智能白菜价时代！

MiniMax M2.5 刚刚发布，让顶级生产力一小时只要一刀。

M2.5 在智力上硬刚 Claude Opus 4.6，更用一美元包断一小时的离谱价格，直接把 AI 生产力的门槛踩到了地板砖以下。

它不再只是一个会陪你聊天的机器人，而是一个彻头彻尾的数字打工人。刚发布，OpenClaw 就宣布集成。

它不仅能写代码，还能像架构师一样先画图纸再动工；它不仅能搜网页，还能像分析师一样做深度调研。

最重要的是，它的使用成本低到几乎可以忽略不计，让无限智能成了现实。

代码界的总设计师

在编程评估中，M2.5 相比前几代有了显著提升，达到了 SOTA 水平。M2.5 在多语言编码任务中的表现尤为突出。

M2.5 涌现出架构师思维。

当你提出一个需求时，它不会急吼吼地马上开始敲键盘，而是先停下来思考。

它会像一个老练的架构师一样，先写 Spec 文档，把系统的功能模块、数据结构、UI 设计全部规划得明明白白。

这种谋定而后动的能力，是在两万多个真实编程环境中卷出来的。

它现在的能力覆盖了从 0 到 1 的系统搭建，到后续的功能迭代，甚至最后的代码审查。

不管是用 Python 搞后端，还是用 Kotlin 写安卓，或者是 Rust、C++ 这种硬骨头，它都能啃下来。

在 SWE-Bench Verified 这个专门考 AI 写代码能力的测试里，M2.5 拿到了 80.2% 的高分，直接把之前的版本甩在身后，甚至比 Claude Opus 4.6 还要快。

这种能力的涌现，让它在处理复杂任务时的表现有了质的飞跃。

真正的职场多面手

M2.5 还被训练成了一个真正的职场多面手。

在 Word、Excel、PPT 这些工作场景中实现了显著的能力提升。

MiniMax 与金融、法律和社会科学等领域的资深专业人士进行了深入合作。他们设计需求，提供反馈，参与标准制定，并直接参与数据构建，将行业的隐性知识引入模型的培训流程。各自行业的潜规则和默会知识教给了 AI。

工具调用和搜索是模型能够自主处理更复杂任务的前提。

在 BrowseComp 和 Wide Search 等基准测试的评估中，M2.5 实现了行业领先的性能。

模型的泛化也有所提升，在面对陌生脚手架环境时表现更稳定。

举个例子，在做行业研究时，它不会像普通搜索引擎那样，给你扔回来一堆乱七八糟的链接。

它会遵循一套成熟的研究框架，先去搜集数据，然后梳理逻辑，最后生成一份格式严谨的研究报告。

在 Excel 里，它也不是简单地填填数字，而是能根据复杂的风控逻辑，自动生成和验证财务模型。

在这个过程中，M2.5 展现出了极强的搜索和工具使用能力。

在真实的搜索环境测试（RISE）中，它表现出了专家级的水准。它不再盲目地乱搜，而是懂得了如何用最少的步骤找到最准确的答案。

解决问题的回合数比M2.1减少了 20%。这说明它不仅是在找答案，更是在优化找答案的路径。

现在，MiniMax 自己的员工已经离不开它了。

公司里 30% 的日常任务都是由 M2.5 自动完成的，覆盖了从产品研发到人事财务的各个环节。

“自己做的菜自己先吃”的开发模式，保证了 M2.5 的能力是真正经过实战检验的。

比快更快，比省更省

在 AI 圈子里，通常有一个不可能三角：模型越聪明，通常就越慢，价格也越贵。

但 MiniMax 打破了这个三角。

我们先看速度。

M2.5 的原生推理速度达到了惊人的每秒 100 Token。大部分顶尖模型的速度只有它的一半。

用它来跑复杂的任务，比如那个需要大量思考和调用的 SWE-Bench 测试，它只用了 22.8 分钟就搞定了，比上一代快了整整 37%。

时间就是金钱，在分秒必争的商业环境里，这个速度意味着生产力的直接翻倍。

再看让人跌破眼镜的价格。

官方给出的数据是：每持续运行一小时，只要 1 美元。

如果你不需要极致的 100 Token/秒 的速度，用 50 Token/秒 的标准版，成本还能再砍一半，变成 3 毛钱一小时。

换算成 Token 价格，它的输入成本是每百万 Token 0.3 美元。这简直就是把顶级算力卖出了自来水的价格。

这种成本优势，直接让很多以前想做但不敢做的重型 AI 应用变得可行了。

以前因为太贵而不敢跑的几百万次循环测试，现在可以随便跑；以前因为心疼 Token 而不敢给的长文档，现在可以随便喂。

比如巨吃 Token 的 OpenClaw。

这种极致的性价比，其实是逼出来的。

MiniMax 发现，要让 AI 真正接管复杂任务，它必须得进行大量的思考、搜索和自我修正。所以他们把成本控制做到了极致，为的就是让智能从此不再昂贵。

隐藏在背后的技术核武

M2.5 背后是一套被称为RL Scaling（强化学习规模化）的技术心法。

简单来说，MiniMax 把公司里成千上万个真实的工作场景，都变成了训练 AI 的练功房。

截止到目前，这样的环境已经积累了数十万个。

他们在内部打造了一个叫 Forge 的框架，这个框架就像是一个高效的流水线，能把各种复杂的代理任务和底层的训练引擎无缝对接。

Forge 把训练速度提升了 40 倍。

它引入了一套异步调度策略，让系统在吞吐量和样本质量之间找到了完美的平衡。

同时，为了解决长文本任务中由于前因后果太长而导致 AI 搞不清哪一步做对了的问题，他们引入了过程奖励机制，全程盯着 AI 的每一步操作，随时给出反馈。

在算法层面，他们沿用了那个著名的 CISPO 算法，确保了 MoE（混合专家模型）在训练时的稳定性。

这就像是给一群天才专家装上了协调器，让他们既能各自发挥特长，又能紧密配合，不会出现三个和尚没水喝的情况。

正是这一整套从底层框架到上层算法的深度优化，才支撑起了 M2.5 那令人咋舌的性能和低廉的成本。

MiniMax 2.5 加速了智能的昂贵时代的终结。

当顶级的智力资源变得像水电一样便宜，当 AI 开始像架构师一样思考，像专家一样工作，我们每个人手中的生产力工具都将迎来一次彻底的重塑。

参考资料：

https://www.minimax.io/news/minimax-m25