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

MiniMax · pașaport de model

MiniMax: MiniMax M2.7

minimax-m2-7

Ponderi deschise
Licență Modified MIT
228.7B parametri
204,800 context
Lansat 2026-04-09(repo HF creat)

General · LMArena: 1,415#128 din 396
Cea mai bună percentilă: 92.6IFBench (Artificial Analysis)
Poziția în cohortă: 60.2mediană 62.7

Ce spun datele

Evaluat pe 9 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.

Cele mai puternice axe

92.6 pct — IFBench (Artificial Analysis) (75.7%)

Neuniform: 60,6 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 92.6 pct pe IFBench (Artificial Analysis) față de 32 pct pe Factuality Arena.

IFBench (Artificial Analysis)92.6 pct75.7%Verifică →
Programare74.9 pct1,480Verifică →
Prompturi dificile70.7 pct1,441Verifică →
Urmarea instrucțiunilor69.7 pct1,408Verifică →
LiveBench69.4 pct63.5%Verifică →
General67.9 pct1,415Verifică →
Terminal-Bench56.8 pct45.1%Verifică →
WebDev Arena38.8 pct1,399Verifică →
Factuality Arena32 pct1,422Verifică →
Vision ArenaNeevaluat
Search ArenaNeevaluat
Document ArenaNeevaluat
Agent ArenaNeevaluat
GPQA DiamondNeevaluat
AIME (matematică)Neevaluat
FrontierMathNeevaluat
SimpleQA VerifiedNeevaluat
ARC-AGI-2Neevaluat
Humanity's Last ExamNeevaluat
SimpleBenchNeevaluat
BFCL v4 (apelare de funcții)Neevaluat
SWE-bench Verified (clasament live)Neevaluat
Terminal-Bench 4.0Neevaluat
MMLU-Pro (Artificial Analysis)Neevaluat
LiveCodeBench (Artificial Analysis)Neevaluat
Halucinații HHEM (Vectara)Neevaluat
SWE-bench VerifiedNeevaluat

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-M2.7

Parametri228.7B

ArhitecturăMiniMaxM2ForCausalLM

LicențăModified MIT

Transformers

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "MiniMaxAI/MiniMax-M2.7"
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-m2.7

Lungime context204,800 tokeni

Ieșire maximă131,072 tokeni

Preț intrare$0.30 per 1M tokeni

Preț intrare din cache$0.06 per 1M tokeni

Preț ieșire$1.20 per 1M tokeni

Parametri API acceptați de acest endpoint

Frequency penaltyInclude reasoningLogit biasMax tokensMin-pPresence penaltyReasoningRepetition penaltyResponse formatSeedStop sequencesTemperatureTool choiceTool callingTop-kTop-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-m2.7","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-m2.7 stands at 60.2 (raw mean 63.7) — measured on 9 of 27 axes.
pozițieșablonVerifică →
minimax-m2.7 stands at 60.2 versus a cohort median of 62.7 across 115 models released within 180 days — below 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 →