2025 年 10 月 27 日，中国 AI 初创公司 MiniMax 正式发布新一代开源大语言模型（LLM）MiniMax-M2，凭借在智能体工具调用、编码推理等核心场景的卓越表现，登顶全球开源 LLM 领域，成为首个跻身国际权威测评榜单全球前五的中国开源模型，直接对标 OpenAI、Anthropic 等国际巨头的闭源模型，以 “高智能 + 低成本” 的组合打破行业算力成本壁垒，为全球开发者与企业提供了兼具性能与经济性的 AI 基础设施。
MiniMax-M2 最核心的突破在于其顶尖的智能体（Agentic）工具调用能力。在衡量模型规划、执行及外部工具协作能力的关键基准测试中，该模型表现亮眼：τ²-Bench 得分为 77.2，BrowseComp 达 44.0，FinSearchComp-global 以 65.5 的分数位列开源模型第一，这些成绩已接近 GPT-5（Thinking）、Claude Sonnet 4.5 等顶级闭源模型水平。不同于普通开源模型仅能完成简单指令，MiniMax-M2 可自主规划复杂长链条任务，例如协同调用 Shell 命令、网页浏览器、Python 代码执行器及各类 MCP 工具，实现 “搜索 – 分析 – 计算 – 输出” 的端到端闭环。例如在金融场景中，它能自动调用深度搜索工具挖掘研报关键数据，结合 Python 执行器完成风险测算，最终生成结构化分析报告，整个过程无需人工干预，大幅提升工作流效率。
在技术架构上，MiniMax-M2 采用高效的稀疏混合专家（MoE）设计，总参数达 2300 亿，但每轮推理仅激活 100 亿参数，这种 “大总量 + 小激活” 的配置实现了性能与效率的平衡。一方面，大参数总量保障了模型的通用智能与复杂推理能力，使其在编码、逻辑分析等场景中表现突出 —— 在 SWE-bench Verified（代码验证基准）中得 69.4，接近 GPT-5 的 74.9；在 ArtifactsBench（ artifacts 分析基准）中以 66.8 的分数超越 Claude Sonnet 4.5 与 DeepSeek-V3.2。另一方面，低激活参数显著降低了算力需求与推理延迟，模型可在仅 4 张 NVIDIA H100 GPU（FP8 精度）的配置下高效部署，中小规模企业或部门级 AI 集群均可轻松承接，打破了 “顶尖模型需超大规模算力支撑” 的行业惯例。
成本优势是 MiniMax-M2 颠覆行业格局的另一关键。其 API 定价采用 “输入 + 输出” 分开计费模式，每百万输入 Token 仅 0.3 美元（约 2.1 元人民币），每百万输出 Token 1.2 美元（约 8.4 元人民币），综合成本仅为 Claude Sonnet 4.5 的 8%，推理速度却快近一倍，TPS（每秒输出 Token 数）稳定在 100 左右且持续优化。这一价格体系对高频调用场景极具吸引力，例如企业级客服知识库问答、大规模代码生成等任务，若迁移至 MiniMax-M2，年度算力成本可降低 90% 以上。同时，模型支持 SGLang 与 vLLM 高效部署框架，进一步优化了服务器资源利用率，避免了传统模型 “高闲置率” 导致的成本浪费。
为提升开发者友好性与企业适配能力，MiniMax-M2 在功能设计上进行了多重优化。其一，创新采用 “interleaved thinking 格式”，通过…<|FunctionCallEnd|> 标签保留推理过程痕迹，方便开发者追溯模型逻辑，尤其适合多轮工具调用场景 —— 例如在调试代码时，模型会清晰记录 “定位错误 – 调用文档 – 修改代码” 的每一步思考，便于人工校验与二次优化。其二，提供结构化工具调用指南，支持 XML-style 格式的外部 API 与工具连接，开发者可快速对接自有系统（如企业 CRM、内部数据库），让模型成为智能体框架的 “推理核心”。其三，兼容 OpenAI 与 Anthropic API 标准，原有使用闭源模型的企业可无缝迁移，无需重构代码，降低了替换成本。
在生态布局与落地支持上，MiniMax 采取 “开源 + 普惠” 双策略。模型代码、预训练权重及工具链已全面开放于 Hugging Face、GitHub 与 ModelScope 平台，遵循 MIT 许可证，允许开发者自由下载、微调、商用，甚至用于二次开发。为加速普及，MiniMax 还推出短期福利：发布后两周内开放全球 API 免费调用，同步上线国内版 MiniMax Agent（支持网页端与 APP），提供 “高效” 与 “专业” 双模式 —— 前者适配轻量级对话、基础编码，后者针对全栈开发、专业 PPT 制作等复杂需求优化，均限时免费。这些举措快速吸引了全球开发者关注，OpenRouter（全球顶级 AI 模型聚合平台）数据显示，M2 上线不到两天调用量即跻身全球前十，Reddit、X 等社区中，开发者纷纷分享实测案例，称赞其 “在中小算力下实现了闭源模型级别的表现”。
从行业影响来看，MiniMax-M2 的发布进一步巩固了中国在开源大模型领域的领先地位。此前 DeepSeek、阿里巴巴 Qwen 系列已在开源赛道崭露头角，而 M2 首次实现 “开源模型进入全球通用智能第一梯队”，证明中国 AI 企业在 MoE 架构优化、强化学习（RL）效率提升等核心技术上的突破。同时，其 “低成本 + 高可用” 特性为 AI 普惠提供了新路径 —— 中小企业无需再因高昂算力成本放弃先进 AI 工具，可基于 M2 构建专属智能体，例如工厂生产流程优化 Agent、医疗数据检索助手等，推动 “AI + 千行百业” 从概念走向落地。
不过，模型仍存在待优化空间：当前上下文窗口为 20.48 万 Token，虽满足多数场景需求，但相较于上一代 M1 的 100 万 Token 有所缩减，对超长篇文档处理（如百万字小说创作、全量企业年报分析）的支持有限；在极端专业领域（如量子物理计算、精密医疗诊断），模型精度与闭源模型仍有差距，需通过领域微调进一步提升。MiniMax 团队表示，后续将重点优化上下文长度与专业领域适配，并计划推出行业定制版（如金融、工业专属模型），持续完善生态。
总体而言，MiniMax-M2 以 “性能顶尖、成本低廉、生态开放” 的组合，重新定义了开源大模型的行业标准，不仅为开发者提供了强大的智能体开发底座，更让企业级 AI 应用的 “降本增效” 成为可能。随着其在金融研报分析、工业自动化运维、软件开发等场景的落地深化，有望推动全球 AI 行业从 “闭源垄断” 向 “开源普惠” 转型，为 AI 技术的规模化应用注入新动能。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/minimaxm2-kai-yuan-da-mo-xing-xin-wang-zhe-zhi-neng-ti-gong
