные рабочие процессы.