開源模型之王易主，不過還是國產模型！

行業評測里，它在 Artificial Analysis 榜單綜合進入全球前五、開源模型第一梯隊，重點在編程、工具使用、深度搜索這些 Agent 核心能力上表現亮眼。

MiniMax 剛發布并開源M2模型，它采用稀疏 MoE 架構，總參數 230B，但推理時僅激活約 10B，這意味著在保持高性能的同時，把算力開銷和延遲壓下來了。

更具傳播性的點是價格。多家報道給到的 API 定價區間，是“每百萬輸入 Token 約 $0.3、輸出約 $1.2”，折算下來大約是 Claude Sonnet 4.5 的 8% 左右。即便考慮到不同渠道的信息誤差，這個數量級的性價比，已經足夠讓中小團隊認真評估“把 Agent 主力模型切換到 M2”的可能性。

為什么這次的“參數大，但用得省”成立？

簡單說，MoE 的思路是“按需激活”。

總參數可以很大，但每次推理只喚醒少數專家子網絡。對開發者而言，更像是“平時兩三個高手就夠上陣，只有難題才叫更多人”。 

• 速度更快：少激活=少計算； 
• 成本更低：同等任務減少算力賬單； 
• 性能不掉隊：專家路由把難點交給擅長的子網絡。

對開發者/團隊的直接影響

我特意對照了幾類常見工作流，感受比較直觀：

• 全棧開發 Agent：需求理解 → 方案設計 → 代碼生成 → 單測 → 修復回合；M2 在工具調用/檢索/長思考鏈條里延遲更友好，成本曲線明顯更平。
• 深度研究 Agent：多源檢索 → 事實核驗 → 摘要對照；在多輪檢索+比對的場景里，性價比優勢放大。
• 生產級 RAG：長文檔切塊、思維鏈、工具混合；MoE 的“按需”策略有助于穩定復雜工具鏈的輸出質量。

和“老牌選手”的對比怎么做？

如果你手里已經在用 GPT-4.1/4o、Claude Sonnet 4.5 之類的閉源主力，可以這樣做一次“盲測遷移評估”：

• 挑選3條關鍵鏈路：編碼生成/回歸修復、工具檢索、多表格數據分析。
• 統一數據與提示：相同測試集，相同系統提示，控制變量。
• 記錄三種指標：端到端時延、總 Token 花費、一次成功率（無需人類介入的完成比例）。
• 算 TCO 而不是單價：把失敗重試、人工干預、觀測成本都算進去，性價比差距會更清晰。

注：價格/榜單等信息引自公開報道（如 36氪、新浪財經、DataLearner 等），不同渠道存在出入的可能，建議以官方公告與實際 API 計費為準。

可以怎么上手驗證？

很簡單的三步：

• 先跑公共基準的子集：例如 HumanEval/MBPP 的自定義小樣，驗證編碼與測試修復能力。
• 接入真實工具鏈：把檢索、結構化解析、代碼執行接起來，看端到端效果。
• 逐步替換：先替換長尾任務和低風險鏈路，再評估是否把主鏈路切到 M2。

最后一個主觀判斷：M2 的賣點不是“參數更大”，而是在“Agent 真實工作流里更劃算”。

如果你正被 API 賬單和延遲拖住了迭代節奏，這一代 MoE 路線值得試一試。