MiniMax M2: Otwarty model dla programistów i autonomicznych agentów

W świecie dynamicznie rozwijającej się sztucznej inteligencji, MiniMax-M2 wyróżnia się jako najnowsze dzieło zespołu MiniMax. Jest to model typu Mixture of Experts (MoE), udostępniony na platformie Hugging Face na licencji MIT. Jego głównym przeznaczeniem są złożone zadania programistyczne i agentowe przepływy pracy, zakładające długoterminowe użycie narzędzi.

Kluczową cechą MiniMax-M2 jest jego kompaktowa architektura. Model ten posiada łącznie 229 miliardów parametrów, jednak aktywuje ich około 10 miliardów na token. Takie rozwiązanie ma na celu zminimalizowanie zużycia pamięci i opóźnień, co jest szczególnie istotne w pętlach działania agentów (planuj, działaj, weryfikuj). Ta optymalizacja przekłada się na zwiększoną szybkość i niższe koszty operacyjne w porównaniu z gęstymi modelami o zbliżonej jakości.

Architektura i znaczenie rozmiaru aktywacji

Zmniejszona liczba aktywnych parametrów na token ma bezpośredni wpływ na wydajność. Redukuje to obciążenie pamięci i skraca opóźnienia, co jest kluczowe dla efektywnego działania agentów. Dzięki temu MiniMax-M2 może obsługiwać więcej równoległych operacji w łańcuchach CI (ciągła integracja), przeglądania i wyszukiwania informacji.

Innowacją w MiniMax-M2 jest również zastosowanie modelu „interleaved thinking”. Wewnętrzne procesy rozumowania są tu opakowane w bloki.

Zespół MiniMax zaleca zachowanie tych bloków w historii konwersacji, podkreślając, że ich usunięcie negatywnie wpływa na jakość w zadaniach wieloetapowych i łańcuchach narzędziowych. To nietypowe podejście wymaga specyficznego traktowania danych wejściowych, ale ma na celu poprawę spójności i trafności odpowiedzi modelu.

Benchmarki ukierunkowane na kodowanie i agentów

Zespół MiniMax przedstawił wyniki benchmarków, które odzwierciedlają rzeczywiste scenariusze pracy programistów i agentów. W teście Terminal-Bench model osiągnął wynik 46,3, w Multi SWE-Bench – 36,2, a w BrowseComp – 44,0. Szczególnie imponujący jest wynik 69,4 w SWE-bench Verified, uzyskany z kontekstem 128 tysięcy tokenów i 100 krokami w środowisku OpenHands. Te wyniki wskazują na solidne możliwości modelu w zakresie rozwiązywania problemów programistycznych i rozumienia złożonych instrukcji.

Koszty i dostępność

MiniMax podkreśla, że ich nowy model jest znacznie bardziej ekonomiczny – ma kosztować około 8% ceny Claude Sonnet i działać blisko dwukrotnie szybciej. Dodatkowo przewidziano bezpłatny okres dostępu do modelu, co ma umożliwić szerszej grupie programistów i badaczy przetestowanie jego możliwości.

Model jest dostępny w formatach safetensors (F32, BF16 i FP8 F8_E4M3) na Hugging Face, wraz z dokumentacją wdrożeniową dla vLLM i SGLang. Obsługuje również punkty końcowe kompatybilne z Anthropic, co ułatwia integrację w istniejących ekosystemach. MiniMax-M2 to solidne otwarcie, oferujące alternatywę dla drogich modeli zamkniętych, jednocześnie stawiając na precyzję i wydajność w wymagających zadaniach AI.