认识 MiniMax-M2.1

今天，MiniMax团队将 MiniMax-M2.1 交给开源社区。这次发布不仅仅是参数更新，而是向顶级智能代理能力迈出的重要一步。

M2.1 的构建旨在打破高性能代理必须封闭模型的刻板印象。专门优化了该模型，以增强其在编码、工具使用、指令遵循和长远规划方面的稳健性。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 赋予开发者构建下一代自主应用的能力——同时保持完全透明、可控和可访问。

MiniMax团队相信，真正的智能应该触手可及。M2.1 是MiniMax团队对未来的承诺，也是您手中的一款强大新工具。

如何使用

  • • MiniMax-M2.1 API 已在 MiniMax 开放平台上线: https://platform.minimax.io/docs/guides/text-generation
  • • MiniMax团队的产品 MiniMax Agent，基于 MiniMax-M2.1，现在已公开可用: https://agent.minimax.io/
  • • MiniMax-M2.1 模型权重现已开源，允许本地部署和使用: https://huggingface.co/MiniMaxAI/MiniMax-M2.1

性能指标

MiniMax-M2.1 在核心软件工程排行榜上实现了显著的飞跃。尤其在多语言场景中表现出色，超越了 Claude Sonnet 4.5，并接近 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

MiniMax-M2.1 在 SWE-bench Verified 上的表现突出，展示了其在不同框架下的卓越泛化能力和稳健性。

此外，在特定基准测试中，包括测试用例生成、代码性能优化、代码审查和指令遵循，MiniMax-M2.1 相较于 M2 展现了全面的改进。在这些专业领域中，它的表现始终与 Claude Sonnet 4.5 相当或更优。

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

为了评估模型从零到一构建完整、功能性应用的全栈能力，MiniMax团队建立了一个新的基准： 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。与传统基准不同，VIBE 利用创新的 Agent-as-a-Verifier (AaaV) 范式，在真实运行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 综合基准上表现出色，平均得分为 88.6，展示了强大的全栈开发能力。特别是在 VIBE-Web (91.5) 和 VIBE-Android (89.7) 子集上表现优异。

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 在长远工具使用和综合智能指标上也表现出稳步提升。

基准测试 MiniMax-M2.1 MiniMax-M2 Claude Sonnet 4.5 Claude Opus 4.5 Gemini 3 Pro GPT-5.2 (thinking) 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 (context management) 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 w/o tools 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

本地部署指南

环境要求

  • • OS：Linux
  • • Python：3.9 - 3.12
  • • GPU：
  • • compute capability 7.0 or higher
  • • 显存需求：权重需要 220 GB，每 1M 上下文 token 需要 240 GB

以下为推荐配置，实际需求请根据业务场景调整：

  • • 96G x4 GPU：支持 40 万 token 的总上下文。
  • • 144G x8 GPU：支持长达 300 万 token 的总上下文。

MiniMax团队推荐使用以下推理框架（按字母顺序排列）来服务模型：

SGLang

MiniMax团队推荐使用 SGLang 来服务 MiniMax-M2.1。
建议在全新的 Python 环境中安装 SGLang:

uv venvsource .venv/bin/activategit clone https://github.com/sgl-project/sglangcd sglanguv pip install -e "python" --prerelease=allow

运行如下命令启动 SGLang 服务器，SGLang 会自动从 Huggingface 下载并缓存 MiniMax-M2.1 模型。

4 卡部署命令：

python -m sglang.launch_server \    --model-path MiniMaxAI/MiniMax-M2.1 \    --tp-size 4 \    --tool-call-parser minimax-m2 \    --reasoning-parser minimax-append-think \    --host 0.0.0.0 \    --trust-remote-code \    --port 8000 \    --mem-fraction-static 0.85

8 卡部署命令：

python -m sglang.launch_server \    --model-path MiniMaxAI/MiniMax-M2.1 \    --tp-size 8 \    --ep-size 8 \    --tool-call-parser minimax-m2 \    --trust-remote-code \    --host 0.0.0.0 \    --reasoning-parser minimax-append-think \    --port 8000 \    --mem-fraction-static 0.85

vLLM

MiniMax团队推荐使用 [vLLM] https://github.com/vllm-project/vllm 来服务 MiniMax-M2.1。

使用 Python 部署

建议使用虚拟环境（如 venv、conda、uv）以避免依赖冲突。

建议在全新的 Python 环境中安装 vLLM：

uv venvsource .venv/bin/activateuv pip install -U vllm --extra-index-url https://wheels.vllm.ai/nightly

运行如下命令启动 vLLM 服务器，vLLM 会自动从 Huggingface 下载并缓存 MiniMax-M2.1 模型。

4 卡部署命令：

SAFETENSORS_FAST_GPU=1 vllm serve \    MiniMaxAI/MiniMax-M2.1 --trust-remote-code \    --tensor-parallel-size 4 \    --enable-auto-tool-choice --tool-call-parser minimax_m2 \    --reasoning-parser minimax_m2_append_think

8 卡部署命令：

SAFETENSORS_FAST_GPU=1 vllm serve \    MiniMaxAI/MiniMax-M2.1 --trust-remote-code \    --enable_expert_parallel --tensor-parallel-size 8 \    --enable-auto-tool-choice --tool-call-parser minimax_m2 \    --reasoning-parser minimax_m2_append_think

Transformers

MiniMax团队也支持使用 Transformers 来服务 MiniMax-M2.1。

建议在全新的 Python 环境中安装 Transformers:

uv pip install transformers==4.57.1 torch accelerate --torch-backend=auto

运行如下 Python 命令运行模型，Transformers 会自动从 Huggingface 下载并缓存 MiniMax-M2.1 模型。

from transformers import AutoModelForCausalLM, AutoTokenizer, GenerationConfigimport torchMODEL_PATH = "MiniMaxAI/MiniMax-M2.1"model = AutoModelForCausalLM.from_pretrained(    MODEL_PATH,    device_map="auto",    trust_remote_code=True,)tokenizer = AutoTokenizer.from_pretrained(MODEL_PATH)messages = [    {"role": "user", "content": [{"type": "text", "text": "What is your favourite condiment?"}]},    {"role": "assistant", "content": [{"type": "text", "text": "Well, I'm quite partial to a good squeeze of fresh lemon juice. It adds just the right amount of zesty flavour to whatever I'm cooking up in the kitchen!"}]},    {"role": "user", "content": [{"type": "text", "text": "Do you have mayonnaise recipes?"}]}]model_inputs = tokenizer.apply_chat_template(messages, return_tensors="pt", add_generation_prompt=True).to("cuda")generated_ids = model.generate(model_inputs, max_new_tokens=100, generation_config=model.generation_config)response = tokenizer.batch_decode(generated_ids)[0]print(response)

测试部署

启动后，可以通过如下命令测试 vLLM OpenAI 兼容接口：

curl http://localhost:8000/v1/chat/completions \    -H "Content-Type: application/json" \    -d '{        "model": "MiniMaxAI/MiniMax-M2.1",        "messages": [            {"role": "system", "content": [{"type": "text", "text": "You are a helpful assistant."}]},            {"role": "user", "content": [{"type": "text", "text": "Who won the world series in 2020?"}]}        ]    }'

推理参数

MiniMax团队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：

You are a helpful assistant. Your name is MiniMax-M2.1 and is built by MiniMax.

如果你看到这里，说明你已经意识到：

大模型真正的差距，早就不只在参数和榜单上了。

像 MiniMax M2.1 这样的变化，其实只是一个开始。

如果你不想被信息洪流淹没，也不想每天被“标题党新闻”割注意力，欢迎订阅！

下一篇，会更关键。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

在这里插入图片描述

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

  • 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
  • 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
  • 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
  • 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

在这里插入图片描述

  • 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
  • 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
  • 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
  • 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：


三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

在这里插入图片描述

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

img

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

img

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

img

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

img

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

img

L5阶段：专题集丨特训篇 【录播课】

img
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！

# 人工智能 # 产品经理 # RAG
Logo
2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

前端 + agent 开发学习路线

Agent = 大模型API + Prompt优化Agent = 系统架构 + 可控执行 + 安全审查 + 领域适配 + 可观测性作为前端开发者，你在Agent时代拥有独特优势用户体验敏感：知道如何设计自然的AI交互状态管理专家：能设计复杂的Agent工作流快速迭代能力：前端开发的敏捷性能快速验证想法可视化能力：能让黑盒的AI决策变得透明不要被"AI需要Python"的说法限制，Node.js生态

avatar 2048 AI社区

【癌症诊断】基于粒子群算法PSO优化人工神经网络ANN癌症诊断附Matlab代码

一、癌症诊断的痛点：传统方法与 AI 技术的 “双向奔赴”癌症诊断的核心诉求是早期发现、精准分型，但传统诊断方式（如病理活检、影像学分析）存在明显局限：病理活检依赖医生经验，主观性强且耗时；影像学检查对微小病灶的识别率不足，易出现漏诊、误诊。而人工神经网络（ANN）作为 AI 领域的经典模型，具备强大的特征提取与模式识别能力，可通过学习海量医疗数据（如基因表达数据、病理图像特征、血液指标）自动构建

avatar 2048 AI社区
cover

RN for OpenHarmony AnimeHub项目实战：正在热播页面开发

avatar 2048 AI社区