MiniMax: MiniMax M3 (batch)

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.