Minimax

MiniMax H3 Max — это модель генерации видео от MiniMax, выпущенная совместно с fal.ai. Созданная путём дополнительного обучения на основе MiniMax H3, она предназначена для более быстрой генерации видео из текста и из изображения с управляемыми ключевыми кадрами первого или последнего кадра.

MiniMax H3 — это легковесная модель генерации видео с открытыми весами от MiniMax. Она предназначена для точного мультимодального редактирования и управляемой генерации контента, включая редактирование по текстовым инструкциям, отрисовку текста и брендов, а также перенос движения между видео. Модель подходит для коммерческих творческих процессов в рекламе, электронной коммерции, геймдеве и дизайне интерфейсов, обеспечивая нативный аудиовизуальный вывод при генерации на основе референсов.

MiniMax Speech 2.8 HD — это модель преобразования текста в речь от MiniMax. Она подходит для приложений, которые генерируют аудио из текста и принимают произвольный MiniMax голос IDs.

MiniMax Speech 2.8 Turbo — это модель преобразования текста в речь от MiniMax. Она подходит для приложений, которые генерируют аудио из текста, и принимает произвольный голос MiniMax IDs.

MiniMax-M3 — это мультимодальная фундаментальная модель от MiniMax. Она поддерживает ввод текста, изображений и видео с выводом текста, имеет контекстное окно в 1M токенов и предназначена для длительных агентных задач, программирования и использования инструментов. Модель построена на основе MiniMax Sparse Attention (MSA), которая заменяет полное внимание на KV-block-выборку, сокращая вычислительные затраты на токен при длинном контексте — примерно на 1/20 по сравнению с предыдущим поколением при 1M токенах, обеспечивая значительно более быструю предварительную обработку и декодирование без потери качества на большинстве задач. Обученная как нативная мультимодальная модель на перемежённых данных и оптимизированная для многоходового, производственно-ориентированного взаимодействия через интерактивный симулятор пользователя, модель ориентирована на длительные, многошаговые задачи, а не на одноразовое выполнение.

Hailuo 2.3 — это модель генерации видео от MiniMax. Она принимает текстовые подсказки и референсные изображения на вход и генерирует видео на выходе, поддерживая как сценарии «текст-в-видео», так и «изображение-в-видео». Она подходит для создания креативного контента, генерации кинематографичных сцен и анимации персонажей, с акцентом на реалистичное движение и выразительную отрисовку персонажей.

MiniMax-M2.7 — это большая языковая модель нового поколения, предназначенная для автономной продуктивности в реальных условиях и постоянного совершенствования. Созданная для активного участия в собственной эволюции, M2.7 интегрирует передовые агентные возможности благодаря мультиагентному взаимодействию, что позволяет ей планировать, выполнять и уточнять сложные задачи в динамических средах. Обученная для работы на производственном уровне, M2.7 справляется с такими задачами, как живая отладка, анализ первопричин, финансовое моделирование и полная генерация документов в Word, Excel и PowerPoint. Она показывает высокие результаты на тестах, включая 56.2% на SWE-Pro и 57.0% на Terminal Bench 2, а также достигает 1495 ELO на GDPval-AA, устанавливая новый стандарт для мультиагентных систем, работающих в реальных цифровых процессах.

MiniMax-M2.5 — это большая языковая модель SOTA, предназначенная для реальной продуктивности. Обученная на разнообразных сложных реальных цифровых рабочих средах, M2.5 опирается на экспертизу в программировании M2.1, чтобы расшириться на общую офисную работу, достигая свободного владения генерацией и работой с файлами Word, Excel и Powerpoint, переключением контекста между разнообразными программными средами и работой в разных командах агентов и людей. Набрав 80.2% на SWE-Bench Verified, 51.3% на Multi-SWE-Bench и 76.3% на BrowseComp, M2.5 также более эффективен по токенам, чем предыдущие поколения, будучи обученным оптимизировать свои действия и вывод через планирование.

MiniMax M2-her — это большая языковая модель, ориентированная в первую очередь на диалог и созданная для захватывающей ролевой игры, общения с персонажами и выразительных многоходовых бесед. Разработанная для сохранения последовательности в тоне и личности, она поддерживает расширенные роли сообщений (user_system, группа, sample_message_user, sample_message_ai) и может учиться на примерах диалогов, чтобы лучше соответствовать стилю и темпу вашего сценария, что делает её отличным выбором для повествования, компаньонов и разговорных сценариев, где важны естественный поток и яркое взаимодействие.

MiniMax-M2.1 — это легковесная большая языковая модель современного уровня, оптимизированная для программирования, агентных рабочих процессов и разработки современных приложений. Имея всего 10 миллиарда активных параметров, она обеспечивает значительный скачок в реальной производительности, сохраняя при этом исключительную задержку, масштабируемость и экономическую эффективность. По сравнению с предшественником, M2.1 выдаёт более чистые и лаконичные результаты и более быстрое воспринимаемое время ответа. Она демонстрирует ведущую многоязычную производительность в области кодирования в основных системах и языках приложений, достигая 49.4% в Multi-SWE-Bench и 72.5% в SWE-Bench Multilingual, и служит универсальным «мозгом» агента для IDEs, инструментов кодирования и общей помощи. Чтобы не допустить ухудшения производительности этой модели, MiniMax настоятельно рекомендует сохранять рассуждения между ходами. Узнайте больше об использовании reasoning_details для передачи рассуждений в нашей документации.

MiniMax-M2 — это компактная языковая модель с высокой производительностью, оптимизированная для кодирования и агентных задач. Благодаря архитектуре с 10 млрд активированных параметров (всего 230 млрд) модель обеспечивает производительность, близкую к передовым системам, в общем мышлении, работе с инструментами и многошаговых задачах, сохраняя при этом низкую задержку и эффективность развертывания. Модель отлично справляется с генерацией кода, редактированием нескольких файлов, циклами компиляции и исправления, а также проверкой тестами, показывая высокие результаты на SWE-Bench Verified, Multi-SWE-Bench и Terminal-Bench. Она также конкурентоспособна в агентных оценках, таких как BrowseComp и GAIA, эффективно обрабатывая долгосрочное планирование, поиск информации и восстановление после ошибок выполнения. По результатам тестов Artificial Analysis, MiniMax-M2 входит в число лучших открытых моделей по составному интеллекту, охватывающему математику, естественные науки и следование инструкциям. Небольшой объем активируемых параметров обеспечивает быстрый вывод, высокую конкурентность и улучшенную экономическую эффективность, что делает модель подходящей для крупномасштабных агентов, помощников разработчиков и приложений, требующих высокой скорости и эффективности затрат. Чтобы не снижать производительность модели, MiniMax настоятельно рекомендует сохранять рассуждения между шагами. Узнайте больше об использовании reasoning_details для передачи рассуждений в нашей документации.

MiniMax-M1 — это крупномасштабная модель с открытым весом, предназначенная для рассуждений, оптимизированная для длинного контекста и эффективного вывода. Она использует гибридную архитектуру смеси экспертов (MoE) в сочетании с пользовательским механизмом «молниеносного внимания», позволяющим обрабатывать длинные последовательности — до 1 миллионов токенов — при сохранении конкурентоспособной эффективности FLOP. При общем количестве 456 миллиардов параметров и 45.9B активных параметров на токен этот вариант оптимизирован для сложных многошаговых задач рассуждения. Обученная с помощью пользовательского конвейера обучения с подкреплением (CISPO), модель M1 превосходно справляется с пониманием длинного контекста, разработкой программного обеспечения, автономным использованием инструментов и математическими рассуждениями. Бенчмарки демонстрируют высокую производительность в задачах FullStackBench, SWE-bench, MATH, GPQA и TAU-Bench, часто превосходя другие открытые модели, такие как DeepSeek R1 и Qwen3-235B.

MiniMax-01 — это комбинированная модель, объединяющая MiniMax-Text-01 для генерации текста и MiniMax-VL-01 для понимания изображений. Она имеет 456 миллиардов параметров, при этом 45.9 миллиардов параметров активируется за один вывод, и может обрабатывать контекст до 4 миллионов токенов. Текстовая модель использует гибридную архитектуру, сочетающую Lightning Attention, Softmax Attention и Mixture-of-Experts (MoE). Модель изображений использует фреймворк «ViT-MLP-LLM» и обучается поверх текстовой модели. Чтобы узнать больше о релизе, см.: https://www.minimaxi.com/en/news/minimax-01-series-2