MiniMax M2.5 passe en open source, inaugurant l'ère des agents IA abordables

MiniMax a lancé le modèle M2.5, troisième itération de sa série M2, commercialisé en seulement 108 jours. Les poids des modèles open source sont désormais accessibles sur ModelScope, ce qui marque une avancée significative en termes de performances, d'efficacité et d'accessibilité financière. Il excelle dans les applications de programmation, de recherche et sur le lieu de travail. De plus, il offre un accès fluide, de l'utilisation sans code au déploiement privé, ainsi qu'un guide complet pour l'appel d'outils et le réglage des paramètres d'inférence, inaugurant ainsi l'ère des agents IA à faible coût.

Des capacités de base qui permettent des avancées multidimensionnelles

M2.5 a obtenu des résultats exceptionnels dans plusieurs benchmarks faisant autorité. Il a atteint 80,2 % sur SWE-Bench Verified, surpassant GPT-5.2 et se rapprochant de Claude Opus4.5. Sur Multi-SWE-Bench, il a obtenu un score de 51,3 %, se classant premier en termes de performances de programmation multilingue. Les performances de BrowseComp ont atteint 76,3 %, reflétant de solides avantages dans les tâches de recherche et d'appel d'outils. En matière de programmation, le modèle fait preuve d'une planification au niveau architectural, couvrant l'ensemble du cycle de vie du développement logiciel et permettant un développement multiplateforme et full-stack avec une meilleure généralisation du cadre que Claude Opus4.6. En matière de recherche, il réduit le nombre de cycles d'interaction de 20 %, excellant dans les tâches de recherche de niveau expert. Pour les scénarios de bureau, il intègre des connaissances spécialisées dans les domaines de la finance et du droit, offrant des capacités de productivité avancées et atteignant un taux de réussite de 59,0 % par rapport aux modèles courants dans les évaluations internes. Dans le même temps, M2.5 est 37 % plus rapide que M2.1, égalant Claude Opus4.6 en termes de temps de réponse tout en ne coûtant qu'un dixième du prix.

Itération rapide rendue possible par l'innovation technologique

L'évolution rapide de M2.5 est due à trois avancées technologiques fondamentales : premièrement, le cadre RL natif Forge Agent, qui accélère la formation d'environ 40 fois ; deuxièmement, l'algorithme CISPO, qui garantit la stabilité dans la formation à grande échelle et résout le problème de l'attribution de crédit dans un contexte long ; et troisièmement, une conception innovante de la récompense qui équilibre les performances du modèle et la vitesse de réponse. Grâce à ces technologies, M2.5 traite désormais 30 % des tâches quotidiennes et 80 % des nouvelles soumissions de code au sein de MiniMax. En 108 jours, le score SWE-Bench Verified de la série M2 est passé de 69,4 % à 80,2 %, avec un rythme d'itération qui devance les modèles industriels traditionnels.

Plusieurs options de déploiement pour s'adapter à divers scénarios

M2.5 propose trois méthodes d'accès : sans code, appels API et déploiement local, afin de répondre aux divers besoins des utilisateurs. Les utilisateurs non techniciens peuvent se lancer immédiatement en utilisant l'interface web MiniMax Agent, où plus de 10 000 agents « experts » réutilisables ont été créés par la communauté. Les développeurs peuvent utiliser l'API gratuite sur ModelScope ou l'API officielle. Deux versions officielles de l'API sont disponibles, Lightning et Standard, dont les coûts varient entre 1/10 et 1/20 de ceux des modèles comparables. Pour le déploiement local, quatre solutions sont prises en charge : SGLang, vLLM, Transformers et MLX, chacune étant adaptée à la production à haute concurrence, au déploiement à petite et moyenne échelle, à la validation rapide ou au développement local sur Mac, avec les exigences matérielles et les instructions d'utilisation correspondantes.

Prise en charge dédiée des appels d'outils et de l'optimisation des paramètres

M2.5 prend en charge nativement les appels d'outils structurés, permettant l'invocation parallèle de plusieurs outils. Lorsqu'il est déployé avec vLLM ou SGLang, vous pouvez utiliser directement le format OpenAI SDK ; les autres frameworks nécessitent un analyse syntaxique manuelle des sorties au format XML. Un workflow complet et des bonnes pratiques sont fournis pour réinjecter les résultats des outils dans le modèle. Pour l'inférence, les paramètres recommandés sont temperature=1.0, top_p=0.95 et top_k=40, avec une flexibilité permettant d'optimiser pour des cas d'utilisation spécifiques. Les invites de programmation peuvent tirer parti du raisonnement architectural du modèle, et celui-ci s'adapte bien à plus de 10 langages de programmation et à divers outils de scaffolding.