MiniMax 开源 MiniMax-M2.1 模型
MiniMaxAI/MiniMax-M2.1
MiniMax 将 MiniMax-M2.1 模型权重开源，并同步在 MiniMax 开放平台上线 API、公开发布基于该模型的产品 MiniMax Code。
原文给出 M2.1 与 M2 及 Claude、Gemini 等模型在 SWE-bench 和 VIBE 上的逐项对比，可据此判断开源智能体模型的编码水平。
今天，我们将 MiniMax-M2.1 交给开源社区。此次发布不仅仅是参数更新，更是迈向顶级智能体能力民主化的重要一步。
M2.1 的构建旨在打破高性能智能体必须闭门造车的刻板印象。我们针对编码、工具使用、指令遵循和长程规划方面的稳健性对模型进行了专门优化。从自动化多语言软件开发到执行复杂的多步骤办公工作流，MiniMax-M2.1 赋能开发者构建下一代自主应用——同时完全透明、可控且易于获取。
我们相信真正的智能应当触手可及。M2.1 是我们对未来的承诺，也是您手中的强大新工具。
如何使用
- MiniMax-M2.1 API 现已在 MiniMax 开放平台上线：https://platform.minimax.io/docs/guides/text-generation
- 我们的产品 MiniMax Code 基于 MiniMax-M2.1 构建，现已公开可用：https://agent.minimax.io/
- MiniMax-M2.1 模型权重现已开源，支持本地部署和使用：https://hf-mirror.com/MiniMaxAI/MiniMax-M2.1
基准测试
MiniMax-M2.1 在核心软件工程排行榜上较 M2 实现了显著跃升。它在多语言场景中表现尤为突出，超越了 Claude Sonnet 4.5，并紧追 Claude Opus 4.5。
| 基准测试 | MiniMax-M2.1 | MiniMax-M2 | Claude Sonnet 4.5 | Claude Opus 4.5 | Gemini 3 Pro | GPT-5.2 (thinking) | DeepSeek V3.2 |
|---|---|---|---|---|---|---|---|
| SWE-bench Verified | 74.0 | 69.4 | 77.2 | 80.9 | 78.0 | 80.0 | 73.1 |
| Multi-SWE-bench | 49.4 | 36.2 | 44.3 | 50.0 | 42.7 | x | 37.4 |
| SWE-bench Multilingual | 72.5 | 56.5 | 68 | 77.5 | 65.0 | 72.0 | 70.2 |
| Terminal-bench 2.0 | 47.9 | 30.0 | 50.0 | 57.8 | 54.2 | 54.0 | 46.4 |
我们还在多种编码智能体框架上对 MiniMax-M2.1 进行了 SWE-bench Verified 评估。结果凸显了该模型卓越的框架泛化能力和稳健的稳定性。
此外，在包括测试用例生成、代码性能优化、代码审查和指令遵循在内的特定基准测试中，MiniMax-M2.1 相较 M2 展现出全面提升。在这些专业领域，它始终达到或超越 Claude Sonnet 4.5 的表现。
| 基准测试 | MiniMax-M2.1 | MiniMax-M2 | Claude Sonnet 4.5 | Claude Opus 4.5 | Gemini 3 Pro | GPT-5.2 (thinking) | DeepSeek V3.2 |
|---|---|---|---|---|---|---|---|
| SWE-bench Verified (Droid) | 71.3 | 68.1 | 72.3 | 75.2 | x | x | 67.0 |
| SWE-bench Verified (mini-swe-agent) | 67.0 | 61.0 | 70.6 | 74.4 | 71.8 | 74.2 | 60.0 |
| SWT-bench | 69.3 | 32.8 | 69.5 | 80.2 | 79.7 | 80.7 | 62.0 |
| SWE-Perf | 3.1 | 1.4 | 3.0 | 4.7 | 6.5 | 3.6 | 0.9 |
| SWE-Review | 8.9 | 3.4 | 10.5 | 16.2 | x | x | 6.4 |
| OctoCodingbench | 26.1 | 13.3 | 22.8 | 36.2 | 22.9 | x | 26.0 |
为评估模型“从零到一”架构完整、可运行应用的全栈能力，我们建立了一个新颖的基准测试：VIBE（Visual & Interactive Benchmark for Execution in Application Development）。该套件包含五个核心子集：Web、Simulation、Android、iOS 和 Backend。与传统基准测试不同，VIBE 采用创新的 Agent-as-a-Verifier (AaaV) 范式，在真实运行时环境中自动评估生成应用的交互逻辑和视觉美学。
MiniMax-M2.1 在 VIBE 综合基准测试中表现出色，平均得分达到 88.6——展现出强大的全栈开发能力。它在 VIBE-Web（91.5）和 VIBE-Android（89.7）子集中尤为突出。
| 基准测试 | MiniMax-M2.1 | MiniMax-M2 | Claude Sonnet 4.5 | Claude Opus 4.5 | Gemini 3 Pro |
|---|---|---|---|---|---|
| VIBE（平均） | 88.6 | 67.5 | 85.2 | 90.7 | 82.4 |
| VIBE-Web | 91.5 | 80.4 | 87.3 | 89.1 | 89.5 |
| VIBE-Simulation | 87.1 | 77.0 | 79.1 | 84.0 | 89.2 |
| VIBE-Android | 89.7 | 69.2 | 87.5 | 92.2 | 78.7 |
| VIBE-iOS | 88.0 | 39.5 | 81.2 | 90.0 | 75.8 |
| VIBE-Backend | 86.7 | 67.8 | 90.8 | 98.0 | 78.7 |
MiniMax-M2.1 在长程工具使用和综合智能指标上相较 M2 也展现出稳步提升。
| 基准测试 | MiniMax-M2.1 | MiniMax-M2 | Claude Sonnet 4.5 | Claude Opus 4.5 | Gemini 3 Pro | GPT-5.2（思考模式） | DeepSeek V3.2 |
|---|---|---|---|---|---|---|---|
| Toolathlon | 43.5 | 16.7 | 38.9 | 43.5 | 36.4 | 41.7 | 35.2 |
| BrowseComp | 47.4 | 44.0 | 19.6 | 37.0 | 37.8 | 65.8 | 51.4 |
| BrowseComp（上下文管理） | 62.0 | 56.9 | 26.1 | 57.8 | 59.2 | 70.0 | 67.6 |
| AIME25 | 83.0 | 78.0 | 88.0 | 91.0 | 96.0 | 98.0 | 92.0 |
| MMLU-Pro | 88.0 | 82.0 | 88.0 | 90.0 | 90.0 | 87.0 | 86.0 |
| GPQA-D | 83.0 | 78.0 | 83.0 | 87.0 | 91.0 | 90.0 | 84.0 |
| HLE 无工具 | 22.2 | 12.5 | 17.3 | 28.4 | 37.2 | 31.4 | 22.2 |
| LCB | 81.0 | 83.0 | 71.0 | 87.0 | 92.0 | 89.0 | 86.0 |
| SciCode | 41.0 | 36.0 | 45.0 | 50.0 | 56.0 | 52.0 | 39.0 |
| IFBench | 70.0 | 72.0 | 57.0 | 58.0 | 70.0 | 75.0 | 61.0 |
| AA-LCR | 62.0 | 61.0 | 66.0 | 74.0 | 71.0 | 73.0 | 65.0 |
| 𝜏²-Bench Telecom | 87.0 | 87.0 | 78.0 | 90.0 | 87.0 | 85.0 | 91.0 |
评估方法说明：
- SWE-bench Verified：在内部基础设施上使用 Claude Code、Droid 或 mini-swe-agent 作为脚手架进行测试。默认情况下，我们采用 Claude Code 的指标。使用 Claude Code 时，默认系统提示词被覆盖。结果取 4 次运行的平均值。
- Multi-SWE-Bench & SWE-bench Multilingual & SWT-bench & SWE-Perf：在内部基础设施上使用 Claude Code 作为脚手架进行测试，默认系统提示词被覆盖。结果取 4 次运行的平均值。
- Terminal-bench 2.0：在我们的内部评估框架上使用 Claude Code 进行测试。我们验证了完整数据集并修复了环境问题。超时限制被移除，而所有其他配置与官方设置保持一致。结果取 4 次运行的平均值。
- SWE Review：基于 SWE 框架构建，这一用于代码缺陷审查的内部基准测试覆盖多种语言和场景，评估缺陷召回率和幻觉率。仅当模型准确识别目标缺陷并确保所有其他报告发现均有效且无幻觉时，审查才被视为“正确”。所有评估均使用 Claude Code 执行，最终结果反映每个测试用例四次独立运行的平均值。我们计划很快开源此基准测试。
- OctoCodingbench：一个内部基准测试，专注于 Code Agent 在复杂开发场景中的长程指令遵循能力。它在涵盖多种技术栈和脚手架框架的动态环境中进行端到端行为监督。核心目标是评估模型整合并执行“复合指令约束”的能力——涵盖系统提示词（SP）、用户查询、记忆、工具 Schema 以及诸如
Agents.md、Claude.md和Skill.md等规范。采用严格的“单次违规即失败”评分机制，最终结果为 4 次运行的平均通过率，量化模型将静态约束转化为精确行为的鲁棒性。我们计划很快开源此基准测试。- VIBE：一个内部基准测试，利用 Claude Code 作为脚手架自动验证程序的交互逻辑和视觉效果。分数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。我们已在 VIBE 开源此基准测试。
- Toolathlon：评估协议与原始论文保持一致。
- BrowseComp：所有分数均使用与 WebExplorer（Liu et al. 2025）相同的 agent 框架获得，仅对工具描述进行了细微调整。我们使用了与 WebExplorer 相同的 103 样本 GAIA 纯文本验证子集。
- BrowseComp（上下文管理）：当 token 使用量超过最大上下文窗口的 30% 时，我们保留第一条 AI 响应、最后五条 AI 响应以及工具输出，丢弃其余内容。
- AIME25 ~ 𝜏²-Bench Telecom：基于 Artificial Analysis Intelligence Index 中引用的评估数据集和方法论进行内部测试得出。
本地部署指南
从 HuggingFace 仓库下载模型：https://hf-mirror.com/MiniMaxAI/MiniMax-M2.1
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-M2.1。请参阅我们的 SGLang 部署指南。
vLLM
我们推荐使用 vLLM 来部署 MiniMax-M2.1。请参阅我们的 vLLM 部署指南。
Transformers
我们推荐使用 Transformers 来部署 MiniMax-M2.1。请参阅我们的 Transformers 部署指南。
KTransformers
我们推荐使用 KTransformers 来部署 MiniMax-M2.1。请参阅 KTransformers 部署指南
其他推理引擎
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-M2.1 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。
来源：MiniMax 模型发布 · hf-mirror.com