👁 251 次阅读
2026 年 2 月，MiniMax 正式发布新一代旗舰模型 M2.5，消息当天登上 Hacker News 热榜（约 207 分）。官方新闻稿给出的数字相当震撼：SWE-bench Verified 达到 80.2%，在多个编程评测基准上超过 Claude Opus 4.6，而推理成本却只有后者的几十分之一。本文结合官方数据与真实 API 实测，全面评测这款被 MiniMax 称为“便宜到无需计量”（intelligence too cheap to meter）的模型。
一、M2.5 是什么：三个半月三连更的产物
MiniMax 在 2026 年 2 月 12 日发布 M2.5，官方标题是“Built for Real-World Productivity”（为真实世界的生产力而生）。值得注意的是，从 M2 到 M2.1 再到 M2.5，MiniMax 只用了三个半月——官方表示模型迭代速度“超出了我们的最初预期”。M2.5 定位非常明确：不是追求参数规模的“展示型模型”，而是面向编程、Agent 工具调用、办公自动化等真实经济价值任务的“干活型模型”。
据官方介绍，M2.5 在数十万个复杂真实环境中进行了强化学习训练，覆盖 10 种以上编程语言（包括 Go、C、C++、TypeScript、Rust、Kotlin、Python、Java、JavaScript、PHP、Lua、Dart、Ruby），训练环境超过 20 万个。这种“真实环境训练”的思路，直接服务于它最强的场景——编码与 Agent 任务。
二、基准成绩：编程评测全面对标 Claude Opus 4.6
官方公布的核心基准成绩如下（数据来源：MiniMax 官方新闻稿 minimax.io/news/minimax-m25）：
| 基准测试 | M2.5 成绩 | 对比对象 |
|---|---|---|
| SWE-bench Verified | 80.2% | M2.1 为 76%+ 级别，显著提升 |
| Multi-SWE-Bench（含上下文管理） | 51.3% | 多语言编程场景 |
| SWE-bench Verified（Droid 框架） | 79.7 | Claude Opus 4.6 为 78.9 |
| SWE-bench Verified（OpenCode 框架） | 76.1 | Claude Opus 4.6 为 75.9 |
这里有两个值得注意的点。第一，M2.5 在不同 Agent 框架（Droid、OpenCode）下都能稳定超过 Claude Opus 4.6，说明成绩不是针对单一脚手架“过拟合”出来的；官方特意强调测试了跨分布（out-of-distribution）的框架泛化能力。第二，官方披露 SWE-bench Verified 每任务平均消耗 352 万 tokens，比 M2.1 的 372 万更少——任务分解更高效、token 利用率更高，这正是成本优势的底层来源。
三、成本：1 小时连续运行只要 1 美元
M2.5 最颠覆性的卖点是成本。官方给出一个直观算法：以每秒 100 个输出 token 的速度连续运行 1 小时，成本仅为 1 美元；如果以每秒 50 token 的速度，成本降到 0.3 美元。换句话说，四个 M2.5 实例同时满负荷跑一小时，花费也就 1 美元级别。Hacker News 社区的讨论标题甚至直接写“性能与 Claude Opus 4.6 相当，但便宜 20 倍”（另有来源称 17-33 倍）。
这意味着什么？过去开发者用 Claude Opus 级别的模型跑 Agent 任务时要精打细算 token 消耗，而 M2.5 让“让 AI 放手干活”第一次变得几乎无心理负担。对于自动化测试、批量代码审查、长时程 Agent 任务这类高消耗场景，成本优势是决定性的。需要说明的是，上述“1 美元/小时”为官方宣传口径，实际 API 计费仍按 token 计价，不同渠道（官方 API、第三方中转）价格不同，本文实测通过国内渠道调用。
四、真实实测：中文写作、代码、数学与知识问答
为了验证“纸面成绩”是否兑现，我们通过 OpenAI 兼容接口实际调用了 M2.5，进行了四组测试：
1. 中文写作。要求写一段 150 字左右的夏日雨夜场景描写，M2.5 在约 28 秒内完成（含网络与排队时间），输出约 860 tokens，能捕捉“雨打芭蕉”“屋檐滴水”这类细节意象，句子节奏自然，没有明显 AI 腔。
2. 代码能力。要求用 Python 实现快速排序并处理重复元素，M2.5 给出了完整可运行的实现，含正确的分区逻辑和一行时间复杂度注释，约 19 秒输出 560 余 tokens，代码结构规范。
3. 数学推理。水池进出水问题（进水管 4 小时注满、出水管 6 小时放空，同时开多久注满），M2.5 给出了规范的解题过程：进率 1/4、出率 1/6，净进率 1/4 – 1/6 = 1/12，结论 12 小时注满。答案正确，且过程完整可读。
4. 中文知识。询问“围魏救赵”典故出处，M2.5 准确回答出自《史记·孙子吴起列传》，详述公元前 354 年孙膑围大梁救邯郸、桂陵之战的完整脉络，并解释了“避实击虚”的引申含义，准确度与深度都令人满意。
实测中我们也注意到一个渠道层面的现象：通过第三方中转通道调用时，偶发空响应（重试即可恢复），且单次响应耗时在 13-28 秒之间——这更多是网络与排队因素，官方直连速度应更快。总体而言，M2.5 的中文能力、代码能力、推理能力在实测中表现均衡，没有明显短板。
五、技术亮点：Forge 框架与“架构师式”规划
官方同步公开了 M2.5 背后的技术路线：自研的 Agent 原生强化学习框架 Forge，通过中间层将训练推理引擎与 Agent 完全解耦，支持集成任意 Agent；算法侧沿用去年提出的 CISPO 算法，保证 MoE 模型大规模训练时的稳定性。更值得注意的是，M2.5 在训练中自然涌现出“架构师式”的规划能力——写代码前会先主动分解任务、产出规格说明（Spec-writing），这正是高质量 Agent 最需要的行为模式。
六、生态与落地：MiniMax Agent 的“数字员工”
M2.5 已全面部署进 MiniMax Agent，并内置了 Word 排版、PPT 编辑、Excel 处理等标准化 Office Skills，用户可以组合行业知识与办公技能创建可复用的“专家”（Expert）。据官方数据，用户已构建超过 1 万个 Experts，而 MiniMax 公司自身 30% 的日常工作（覆盖研发、产品、运营）已由 M2.5 自主完成。这个数据如果属实，说明 M2.5 在真实办公场景中已经具备“数字员工”级别的可靠性，而不只是榜单上的高分选手。
七、局限与理性看待
任何评测都该说不足。首先，80.2% 的 SWE-bench Verified 成绩是官方自测数据（使用 Claude Code 作为脚手架、覆盖默认系统提示词），第三方复现可能存在差异，社区对此也有讨论。其次，HN 上有人质疑“黑盒式”评测模型的可信度，也有声音讨论 MiniMax 模型训练是否依赖蒸馏（2026 年 2 月 Anthropic 曾公开指控 MiniMax、DeepSeek、Moonshot 存在大规模蒸馏行为，这一点官方尚未正面回应）。最后，作为中国公司产品，海外 API 访问稳定性与合规问题也需要企业用户评估。
八、总结与适用场景
综合官方数据与实测体验，MiniMax M2.5 是一款定位极其精准的“生产力型”模型：编程与 Agent 能力达到第一梯队（对标 Claude Opus 4.6），成本却低一个数量级，中文能力出色，办公自动化生态初具规模。如果你在寻找一款“放心让 AI 连续干活”的模型——无论是跑自动化编码 Agent、批量文档处理，还是搭建企业内部数字员工，M2.5 都值得一试。
适合人群：开发者（编码 Agent、代码审查）、企业（办公自动化、行业研究）、个人创作者（中文写作、知识问答）。需要注意的是，具体计费与速度以实际渠道为准，建议先用小额额度实测再规模化使用。