MiniMax: MiniMax M2.5
MiniMax-M2.5 یک مدل زبانی بزرگ و SOTA است که برای real-world productivity طراحی شده است. این مدل در مجموعهای متنوع از محیطهای کاری دیجیتال پیچیده آموزش دیده و بر پایهی تخصص coding نسخهی M2.1 ساخته شده تا توانایی خود را به حوزهی کارهای اداری گسترش دهد. M2.5 به سطحی از تسلط رسیده که میتواند فایلهای Word، Excel و PowerPoint را تولید و ویرایش کند، بین محیطهای نرمافزاری مختلف context switching انجام دهد و با تیمهای انسانی و agentها بهصورت همزمان همکاری کند. این مدل با کسب نمرهی 80.2% در SWE-Bench Verified، نمرهی 51.3% در Multi-SWE-Bench و نمرهی 76.3% در BrowseComp عملکردی رقابتی دارد. افزون بر این، M2.5 نسبت به نسلهای قبلی از نظر token efficiency بهینهتر است، زیرا برای planning بهتر و بهینهسازی actions و output آموزش دیده است.
دسترسی API، ساختهشده برای برنامهنویسها
مشخصات اصلی مدل هوش مصنوعی
| نام مدل | minimax/minimax-m2.5 |
| تاریخ ساخت | ۱۴۰۴/۱۱/۲۶ |
| حداکثر ورودی | 196608 |
| سرعت مدل | 2.07 / 5 |
| Tokenizer | Other |
| Reasoning | فعال |
| هزینه خروجی متن | $1.1 به ازای هر یک میلیون توکن |
MiniMax: MiniMax M2.5
هر ماه مدلهای هوش مصنوعی متنوعی از شرکتهای مختلف ارائه میشود. ثبت نام، راهاندازی و مدیریت اکانتها و مدیریت مالی مدلهای مختلف کار دشواریست. هوش مصنوعی لیارا، مدلهای برتر دنیا را از طریق یک اکانت و یک کلید دسترسی در اختیار شما قرار میدهد.
مانیتورینگ پیشرفته
تعداد درخواستها، توکنهای مصرفی و هزینههای خود را بهتر مدیریت کنید.
توکن رایگان روزانه
با استفاده از توکنهای رایگان، هزینههای هوشمندسازی نرمافزار خود را کاهش دهید.
مدلهای متنوع
ما به سرعت در حال اضافهکردن مدلهای برتر دنیا هستیم. از OpenAI و DeepSeek گرفته تا Grok و Meta.
معماری مدل
| ورودیها | text |
| خروجی | text |
| Structured Outputs | فعال |
| Function Calling | فعال |
| Tuning | غیرفعال |
| Streaming | فعال |
پارامترهای قابل تنظیم | frequency_penaltyinclude_reasoninglogit_biaslogprobsmax_tokensmin_pparallel_tool_callspresence_penaltyreasoningreasoning_effortrepetition_penaltyresponse_formatseedstopstructured_outputstemperaturetool_choicetoolstop_ktop_logprobstop_p |
ما سعی میکنیم قابلیتهایی که بهطور مشترک در اکثر مدلها وجود دارد را در قالب OpenAI API پیادهسازی کنیم تا نیازی نباشد برای جابهجایی بین مدلهای مختلف، کدهای خود را تغییر دهید.
