MiniMax-M2

MiniMax-M2 属于 MiniMaxAI 的 M 系列文本模型，2025 年 10 月 22 日发布并开放权重，输入与输出均为纯文本。它要解决的问题很明确：为需要私有化、可审计的团队提供一个不依赖闭源接口的文本基座，承担推理、代码和智能体类任务。在同系列中，更早的 M1 与之后的 M2.1、M2.7、M3 等版本同时存在，M2 的差异主要体现在开放权重这一形态上；本站对这些版本的上下文长度、价格字段均无记录，无法做定量比较。官方价格尚未公开，也没有可接入的托管平台记录，因此实际获取方式目前只能以官方仓库和自建部署为准。许可证标注为 other，商用与再分发前需要回到官方条款逐条确认。对选型者来说，M2 的价值在于可控性：模型跑在自己的环境里，数据不出域，也能按业务语料继续微调；代价是推理成本、显存规划和运维都要自己承担。如果需求以多模态输入为主，或希望直接按调用量付费，它并不是合适的第一选择。

选型建议需要开放权重、可私有化、以文本与智能体任务为主的团队可以优先评估 M2；需要多模态输入或希望直接购买托管 API 的场景，应等官方价格与平台接入明确后再决定。

• 在自有 GPU 环境部署 M2，处理对数据不出域有硬性要求的内网文本任务
• 用开放权重做领域微调，把通用文本能力迁移到客服、工单等垂直语料
• 接入智能体流程，让模型承担任务拆解与工具调用参数生成等文本环节
• 搭建代码问答与审查助手，在本地代码库范围内给出解释与改写建议
• 作为文本基座配合独立的视觉模型，补齐需要读图但以文字输出为主的流程

公开资料把 M2 归入稀疏混合专家路线，官方在本站数据中未披露参数规模、专家数量与训练细节，以下只做定性描述。

• 结构采用稀疏混合专家设计，按需激活部分专家以控制单次推理的算力开销，具体专家数量与参数规模官方未披露，公开资料较少。
• 能力输入与输出均为纯文本，公开资料把它的能力重心放在推理、代码与多步骤任务执行上，适合接入工具调用与智能体流程。
• 披露权重已开放，但许可证标为 other，商用与再分发条款需回到官方仓库逐条确认；训练数据与评测细节暂无公开记录。

开源权重

是

许可证

other

第三方跑分本站暂无记录，无法给出量化结论，以下判断基于公开定位与开源形态，属于定性评估。

• 强项文本推理与代码类任务是它的设计重心，开源权重便于私有化部署，也便于按自有业务语料做二次微调。
• 短板只接受文本输入，图像、音频等场景需要另配模型；缺少公开跑分与统一评测，选型阶段很难做定量对比。
• 适合对数据不出域有硬性要求、且具备推理运维能力的团队，比直接依赖闭源接口更可控，但要自担部署成本。
• 待验证长上下文表现、并发吞吐与显存占用官方未在本站披露，建议用自建任务集先跑小流量实测再定量。

官方价格未公开，本站也没有记录到任何平台的接入报价，暂时无法计算调用成本，只能从开源形态推断成本结构。

• 定位开源权重模式下，成本主要来自自建推理的算力与运维，而非按 token 计费，具体硬件投入因部署规模差异较大。
• 横向对比同系列 M1、M2.1、M2.7、M3 等在本站的价格字段同样为空，价差无法计算，横向比价缺少前提条件。
• 平台差价本站记录的可接入平台数为 0，暂无托管厂商报价可对照，官方渠道与自托管是眼下仅有的两条路径。
• 省钱先按真实业务流量估算所需吞吐，再决定自建还是等待托管渠道上线，避免为未验证的容量提前采购算力。

取上下文相近（约 0.5~2 倍）的同类主流模型；同厂商、同家族优先；价格差为相对本模型的输入价

• 口径本站未记录该模型的第三方跑分与平台接入信息，能力与价格的任何判断都应以官方后续披露为准，不宜外推。
• 边界仅支持文本输入输出，多模态需求需组合其他模型；许可证标注为 other，商用前需逐条核对授权范围与限制。

本页资料由多个公开来源交叉整理：按「官方目录 → 通用网关 → 开源仓库 → 中文资料」的优先级合并， 冲突时取优先级高的来源。价格单位是美元 / 百万 tokens，为各平台对 API 调用的报价，不含自部署成本。 资料由公开来源整理，不代表 AiTest 已对该模型或其收录中转站做过真实性、稳定性或安全检测。

本页的模型介绍、架构、性能与性价比解读为 AI 综合公开信息整理，部分未经本站逐项核实；规格、价格与跑分以本页数据字段为准。