MiniMax M2.5 se convierte en código abierto, marcando el inicio de la era de los agentes de IA asequibles.

MiniMax ha lanzado el modelo M2.5, la tercera versión de su serie M2, en tan solo 108 días. Los pesos del modelo de código abierto ahora están disponibles en ModelScope, lo que supone un avance significativo en cuanto a rendimiento, eficiencia y asequibilidad. Destaca en aplicaciones de programación, búsqueda y lugar de trabajo. Además, ofrece una ruta de acceso fluida, desde el uso sin código hasta la implementación privada, junto con una guía completa para la llamada de herramientas y el ajuste de parámetros de inferencia, lo que marca el comienzo de una era de agentes de IA de bajo coste.

Las capacidades básicas ofrecen avances multidimensionales

M2.5 ha logrado resultados sobresalientes en múltiples pruebas de referencia autorizadas. Alcanzó un 80,2 % en SWE-Bench Verified, superando a GPT-5.2 y acercándose a Claude Opus4.5. En Multi-SWE-Bench, obtuvo una puntuación del 51,3 %, ocupando el primer lugar en rendimiento de programación multilingüe. El rendimiento de BrowseComp alcanzó el 76,3 %, lo que refleja sus grandes ventajas en tareas de búsqueda y llamada de herramientas. En programación, el modelo demuestra una planificación a nivel arquitectónico, que abarca todo el ciclo de vida del desarrollo de software y permite un desarrollo multiplataforma y full-stack con una mejor generalización del marco que Claude Opus4.6. En búsqueda, reduce el número de rondas de interacción en un 20 %, destacando en tareas de búsqueda de nivel experto. Para escenarios de oficina, integra conocimientos de dominio de finanzas y derecho, lo que le permite ofrecer capacidades de productividad avanzadas y alcanzar una tasa de éxito del 59,0 % frente a los modelos convencionales en evaluaciones internas. Al mismo tiempo, M2.5 es un 37 % más rápido que M2.1, igualando a Claude Opus4.6 en tiempo de respuesta, pero con un coste diez veces menor.

Iteración rápida gracias a la innovación tecnológica

La rápida evolución de M2.5 se debe a tres avances tecnológicos fundamentales: en primer lugar, el marco RL nativo de Forge Agent, que ofrece una aceleración del entrenamiento aproximadamente 40 veces mayor; en segundo lugar, el algoritmo CISPO, que garantiza la estabilidad en el entrenamiento a gran escala y resuelve el problema de la asignación de créditos en contextos largos; y, en tercer lugar, un innovador diseño de recompensas que equilibra el rendimiento del modelo y la velocidad de respuesta. Gracias a estas tecnologías, M2.5 ahora gestiona el 30 % de las tareas diarias y el 80 % de los nuevos envíos de código dentro de MiniMax. En 108 días, la puntuación verificada por SWE-Bench de la serie M2 pasó del 69,4 % al 80,2 %, con un ritmo de iteración que lidera los modelos industriales convencionales.

Múltiples opciones de implementación para adaptarse a diversos escenarios

M2.5 ofrece tres métodos de acceso: sin código, llamadas API e implementación local, que se adaptan a las diversas necesidades de los usuarios. Los usuarios sin conocimientos técnicos pueden empezar a utilizarlo inmediatamente a través de la interfaz web MiniMax Agent, donde la comunidad ha creado más de 10 000 agentes «expertos» reutilizables. Los desarrolladores pueden utilizar la API gratuita de ModelScope o la API oficial. Hay dos versiones oficiales de la API disponibles, Lightning y Standard, con costes que oscilan entre 1/10 y 1/20 de los modelos comparables. Para la implementación local, se admiten cuatro soluciones: SGLang, vLLM, Transformers y MLX, cada una de ellas adaptada para la producción de alta concurrencia, la implementación a pequeña y mediana escala, la validación rápida o el desarrollo local basado en Mac, con los requisitos de hardware y las instrucciones de funcionamiento correspondientes.

Soporte dedicado para llamadas a herramientas y optimización de parámetros

M2.5 admite de forma nativa llamadas a herramientas estructuradas, lo que permite la invocación paralela de múltiples herramientas. Cuando se implementa con vLLM o SGLang, se puede utilizar directamente el formato OpenAI SDK; otros marcos requieren el análisis manual de los resultados en formato XML. Se proporciona un flujo de trabajo completo y las mejores prácticas para introducir los resultados de las herramientas en el modelo. Para la inferencia, la configuración de parámetros recomendada es temperatura=1,0, top_p=0,95 y top_k=40, con flexibilidad para optimizar casos de uso específicos. Las indicaciones de programación pueden aprovechar el razonamiento arquitectónico del modelo, y este se adapta bien a más de 10 lenguajes de programación y diversas herramientas de andamiaje.