MiniMax 正式开源 MiniMax M2.1 模型

MiniMax 正式开源 MiniMax M2.1 模型 MiniMax 正式开源 MiniMax M2.1 模型 Modified January 8 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 Agent 基于 MiniMax M2.1，现已公开发布： 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://huggingface.co/MiniMaxAI/MiniMax M2.1 基准测试 MiniMax M2.1 在核心软件工程排行榜上相比 M2 实现了显著飞跃。它在多语言场景中尤为出色，超越了Claude Sonnet 4.5，且与Claude Opus 4.5十分接近。 Benchmark 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 验证 74.0 69.4 77.2 80.9 78.0 80.0 73.1 多软件工作台 49.4 36.2 44.3 50.0 42.7 x 37.4 SWE bench 多语言 72.5 56.5 68 77.5 65.0 72.0 70.2 终端工作台 2.0 47.9 30.0 50.0 57.8 54.2 54.0 46.4 我们还在SWE bench Verified上对MiniMax M2.1在各种编码代理框架下进行了评估。结果凸显了该模型出色的框架泛化能力和强大的稳定性。 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等特定基准测试中，MiniMax M2.1相较于M2展现出全面的改进。在这些专业领域，它始终能达到或超越Claude Sonnet 4.5的性能。 Benchmark 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 验证（Droid） 71.3 68.1 72.3 75.2 x x 67.0 SWE bench 验证（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 评测 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 为了评估该模型在“从零到一”构建完整功能应用的全栈能力，我们建立了一个新颖的基准： VIBE（应用开发执行可视化与交互式基准）。 该套件涵盖五个核心子集：Web、仿真、Android、iOS 和后端。VIBE 区别于传统基准，采用创新的代理即验证者（AaaV）范式，自动评估生成应用在真实运行环境中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，平均得分为 88.6，展现了强大的全栈开发能力。它在 VIBE Web（91.5）和 VIBE Android（89.7）子系列中表现尤为出色。 Benchmark MiniMax M2.1 MiniMax M2 Claude Sonnet 4.5 Claude Opus 4.5 Gemini 3 Pro VIBE (Average) 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 后端 86.7 67.8 90.8 98.0 78.7 MiniMax M2.1 在长期工具使用和综合智能指标方面也相较 M2 稳步提升。 Benchmark MiniMax M2.1 MiniMax M2 Claude Sonnet 4.5 Claude Opus 4.5 Gemini 3 Pro GPT 5.2 (thinking) DeepSeek V3.2 工具竞技 43.5 16.7 38.9 43.5 36.4 41.7 35.2 浏览计算 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 无工具的 HLE 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 科学代码 41.0 36.0 45.0 50.0 56.0 52.0 39.0 IFBinc 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 评估方法注释 ： • SWE bench 验证：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，我们使用 Claude Code 指标。使用 Claude Code 时，默认系统提示被覆盖。结果为 4 次运行的平均值。• Multi SWE Bench、SWE bench 多语言、SWT bench 和 SWE Perf：在内部基础设施上使用 Claude Code 作为脚手架进行测试，默认系统提示被覆盖。结果为 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。移除了超时限制，其他配置均与官方设置保持一致。结果为 4 次运行的平均值。 • SWE 审查：基于 SWE 框架构建，这个用于代码缺陷审查的内部基准涵盖多种语言和场景，评估缺陷召回率和幻觉率。只有当模型准确识别目标缺陷并确保所有其他报告结果有效且无幻觉时，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。我们计划尽快将此基准开源。 • OctoCodingbench：一个专注于复杂开发场景中代码代理长期指令遵循的内部基准。它在跨越不同技术栈和脚手架的动态环境中进行端到端行为监督。框架。核心目标是评估模型整合和执行“复合指令约束”的能力，这些约束包括系统提示（SP）、用户查询、记忆、工具模式以及诸如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，最终结果是4次运行的平均通过率，以此量化模型将静态约束转化为精确行为的稳健性。我们计划很快将此基准测试开源。 • VIBE：一个内部基准测试，利用Claude Code作为框架，自动验证程序的交互逻辑和视觉效果。分数通过一个统一的流程计算得出，该流程包括需求集、容器化部署和动态交互环境。最终结果是3次运行的平均值。我们已在VIBE开源了此基准测试。 • Toolathlon：评估协议与原论文保持一致。 • BrowseComp：所有分数均使用与WebExplorer（Liu等人，2025）相同的代理框架获得，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）：当令牌使用量超过最大上下文窗口的30%时，我们保留第一个AI响应、最后五个AI响应和工具输出，丢弃其余内容。 • AIME25 𝜏² Bench Telecom：源自基于《人工智能分析指数》中引用的评估数据集和方法的内部测试。 本地部署指南 从 HuggingFace 仓库下载模型： https://huggingface.co/MiniMaxAI/MiniMax M2.1 我们建议使用以下推理框架（按字母顺序排列）来服务该模型： SGLang 我们建议使用 SGLang 来支持 MiniMax M2.1。请参阅我们的 SGLang 部署指南 。 vLLM 我们建议使用 vLLM 来支持 MiniMax M2.1。请参阅我们的 vLLM 部署指南 。 Transformers 我们建议使用 Transformers 来支持 MiniMax M2.1。请参阅我们的 部署指南 。 其他推理引擎 • KTransformers 推理参数 我们建议使用以下参数以获得最佳性能： 温度=1.0，top p = 0.95，top k = 40 。默认系统提示： Code block Plain Text 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 联系我们， model@minimax.io 。 VIBE（应用开发执行可视化与交互式基准）。 SGLang SGLang 部署指南 vLLM vLLM 部署指南 Transformers 部署指南 KTransformers 工具调用指南 model@minimax.io 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 Agent 基于 MiniMax M2.1，现已公开发布： 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://huggingface.co/MiniMaxAI/MiniMax M2.1 基准测试 MiniMax M2.1 在核心软件工程排行榜上相比 M2 实现了显著飞跃。它在多语言场景中尤为出色，超越了Claude Sonnet 4.5，且与Claude Opus 4.5十分接近。 Benchmark 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 验证 74.0 69.4 77.2 80.9 78.0 80.0 73.1 多软件工作台 49.4 36.2 44.3 50.0 42.7 x 37.4 SWE bench 多语言 72.5 56.5 68 77.5 65.0 72.0 70.2 终端工作台 2.0 47.9 30.0 50.0 57.8 54.2 54.0 46.4 Benchmark Benchmark MiniMax M2.1 MiniMax M2.1 MiniMax M2 MiniMax M2 Claude Sonnet 4.5 Claude Sonnet 4.5 Claude Opus 4.5 Claude Opus 4.5 Gemini 3 Pro Gemini 3 Pro GPT 5.2 (thinking) GPT 5.2 (thinking) DeepSeek V3.2 DeepSeek V3.2 SWE bench 验证 SWE bench 验证 74.0 74.0 69.4 69.4 77.2 77.2 80.9 80.9 78.0 78.0 80.0 80.0 73.1 73.1 多软件工作台 多软件工作台 49.4 49.4 36.2 36.2 44.3 44.3 50.0 50.0 42.7 42.7 x x 37.4 37.4 SWE bench 多语言 SWE bench 多语言 72.5 72.5 56.5 56.5 68 68 77.5 77.5 65.0 65.0 72.0 72.0 70.2 70.2 终端工作台 2.0 终端工作台 2.0 47.9 47.9 30.0 30.0 50.0 50.0 57.8 57.8 54.2 54.2 54.0 54.0 46.4 46.4 我们还在SWE bench Verified上对MiniMax M2.1在各种编码代理框架下进行了评估。结果凸显了该模型出色的框架泛化能力和强大的稳定性。 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等特定基准测试中，MiniMax M2.1相较于M2展现出全面的改进。在这些专业领域，它始终能达到或超越Claude Sonnet 4.5的性能。 Benchmark 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 验证（Droid） 71.3 68.1 72.3 75.2 x x 67.0 SWE bench 验证（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 评测 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 Benchmark Benchmark MiniMax M2.1 MiniMax M2.1 MiniMax M2 MiniMax M2 Claude Sonnet 4.5 Claude Sonnet 4.5 Claude Opus 4.5 Claude Opus 4.5 Gemini 3 Pro Gemini 3 Pro GPT 5.2 (thinking) GPT 5.2 (thinking) DeepSeek V3.2 DeepSeek V3.2 SWE bench 验证（Droid） SWE bench 验证（Droid） 71.3 71.3 68.1 68.1 72.3 72.3 75.2 75.2 x x x x 67.0 67.0 SWE bench 验证（mini swe agent） SWE bench 验证（mini swe agent） 67.0 67.0 61.0 61.0 70.6 70.6 74.4 74.4 71.8 71.8 74.2 74.2 60.0 60.0 SWT bench SWT bench 69.3 69.3 32.8 32.8 69.5 69.5 80.2 80.2 79.7 79.7 80.7 80.7 62.0 62.0 SWE Perf SWE Perf 3.1 3.1 1.4 1.4 3.0 3.0 4.7 4.7 6.5 6.5 3.6 3.6 0.9 0.9 SWE 评测 SWE 评测 8.9 8.9 3.4 3.4 10.5 10.5 16.2 16.2 x x x x 6.4 6.4 OctoCodingbench OctoCodingbench 26.1 26.1 13.3 13.3 22.8 22.8 36.2 36.2 22.9 22.9 x x 26.0 26.0 为了评估该模型在“从零到一”构建完整功能应用的全栈能力，我们建立了一个新颖的基准： VIBE（应用开发执行可视化与交互式基准）。 该套件涵盖五个核心子集：Web、仿真、Android、iOS 和后端。VIBE 区别于传统基准，采用创新的代理即验证者（AaaV）范式，自动评估生成应用在真实运行环境中的交互逻辑和视觉美学。 VIBE（应用开发执行可视化与交互式基准）。 MiniMax M2.1 在 VIBE 综合基准测试中表现出色，平均得分为 88.6，展现了强大的全栈开发能力。它在 VIBE Web（91.5）和 VIBE Android（89.7）子系列中表现尤为出色。 Benchmark MiniMax M2.1 MiniMax M2 Claude Sonnet 4.5 Claude Opus 4.5 Gemini 3 Pro VIBE (Average) 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 后端 86.7 67.8 90.8 98.0 78.7 Benchmark Benchmark MiniMax M2.1 MiniMax M2.1 MiniMax M2 MiniMax M2 Claude Sonnet 4.5 Claude Sonnet 4.5 Claude Opus 4.5 Claude Opus 4.5 Gemini 3 Pro Gemini 3 Pro VIBE (Average) VIBE (Average) 88.6 88.6 67.5 67.5 85.2 85.2 90.7 90.7 82.4 82.4 VIBE Web VIBE Web 91.5 91.5 80.4 80.4 87.3 87.3 89.1 89.1 89.5 89.5 VIBE Simulation VIBE Simulation 87.1 87.1 77.0 77.0 79.1 79.1 84.0 84.0 89.2 89.2 VIBE Android VIBE Android 89.7 89.7 69.2 69.2 87.5 87.5 92.2 92.2 78.7 78.7 VIBE iOS VIBE iOS 88.0 88.0 39.5 39.5 81.2 81.2 90.0 90.0 75.8 75.8 VIBE 后端 VIBE 后端 86.7 86.7 67.8 67.8 90.8 90.8 98.0 98.0 78.7 78.7 MiniMax M2.1 在长期工具使用和综合智能指标方面也相较 M2 稳步提升。 Benchmark MiniMax M2.1 MiniMax M2 Claude Sonnet 4.5 Claude Opus 4.5 Gemini 3 Pro GPT 5.2 (thinking) DeepSeek V3.2 工具竞技 43.5 16.7 38.9 43.5 36.4 41.7 35.2 浏览计算 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 无工具的 HLE 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 科学代码 41.0 36.0 45.0 50.0 56.0 52.0 39.0 IFBinc 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 Benchmark Benchmark MiniMax M2.1 MiniMax M2.1 MiniMax M2 MiniMax M2 Claude Sonnet 4.5 Claude Sonnet 4.5 Claude Opus 4.5 Claude Opus 4.5 Gemini 3 Pro Gemini 3 Pro GPT 5.2 (thinking) GPT 5.2 (thinking) DeepSeek V3.2 DeepSeek V3.2 工具竞技 工具竞技 43.5 43.5 16.7 16.7 38.9 38.9 43.5 43.5 36.4 36.4 41.7 41.7 35.2 35.2 浏览计算 浏览计算 47.4 47.4 44.0 44.0 19.6 19.6 37.0 37.0 37.8 37.8 65.8 65.8 51.4 51.4 BrowseComp（上下文管理） BrowseComp（上下文管理） 62.0 62.0 56.9 56.9 26.1 26.1 57.8 57.8 59.2 59.2 70.0 70.0 67.6 67.6 AIME25 AIME25 83.0 83.0 78.0 78.0 88.0 88.0 91.0 91.0 96.0 96.0 98.0 98.0 92.0 92.0 MMLU Pro MMLU Pro 88.0 88.0 82.0 82.0 88.0 88.0 90.0 90.0 90.0 90.0 87.0 87.0 86.0 86.0 GPQA D GPQA D 83.0 83.0 78.0 78.0 83.0 83.0 87.0 87.0 91.0 91.0 90.0 90.0 84.0 84.0 无工具的 HLE 无工具的 HLE 22.2 22.2 12.5 12.5 17.3 17.3 28.4 28.4 37.2 37.2 31.4 31.4 22.2 22.2 LCB LCB 81.0 81.0 83.0 83.0 71.0 71.0 87.0 87.0 92.0 92.0 89.0 89.0 86.0 86.0 科学代码 科学代码 41.0 41.0 36.0 36.0 45.0 45.0 50.0 50.0 56.0 56.0 52.0 52.0 39.0 39.0 IFBinc IFBinc 70.0 70.0 72.0 72.0 57.0 57.0 58.0 58.0 70.0 70.0 75.0 75.0 61.0 61.0 AA LCR AA LCR 62.0 62.0 61.0 61.0 66.0 66.0 74.0 74.0 71.0 71.0 73.0 73.0 65.0 65.0 τ² Bench Telecom τ² Bench Telecom 87.0 87.0 87.0 87.0 78.0 78.0 90.0 90.0 87.0 87.0 85.0 85.0 91.0 91.0 评估方法注释 ： • SWE bench 验证：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，我们使用 Claude Code 指标。使用 Claude Code 时，默认系统提示被覆盖。结果为 4 次运行的平均值。• Multi SWE Bench、SWE bench 多语言、SWT bench 和 SWE Perf：在内部基础设施上使用 Claude Code 作为脚手架进行测试，默认系统提示被覆盖。结果为 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。移除了超时限制，其他配置均与官方设置保持一致。结果为 4 次运行的平均值。 • SWE 审查：基于 SWE 框架构建，这个用于代码缺陷审查的内部基准涵盖多种语言和场景，评估缺陷召回率和幻觉率。只有当模型准确识别目标缺陷并确保所有其他报告结果有效且无幻觉时，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。我们计划尽快将此基准开源。 • OctoCodingbench：一个专注于复杂开发场景中代码代理长期指令遵循的内部基准。它在跨越不同技术栈和脚手架的动态环境中进行端到端行为监督。框架。核心目标是评估模型整合和执行“复合指令约束”的能力，这些约束包括系统提示（SP）、用户查询、记忆、工具模式以及诸如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，最终结果是4次运行的平均通过率，以此量化模型将静态约束转化为精确行为的稳健性。我们计划很快将此基准测试开源。 • VIBE：一个内部基准测试，利用Claude Code作为框架，自动验证程序的交互逻辑和视觉效果。分数通过一个统一的流程计算得出，该流程包括需求集、容器化部署和动态交互环境。最终结果是3次运行的平均值。我们已在VIBE开源了此基准测试。 • Toolathlon：评估协议与原论文保持一致。 • BrowseComp：所有分数均使用与WebExplorer（Liu等人，2025）相同的代理框架获得，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）：当令牌使用量超过最大上下文窗口的30%时，我们保留第一个AI响应、最后五个AI响应和工具输出，丢弃其余内容。 • AIME25 𝜏² Bench Telecom：源自基于《人工智能分析指数》中引用的评估数据集和方法的内部测试。 本地部署指南 从 HuggingFace 仓库下载模型： https://huggingface.co/MiniMaxAI/MiniMax M2.1 我们建议使用以下推理框架（按字母顺序排列）来服务该模型： SGLang 我们建议使用 SGLang 来支持 MiniMax M2.1。请参阅我们的 SGLang 部署指南 。 SGLang SGLang 部署指南 vLLM 我们建议使用 vLLM 来支持 MiniMax M2.1。请参阅我们的 vLLM 部署指南 。 vLLM vLLM 部署指南 Transformers 我们建议使用 Transformers 来支持 MiniMax M2.1。请参阅我们的 部署指南 。 Transformers 部署指南 其他推理引擎 • KTransformers KTransformers 推理参数 我们建议使用以下参数以获得最佳性能： 温度=1.0，top p = 0.95，top k = 40 。默认系统提示： 工具调用指南 请参阅我们的 工具调用指南 。 工具调用指南 联系我们 联系我们， model@minimax.io 。 model@minimax.io 🔗 原文链接： https://huggingface.co/MiniMaxAI/Mi... https://huggingface.co/MiniMaxAI/Mi... 我们将 MiniMax M2.1 交给开源社区。此次发布不仅仅是参数更新，更是朝着顶级智能体能力民主化迈出的重要一步。 M2.1 的诞生旨在打破高性能智能体必须闭门造车的刻板印象。我们对该模型进行了专门优化，使其在编码、工具使用、指令遵循和长程规划方面具备更强的稳健性。从自动化多语言软件开发到执行复杂的多步骤办公流程，MiniMax M2.1 赋能开发者构建下一代自主应用 —— 同时保持完全透明、可控且易于获取。 我们相信真正的智慧应该触手可及。M2.1 是我们对未来的承诺，也是您手中强大的新工具。