GPT
הוספת כלי
M

MiniMax-M2

קוד פתוח

MiniMaxAIother2025-10-22

  • transformers
  • safetensors
  • minimax_m2
  • text-generation
  • conversational

זהו מודל MoE עם 229 מיליארד פרמטרים שתוכנן לתכנות והרצת סוכנים אוטונומיים. הוא מפעיל רק 10 מיליארד פרמטרים בכל טוקן, מה שמקצר את זמני התגובה בריצות ארוכות.

  • 229Bפרמטרים
  • 196,608טוקנים בהקשר
  • 214 GBמשקל הקבצים
  • 220,559הורדות בחודש

מה זה

הארכיטקטורה של MiniMax-M2 מתבססת על תערובת מומחים עם 62 שכבות וחלון הקשר של 196,608 טוקנים. הרעיון המרכזי כאן הוא הפעלת 10 מיליארד פרמטרים בלבד בזמן ריצה מתוך 229 מיליארד בסך הכל. המבנה הזה מכוון ישירות לצווארי הבקבוק של סוכנים אוטונומיים, שבהם זמן התגובה של כל צעד בודד בלולאת התכנון והביצוע קובע את המהירות הכוללת.

במדדי כתיבת קוד ושימוש בכלים, המודל מציג תוצאות מעשיות גבוהות ביחס למודלים פתוחים. במבחן SWE-bench Verified הוא מגיע לציון של 69.4, וב־LiveCodeBench הוא עומד על 83, תוצאה שעוקפת מודלים סגורים רבים. במשימות דפדפן כמו BrowseComp הוא קיבל 44 נקודות, לעומת 19.6 של Claude Sonnet 4.5 באותה בדיקה, מה שמעיד על יכולת איתור מקורות טובה כשנותנים לו גישה לרשת.

מתאים ל

  • סוכני פיתוח ותיקון באגים

    תוצאה של 69.4 ב־SWE-bench הופכת אותו למתאים במיוחד לעריכת קבצים מרובים והרצת טסטים חוזרים ב־IDE.

  • מחקר אוטומטי מבוסס דפדפן

    עם ציון 44 ב־BrowseComp, הוא יודע להפעיל כלי רשת, לאתר מקורות חבויים ולהתאושש מתקלות גלישה.

  • ניתוח מסמכים ארוכים

    חלון הקשר של כמעט 200 אלף טוקנים מאפשר לטעון תיעוד שלם, קוד פרויקט או דוחות כספיים ללא חיתוך.

איפה זה נופל

למרות גודלו, יש תחומים שבהם הוא מתקשה. במבחן HLE ללא כלים הוא משיג רק 12.5 נקודות, ובמשימות מסוף מורכבות של Terminal-Bench-Hard הוא נעצר בציון 24, נמוך יותר מרוב מתחריו בקטגוריה. בנוסף, הוא תלוי לחלוטין בשימור תגי החשיבה שלו בהיסטוריה, כך שאי אפשר לנקות את הפלטים כדי לחסוך טוקנים בלי לשבור את ההיגיון שלו בצעדים הבאים.

שאלות
נפוצות

האם המודל שומר על ביצועים אם מסירים את תגי החשיבה מהפרומפט?

לא, המפתחים מדגישים שהסרת תגי ה־think מההיסטוריה פוגעת באופן ישיר באיכות המענה. המודל מסתמך על הצעדים הללו כדי לתכנן את פעולות ההמשך, ולכן חובה להחזיר אותם כחלק מההקשר בכל פנייה חוזרת.

האם כדאי להרים אותו לוקאלית על גבי מחשב פיתוח רגיל?

בשום אופן לא. מדובר במודל ששוקל 214 גיגה בייט ומחזיק 229 מיליארד פרמטרים, מה שמחייב שרתי GPU ארגוניים עם נפח זיכרון משמעותי. למחשב מקומי עדיף להשתמש ב־API של MiniMax או במוצר ה־Agent הרשמי שלהם.

איך מריצים

כדי להריץ אותו עצמאית תצטרכו שרת עם זיכרון וידאו מסיבי. משקל הקבצים עומד על 214 גיגה בייט, כך שגם לפני חישוב ה־KV Cache עבור הקשר מלא, נדרש מערך של מספר כרטיסי H100 או A100 כדי לטעון אותו לזיכרון. המפתחים ממליצים להריץ אותו דרך ספריות כמו SGLang, vLLM, MLX או Transformers ישירות.

אם אין לכם תשתית ענן ייעודית כזו, שווה לפנות ל־API שלהם שנמצא בפלטפורמה ומוצע כרגע בחינם לזמן מוגבל. בזמן ההרצה, שימו לב שהמודל מייצר תגיות חשיבה מסוג think, ואתם חייבים לשמור אותן בהיסטוריית השיחה ללא עריכה כדי לא לפגוע באיכות התשובות הבאות.

from transformers import pipeline

pipe = pipeline("text-generation", model="MiniMaxAI/MiniMax-M2")
print(pipe("שלום"))

הקבצים

153 קבצים במאגר, 214 GB סך הכול. הקישורים מובילים ישירות ל־Hugging Face.

הרישיון

במטא-דאטה מוגדר הרישיון כ־other, אך בטקסט הרשמי של כרטיס המודל והקישורים לגיטהאב מצוין רישיון MIT. אם הרישיון הוא אכן MIT, הקוד והמשקלים חופשיים לשימוש מסחרי, שינוי והפצה, ללא דרישות תמלוגים, בכפוף לשמירת הודעת זכויות היוצרים המקורית.

הרישיון המלא בעמוד המודל ↗