MiniMax 发布 MiniMax-M2.5 模型

今天我们推出最新模型 MiniMax-M2.5。

M2.5 在数十万个复杂真实环境中进行了大规模强化学习训练，在编程、智能体工具调用与搜索、办公工作以及一系列其他具有经济价值的任务上达到 SOTA，得分分别为 SWE-Bench Verified 80.2%、Multi-SWE-Bench 51.3%、BrowseComp 76.3%（配合上下文管理）。

M2.5 经过训练，能够高效推理并最优地分解任务，在执行复杂的智能体任务时展现出极快的速度，完成 SWE-Bench Verified 评估比 M2.1 快 37%，与 Claude Opus 4.6 的速度相当。

M2.5 是首个用户无需担心成本的前沿模型，兑现了智能便宜到无需计量的承诺。以每秒 100 token 的速率持续运行该模型一小时，成本仅需 1 美元。在每秒 50 token 的速率下，成本降至 0.30 美元。我们希望 M2.5 的速度和成本效益能够催生创新的智能体应用。

编程

在编程评估中，MiniMax-M2.5 相比前几代取得了大幅提升，达到 SOTA 水平。M2.5 在多语言任务中的表现尤为突出。

相比前几代的一项显著改进是 M2.5 能够像架构师一样思考和规划。该模型的规格撰写倾向在训练中自然涌现：在编写任何代码之前，M2.5 会主动从经验丰富的软件架构师视角出发，对项目的功能、结构和 UI 设计进行分解和规划。

M2.5 在超过 10 种语言（包括 Go、C、C++、TypeScript、Rust、Kotlin、Python、Java、JavaScript、PHP、Lua、Dart 和 Ruby）的 20 多万个真实环境中进行了训练。M2.5 远不止于修复 bug，在复杂系统的整个开发生命周期中都能提供可靠表现：从 0 到 1 的系统设计与环境搭建，到 1 到 10 的系统开发，到 10 到 90 的功能迭代，最后到 90 到 100 的全面代码审查与系统测试。它覆盖跨 Web、Android、iOS 和 Windows 等多个平台的全栈项目，涵盖服务端 API、业务逻辑、数据库等，而不仅仅是前端网页演示。

为评估这些能力，我们还将 VIBE 基准升级为更复杂、更具挑战性的 Pro 版本，显著提升了任务复杂度、领域覆盖范围和评估准确性。总体而言，M2.5 的表现与 Opus 4.5 相当。

我们重点关注模型在分布外脚手架环境中的泛化能力。我们使用不同的编程智能体脚手架测试了在 SWE-Bench Verified 评估集上的表现。

• 在 Droid 上：79.7（M2.5）> 78.9（Opus 4.6）
• 在 OpenCode 上：76.1（M2.5）> 75.9（Opus 4.6）

搜索与工具调用

有效的工具调用和搜索是模型自主处理更复杂任务的前提条件。在 BrowseComp 和 Wide Search 等基准的评估中，M2.5 取得了行业领先的表现。同时，模型的泛化能力也有所提升——M2.5 在面对不熟悉的脚手架环境时表现出更稳定的性能。

在专业人类专家开展的研究任务中，使用搜索引擎只是整个流程的一小部分；大部分工作涉及在信息密集的网页中进行深度探索。为解决这一问题，我们构建了 RISE（Realistic Interactive Search Evaluation，真实交互式搜索评估），用于衡量模型在真实专业任务中的搜索能力。结果显示，M2.5 在真实环境下的专家级搜索任务中表现出色。

与前代模型相比，M2.5 在处理智能体任务时也展现出更好的决策能力：它学会了以更精确的搜索轮次和更高的 token 效率来解决问题。例如，在包括 BrowseComp、Wide Search 和 RISE 在内的多项智能体任务中，M2.5 以更少的轮次取得了更好的结果，相比 M2.1 使用的轮次减少了约 20%。这表明该模型不再只是把答案做对，而是以更高效的路径推理出结果。

办公工作

M2.5 经过训练，能够在办公场景中产出真正可交付的成果。为此，我们与金融、法律和社会科学等领域的资深专业人士开展了深入合作。他们设计需求、提供反馈、参与制定标准，并直接参与数据构建，将其所在行业的隐性知识带入模型的训练流程。在此基础上，M2.5 在 Word、PowerPoint 和 Excel 财务建模等高价值工作场景中实现了显著的能力提升。在评估方面，我们构建了内部 Cowork Agent 评估框架（GDPval-MM），通过成对比较来评估交付成果的质量和智能体轨迹的专业性，同时监控整个工作流的 token 成本，以估算模型在真实世界中的生产力提升。在与其他主流模型的比较中，它取得了平均 59.0% 的胜率。

效率

由于现实世界充满截止日期和时间限制，任务完成速度是切实的必需。模型完成任务所需的时间取决于其任务分解效果、token 效率和推理速度。M2.5 以每秒 100 token 的速度原生提供服务，几乎是其他前沿模型的两倍。此外，我们的强化学习设置激励模型高效推理并最优地分解任务。由于这三个因素，M2.5 在完成复杂任务时显著节省了时间。

例如，在运行 SWE-Bench Verified 时，M2.5 每个任务平均消耗 352 万 token。相比之下，M2.1 消耗了 372 万 token。同时，得益于并行工具调用等能力的提升，端到端运行时间从平均 31.3 分钟降至 22.8 分钟，速度提升 37%。这一运行时间与 Claude Opus 4.6 的 22.9 分钟相当，而每个任务的总成本仅为 Claude Opus 4.6 的 10%。

成本

我们设计 M2 系列基础模型的目标是为复杂智能体提供动力，而无需担心成本。我们相信 M2.5 已接近实现这一目标。我们发布两个版本的模型，M2.5 和 M2.5-Lightning，二者能力相同但速度不同。M2.5-Lightning 的稳定吞吐量为每秒 100 个 token，是其他前沿模型的两倍，价格为每百万输入 token 0.3 美元、每百万输出 token 2.4 美元。M2.5 的吞吐量为每秒 50 个 token，价格为其一半。两个模型版本均支持缓存。按输出价格计算，M2.5 的成本是 Opus、Gemini 3 Pro 和 GPT-5 的十分之一到二十分之一。

以每秒 100 个输出 token 的速率，连续运行 M2.5 一小时花费 1 美元。以 50 TPS 的速率，价格降至 0.3 美元。换个角度看，你可以用 10,000 美元让四个 M2.5 实例连续运行整整一年。我们相信 M2.5 为经济中智能体的开发和运营提供了几乎无限的可能性。对于 M2 系列，唯一剩下的问题是如何持续推动模型能力的前沿。

改进速度

从去年十月下旬到现在的三个半月里，我们先后发布了 M2、M2.1 和 M2.5，模型改进的速度超出了我们最初的预期。例如，在备受认可的 SWE-Bench Verified 基准测试中，M2 系列的进步速度明显快于 Claude、GPT 和 Gemini 等模型家族。

RL 扩展

上述进展的关键驱动因素之一是强化学习的扩展。在训练模型的同时，我们也受益于它们的能力。我们公司内部执行的大多数任务和工作区都已被制作成 RL 训练环境。迄今为止，这样的环境已有数十万个。同时，我们在智能体 RL 框架、算法、奖励信号和基础设施工程方面做了大量工作，以支持 RL 训练的持续扩展。

Forge —— 智能体原生 RL 框架

我们在内部设计了一个智能体原生 RL 框架，名为 Forge，它引入了一个中间层，将底层训练-推理引擎与智能体完全解耦，支持集成任意智能体，并使我们能够优化模型在不同智能体脚手架和工具上的泛化能力。为提高系统吞吐量，我们优化了异步调度策略，以平衡系统吞吐量与样本离策略程度，并设计了训练样本的树状合并策略，实现了约 40 倍的训练加速。

智能体 RL 算法与奖励设计

在算法方面，我们继续使用去年年初提出的 CISPO 算法，以确保 MoE 模型在大规模训练中的稳定性。为解决智能体 rollout 中长上下文带来的信用分配难题，我们引入了过程奖励机制，对生成质量进行端到端监控。此外，为了深度对齐用户体验，我们通过智能体轨迹评估任务完成时间，在模型智能与响应速度之间实现了最优权衡。

我们将在另一篇技术博客文章中很快发布关于 RL scaling 的更全面介绍。

MiniMax Agent：M2.5 作为专业员工

M2.5 已在 MiniMax Agent 中全面部署，带来最佳的 agentic 体验。

我们将核心信息处理能力提炼为标准化 Office Skills，并深度集成到 MiniMax Agent 中。在 MAX 模式下，处理 Word 排版、PowerPoint 编辑和 Excel 计算等任务时，MiniMax Agent 会根据文件类型自动加载相应的 Office Skills，提升任务输出质量。

此外，用户可以将 Office Skills 与特定领域的行业专业知识相结合，创建可复用的 Experts，以适配特定任务场景。

以行业研究为例：将成熟的研究框架 SOP（标准操作流程）与 Word Skills 结合后，Agent 可以严格遵循既定框架自动获取数据、梳理分析逻辑，并输出格式规范的研究报告——而不仅仅是生成一大段原始文本。在财务建模场景中，将组织专有的建模标准与 Excel Skills 结合后，Agent 可以遵循特定的风控逻辑和计算标准，自动生成并验证复杂的财务模型，而不是仅仅输出一个基础电子表格。

截至目前，用户已在 MiniMax Agent 上构建了超过 10,000 个 Experts，且这一数字仍在快速增长。MiniMax 也已在 MiniMax Agent 上针对办公、金融和编程等高频场景，构建了多套经过深度优化、开箱即用的 Expert 套件。

MiniMax 自身也是 M2.5 能力的首批受益者之一。在公司日常运营中，30% 的整体任务由 M2.5 自主完成，覆盖研发、产品、销售、HR 和财务等职能——且渗透率仍在持续上升。编程场景中的表现尤为突出，M2.5 生成的代码占新提交代码的 80%。

如何使用

MiniMax Agent：https://agent.minimax.io/

MiniMax API 平台：https://platform.minimax.io/

MiniMax Coding Plan：https://platform.minimax.io/subscribe/coding-plan

本地部署指南

从 HuggingFace 仓库下载模型：https://hf-mirror.com/MiniMaxAI/MiniMax-M2.5

我们推荐使用以下推理框架（按字母顺序列出）来部署该模型：

SGLang

我们推荐使用 SGLang 来部署 MiniMax-M2.5。请参阅我们的 SGLang 部署指南。

vLLM

我们推荐使用 vLLM 来部署 MiniMax-M2.5。请参阅我们的 vLLM 部署指南。

Transformers

我们推荐使用 Transformers 来部署 MiniMax-M2.5。请参阅我们的 Transformers 部署指南。

KTransformers

我们推荐使用 KTransformers 来部署 MiniMax-M2.5。请参阅 KTransformers 部署指南

ModelScope

你也可以从 modelscope 获取模型权重。

推理参数

我们推荐使用以下参数以获得最佳性能：temperature=1.0、top_p = 0.95、top_k = 40。默认系统提示词：

You are a helpful assistant. Your name is MiniMax-M2.5 and is built by MiniMax.

工具调用指南

请参阅我们的工具调用指南。

联系我们

请通过[email protected]联系我们。

附录

M2.5 的更多基准测试结果：

评估方法：

• SWE 基准测试：SWE-bench Verified、SWE-bench Multilingual、SWE-bench-pro 和 Multi-SWE-bench 均在内部基础设施上使用 Claude Code 作为脚手架进行测试，覆盖了默认系统提示词，结果取 4 次运行的平均值。此外，SWE-bench Verified 还在 Droid 和 Opencode 脚手架上使用默认提示词进行了评估。
• Terminal Bench 2：我们使用 Claude Code 2.0.64 作为评估脚手架对 Terminal Bench 2 进行了测试。我们修改了部分问题的 Dockerfile 以确保问题本身的正确性，将沙箱规格统一扩展为 8 核 CPU 和 16 GB 内存，将超时时间统一设为 7,200 秒，并为每个问题配备了基础工具集（ps、curl、git 等）。在超时情况下不进行重试的同时，我们增加了对空脚手架响应的检测机制，对最终响应为空的任务进行重试，以处理各种异常中断场景。最终结果取 4 次运行的平均值。
• VIBE-Pro：内部基准测试。使用 Claude Code 作为脚手架，自动验证程序的交互逻辑和视觉效果。所有分数均通过统一流水线计算，包括需求集、容器化部署和动态交互环境。最终结果取 3 次运行的平均值。
• BrowseComp：使用与 WebExplorer（Liu et al., 2025）相同的智能体框架。当 token 使用量超过最大上下文的 30% 时，所有历史记录将被丢弃。
• Wide Search：使用与 WebExplorer（Liu et al., 2025）相同的智能体框架。
• RISE：内部基准测试。包含来自人类专家的真实问题，评估模型在结合复杂网页交互时的多步信息检索和推理能力。在 WebExplorer（Liu et al., 2025）智能体框架之上添加了基于 Playwright 的浏览器工具套件。
• GDPval-MM：内部基准测试。基于开源的 GDPval 测试集，使用自定义的智能体评估框架，由 LLM-as-a-judge 对完整轨迹进行两两胜/平/负判定。每个任务的平均 token 成本根据各厂商官方 API 定价计算（不含缓存）。
• MEWC：内部基准测试。基于 MEWC（Microsoft Excel World Championship）构建，包含 2021–2026 年 Excel 电竞比赛主赛区及其他区域赛区的 179 道题目。它评估模型理解竞赛 Excel 电子表格并使用 Excel 工具完成题目的能力。分数通过逐项比较输出与答案单元格的值来计算。
• Finance Modeling：内部基准测试。主要包含由行业专家构建的金融建模问题，涉及通过 Excel 工具执行的端到端研究和分析任务。每道题使用专家设计的评分标准进行评分。最终结果取 3 次运行的平均值。
• AIME25 ~ AA-LCR：基于 Artificial Analysis Intelligence Index 排行榜所涵盖的公开评估集和评估方法，通过内部测试获得。