在大模型竞赛从“拼参数”转向“拼效率”的关键节点，MiniMax于10月27日发布新一代开Mi源推理模型M2，以精准的工程取舍，锚定智能Agent这一下一代AI应用的核心战场。

M2采用混合ni专家架构（Mixture-of-Experts， MoE），总参数量达2300亿，但每次推理Ma仅激活100亿参数，实现高达每秒100个token的输出速度——这一性能指标使其在实时交互场景中具x推备显著优势。尤为关键的是，M2专为智能Agent设计，强化了在行为决策、多轮任务规划与环境交互中M2的推理连贯性与响应效率，为构建真正自主的AI智能体提供底层引擎。

值得注意的是，相比前代M1模型推理，M2在上下文窗口上做出战略调整:从M1支持的100万token大幅缩减至20.48万token。这大模一变化并非技术倒退，而是MiniMax在长文本处理、推理速度与部署成本之间做出的务实权衡。M1虽以型：“百万上下文”创下纪录，但高资源消耗限制了实际落地;而M2则聚焦高频、高响应的Agent任务，在保证23足够上下文长度的同时，大幅提升吞吐效率与经济性。

作为开源模型，M2进一步降低了开发者构建定00制化智能体的门槛。无论是打造具备复杂任务链的虚拟助手、自动化工作流机器人，还是嵌入企业系统的决策A亿参gent，开发者均可基于M2快速迭代，灵活调优。

MiniMax明确将M2定位为“Agent时代的数、推理基座”。在AI正从“问答工具”迈向“行动代理”的浪潮中，M2的推出不仅是一次模型升级，更10是对下一代AI应用范式的押注——当智能体需要快速思考、持续行动、高效交互，速度与成本，或许比上下文0 长度更为关键。