MiniMax M2.5
MiniMax M2.5 est un LLM open-weights publié par MiniMax le 12 février 2026 sous licence MIT, avec usage commercial autorisé. Le modèle combine une très grande fenêtre de contexte, 1 000 000 tokens, avec une architecture de 230 milliards de paramètres dont 10 milliards actifs.
MiniMax M2.5 est un LLM open-weights publié par MiniMax le 12 février 2026 sous licence MIT, avec usage commercial autorisé. Le modèle combine une très grande fenêtre de contexte, 1 000 000 tokens, avec une architecture de 230 milliards de paramètres dont 10 milliards actifs.
Son positionnement repose sur un rapport coût-capacité très agressif : ses tarifs sont 94% inférieurs à la moyenne des LLM similaires et environ 40.3 fois plus bas que ceux des modèles frontière. À sa sortie, il figurait dans le top 4% de sa génération sur SWE-Bench Verified.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | MiniMax |
| Licence | MIT (open-weights, usage commercial autorisé) |
| Date de sortie | 12 février 2026 |
| Multimodal | non |
| Paramètres | 230 milliards |
| Paramètres actifs | 10 milliards |
| Fenêtre de contexte | 1 000 000 tokens (≈ 1,0 M) |
| Modalités (entrée → sortie) | text,image → text |
Indices de synthèse
| Indice | Valeur | Rang (LLM) |
|---|---|---|
| Intelligence Index | 33.7 | 50ᵉ / 136 |
Indices Artificial Analysis. Le rang situe le modèle parmi tous les LLM du catalogue disposant de l'indice.
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| Benchable : General Knowledge (Baseline) | 100,0 % | 1ᵉ / 250 | benchable | ✅ Mesuré |
| Benchable : Ethics (Baseline) | 100,0 % | 1ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Email Classification (Baseline) | 98,0 % | 90ᵉ / 254 | benchable | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 94,0 % | 61ᵉ / 239 | benchable | ✅ Mesuré |
| Benchable : Coding (Baseline) | 93,0 % | 58ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Mathematics (Baseline) | 91,0 % | 105ᵉ / 217 | benchable | ✅ Mesuré |
| Benchable : Hallucinations (Baseline) | 88,0 % | 158ᵉ / 229 | benchable | ✅ Mesuré |
| LiveBench: Mathematics | 77,4 % | 43ᵉ / 76 | livebench | ✅ Mesuré |
| LiveBench: Coding | 70,7 % | 42ᵉ / 76 | livebench | ✅ Mesuré |
| Benchable : Instruction Following (Baseline) | 65,0 % | 116ᵉ / 252 | benchable | ✅ Mesuré |
| LiveBench: Global average | 60,1 % | 44ᵉ / 76 | livebench | ✅ Mesuré |
| LiveBench: Reasoning | 59,3 % | 52ᵉ / 76 | livebench | ✅ Mesuré |
| LiveBench: IF | 57,2 % | 40ᵉ / 76 | livebench | ✅ Mesuré |
| LiveBench: Language | 55,1 % | 64ᵉ / 76 | livebench | ✅ Mesuré |
| LiveBench: Agentic Coding | 51,7 % | 24ᵉ / 76 | livebench | ✅ Mesuré |
| LiveBench: Data Analysis | 49,6 % | 54ᵉ / 76 | livebench | ✅ Mesuré |
| SWE-Bench Verified | 80,2 % | 11ᵉ / 100 | llm-stats | Auto-déclaré |
| BrowseComp | 76,3 % | 17ᵉ / 51 | llm-stats | Auto-déclaré |
| GDPval-MM | 59,0 % | 3ᵉ / 3 | llm-stats | Auto-déclaré |
| SWE-Bench Pro | 55,4 % | 21ᵉ / 34 | llm-stats | Auto-déclaré |
| Multi-SWE-Bench | 51,3 % | 2ᵉ / 6 | llm-stats | Auto-déclaré |
« Auto-déclaré » : score communiqué par l'éditeur, non rejoué indépendamment. « Mesuré » : évalué par un tiers (Epoch AI, LiveBench). Le rang est calculé parmi les LLM évalués sur le même benchmark.
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles « grand public » sur chaque dimension, et à ses voisins de classement.
Intelligence Index
Benchable : General Knowledge (Baseline)
Classements Arena (Elo)
| Catégorie | Elo | Rang |
|---|---|---|
| Arena Text | 1391 | 131ᵉ |
| Arena Code | 1382 | 51ᵉ |
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| MARA | 0,12 $ | 0,48 $ | n.d. |
| minimax | 0,3 $ | 1,2 $ | n.d. |
| artificialanalysis | 0,3 $ | 1,2 $ | 0,155 $ |
Prix en dollars US par million de tokens.
Sa tarification se situe 94 % en dessous de la moyenne des LLM similaires, et 40,3 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.4, Gemini 3.1 Pro Preview).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût moyen par benchmark — Benchable | 0,06 $ |
| Latence moyenne par benchmark — Benchable | 12 min 34 s |
Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.
Notre analyse
Forces. MiniMax M2.5 se distingue d’abord par ses résultats parfaits sur Benchable General Knowledge et Ethics, où il se place dans le top 10. Ses scores Benchable en raisonnement, code et mathématiques restent solides, même si tous ne sont pas au même niveau. Le signal le plus marquant pour un modèle récent est son classement à sa sortie sur SWE-Bench Verified, qui le situe dans le haut du panier des LLM de sa génération pour les tâches de développement logiciel. La fenêtre de contexte de 1,0 M tokens renforce son intérêt pour l’analyse de longs documents, de bases de code étendues ou de corpus volumineux. Le tarif constitue aussi une force centrale, avec un positionnement très économique face aux modèles comparables et aux modèles haut de gamme.
Limites et points d'attention. L’Intelligence Index place MiniMax M2.5 autour du milieu supérieur du classement plutôt que parmi les tout premiers modèles généralistes. Arena text est nettement moins favorable, ce qui signale une compétitivité plus limitée dans les préférences humaines sur tâches textuelles ouvertes. Les classements Benchable en Email Classification et Mathematics montrent aussi des performances moins dominantes que ses meilleurs résultats. MiniMax M2.5 convient surtout aux usages recherchant un modèle open-weights, économique, à très long contexte, avec un profil solide en code et connaissances générales.
Sources des données : LLM-Stats (llm-stats.com) · OpenRouter (openrouter.ai) · Artificial Analysis (artificialanalysis.ai) · LiveBench (livebench.ai) · Arena.ai (arena.ai) · Benchable.ai (benchable.ai).