MiniMax M2.5 torna-se open source, dando início à era dos agentes de IA acessíveis

A MiniMax lançou o modelo M2.5, a terceira iteração da sua série M2, lançada em apenas 108 dias. Os pesos do modelo de código aberto agora estão acessíveis no ModelScope, marcando um progresso significativo em desempenho, eficiência e acessibilidade. Ele se destaca em aplicações de programação, pesquisa e local de trabalho. Além disso, oferece um caminho de acesso contínuo — desde o uso sem código até a implantação privada — juntamente com um guia abrangente para chamada de ferramentas e ajuste de parâmetros de inferência, inaugurando uma era de agentes de IA de baixo custo.

Recursos essenciais proporcionam avanços multidimensionais

O M2.5 alcançou resultados excepcionais em vários benchmarks autorizados. Ele atingiu 80,2% no SWE-Bench Verified, superando o GPT-5.2 e se aproximando do Claude Opus4.5. No Multi-SWE-Bench, ele obteve 51,3%, ficando em primeiro lugar no desempenho de programação multilíngue. O desempenho do BrowseComp atingiu 76,3%, refletindo fortes vantagens em tarefas de pesquisa e chamada de ferramentas. Na programação, o modelo demonstra planejamento em nível arquitetônico, cobrindo todo o ciclo de vida do desenvolvimento de software e permitindo o desenvolvimento multiplataforma e full-stack com melhor generalização de estrutura do que o Claude Opus4.6. Na pesquisa, ele reduz o número de rodadas de interação em 20%, destacando-se em tarefas de pesquisa de nível especializado. Para cenários de escritório, ele integra conhecimento de domínio de finanças e direito, oferecendo recursos avançados de produtividade e alcançando uma taxa de sucesso de 59,0% em relação aos modelos convencionais em avaliações internas. Ao mesmo tempo, o M2.5 é 37% mais rápido que o M2.1, igualando o Claude Opus4.6 em tempo de resposta, mas custando apenas um décimo do preço.

Iteração rápida possibilitada pela inovação tecnológica

A rápida evolução do M2.5 é impulsionada por três avanços tecnológicos principais: primeiro, a estrutura RL do agente nativo Forge, que oferece uma aceleração de treinamento de aproximadamente 40 vezes; segundo, o algoritmo CISPO, que garante estabilidade em treinamentos de grande escala e resolve o problema de atribuição de crédito em contextos longos; e terceiro, um design inovador de recompensa que equilibra o desempenho do modelo e a velocidade de resposta. Graças a essas tecnologias, o M2.5 agora lida com 30% das tarefas diárias e 80% dos novos envios de código no MiniMax. Em 108 dias, a pontuação verificada pelo SWE-Bench da série M2 subiu de 69,4% para 80,2%, com um ritmo de iteração que lidera os modelos convencionais do setor.

Várias opções de implantação para se adequar a diversos cenários

O M2.5 oferece três métodos de acesso: sem código, chamadas de API e implantação local, atendendo às diversas necessidades dos usuários. Usuários sem conhecimentos técnicos podem começar imediatamente usando a interface web do MiniMax Agent, onde mais de 10.000 agentes “especializados” reutilizáveis foram criados pela comunidade. Os desenvolvedores podem utilizar a API gratuita no ModelScope ou a API oficial. Duas versões oficiais da API estão disponíveis — Lightning e Standard — com custos que variam de 1/10 a 1/20 dos modelos comparáveis. Para implantação local, quatro soluções são suportadas: SGLang, vLLM, Transformers e MLX, cada uma adaptada para produção de alta simultaneidade, implantação em pequena e média escala, validação rápida ou desenvolvimento local baseado em Mac, completa com requisitos de hardware e instruções operacionais.

Suporte dedicado para chamadas de ferramentas e otimização de parâmetros

O M2.5 oferece suporte nativo a chamadas de ferramentas estruturadas, permitindo a invocação paralela de várias ferramentas. Quando implantado com vLLM ou SGLang, você pode usar diretamente o formato OpenAI SDK; outras estruturas exigem a análise manual de saídas no formato XML. Um fluxo de trabalho completo e as melhores práticas são fornecidos para alimentar os resultados da ferramenta de volta ao modelo. Para inferência, as configurações de parâmetros recomendadas são temperatura=1,0, top_p=0,95 e top_k=40, com flexibilidade para otimizar para casos de uso específicos. Os prompts de programação podem aproveitar o raciocínio arquitetônico do modelo, e o modelo se adapta bem a mais de 10 linguagens de programação e várias ferramentas de scaffolding.