MiniMax-M2

MiniMax-M2 is een reeks AI-taalmodellen van het bedrijf MiniMax, gebouwd voor programmeren en voor agents: AI die taken uitvoert met tools zoals een browser of een terminal. De gewichten zijn openbaar, dus een bedrijf kan de modellen op eigen servers draaien in plaats van per verzoek te betalen. Kijk wel naar de licentie: M2 mag commercieel gebruikt worden, M2.7 (2026) alleen met toestemming van MiniMax.

Welke modellen horen bij de reeks?

MiniMax bracht M2 uit op 27 oktober 2025, volgens eigen zeggen voor 8% van de prijs van Claude Sonnet en met twee keer de snelheid. M2.1 volgde op 23 december 2025, M2.5 op 12 februari 2026 en M2.7 op 18 maart 2026. Het technische rapport van 26 mei 2026 beschrijft de hele reeks. Op 1 juni 2026 bracht MiniMax een opvolger uit, MiniMax M3, met een contextvenster tot 1 miljoen tokens.

Hoe zit het in elkaar?

Het vlaggenschip M2 is een mixture-of-experts-model met 229,9 miljard parameters, waarvan er per token 9,8 miljard actief zijn. Elk van de 62 lagen heeft 256 kleine experts, en een router kiest er per token 8, zodat een token ongeveer 4% van de gewichten gebruikt. De attention is volledig in elke laag, met grouped-query attention: 48 query-heads delen 8 key-value-heads, wat de KV-cache kleiner houdt. MiniMax testte hybrides met sliding-window attention en vond die zwakker bij taken met meer dan 32.000 tokens context. Het contextvenster is 192.000 tokens, en de pre-training gebruikte 29,2 biljoen tokens.

Volgens het rapport komt het meeste van wat M2 kan uit de training daarna. Datapijplijnen bouwen taken voor programmeren en voor kenniswerk zoals zoeken en kantoortaken, elk met een uitvoerbare werkomgeving en een beloning die te controleren is. Forge, het reinforcement learning-systeem van MiniMax voor lange agentruns, houdt de agent, de training en de inferentie gescheiden. Zo kan het trainen met elke agent-scaffold, ook met black-box agents die het alleen ziet via hun verzoeken aan het model.

Wat betekent zelfevolutie bij M2.7?

Volgens het rapport zet M2.7 een eerste stap naar zelfevolutie ("takes an early step toward self-evolution"). In het eigen ontwikkelwerk van MiniMax debugt het mislukte trainingsruns, leest het logs, past het configuraties aan en verbetert het zijn eigen agent-scaffold: de software rond het model die het tools, geheugen en instructies geeft. Volgens MiniMax neemt M2.7 30 tot 50% van het dagelijkse iteratiewerk van zijn reinforcement-learningteam voor zijn rekening. Onderzoekers stellen de doelen en beoordelen de grote beslissingen, en het rapport geeft geen externe controle van deze interne cijfers. De blogpost Kan MiniMax-M2.7 zichzelf verbeteren? en het item over self-evolving agentic models gaan er dieper op in.

Hoe goed is het?

In de eigen metingen van MiniMax scoorde M2.7 56,2 op SWE-bench Pro, 57,0 op Terminal-Bench 2.0 en 52,7 op Multi-SWE-bench, de hoogste score van de vergeleken modellen op die laatste test. MiniMax zegt dat M2.7 de sterkste gesloten modellen benadert. In de tabel met benchmarks in het rapport blijft het op de meeste programmeertests onder de beste van Claude Opus 4.6, Claude Sonnet 4.6, GPT-5.4 en Gemini 3.1 Pro: 1,5 punt op SWE-bench Pro (GPT-5.4: 57,7) en 18,1 punt op Terminal-Bench 2.0 (GPT-5.4: 75,1).

Voorbeeld

Stel: een softwarebureau wil een programmeerassistent op eigen servers, zodat de code van klanten in huis blijft. M2 valt onder een aangepaste MIT-licentie: commercieel gebruik is gratis, en alleen producten met meer dan 100 miljoen maandelijkse gebruikers of 30 miljoen dollar aan jaarlijkse terugkerende omzet moeten "MiniMax M2" in hun interface tonen. In september 2026 staat de licentie van M2.7 persoonlijk en niet-commercieel gebruik toe, en is voor commercieel gebruik schriftelijke toestemming van MiniMax nodig. Hoe dan ook is de hardware fors: de gepubliceerde gewichten van M2, grotendeels in 8 bits opgeslagen (kwantisatie), nemen op Hugging Face zo'n 230 GB in beslag.