Modelo de IA MiniMax M2 supera o Google DeepMind

Um novo líder entre os modelos de pesos abertos

A MiniMax, uma arrancada startup chinesa de IA apoiada por grandes investidores nacionais, lançou o seu modelo de linguagem de grande dimensão M2 e subiu ao top dos rankings mundiais de IA para sistemas de pesos abertos. Avaliações independentes colocam o MiniMax M2 como o modelo de pesos abertos mais capaz no Artificial Analysis Intelligence Index, com um desempenho que supera o Gemini 2.5 Pro do Google DeepMind e se aproxima dos principais sistemas proprietários dos Estados Unidos. A empresa construiu o M2 para dois casos de uso em alta procura, geração de código e utilização de ferramentas em estilo agente, e depois definiu o preço e concebê-lo para velocidade, de forma a atrair programadores e empresas que pretendem cortar custos sem abdicar de capacidade.

A linha técnica central é a eficiência. O MiniMax M2 utiliza uma arquitetura Mixture of Experts que encaminha cada entrada para um subconjunto dos neurónios do modelo, mantendo ativos apenas cerca de 10 mil milhões de parâmetros de cada vez, enquanto a capacidade total do modelo é muito maior. Essa escolha reduz a latência e as exigências de memória GPU sem esvaziar a capacidade de raciocínio. A API da MiniMax é agressivamente competitiva, a 0,30 dólares por milhão de tokens de entrada e 1,20 dólares por milhão de tokens de saída, cerca de 8% do Claude 3.5 Sonnet da Anthropic segundo a própria comparação da empresa, e a equipa anuncia um débito de inferência próximo de 100 tokens por segundo. Os pesos completos do modelo estão disponíveis sob uma licença permissiva e podem ser descarregados para alojamento próprio, o que significa que as equipas podem afinar e implementar o M2 internamente conforme desejem.

O panorama de pesos abertos em China aqueceu ao longo de todo o ano, com o DeepSeek, o Qwen da Alibaba, a Moonshot AI e outros a impulsionar contextos longos e raciocínio. A vez da MiniMax à frente da manada importa porque o M2 chega onde as empresas estão a gastar dinheiro real, automatizando apoio, investigação e desenvolvimento através de agentes que utilizam ferramentas e que podem navegar na web, consultar dados internos, executar código e autoverificar resultados. Essa combinação, capacidade mais baixo custo e licenciamento transparente, é o que tornou o M2 o novo ponto de referência da IA de pesos abertos.

Quão forte é o desempenho

O Artificial Analysis agrega benchmarks exigentes em matemática, ciência, cumprimento de instruções, programação e fluxos de trabalho de agentes para criar um Intelligence Index único. O MiniMax M2 marca 61 na versão mais recente, classificando-se como o modelo de pesos abertos mais forte e entre os melhores modelos no geral. Supera o Gemini 2.5 Pro e situa-se perto do Claude Sonnet 4.5 da Anthropic em várias tarefas de agente e programação, continuando a ficar atrás dos sistemas de fronteira mais recentes como o GPT 5 e o Grok da xAI. Para muitos programadores, esse é o sweet spot, pois obtêm capacidade quase de fronteira sem custo ou lock-in ao nível da fronteira.

Tarefas de agente ao nível quase de fronteira

As avaliações em estilo agente medem se um modelo consegue planear, invocar ferramentas, ler resultados, adaptar-se e verificar resultados finais em tarefas de múltiplos passos. Nesta frente, o M2 apresenta um desempenho particularmente bom. A MiniMax reporta pontuações fortes em suites orientadas para agentes, incluindo tau squared Bench com 77,2, BrowseComp com 44,0 e FinSearchComp global com 65,5. Estas cobrem navegação e citação, recuperação de informação financeira e planeamento mais recuperação quando os passos falham. Na prática, isso significa que um agente alimentado pelo M2 pode conceber um plano, executar comandos de shell, pesquisar e ler fontes, invocar um intérprete para testar código, corrigir erros e apresentar evidências rastreáveis sem necessitar de constante intervenção humana.

Benchmarks de programação e raciocínio

A MiniMax concebeu o M2 para fluxos de trabalho de programação de ponta a ponta, em que o modelo edita múltiplos ficheiros, compila, testa e repara código de forma iterativa. Em tarefas no estilo SWE Bench e no Terminal Bench, o modelo demonstra competência em repositórios reais e ambientes de linha de comandos em várias linguagens. A visão conjunta do Artificial Analysis, que também pondera testes de conhecimento e raciocínio como GPQA Diamond e AIME, indica que a força de programação do M2 não ocorre em detrimento da inteligência geral. Para organizações que querem um assistente capaz tanto de tarefas de software como de trabalho de investigação, a consistência nestes domínios é o atrativo.

Arquitetura num relance

O M2 é um modelo Mixture of Experts disperso. Em vez de enviar cada token por toda a parte de uma rede gigante, um gate aprendido seleciona apenas algumas sub-redes de especialistas a ativar por entrada. A documentação da MiniMax descreve um modelo com cerca de 230 mil milhões de parâmetros no total e 10 mil milhões ativados por inferência. Relatórios iniciais citavam 200 mil milhões de parâmetros no total, mas as páginas técnicas e o model card da empresa explicam a maior capacidade total com o mesmo orçamento de 10 mil milhões ativos. O benefício é claro. Obtém-se a amplitude de conhecimento e especialização de um modelo muito grande, pagando custos de inferência mais alinhados com um sistema denso de 10 mil milhões de parâmetros.

Essa eficiência reflete-se nos requisitos de hardware. A MiniMax e testes de terceiros descrevem a prestação prática com apenas quatro GPUs NVIDIA H100 a precisão FP8, o que coloca o M2 ao alcance de equipas de engenharia de média dimensão. Por comparação, alguns concorrentes mantêm muito mais parâmetros ativos. O recente V3.2 do DeepSeek ativa cerca de 37 mil milhões de parâmetros por token e o Kimi K2 da Moonshot AI usa cerca de 32 mil milhões, o que aumenta as pegadas de memória e reduz o débito. A menor pegada de ativação do M2 também ajuda na latência de cauda e na concorrência, dois problemas operacionais para ferramentas e agentes interativos.

Escolhas de design agético e utilização de ferramentas

A MiniMax construiu o M2 para pensar, agir e verificar em ciclos, e depois expôs essa capacidade através de um guia de chamada de ferramentas que liga o modelo a shells, browsers, sistemas de recuperação e executores de código. A empresa enfatiza traços de raciocínio visíveis num formato de pensamento intercalado. Em sessões de múltiplos turnos, o assistente mantém o contexto de planeamento e a cadeia de evidência intactos, o que ajuda a recuperar de dados incompletos e passos falhados, e ajuda os programadores a auditar decisões. A abordagem foi concebida para tornar as tarefas de longo horizonte mais fiáveis e depuráveis.

A MiniMax também liga o M2 estreitamente a ambientes práticos de programação. O modelo funciona bem com os frameworks de inferência populares SGLang e vLLM e segue os formatos de pedido familiares usados pela OpenAI e pela Anthropic. Isso permite às equipas trocar para o M2 com mínimas alterações de código e depois escalar a prestação conforme necessário. Para quem constrói um copiloto interno ou um agente de nível de produção, uma integração de menor fricção é valiosa.

A MiniMax enquadrou o lançamento em termos de missão e acesso. A empresa afirmada que quer que a inteligência avançada alcance amplos grupos de utilizadores, não apenas aqueles que podem pagar modelos proprietários premium.

Desde o início, a MiniMax tem perseguido a visão de 'Intelligence with Everyone'.

No seu model card público, a equipa destacou o foco em agentes e eficiência.

MiniMax-M2 redefine a eficiência para agentes.

A MiniMax opera um serviço de Agent alimentado pelo M2 com dois modos. O Modo Lightning transmite respostas instantâneas para consultas simples. O Modo Pro trata trabalhos complexos que demoram mais, como investigação, extração de dados ou programação em múltiplas fases. Essa divisão reflete como as equipas realmente trabalham, alternando entre respostas rápidas e projetos sustentados em que o modelo tem de planear, executar e verificar os produtos de trabalho de ponta a ponta.

Acesso, licenciamento e preços

A disponibilidade do M2 é invulgarmente aberta para um sistema com este nível de capacidade. A MiniMax lançou os pesos completos sob uma licença permissiva e publicou guias de implementação. Os programadores podem descarregar o repositório em plataformas como a Hugging Face, executar inferência local com SGLang ou vLLM e afinar para domínios específicos. A MiniMax também oferece uma API com preços por token muito baixos e débito de streaming rápido, e a empresa promoveu acesso gratuito por tempo limitado tanto para a sua aplicação Agent como para a API.

Detalhes práticos que importam aos compradores incluem suporte para chamada de funções estruturada, processamento de contexto longo e utilização robusta de ferramentas. A MiniMax recomenda definições de amostragem comuns e fornece um esquema claro de chamada de ferramentas para ligar o modelo a serviços externos. Para equipas preocupadas com vendor lock-in, a combinação de pesos abertos e compatibilidade limpa com API é um forte incentivo para avaliar o M2. Para equipas que pretendem manter-se inteiramente on-premise, a documentação da empresa explica como prestar o M2 de forma eficiente e como dimensionar a memória GPU para diferentes definições de precisão.

• Os pesos são publicados para alojamento próprio, com guias para SGLang e vLLM.
• O preço da API é de 0,30 dólares por milhão de tokens de entrada e 1,20 dólares por milhão de tokens de saída, com velocidades anunciadas próximas de 100 tokens por segundo.
• A utilização de ferramentas cobre shells, browsers, recuperação e interpretadores de código, com traços de raciocínio visíveis para suportar auditoria e depuração.
• A compatibilidade com APIs no estilo OpenAI e Anthropic reduz o trabalho de integração para aplicações existentes.

Essas escolhas tornam o M2 atrativo para copilotos de engenharia de software, assistentes de análise de dados e agentes de apoio ao cliente que têm de combinar raciocínio com execução fiável de ferramentas.

Concorrentes e o ranking em mudança

A subida do MiniMax M2 redefine o ranking de pesos abertos e intensifica a concorrência quer na China quer nos Estados Unidos. O Artificial Analysis coloca o M2 como o modelo de pesos abertos mais forte com um Intelligence Index de 61, à frente do Gemini 2.5 Pro do Google e logo atrás de líderes proprietários como o Claude Sonnet 4.5, GPT 5 e Grok 4, consoante a tarefa. Essa posição é especialmente notável em avaliações de agentes como o BrowseComp e o FinSearchComp global, onde a capacidade do M2 de planear, citar evidências e recuperar de erros fechou grande parte do gap com os sistemas fechados.

O mapa competitivo dentro da China também está a mudar. Embora o DeepSeek e o Qwen tenham dominado as manchetes durante meses com treino à escala de fronteira e contexto longo, a MiniMax está agora a atrair atenção com um orçamento de ativação menor que entrega desempenho comparável em agentes e programação a custo mais baixo. O DeepSeek explorou contagens massivas de parâmetros totais, que podem empurrar as exigências de memória para perto de 700 gigabytes em algumas configurações. A ativação dispersa e as receitas cuidadosas de prestação da MiniMax mantêm os requisíveis reduzidos a um cluster que muitas equipas de mercado médio podem suportar, especialmente se usarem FP8 e frameworks de inferência otimizados.

O preço também importa. O preço por token da MiniMax supera em muito, por uma ordem de grandeza, os grandes concorrentes proprietários. Para empresas que querem executar centenas de agentes ou manter ferramentas de programação de apoio abertas ao longo do dia para muitos programadores, isto pode deslocar orçamentos do piloto para a produção. O lançamento dos pesos abertos é outra alavanca, pois permite a empresas sensíveis em matéria de segurança auditar, afinar e implementar nos seus próprios ambientes. A combinação de acesso, custo e capacidade é um desafio direto às plataformas proprietárias que dependem de preços premium.

Ressalvas para compradores

Os benchmarks são guias úteis, não garantias. O Artificial Analysis avalia modelos com harnesses controlados e prompts fixos, que podem não corresponder perfeitamente ao domínio ou à ferramentaria de uma empresa. As equipas que adotarem o M2 devem executar as suas próprias avaliações em tarefas representativas e medir latência, débito e fiabilidade de agente com as ferramentas reais que pretendem usar.

Existem também detalhes operacionais a planear. A MiniMax incentiva a preservação dos traços de pensamento intercalados do modelo ao longo dos turnos, para que as tarefas longas mantenham planos e evidências coerentes. Essa design pode produzir saudas verbosas e históricos de conversa maiores, o que significa que os programadores devem gerir as janelas de contexto com cuidado e cortar ou resumir quando possível. As organizações que procuram débito máximo devem também testar definições de quantização e estratégias de batching para equilibrar velocidade, custo e precisão.

Por fim, o M2 continua a ser um sistema de pesos abertos que as organizações podem modificar, o que aumenta a responsabilidade em matéria de segurança e conformidade. As equipas terão de sobrepor monitorização, guardrails para chamadas de ferramentas e controlos de acesso a qualquer implementação que possa alcançar recursos externos ou dados sensíveis. Estas são preocupações padrão para sistemas de agentes, e a mesma disciplina se aplica aqui.

Num relance

• MiniMax M2 é o modelo de pesos abertos com maior ranking no Artificial Analysis Intelligence Index e situa-se entre os líderes globais no geral.
• Supera o Gemini 2.5 Pro do Google em inteligência agregada, ficando atrás de sistemas proprietários de fronteira como o GPT 5 e o Claude Sonnet 4.5 em algumas tarefas.
• O M2 é um modelo Mixture of Experts com cerca de 230 mil milhões de parâmetros no total e 10 mil milhões ativos por inferência, para menor latência e custo.
• O desempenho em agentes é um ponto de destaque, com resultados fortes no tau squared Bench, BrowseComp e FinSearchComp global.
• A força de programação é validada em tarefas no estilo SWE Bench e no Terminal Bench, suportando fluxos de trabalho de programação de ponta a ponta.
• A API custa 0,30 dólares por milhão de tokens de entrada e 1,20 dólares por milhão de tokens de saída, com velocidades próximas de 100 tokens por segundo.
• Os pesos completos estão abertos para alojamento próprio sob uma licença permissiva, e o modelo integra-se com SGLang, vLLM e formatos comuns de API.
• A prestação pode ser feita com apenas quatro GPUs NVIDIA H100 a precisão FP8, facilitando a implementação para equipas de média dimensão.
• Comparado com concorrentes, o M2 ativa menos parâmetros do que o DeepSeek V3.2 e o Moonshot Kimi K2, melhorando a eficiência.
• As empresas devem validar o desempenho nas suas próprias cadeias de ferramentas e planear para verbosidade, gestão de contexto e controlos de segurança.