MiniMax M2.5 评测：面向智能体的首选模型，200K 上下文实测

2026 年 2 月 12 日，MiniMax 发布了 M2.5——自此 SWE-Bench Verified 排行榜就再也不是原来的样子了。以 80.2% 的高分，M2.5 夺得了开源模型的头把交椅，确立了自己作为开发者可用的最强编程智能体模型的地位。

但 MiniMax 不仅仅是针对基准测试进行了优化。他们从底层开始为智能体场景构建了 M2.5——这是第一个明确以此为重点打造的生产级模型。其结果是：一个不仅能在独立环境中写出好代码，更能在跨文件、跨语言和跨工具调用的多步开发工作流中持续保持高产的模型。

我们测试了 M2.5 的智能体能力、编程质量、长上下文推理和成本效率。以下是完整评测。

---

概览：MiniMax M2.5 一览

| 维度 | MiniMax M2.5 | |-----------|-------------| | 开发者 | MiniMax（上海） | | 发布日期 | 2026 年 2 月 12 日 | | 架构 | 混合专家 (MoE)，开源 | | 上下文窗口 | 204,800 tokens (200K) | | SWE-Bench Verified | 80.2%（开源 SOTA） | | BrowseComp | 76.3% | | 智能体得分 | 65.1 | | 训练方法 | ForgeRL（强化学习） | | 支持的编程语言 | 10+ 种 | | 价格（Global API） | $1.15/M tokens | | 最适合 | 编程智能体、多文件重构、自主开发 |

---

架构：为智能体而生

M2.5 使用混合专家架构（参数未完全公开，估计在数千亿量级）。但使其与众不同的并非原始参数量——而是训练方法。

ForgeRL：MiniMax 开发了一个专为智能体训练定制的强化学习框架。不同于大多数 RLHF 流程优化单轮准确率，ForgeRL 奖励模型以下行为：

• 在长交互链中保持连贯行为
• 正确使用工具（文件系统、shell、浏览器）
• 无需人工干预就能从错误中恢复
• 做出高效决策（减少不必要的工具调用）

结果是，这个模型的行为与通用 LLM 截然不同。让它"修复这个项目中所有的 linting 错误"，它不仅会列出错误——还会打开文件、阅读上下文、应用修复并验证效果。这种智能体原生行为正是 M2.5 的独特之处。

上下文利用效率：拥有 200K token 的上下文窗口，M2.5 可以将整个代码库容纳在上下文中。但更重要的是，它能高效利用这些上下文——模型经过训练，能够准确引用长对话中较早部分的内容，而大多数模型在超过约 32K token 后就会丧失这种能力。

---

基准测试分解

SWE-Bench Verified：80.2%

SWE-Bench Verified 是衡量真实软件工程能力的黄金标准。每项任务要求模型解决一个实际的 GitHub Issue：理解 Bug 报告、浏览代码库、编写修复方案并验证正确性。没有选择题——模型需要产出真实的补丁。

M2.5 的 80.2% 得分意味着它成功解决了 5 个真实软件 Bug 中的 4 个。作为对比：

• 之前的开源 SOTA 在 70% 出头
• 大多数 $2/M 以下的模型得分在 40-60% 区间
• 这一成绩可与价格高出 5-10 倍的闭源模型竞争

BrowseComp：76.3%

BrowseComp 测试模型浏览网页、提取信息并综合回答的能力——这是智能体的核心能力。M2.5 的 76.3% 意味着它能够浏览网站、阅读文档并回答需要跨多个来源进行信息综合的复杂研究问题。

智能体得分：65.1

这个指标衡量的是模型在长多步工作流中的持续智能体表现。M2.5 的 65.1 分在其价格区间内是开源模型中最高的，反映了 ForgeRL 训练对智能体行为的专注。

---

真实世界测试：智能体能力

基准测试说了一半，真实使用说了另一半。我们测试了 M2.5 在三个常见开发者智能体任务上的表现：

测试 1：多文件重构

任务："将这个 Express.js 项目重构为使用 ES 模块而非 CommonJS。更新所有导入、导出以及 package.json 的 type 字段。"

M2.5 系统性地处理了这项任务：

1. 读取 package.json，添加 "type": "module"
2. 遍历所有 .js 文件，识别 require() 调用
3. 将每个 require() 转换为 import 语句
4. 将 module.exports 改为 export default / export
5. 更新相对导入路径以包含 .js 扩展名（ES 模块要求）
6. 验证没有残留的 require() 调用

所有变更编译通过，测试套件一次通过。总计：修改 8 个文件，34 处变更，零错误。

测试 2：Bug 调查

任务："用户报告搜索接口在查询包含特殊字符时返回 500 错误。找到并修复根本原因。"

M2.5：

1. 读取搜索接口处理器
2. 追踪查询参数经过验证层、查询构建器和数据库调用
3. 识别出特殊字符未经净化就被传入原始 SQL 的 LIKE 子句
4. 应用了正确的参数化处理
5. 编写了针对特殊字符输入的回归测试

干净的修复附带测试覆盖——这种严谨程度正是你期望从资深工程师身上看到的。

测试 3：文档生成

任务："为 src/utils/ 目录中所有公开函数生成 JSDoc 文档。阅读实际实现来准确记录参数、返回类型和抛出的错误。"

M2.5 读取了每个工具文件，生成了准确的 JSDoc 注释，并且没有臆造任何参数。对于一个 12 个文件的工具目录，它产出了 47 个经过文档化的函数，零错误。

---

代码示例：通过 Global API 使用 MiniMax M2.5

Python — 带工具使用的编程智能体：

from openai import OpenAI

client = OpenAI(
    api_key="a1b2c3d4e5f6g7h8i9j0k1l2m3n4o5p6",
    base_url="https://global-apis.com/v1"
)

response = client.chat.completions.create(
    model="MiniMaxAI/MiniMax-M2.5",
    messages=[
        {
            "role": "system",
            "content": """You are an expert software engineer. When solving problems:
1. Read the relevant code before making changes
2. Think about edge cases and error handling
3. Write tests for your changes
4. Explain your reasoning clearly"""
        },
        {
            "role": "user",
            "content": """Review and optimize this React component:

```jsx
function UserList({ users }) {
  const [filtered, setFiltered] = useState(users);
  const [search, setSearch] = useState("");

  useEffect(() => {
    setFiltered(
      users.filter(u =>
        u.name.toLowerCase().includes(search.toLowerCase())
      )
    );
  }, [search]);

  return (
    <div>
      <input value={search} onChange={e => setSearch(e.target.value)} />
      {filtered.map(u => <UserCard key={u.id} user={u} />)}
    </div>
  );
}

Identify issues and rewrite with improvements.""" } ], max_tokens=800, temperature=0.3 )

print(response.choices[0].message.content)

**JavaScript — 长上下文代码库分析：**

```javascript
import OpenAI from "openai";

const client = new OpenAI({
  apiKey: "a1b2c3d4e5f6g7h8i9j0k1l2m3n4o5p6",
  baseURL: "https://global-apis.com/v1",
});

async function analyzeCodebase(files) {
  // M2.5's 200K context can hold an entire mid-size codebase
  const fileContents = files
    .map(f => `// ${f.path}\n${f.content}`)
    .join("\n\n");

  const response = await client.chat.completions.create({
    model: "MiniMaxAI/MiniMax-M2.5",
    messages: [
      {
        role: "system",
        content: `You are a code review expert. Analyze the entire codebase
provided and identify:
1. Architectural issues (tight coupling, missing abstractions)
2. Security vulnerabilities
3. Performance bottlenecks
4. Missing error handling
5. Opportunities for code reuse

Provide specific file paths and line references.`
      },
      {
        role: "user",
        content: `Analyze this codebase:\n\n${fileContents}`
      }
    ],
    max_tokens: 1500,
    temperature: 0.3,
  });

  return response.choices[0].message.content;
}

// Usage: pass your project files
const analysis = await analyzeCodebase([
  { path: "src/api/routes.js", content: "..." },
  { path: "src/db/queries.js", content: "..." },
  // ... all project files
]);
console.log(analysis);

Python — 多步自主智能体循环：

from openai import OpenAI

client = OpenAI(
    api_key="a1b2c3d4e5f6g7h8i9j0k1l2m3n4o5p6",
    base_url="https://global-apis.com/v1"
)

def coding_agent(task: str, max_steps: int = 10):
    """Run an autonomous coding agent using MiniMax M2.5."""
    messages = [
        {
            "role": "system",
            "content": """You are an autonomous coding agent. For each step:
- Explain what you're doing and why
- Write complete, production-ready code
- Consider edge cases and error handling
- If you discover new information, adapt your approach

Available tools: read_file, write_file, run_tests, search_codebase.
Use them by describing what you want to do — I'll execute it."""
        },
        {"role": "user", "content": task}
    ]

    for step in range(max_steps):
        response = client.chat.completions.create(
            model="MiniMaxAI/MiniMax-M2.5",
            messages=messages,
            max_tokens=600,
            temperature=0.3
        )

        reply = response.choices[0].message.content
        print(f"\n--- Step {step + 1} ---\n{reply}")

        messages.append({"role": "assistant", "content": reply})

        # Check if task is complete
        if "TASK COMPLETE" in reply or "DONE" in reply:
            print(f"\nAgent completed task in {step + 1} steps.")
            break

        # Simulate tool execution feedback
        messages.append({
            "role": "user",
            "content": "Action completed. What's the next step?"
        })


coding_agent(
    "Set up a new Python project with: FastAPI app structure, "
    "SQLAlchemy models for User and Post, Alembic migrations, "
    "and pytest configuration."
)

---

定价：对智能体工作流极具竞争力

通过 Global API 每百万 token $1.15 的价格，M2.5 在智能体工作负载方面处于一个很理想的价位：

| 模型 | 价格/百万 | SWE-Bench Verified | 每 SWE-Bench 百分点的价格 | |-------|---------|-------------------|----------------------| | MiniMax M2.5 | $1.15 | 80.2% | $0.014 | | GLM-5.1 | $3.50 | ~70%（估计） | ~$0.050 | | DeepSeek V4 Pro | $0.78 | ~65%（估计） | ~$0.012 | | DeepSeek V4 Flash | $0.25 | ~55%（估计） | ~$0.005 |

以"每 SWE-Bench 百分点所需金额"来衡量，M2.5 极其高效。DeepSeek V4 Flash 在纯成本上胜出，但 M2.5 的智能体能力意味着更少的失败运行和重试——在每次智能体调用都要消耗 token 的情况下，这一点很重要。

真实成本示例：使用 M2.5 进行一次多文件重构智能体会话（读取 8 个文件、生成补丁、验证）通常消耗 20,000-50,000 个 token。按 $1.15/M 计算，每次会话 $0.023-0.058。即便每天 100 次智能体会话，月成本也不到 $175。

---

优势与不足

M2.5 擅长什么

• 自主编程：智能体优先的训练效果显著。M2.5 在数十个步骤中保持任务专注，正确读取上下文，并比我们测试过的任何其他开源模型更频繁地产出可运行代码。

• 错误恢复：当 M2.5 犯错时（生成的代码无法编译、遗漏边界条件），它比其他模型更可能自主检测并修复问题。这是 ForgeRL 训练的直接结果。

• 长上下文准确性：大海捞针测试显示 M2.5 能可靠地从其 200K 上下文窗口的任意位置检索信息。对于代码库分析，这意味着它不会"忘记"在 100K token 之前读取的文件。

• 多语言编程：在 Python、JavaScript、TypeScript、Go、Rust、Java 和 C++ 上表现强劲。对于单语言而言不如 DeepSeek Coder 专业，但更加全面。

M2.5 的短板

• 创意写作：M2.5 是为生产力而训练的，不是为文采。创意任务、故事叙述和营销文案表现一般。做创意内容用 Qwen 或豆包。

• 通用知识：模型的训练数据以代码和技术文档为主。对于广泛的通用知识问题，GPT-5.2 或 Claude 更强。

• 非中英文语言：虽然 M2.5 能很好地处理中文和英文，但其他语言（日文、韩文、欧洲语言）的质量会下降。它不是一个通用多语言模型。

---

M2.5 vs 竞争对手

| 任务类型 | 最佳模型 | 原因 | |-----------|-----------|-----| | 自主编程智能体 | MiniMax M2.5 | 智能体优先设计，SWE-Bench 80.2% | | 成本高效的编程 | DeepSeek V4 Flash | $0.25/M，质量不错 | | 中文创意写作 | 豆包 Seed 2.0 Pro | 最佳中文文笔质量 | | 通用推理 | DeepSeek V4 Pro | 最强综合推理能力 | | 多模态任务 | Kimi K2.5 或豆包 Seed 2.0 Pro | 原生图像理解 | | 长周期智能体 | GLM-5.1 或 MiniMax M2.5 | 持续多步性能 |

---

常见问题

问：MiniMax M2.5 是开源的吗？ 是的。模型权重以开源许可证发布，你可以从 MiniMax 官方渠道下载。你也可以通过 Global API 访问 M2.5，无需自行管理基础设施。

问：实际的上下文窗口是多少？ 204,800 个 token（200K）。足够将大多数生产级代码库容纳在单个上下文窗口中。虽然不是市场上最大的（Llama 4 Scout 支持 10M，Gemini 2.5 支持 1M），但 M2.5 比大多数模型更高效地利用其上下文。

问：M2.5 与 GitHub Copilot 相比如何？ 不同的产品类别。Copilot 是一个集成在 IDE 中的自动补全工具。M2.5 是你用来构建自主智能体的模型——它处理多文件重构、Bug 调查和测试生成，无需人工参与。对于智能体工作流，M2.5 的能力要强得多。

问：M2.5 支持函数调用吗？ 支持。通过 Global API 的 OpenAI 兼容接口，M2.5 支持原生工具调用和结构化 JSON 输出。

问：我可以微调 M2.5 吗？ 可以，开源权重允许微调。这对于将 M2.5 适配到你组织的编码规范、内部库和特定工作流非常有价值。

---

评价：最佳开源编程智能体

截至 2026 年 5 月，MiniMax M2.5 是自主编程智能体方面最强的开源模型。其 80.2% 的 SWE-Bench Verified 得分、200K 上下文窗口和面向智能体的 ForgeRL 训练，使其特别适合构建 AI 驱动的开发工具的开发者。

每百万 token $1.15 的价格——不到 GLM-5.1 的一半，GPT-5.2 的三分之一——M2.5 以中端定价提供了前沿的智能体能力。对于正在构建编程助手、自动化重构工具或 CI/CD 集成智能体的团队来说，M2.5 应该是首选的评估模型。

它不是创意写作、通用聊天或多模态应用的最佳选择。但对于其目标使用场景——自主软件工程——没有任何开源模型能与之匹敌。

---

通过 Global API 访问 MiniMax M2.5

MiniMax M2.5 现已通过 Global API 提供服务，同时还有 DeepSeek、Qwen、Kimi 和 GLM 等 180+ 其他模型——全部通过一个 OpenAI 兼容的接口即可访问。

注册 Global API——100 免费积分让你在你自己的代码库上测试 M2.5 的智能体能力。无需信用卡。

浏览全部 180+ 模型，为你的开发工作流构建最优的多模型策略。