Ga naar de hoofdinhoud
BVDNET
Arnhem · websites & automatiseringBVDNET
Modellen & Architectuur

MiniMax-M2

Een 229.9B parameter Mixture-of-Experts model met slechts 9.8B actieve parameters per token, geoptimaliseerd voor agentische taken en vertonend vroege tekenen van self-evolution—autonoom debuggen van eigen training en aanpassen van scaffolding.

Ook bekend als: M2 Series, MiniMax M2.7, Forge Model

Modellen & ArchitectuurAdvanced
2026-W22
AI Intel Pipeline

Wat is MiniMax-M2?

MiniMax-M2 is een Mixture-of-Experts (MoE) taalmodel met 229,9 miljard parameters dat frontier-niveau intelligentie behaalt met een ‘mini activation’-footprint van slechts 9,8 miljard parameters per token—expliciet geoptimaliseerd voor langlopende agentic taken.

Waarom het ertoe doet

Gelanceerd in mei 2026 vertegenwoordigt de M2-serie een doorbraak in efficiëntie ontmoet autonomie: modellen die GPT-5 en Claude Opus 4 evenaren in redeneren en coderen, terwijl ze minder dan 5% van hun rekenbudget tijdens inference gebruiken.

Het meest significant is dat de nieuwste M2.7-checkpoint vroege tekenen van zelf-evolutie vertoont—het vermogen om autonoom te:

  • Zijn eigen trainingsruns te debuggen door verliescurves en gradiëntenstromen te analyseren
  • Zijn eigen scaffolding (tool-calling patronen, redeneersjablonen) aan te passen om het slagingspercentage op taken te verhogen
  • Synthetische trainingsdata te cureren om geïdentificeerde zwaktes aan te pakken

Dit markeert een vroege stap richting recursieve zelfverbetering, waarbij modellen zichzelf optimaliseren zonder menselijke tussenkomst.

Hoe het werkt

1. Mixture-of-Experts-architectuur

MiniMax-M2 bevat in totaal 229,9B parameters maar activeert slechts 9,8B per forward pass door tokens te routeren naar gespecialiseerde expert-subnetwerken:

Plain Text
1Input → Router → Selects 2-4 expert modules (from 64 total) → Combines outputs

Dit levert op:

  • 10x kostenreductie ten opzichte van dichte modellen (activatie = 4,3% van het totale aantal parameters)
  • Snellere inference (minder VRAM, minder FLOPs)
  • Gespecialiseerde expertise (aparte experts voor coding, wiskunde, redeneren, tool-use)

2. Forge: Agent-native Reinforcement Learning

M2 wordt getraind met Forge, een schaalbaar RL-systeem dat:

  • Simuleert langetermijn-agenttaken (bijv. "debug deze webapp", "onderzoek dit onderwerp")
  • Beloont succesvolle meerstaps-trajecten, niet alleen individuele juiste antwoorden
  • Werkt het model continu bij op basis van feedback uit echte agent-deployments

3. Zelf-evolutiecapaciteiten (M2.7)

Het M2.7-checkpoint introduceert:

  • Introspectiemodules: Analyseren modelactivaties en identificeren knelpunten
  • Scaffold-mutatie: Test en neem automatisch verbeterde prompting-strategieën over
  • Synthetische datageneratie: Maak gerichte trainingsvoorbeelden voor zwakke vaardigheidsgebieden

Praktijkvoorbeeld

Een developer zet M2.7 in om autonoom een Django-webapplicatie te onderhouden. Over een periode van 2 weken:

  1. Week 1: Model heeft moeite met database-migratiescripts (52% succesratio)
  2. Zelfdiagnose: M2.7 analyseert faallogs en identificeert redeneren over SQL-schema’s als zwakke plek
  3. Zelfcuratie: Genereert 10.000 synthetische SQL-migratievoorbeelden
  4. Zelftraining: Fijnstemt zichzelf op synthetische data tijdens daluren
  5. Week 2: Succesratio van migraties stijgt naar 89%—zonder menselijke tussenkomst

Gerelateerde concepten

MiniMax-M2 bouwt voort op Mixture-of-Experts, Agentic AI en Self-Improving AI. Het concurreert met modellen als GPT-5, Claude Opus 4 en Gemini 3.5, maar onderscheidt zich door agent-first optimalisatie en vroege zelf-evolutiecapaciteiten.

Bronnen

Bronnen

  1. arXiv: MiniMax-M2 Technical Report