Română · beta. Traducerea a fost făcută automat și este încă în curs de revizuire. Citește pagina în engleză

MiniMax · pașaport de model

MiniMax: MiniMax M2.1

minimax-m2-1

Ponderi deschise
228.7B parametri
204,800 context
Lansat 2025-12-20(repo HF creat)

Cea mai bună percentilă: 98.5MMLU-Pro (Artificial Analysis)
Poziția în cohortă: 66.4mediană 55.0

Ce spun datele

Evaluat pe 4 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.

Cele mai puternice axe

98.5 pct — MMLU-Pro (Artificial Analysis) (87.5%)
91.6 pct — LiveCodeBench (Artificial Analysis) (81.0%)

Neuniform: 55,3 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 98.5 pct pe MMLU-Pro (Artificial Analysis) față de 43.2 pct pe Terminal-Bench.

MMLU-Pro (Artificial Analysis)98.5 pct87.5%Verifică →
LiveCodeBench (Artificial Analysis)91.6 pct81.0%Verifică →
IFBench (Artificial Analysis)81.5 pct69.9%Verifică →
Terminal-Bench43.2 pct36.6%Verifică →
GeneralNeevaluat
WebDev ArenaNeevaluat
Vision ArenaNeevaluat
Factuality ArenaNeevaluat
Search ArenaNeevaluat
Document ArenaNeevaluat
Agent ArenaNeevaluat
GPQA DiamondNeevaluat
AIME (matematică)Neevaluat
FrontierMathNeevaluat
SimpleQA VerifiedNeevaluat
ARC-AGI-2Neevaluat
Humanity's Last ExamNeevaluat
SimpleBenchNeevaluat
LiveBenchNeevaluat
BFCL v4 (apelare de funcții)Neevaluat
SWE-bench Verified (clasament live)Neevaluat
Terminal-Bench 4.0Neevaluat
Halucinații HHEM (Vectara)Neevaluat
SWE-bench VerifiedNeevaluat
ProgramareNeevaluat
Urmarea instrucțiunilorNeevaluat
Prompturi dificileNeevaluat

Percentilele reprezintă poziția modelului în populația proprie a fiecărui clasament. Axele marcate „neevaluat” nu au niciun rezultat publicat pentru acest model — este o absență a datelor, nu un scor mic.

Cum îl rulezi

Rulează-l singur

RepositoryMiniMaxAI/MiniMax-M2.1

Parametri228.7B

ArhitecturăMiniMaxM2ForCausalLM

Transformers

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "MiniMaxAI/MiniMax-M2.1"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id)

Ollama

Nu sincronizăm tag-urile Ollama, așa că nu afișăm o comandă pe care nu o putem verifica — una greșită ar descărca modelul greșit. Caută în biblioteca Ollama →

Rețetele de fine-tuning Unsloth sunt specifice fiecărui model și nu le derivăm aici. Documentația Unsloth →

Folosește-l găzduit

ID de model APIminimax/minimax-m2.1

Lungime context204,800 tokeni

Ieșire maximă131,072 tokeni

Preț intrare$0.30 per 1M tokeni

Preț intrare din cache$0.03 per 1M tokeni

Preț ieșire$1.20 per 1M tokeni

Parametri API acceptați de acest endpoint

Include reasoningMax tokensReasoningResponse formatTemperatureTool choiceTool callingTop-p

Exemplu de cerere

curl https://openrouter.ai/api/v1/chat/completions \
  -H "Authorization: Bearer $OPENROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"minimax/minimax-m2.1","messages":[{"role":"user","content":"Hello"}]}'

Vezi pe OpenRouter →

Identificatorii, limitele și prețurile sunt sincronizate din sursa upstream afișată mai sus. Orice câmp nesincronizat este omis complet, nu ghicit.

MiniMax-M2.1 stands at 66.4 (raw mean 78.7) — measured on 4 of 27 axes.
pozițieșablonVerifică →
MiniMax-M2.1 stands at 66.4 versus a cohort median of 55 across 127 models released within 180 days — above the peer median.
cohortășablonVerifică →

Fiecare afirmație este un fapt calculat din datele actuale ale clasamentului, formulat de un apel de model la temperatură scăzută și respins de o poartă de validare dacă vreun număr nu se află în rândul sursă. Cum funcționează clasamentele →