一、项目介绍：2300 亿参数的轻量化 AI 全能选手
1. 基础信息
项目名称：MiniMax-M2 开发团队：MiniMax-AI（专注大模型研发与落地） 核心定位：一款专为编码（Coding）和智能代理（Agentic）工作流优化的开源混合专家（MoE）大模型，旨在以'轻量化激活参数'实现高性能，兼顾低延迟、低成本和高吞吐量，支持本地部署、API 调用和二次开发。 仓库现状：GitHub 开源免费，模型权重已同步至 Hugging Face（https://huggingface.co/MiniMaxAI/MiniMax-M2），提供完整部署文档、工具调用指南和社区支持，适配主流推理框架，目前已成为编码与代理领域热门开源项目。
2. 核心技术参数
- 模型架构：混合专家模型（MoE），采用'稀疏激活'设计，仅在推理时激活部分专家层，平衡性能与效率；
- 参数规模：总参数 2300 亿，激活参数仅 100 亿（约为 GPT-4 总参数的 1/10，激活参数的 1/5）；
- 训练数据：覆盖多语言文本、代码库（Python/Java/JavaScript 等主流语言）、工具使用文档、科学文献等，数据量超万亿 Token；
- 推理效率：单 GPU（NVIDIA A10G）可支持批量推理，单条编码任务响应时间≤3 秒，批量处理吞吐量是同类模型的 2-3 倍；
- 支持框架：SGLang（≥v0.5.4.post3）、vLLM、MLX-LM，兼容 Windows/Linux/macOS 系统，支持 GPU（compute capability 7.0+）和 CPU 推理（性能略降）。
3. 项目核心价值
MiniMax-M2 解决了高性能模型部署成本高及开源模型功能单一两大痛点。通过降低硬件门槛并兼顾开发与自动化场景，适用于个人开发者提升编码效率及企业搭建低成本 AI 代理系统。
二、核心功能：编码 + 代理双场景，AI 提效无死角
MiniMax-M2 的功能设计围绕'提效'核心，覆盖从代码编写到复杂任务自动化的全流程。
1. 编码辅助：端到端开发提效
作为模型核心优势场景，编码功能覆盖'写代码 - 查错误 - 优化 - 测试'全流程，且在基准测试中表现突出：
- 多语言支持：完美适配 Python、Java、JavaScript、Go、C++ 等 20+ 主流编程语言，支持跨语言代码转换；
- 核心能力：
- 代码生成：输入自然语言需求，直接生成可运行代码，支持多文件联动；
- 代码修复：上传错误代码或粘贴异常日志，自动定位语法错误、逻辑漏洞，提供修复方案并解释原因，在 SWE-bench Verified 测试中得分 69.4（同类开源模型平均得分 55 左右，GPT-4o mini 得分 67.2）；
- 代码优化：对现有代码进行性能优化、可读性优化，在 LiveCodeBench 测试中代码质量得分 89.3；
- 测试生成：根据代码自动生成单元测试、集成测试用例，支持 JUnit、Pytest 等主流测试框架，覆盖 80% 以上核心逻辑。
- 提效场景：程序员日常开发、学生代码练习、企业项目迭代，示例显示可将编码任务耗时大幅压缩。
2. 智能代理：复杂任务自动化
模型的代理能力支持自主规划工具链、执行长流程任务，无需人工干预：
- 工具链支持：覆盖 shell 命令、浏览器检索、代码运行器、数据库查询、文件处理等 10+ 常用工具，可自主判断任务需求并调用对应工具；
- 核心能力：
- 任务规划：接收复杂自然语言指令，自动拆解为多个步骤按顺序执行；
- 故障恢复：执行过程中遇到错误，自动调整策略，无需人工介入，在 BrowseComp 测试中得分 44（Claude Sonnet 4 得分 12.2，Gemini 2.5 Pro 得分 9.9）；
