MiniMax M2.5:為真實工作場景生產力而打造
MiniMax M2.5: Built for Real-World Productivity.
MiniMax 發佈 M2.5 與 M2.5-Lightning,稱兩款模型在編碼、智能體工具調用、搜索及辦公任務達到 SOTA,M2.5 在 SWE-Bench Verified 得分 80.2%。
文中並列 SWE-Bench Verified 成績、不同腳手架的評測結果、執行時間與定價,方便比較 M2.5 的編碼表現和使用成本。


今天,我們推出最新模型 MiniMax-M2.5。
M2.5 經過強化學習訓練,涵蓋數十萬個複雜的真實世界環境,在程式編寫、代理工具運用與搜尋、辦公室工作,以及其他多種具經濟價值的任務中,均達到業界頂尖水平(SOTA);在 SWE-Bench Verified、Multi-SWE-Bench 和 BrowseComp(配合上下文管理)分別取得 80.2% 的 SWE-Bench Verified 成績、51.3% 的 Multi-SWE-Bench 成績及 76.3% 的 BrowseComp 成績。
M2.5 經過訓練,能有效推理並以最佳方式拆解任務,執行複雜代理任務時速度極快;完成 SWE-Bench Verified 評測所需時間比 M2.1 快 37%,速度與 Claude Opus 4.6 相若。
M2.5 是首個讓使用者毋須擔心成本的前沿模型,實現了「智慧低廉得無須計量」的願景。以每秒 100 個 token 的速度連續運行一小時,費用只需 $1。若以每秒 50 個 token 運行,費用則降至 $0.30。我們希望 M2.5 的速度和成本效益能促成新一代創新代理應用。
程式編寫
在程式編寫評測中,MiniMax-M2.5 相較前幾代有顯著進步,達到業界頂尖水平。M2.5 在多語言程式編寫任務上的表現尤其突出。

M2.5 相較前幾代的一大進步,是能像架構師一樣思考和規劃。模型在訓練過程中展現出撰寫規格的傾向:在編寫任何程式碼前,M2.5 會以資深軟件架構師的角度,主動拆解和規劃專案的功能、結構及 UI 設計。
M2.5 在超過 200,000 個真實世界環境中接受訓練,涵蓋超過 10 種程式語言(包括 Go、C、C++、TypeScript、Rust、Kotlin、Python、Java、JavaScript、PHP、Lua、Dart 和 Ruby)。M2.5 不只擅長修正錯誤,在複雜系統的整個開發週期中都能可靠執行:從 0 到 1 的系統設計和環境設定,到 1 到 10 的系統開發、10 到 90 的功能迭代,再到 90 到 100 的全面程式碼檢視和系統測試。它涵蓋 Web、Android、iOS 和 Windows 等多平台全端專案,包括伺服器端 API、商業邏輯、資料庫等,而非只會製作前端網頁示範。
為評估這些能力,我們亦把 VIBE 基準測試升級為更複雜、更具挑戰性的 Pro 版本,大幅提高任務複雜度、領域涵蓋範圍和評測準確度。整體而言,M2.5 的表現與 Opus 4.5 相若。

我們着重評估模型在分佈外執行框架中的泛化能力,使用不同程式編寫代理框架,在 SWE-Bench Verified 評測集上測試其表現。
- Droid:79.7(M2.5) > 78.9(Opus 4.6)
- OpenCode:76.1(M2.5) > 75.9(Opus 4.6)
搜尋與工具呼叫

有效使用工具和搜尋,是模型自主處理複雜任務的先決條件。在 BrowseComp、Wide Search 等基準測試中,M2.5 的表現位居業界前列。同時,模型的泛化能力亦有提升;面對不熟悉的框架環境時,M2.5 的表現更加穩定。
專業人士進行研究時,使用搜尋引擎只是整個過程的一小部分;大部分工作是在資訊密集的網頁中深入探索。為此,我們建立 RISE(Realistic Interactive Search Evaluation),以真實世界的專業任務衡量模型的搜尋能力。結果顯示,M2.5 在真實情境下的專家級搜尋任務中表現出色。
相較前代,M2.5 處理代理任務時的決策能力亦明顯改善:它學會以更精準的搜尋輪次和更高的 token 效率解決問題。在 BrowseComp、Wide Search 和 RISE 等多項代理任務中,M2.5 用更少輪次取得更好結果,所需輪次比 M2.1 約少 20%。這表示模型不再只是答對問題,還懂得以更有效率的路徑推理並得出結果。
辦公室工作
M2.5 經過訓練,能在辦公室工作情境中產出真正可交付的成果。為此,我們與金融、法律和社會科學等領域的資深專業人士深入合作。他們制定需求、提供意見、參與訂立標準,並直接協助建構資料,將各行各業的隱性知識帶進模型訓練流程。在此基礎上,M2.5 在 Word、PowerPoint 和 Excel 財務建模等高價值工作場景中,能力大幅提升。評測方面,我們建立內部 Cowork Agent 評測框架(GDPval-MM),透過配對比較評估交付成果的質素和代理執行過程的專業程度,同時追蹤整個工作流程的 token 成本,以估算模型在現實世界帶來的生產力增益。與其他主流模型比較時,其平均勝率達 59.0%。

效率
現實世界充滿限期和時間限制,因此完成任務的速度是實際需要。模型完成任務所需時間,取決於任務拆解效能、token 效率和推理速度。M2.5 原生服務速度達每秒 100 個 token,幾乎是其他前沿模型的兩倍。此外,我們的強化學習設定會鼓勵模型有效推理並以最佳方式拆解任務。受惠於這三項因素,M2.5 能大幅縮短完成複雜任務所需時間。
例如,執行 SWE-Bench Verified 時,M2.5 每項任務平均使用 3.52 million 個 token,相比之下,M2.1 使用 3.72M 個 token。同時,受惠於平行工具呼叫等能力提升,端到端執行時間由平均 31.3 分鐘縮短至 22.8 分鐘,速度提升 37%。這與 Claude Opus 4.6 的 22.9 分鐘相若,而每項任務的總成本只有 Claude Opus 4.6 的 10%。
成本
我們設計 M2 系列基礎模型的目標,是為複雜代理提供動力,讓使用者毋須擔心成本。我們相信 M2.5 已接近實現這個目標。我們將推出 M2.5 和 M2.5-Lightning 兩個版本,能力相同,但速度不同。M2.5-Lightning 的穩定吞吐量為每秒 100 個 token,速度是其他前沿模型的兩倍;每百萬個輸入 token 收費 $0.3,每百萬個輸出 token 收費 $2.4。M2.5 的吞吐量為每秒 50 個 token,價格則是前者的一半。兩個版本都支援快取。按輸出價格計算,M2.5 的成本只有 Opus、Gemini 3 Pro 和 GPT-5 的十分之一至二十分之一。
以每秒輸出 100 個 token 的速度連續運行一小時,M2.5 費用為 $1;若速度為每秒 50 個 token,費用則降至 $0.3。換個角度看,每年只需 $10,000,就能讓四個 M2.5 執行個體全年不間斷運行。我們相信 M2.5 為經濟中的代理開發和運作帶來近乎無限的可能。對 M2 系列而言,現階段唯一仍待解決的問題,就是如何持續推進模型能力的前沿。
進步速度
在由 late October 至今的三個半月間,我們先後推出 M2、M2.1 和 M2.5,模型進步速度超出原先預期。例如,在備受重視的 SWE-Bench Verified 基準測試中,M2 系列的進步速度明顯快於 Claude、GPT 和 Gemini 等模型系列。

強化學習擴展
上述進展的關鍵推動力之一,是強化學習的規模擴展。我們在訓練模型的同時,也善用模型自身的能力。公司日常執行的大部分任務和工作空間,都已轉化為強化學習訓練環境;目前這類環境已有數十萬個。同時,我們在代理式強化學習框架、演算法、獎勵訊號和基礎設施工程方面投入大量工作,支援強化學習訓練持續擴展。
Forge –– 代理原生強化學習框架
我們在內部設計了名為 Forge 的代理原生強化學習框架。它加入中介層,將底層訓練與推理引擎和代理完全解耦,支援整合任意代理,並讓我們能針對不同代理框架和工具提升模型的泛化能力。為提高系統吞吐量,我們優化非同步排程策略,在系統吞吐量與樣本離策略程度之間取得平衡,並設計樹狀訓練樣本合併策略,令訓練速度提升約 40x。

代理式強化學習演算法與獎勵設計
在演算法方面,我們繼續採用去年初提出的 CISPO 演算法,確保 MoE 模型在大規模訓練期間保持穩定。為解決代理執行軌跡中長上下文帶來的信用分配難題,我們引入過程獎勵機制,端到端監察生成品質。此外,為更貼近使用者體驗,我們透過代理執行軌跡評估任務完成時間,在模型智能和回應速度之間達致最佳平衡。

我們即將在另一篇技術網誌文章中,發布更全面的強化學習規模擴展介紹。
MiniMax Agent:作為專業員工的 M2.5
M2.5 已全面部署於 MiniMax Agent,帶來最佳的代理使用體驗。
我們已將核心資訊處理能力提煉為標準化 Office Skills,並深度整合至 MiniMax Agent。在 MAX 模式下,處理 Word 排版、PowerPoint 編輯和 Excel 計算等任務時,MiniMax Agent 會按檔案類型自動載入相應的 Office Skills,提升任務成果的質素。
此外,使用者可以把 Office Skills 與特定領域的專業知識結合,建立可重用、針對特定任務情境的 Experts。
以行業研究為例,把成熟的研究框架 SOP(標準作業程序)與 Word Skills 結合後,Agent 便可嚴格按照既定框架自動擷取資料、整理分析邏輯,並輸出格式妥當的研究報告,而不只是生成一大段原始文字。在財務建模情境中,把機構專有的建模標準與 Excel Skills 結合,Agent 便可依照特定風險控制邏輯和計算標準,自動建立並驗證複雜財務模型,而不只是輸出基本試算表。
截至目前,使用者已在 MiniMax Agent 建立超過 10,000 個 Experts,數目仍在快速增加。MiniMax 亦為辦公室工作、金融和程式編寫等高頻場景,在 MiniMax Agent 上建立多套深度優化、開箱即用的 Expert 組合。
MiniMax 自身亦是最早受惠於 M2.5 能力的企業之一。在公司的日常營運中,M2.5 自主完成整體任務的 30%,涵蓋研發、產品、銷售、人力資源和財務等部門,而且滲透率持續上升。它在程式編寫場景中的表現尤其突出,M2.5 生成的程式碼佔新提交程式碼的 80%。
附錄
M2.5 的更多基準測試結果:

評測方法:
- SWE 基準測試:我們在內部基礎設施上使用 Claude Code 作為代理框架,測試 SWE-bench Verified、SWE-bench Multilingual、SWE-bench-pro 和 Multi-SWE-bench;測試時覆寫預設系統提示,結果取 4 次運行的平均值。此外,SWE-bench Verified 亦使用預設提示,在 Droid 和 Opencode 框架上進行評測。
- Terminal Bench 2:我們使用 Claude Code 2.0.64 作為評測框架測試 Terminal Bench 2。為確保部分問題本身正確,我們修改了其 Dockerfile;沙盒規格統一擴充至 8 核心 CPU 和 16 GB 記憶體,逾時上限統一設為 7,200 秒,並為每道問題配備基本工具組(ps、curl、git 等)。逾時不會重試;另外,我們加入空白框架回應偵測機制,若任務最終回應為空白便會重試,以處理各種非預期中斷情況。最終結果取 4 次運行的平均值。
- VIBE-Pro:內部基準測試。使用 Claude Code 作為代理框架,自動驗證程式的互動邏輯和視覺效果。所有分數均透過統一流程計算,包括需求集、容器化部署和動態互動環境。最終結果取 3 次運行的平均值。
- BrowseComp:採用與 WebExplorer(Liu et al., 2025)相同的代理框架。當 token 使用量超過最大上下文的 30% 時,便會捨棄所有歷史記錄。
- Wide Search:採用與 WebExplorer(Liu et al., 2025)相同的代理框架。
- RISE:內部基準測試。包含來自人類專家的真實問題,用以評估模型結合複雜網頁互動時,多步資訊檢索和推理的能力。我們在 WebExplorer(Liu et al., 2025)代理框架上加入以 Playwright 為基礎的瀏覽器工具組。
- GDPval-MM:內部基準測試。以開源 GDPval 測試集為基礎,採用自訂代理式評測框架,由 LLM 評審對完整執行軌跡進行配對勝/和/負判斷。每項任務的平均 token 成本按各供應商官方 API 定價計算(不含快取)。
- MEWC:內部基準測試。以 MEWC(Microsoft Excel World Championship)為基礎,包含 2021–2026 年 Excel 電競賽事主要及其他地區賽區的 179 道問題。此測試評估模型理解競賽 Excel 試算表並使用 Excel 工具解題的能力;分數按輸出儲存格值與答案儲存格值逐一比較計算。
- 財務建模:內部基準測試。主要由行業專家設計財務建模問題,涵蓋透過 Excel 工具完成端到端研究與分析任務。每道問題均按專家設計的評分準則評分。最終結果取 3 次運行的平均值。
- AIME25 ~ AA-LCR:根據 Artificial Analysis Intelligence Index 排行榜涵蓋的公開評測集和評測方法進行內部測試所得。
來源:MiniMax:Blog · minimax.io