🧠 語言模型MoEMiniMax

MiniMax M2.5

MiniMax M2.5，2026 年 2 月發布，230B MoE 模型，支援超長 1M token 上下文，GPQA 80.2%，SWE-bench 76.3%，旗艦開源模型。

📅 發布：2026-02↻資料更新：2026年5月12日

VRAM 計算器

我的 GPU VRAM：
量化等級
上下文長度
Q4_K_M · 8K context
模型權重 + KV Cache + 0.5 GB overhead
128 GB
完整 VRAM 對照表（所有量化 × 上下文）
量化4K8K16K32K64K128K
Q4_K_M★127 GB128 GB129 GB131 GB136 GB146 GB
Q8_0242 GB243 GB244 GB246 GB251 GB261 GB

部署指南

方法二：llama.cpp

適合進階用戶，支援 CPU 和 GPU 混合推理，可精確控制量化等級。

# Download GGUF model from Hugging Face, then run:
./llama-cli -m model.gguf -p "Hello" -n 128

方法三：vLLM（高效能伺服器）

適合生產環境，支援批次推理和 OpenAI 相容 API。

pip install vllm
vllm serve MiniMax --dtype auto

規格

參數量230B
最大上下文1M tokens
HF 下載量877K/月

模型強項

超長上下文旗艦性能MoE架構高準確度程式碼能力

推薦用途

  • ▸處理和分析極長文件，如法律合同、研究論文或書籍內容，進行摘要與問答。
  • ▸作為進階程式碼開發助手，進行複雜的程式碼生成、錯誤偵測與修復，提升開發效率。
  • ▸用於需要高精確度推理的任務，如學術研究、科學計算或專業知識問答系統。

標籤

MoE1M Context最新旗艦

部署工具

vLLMSGLang

關於 MiniMax M2.5 — 開源 AI 模型

MiniMax M2.5 是一個開源語言模型，擁有 230B 參數，採用 MiniMax 授權。可使用 vLLM、SGLang 進行部署。適用場景包括：處理和分析極長文件，如法律合同、研究論文或書籍內容，進行摘要與問答。、作為進階程式碼開發助手，進行複雜的程式碼生成、錯誤偵測與修復，提升開發效率。、用於需要高精確度推理的任務，如學術研究、科學計算或專業知識問答系統。。核心優勢：超長上下文、旗艦性能、MoE架構、高準確度、程式碼能力。 可在本地硬體上自行部署，完全保護隱私，無需 API 金鑰。

使用心得

分享你的使用體驗，幫助其他人了解這個模型

0/1000
還沒有評論，成為第一個分享心得的人！