Modelo de IA MiniMax M2 supera o Google DeepMind

Um novo líder entre os modelos de pesos abertos

A MiniMax, startup chinesa de IA em rápido crescimento, apoiada por grandes investidores nacionais, lançou seu modelo de linguagem de grande porte M2 e chegou ao primeiro escalão dos rankings globais de sistemas de pesos abertos. Avaliações independentes apontam o MiniMax M2 como o modelo de pesos abertos mais capaz no Artificial Analysis Intelligence Index, com desempenho superior ao Gemini 2.5 Pro, do Google DeepMind, e próximo ao de sistemas proprietários líderes dos Estados Unidos. A empresa desenvolveu o M2 para dois usos em alta: geração de código e uso de ferramentas no estilo agente. Em seguida, definiu preços e otimizou o modelo para oferecer velocidade, atraindo desenvolvedores e empresas que querem reduzir custos sem abrir mão de capacidade.

O fio condutor da tecnologia é a eficiência. O MiniMax M2 usa uma arquitetura de Mistura de Especialistas (Mixture of Experts) que direciona cada entrada para um subconjunto dos neurônios do modelo, mantendo apenas cerca de 10 bilhões de parâmetros ativos por vez, embora a capacidade total do modelo seja muito maior. Essa escolha reduz a latência e a demanda por memória de GPU sem comprometer a capacidade de raciocínio. A API da MiniMax tem preços agressivos: 0,30 dólar por milhão de tokens de entrada e 1,20 dólar por milhão de tokens de saída, cerca de 8% do preço do Claude 3.5 Sonnet, da Anthropic, segundo a comparação da própria empresa. A equipe também anuncia uma taxa de processamento de inferência próxima a 100 tokens por segundo. Os pesos completos do modelo estão disponíveis sob uma licença permissiva e podem ser baixados para hospedagem própria, permitindo que as equipes ajustem o M2 e o implantem internamente como quiserem.

O cenário chinês de modelos de pesos abertos ganhou força ao longo de todo o ano, com DeepSeek, Qwen, da Alibaba, Moonshot AI e outras empresas ampliando o contexto e o raciocínio. A chegada da MiniMax à dianteira importa porque o M2 surge em áreas nas quais as empresas estão investindo dinheiro de verdade: automatização de suporte, pesquisa e desenvolvimento por meio de agentes que usam ferramentas para navegar na web, consultar dados internos, executar código e verificar os próprios resultados. Essa combinação de capacidade, baixo custo e licenciamento transparente fez do M2 a nova referência em IA de pesos abertos.

Qual é o desempenho do modelo

O Artificial Analysis reúne benchmarks exigentes de matemática, ciências, seguimento de instruções, programação e fluxos de trabalho com agentes para criar um único Intelligence Index. O MiniMax M2 obteve 61 na versão mais recente, tornando-se o modelo de pesos abertos mais forte e ficando entre os melhores modelos em geral. Ele supera o Gemini 2.5 Pro e se aproxima do Claude Sonnet 4.5, da Anthropic, em várias tarefas de agentes e programação, embora ainda fique atrás dos sistemas mais recentes da fronteira tecnológica, como o GPT 5 e o Grok, da xAI. Para muitos desenvolvedores, esse é o ponto ideal: capacidade próxima à dos modelos de fronteira, sem o custo ou a dependência desses sistemas.

Tarefas com agentes em nível próximo à fronteira

Avaliações de agentes medem se um modelo consegue planejar, acionar ferramentas, ler resultados, se adaptar e verificar o resultado final em tarefas com várias etapas. Nesse aspecto, o M2 se destaca. A MiniMax relata resultados expressivos em baterias de testes voltadas a agentes, incluindo 77,2 no tau squared Bench, 44,0 no BrowseComp e 65,5 no FinSearchComp global. Esses testes abrangem navegação e citações, recuperação de informações financeiras, planejamento e recuperação após falhas em etapas. Na prática, isso significa que um agente baseado no M2 pode elaborar um plano, executar comandos de shell, buscar e ler fontes, chamar um interpretador para testar código, corrigir erros e apresentar evidências verificáveis sem precisar de orientação humana constante.

Benchmarks de programação e raciocínio

A MiniMax desenvolveu o M2 para fluxos de trabalho de desenvolvimento de ponta a ponta, nos quais o modelo edita vários arquivos, compila, testa e corrige o 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 comando em várias linguagens. A avaliação combinada do Artificial Analysis, que também considera testes de conhecimento e raciocínio como GPQA Diamond e AIME, indica que a força do M2 em programação não compromete sua inteligência geral. Para organizações que querem um assistente capaz de lidar tanto com tarefas de programação quanto com pesquisa, o diferencial está na consistência entre essas áreas.

Visão geral da arquitetura

O M2 é um modelo esparso de Mistura de Especialistas. Em vez de enviar cada token por todas as partes de uma rede gigantesca, um mecanismo de roteamento aprendido seleciona apenas algumas sub-redes especializadas para serem ativadas por entrada. A documentação da MiniMax descreve um modelo com cerca de 230 bilhões de parâmetros no total e 10 bilhões ativados a cada inferência. Relatos iniciais mencionavam 200 bilhões de parâmetros no total, mas as páginas técnicas e o cartão do modelo da empresa explicam a capacidade total maior, mantendo o mesmo limite de 10 bilhões de parâmetros ativos. A vantagem é clara: o modelo oferece a amplitude de conhecimento e a especialização de um sistema muito grande, com custos de inferência mais próximos aos de um modelo denso de 10 bilhões de parâmetros.

Essa eficiência se reflete nos requisitos de hardware. A MiniMax e avaliadores terceirizados descrevem a execução prática com apenas quatro GPUs NVIDIA H100 em precisão FP8, o que torna o M2 acessível a equipes de engenharia de médio porte. Em comparação, alguns concorrentes mantêm muito mais parâmetros ativos. O recente V3.2, da DeepSeek, ativa cerca de 37 bilhões de parâmetros por token, e o Kimi K2, da Moonshot AI, usa aproximadamente 32 bilhões, o que aumenta a demanda por memória e reduz a taxa de processamento. A menor quantidade de parâmetros ativados pelo M2 também ajuda a reduzir a latência nos piores casos e a aumentar a concorrência, dois desafios operacionais para ferramentas interativas e agentes.

Decisões de projeto para agentes e uso de ferramentas

A MiniMax desenvolveu o M2 para pensar, agir e verificar em ciclos, e disponibilizou essa capacidade por meio de um guia de uso de ferramentas que conecta o modelo a shells, navegadores, sistemas de recuperação de informações e executores de código. A empresa destaca rastros de raciocínio visíveis em um formato de pensamento intercalado. Em sessões com várias interações, o assistente mantém o contexto do planejamento e a cadeia de evidências, o que ajuda a se recuperar de dados incompletos e etapas malsucedidas, além de permitir que desenvolvedores auditem as decisões. A abordagem foi projetada para tornar tarefas de longo prazo mais confiáveis e fáceis de depurar.

A MiniMax também integra o M2 de perto a ambientes práticos de desenvolvimento. O modelo funciona bem com as populares estruturas de inferência SGLang e vLLM e segue os formatos de requisição conhecidos da OpenAI e da Anthropic. Assim, as equipes podem substituir o modelo atual pelo M2 com poucas mudanças no código e, depois, ampliar a capacidade de execução conforme necessário. Para quem desenvolve um copiloto interno ou um agente para produção, essa integração com menos atrito é valiosa.

A MiniMax apresentou o lançamento em termos de missão e acesso. A empresa afirmou que quer levar inteligência avançada a um público amplo, não apenas a quem pode pagar por modelos proprietários premium.

Desde o início, a MiniMax tem perseguido a visão de 'Inteligência com todos'.

Em seu cartão público do modelo, a equipe reforçou o foco em agentes e eficiência.

O MiniMax-M2 redefine a eficiência para agentes.

A MiniMax opera um serviço de agentes baseado no M2 com dois modos. O modo Lightning transmite respostas instantâneas para consultas simples. O modo Pro lida com tarefas complexas e mais demoradas, como pesquisa, extração de dados ou programação em várias etapas. Essa divisão reflete o modo como as equipes realmente trabalham: alternando entre respostas rápidas e projetos contínuos, nos quais o modelo precisa planejar, executar e verificar o trabalho de ponta a ponta.

Acesso, licenciamento e preços

A disponibilidade do M2 é excepcionalmente aberta para um sistema com esse nível de capacidade. A MiniMax lançou os pesos completos sob uma licença permissiva e publicou guias de implantação. Desenvolvedores podem baixar o repositório em plataformas como o Hugging Face, executar inferência local com SGLang ou vLLM e ajustar o modelo para áreas específicas. A MiniMax também oferece uma API com preços por token muito baixos e alta velocidade de transmissão, além de ter promovido acesso gratuito por tempo limitado tanto ao aplicativo de agentes quanto à API.

Entre os detalhes práticos importantes para os compradores estão o suporte a chamadas estruturadas de funções, o processamento de contexto longo e o uso robusto de ferramentas. A MiniMax recomenda configurações comuns de amostragem e fornece um esquema claro de chamadas de ferramentas para conectar o modelo a serviços externos. Para equipes preocupadas com a dependência de fornecedores, a combinação de pesos abertos e compatibilidade direta com APIs é um forte incentivo para avaliar o M2. Para equipes que querem manter tudo em suas próprias instalações, a documentação da empresa explica como executar o M2 com eficiência e dimensionar a memória de GPU para diferentes configurações de precisão.

• Os pesos estão disponíveis para hospedagem própria, com guias para SGLang e vLLM.
• A API custa 0,30 dólar por milhão de tokens de entrada e 1,20 dólar por milhão de tokens de saída, com velocidades anunciadas próximas a 100 tokens por segundo.
• O uso de ferramentas inclui shells, navegadores, recuperação de informações e interpretadores de código, com rastros de raciocínio visíveis para facilitar auditorias e depuração.
• A compatibilidade com APIs no estilo OpenAI e Anthropic reduz o trabalho de integração em aplicativos existentes.

Essas escolhas tornam o M2 uma opção atraente para copilotos de engenharia de software, assistentes de análise de dados e agentes de suporte ao cliente que precisam combinar raciocínio com execução confiável de ferramentas.

Concorrentes e mudanças no ranking

A ascensão do MiniMax M2 redefine o ranking de modelos de pesos abertos e intensifica a competição entre China e 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 Claude Sonnet 4.5, GPT 5 e Grok 4, dependendo da tarefa. Essa posição chama atenção especialmente em avaliações de agentes, como BrowseComp e FinSearchComp global, nas quais a capacidade do M2 de planejar, citar evidências e se recuperar de erros reduziu boa parte da diferença em relação aos sistemas fechados.

O cenário competitivo dentro da China também está mudando. Enquanto DeepSeek e Qwen dominaram as manchetes por meses com treinamento em escala de fronteira tecnológica e contexto longo, a MiniMax agora atrai atenção com uma quantidade menor de parâmetros ativados, que oferece desempenho comparável em tarefas de agentes e programação a um custo menor. A DeepSeek tem explorado modelos com números enormes de parâmetros totais, que podem elevar a demanda de memória a quase 700 gigabytes em algumas configurações. A ativação esparsa da MiniMax e suas configurações cuidadosas de execução mantêm os requisitos dentro do alcance de um cluster que muitas equipes de médio porte podem pagar, especialmente com FP8 e estruturas de inferência otimizadas.

O preço também importa. O custo por token da MiniMax é uma ordem de grandeza menor que o de grandes concorrentes proprietários. Para empresas que querem executar centenas de agentes ou manter ferramentas de programação assistida abertas o dia todo para muitos desenvolvedores, isso pode transformar orçamentos de projetos-piloto em orçamentos de produção. O lançamento dos pesos abertos é outro diferencial, pois permite que empresas com requisitos rigorosos de segurança auditem, ajustem e implantem o modelo em 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

Benchmarks são referências úteis, não garantias. O Artificial Analysis avalia modelos com estruturas controladas e instruções fixas, que podem não corresponder perfeitamente ao domínio ou às ferramentas de uma empresa. As equipes que adotarem o M2 devem realizar suas próprias avaliações com tarefas representativas e medir latência, taxa de processamento e confiabilidade dos agentes usando as ferramentas que pretendem empregar.

Também há detalhes operacionais a considerar. A MiniMax recomenda preservar os rastros de pensamento intercalado do modelo ao longo das interações para que tarefas longas mantenham planos e evidências coerentes. Esse projeto pode gerar respostas prolixas e históricos de conversa maiores, por isso os desenvolvedores devem administrar cuidadosamente as janelas de contexto e, quando possível, reduzir ou resumir o conteúdo. Organizações que buscam o máximo de capacidade de processamento também devem testar configurações de quantização e estratégias de processamento em lote para equilibrar velocidade, custo e precisão.

Por fim, o M2 continua sendo um sistema de pesos abertos que as organizações podem modificar, o que aumenta a responsabilidade por segurança e conformidade. As equipes devem implementar monitoramento, proteções para chamadas de ferramentas e controles de acesso em qualquer implantação que possa acessar recursos externos ou dados sensíveis. Essas são preocupações comuns em sistemas de agentes, e a mesma disciplina se aplica aqui.

Em resumo

• O MiniMax M2 é o modelo de pesos abertos mais bem colocado no Artificial Analysis Intelligence Index e está entre os líderes globais em geral.
• Ele supera o Gemini 2.5 Pro, do Google, em inteligência agregada, embora fique atrás de sistemas proprietários de fronteira tecnológica, como GPT 5 e Claude Sonnet 4.5, em algumas tarefas.
• O M2 é um modelo de Mistura de Especialistas com cerca de 230 bilhões de parâmetros no total e 10 bilhões ativos por inferência, o que reduz latência e custo.
• O desempenho com agentes é um destaque, com resultados expressivos no tau squared Bench, BrowseComp e FinSearchComp global.
• A capacidade de programação é comprovada em tarefas no estilo SWE Bench e no Terminal Bench, dando suporte a fluxos de trabalho de desenvolvimento de ponta a ponta.
• A API custa 0,30 dólar por milhão de tokens de entrada e 1,20 dólar por milhão de tokens de saída, com velocidades próximas a 100 tokens por segundo.
• Os pesos completos estão disponíveis para hospedagem própria sob uma licença permissiva, e o modelo é compatível com SGLang, vLLM e formatos de API comuns.
• É possível executar o modelo com apenas quatro GPUs NVIDIA H100 em precisão FP8, facilitando a implantação por equipes de médio porte.
• Em comparação com concorrentes, o M2 ativa menos parâmetros que o V3.2, da DeepSeek, e o Kimi K2, da Moonshot, melhorando a eficiência.
• Empresas devem validar o desempenho em suas próprias ferramentas e planejar como lidar com respostas extensas, gestão de contexto e controles de segurança.