MiniMax 推出了其最新迭代的 M2.5 系列模型，在保持行業領先性能的同時，大幅降低了推理成本，試圖解決複雜 Agent 應用在經濟上不可行的痛點，並宣稱其在編程、工具調用及辦公場景中已達到或刷新了行業 SOTA（當前最佳）水平。
2 月 13 日，MiniMax 公佈的數據顯示，M2.5 展現了顯著的價格優勢。在每秒輸出 50 個 token 的版本下，其價格僅為 Claude Opus、Gemini 3 Pro 以及 GPT-5 等主流模型的 1/10 至 1/20。
<blockquote>
在每秒輸出 100 個 token 的高速運行環境下，M2.5 連續工作一小時的成本僅需 1 美元，若降至 50 token/秒，成本進一步下探至 0.3 美元。這意味着 1 萬美元的預算足以支撐 4 個 Agent 連續工作一年，極大地降低了構建和運營大規模 Agent 集羣的門檻。
</blockquote>
在性能維度，M2.5 在核心編程測試中表現強勁，並在多語言任務 Multi-SWE-Bench 上取得第一，整體水平比肩 Claude Opus 系列。同時，模型優化了對複雜任務的拆解能力，在 SWE-Bench Verified 測試中，完成任務的速度較上一代 M2.1 提升了 37%，端到端運行時間縮短至 22.8 分鐘，與 Claude Opus 4.6 持平。
目前，MiniMax 內部業務已率先驗證了該模型的能力。數據顯示，其內部 30% 的整體任務已由 M2.5 自主完成，覆蓋研發、產品、銷售等核心職能。特別是在編程場景中，M2.5 生成的代碼已佔據新提交代碼的 80%，顯示出該模型在真實生產環境中的高滲透率和可用性。
<h2 style="text-align: left">擊穿成本底線：無限運行 Agent 的經濟可行性</h2>
M2.5 的設計初衷是消除運行復雜 Agent 的成本約束。MiniMax 通過優化推理速度和 token 效率實現了這一目標。模型提供 100 TPS（每秒傳輸事務處理量）的推理速度，約為當前主流模型的兩倍。
除了單純的算力成本降低，M2.5 通過更高效的任務拆解和決策邏輯，減少了完成任務所需的 token 總量。
在 SWE-Bench Verified 評測中，M2.5 平均每個任務消耗 3.52M token，低於 M2.1 的 3.72M。
速度與效率的雙重提升，使得企業在經濟上幾乎可以無限制地構建和運營 Agent，將競爭焦點從成本轉移至模型能力的迭代速度上。
<h2 style="text-align: left">編程能力進階：像架構師一樣思考與構建</h2>
在編程領域，M2.5 不僅關注代碼生成，更強調系統設計能力。模型演化出了原生的 Spec（規格説明書）行為，能夠以架構師視角在編碼前主動拆解功能、結構和 UI 設計。
該模型在超過 10 種編程語言（包括 GO、C++、Rust、Python 等）和數十萬個真實環境中進行了訓練。
測試顯示，M2.5 能勝任從系統設計（0-1）、開發（1-10）到功能迭代（10-90）及最終代碼審查（90-100）的全流程。
為了驗證其在不同開發環境下的泛化性，MiniMax 在 Droid 和 OpenCode 等編程腳手架上進行了測試。
結果顯示，M2.5 在 Droid 上的通過率為 79.7，在 OpenCode 上為 76.1，均優於上一代模型及 Claude Opus 4.6。
<img class=" wscnph" src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/83ba5a06-fe24-4023-9b01-fe8ab9235ad9.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="621" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/83ba5a06-fe24-4023-9b01-fe8ab9235ad9.png"/>
<h2 style="text-align: left">複雜任務處理：更高效的搜索與專業交付</h2>
在搜索和工具調用方面，M2.5 展示了更高的決策成熟度，不再單純追求 “做對”，而是尋求以更精簡的路徑解決問題。
在 BrowseComp、Wide Search 和 RISE 等多項任務中，M2.5 相較於前代節省了約 20% 的輪次消耗，以更優的 token 效率逼近結果。
<img class=" wscnph" src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/64d74851-df89-4a16-9a96-52f037ef189b.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="611" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/64d74851-df89-4a16-9a96-52f037ef189b.png"/>
針對辦公場景，MiniMax 通過與金融、法律等領域資深從業者合作，將行業隱性知識融入模型訓練。
在內部構建的 Cowork Agent 評測框架（GDPval-MM）中，M2.5 在與主流模型的兩兩對比中取得了 59.0% 的平均勝率，能夠輸出符合行業標準的 Word 研報、PPT 及複雜的 Excel 財務模型，而非簡單的文本生成。
<img class=" wscnph" src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/eb3035da-6988-4f4a-99c6-af524c5574bd.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="320" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/eb3035da-6988-4f4a-99c6-af524c5574bd.png"/>
<img class=" wscnph" src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/9675292f-2269-4b00-b0fc-92627253f960.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="365" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/9675292f-2269-4b00-b0fc-92627253f960.png"/>
<h2 style="text-align: left">技術底座：原生 Agent RL 框架驅動線性提升</h2>
M2.5 性能提升的核心驅動力來自於大規模強化學習（RL）。
MiniMax 採用了名為 Forge 的原生 Agent RL 框架，通過引入中間層解耦了底層訓推引擎與 Agent，支持任意腳手架的接入。
在算法層面，MiniMax 沿用了 CISPO 算法以保障 MoE 模型在大規模訓練中的穩定性，並針對 Agent 長上下文帶來的信用分配難題，引入了過程獎勵機制（Process Reward）。
此外，工程團隊優化了異步調度策略和樹狀合併訓練樣本策略，實現了約 40 倍的訓練加速，驗證了模型能力隨算力和任務數增加呈現近線性提升的趨勢。
<img class=" wscnph" src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/22495de7-68e3-4f74-b9b0-fc2dc87475a9.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="786" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/22495de7-68e3-4f74-b9b0-fc2dc87475a9.png"/>
目前，M2.5 已在 MiniMax Agent、API 及 Coding Plan 中全量上線，其模型權重也將在 HuggingFace 開源，支持本地部署。

00100

M2.5 模型實現性能與成本的雙重突破。價格僅為 GPT-5 等主流模型的 1/10 至 1/20。性能比肩 Claude Opus，在多語言編程測試 Multi-SWE-Bench 奪冠，任務完成速度較上代提升 37%。採用原生 Agent 強化學習框架，內部已有 30% 任務由 AI 自主完成，編程場景代碼生成佔比達 80%。

- MiniMax 推出 M2.5 系列，降低推理成本，聲稱達行業 SOTA 水平。  
- M2.5 在每秒 100 token 下，運行一小時成本僅需 1 美元，極大降低運營門檻。  
- 在編程、搜索等任務中，M2.5 展示出更高效的性能和決策能力。

MiniMax 發佈 M2.5 模型：1 美元運行 1 小時，價格僅為 GPT-5 的 1/20，性能比肩 Claude Opus