聪明是起点，能干才是生产力
10 月 27 日，国产「好模型」阵营又迎来一位新成员，MiniMax 发布了全新大版本模型 M2，延续了 M1 时代的开源策略。
它不仅在 Coding 与 Agent 能力等方面继承了 M1 的优势，更在成本效率、智能水平、响应延迟这 3项关键指标上，同时迈出了一大步。
这次更新，也同时引发了一个更深层的讨论：
什么样的模型才能真正支撑实际业务？模型能否稳定运行？响应是否敏捷？能否真正嵌入业务、持续创造价值？
换句话说，模型的评判标准，正在走向新的「生产基准」：智能、便宜、体验好。
无论是跑 B 端业务的创业团队，还是依靠 AI 搭建产品的超级个体，大家都在一堆 SOTA 模型中寻找那个「用起来聪明、跑起来稳当可靠」的生产力模型。
而这次的 MiniMax M2，正是在这样的背景下被推出。
接下来，分享我们对这款模型背后技术逻辑的理解与实测体验。看一看，在「生产力模型」中，MiniMax M2 到底站在了哪个位置？
SOTA 模型里，我们到底需要怎样的「生产力模型」？
在 AI 应用下半场，我们到底需要怎样的「生产力模型」？
【1】第一个显而易见的就是「成本」。
最近非常流行的一个词 —— Token 经济。随着 AI Agent 的普及，每个任务对应的总成本往往会超过百万、千万级 Token，例如，我们曾在《在花花世界和孤注一掷之间，纳米AI的选择是……》中，随意做一个任务就达到了这个 Level。
Token 的成本越来越重要。
【2】第二个是「体验」。
对于 B 端、超级个体开发者用户来说，这里还有另一个痛点：延迟。在 C 端交互式应用中，TTFT（Time to First Token，首字响应时间），对于拉高用户体验有很大的作用。
这里也有个很好的例子，我们曾在《别小看这只龙猫》一文中，深刻体会到了美团的龙猫大模型如何靠「首个 Token 速度」，在垂直场景里提供良好体验的。
所以，总的看来，当下的 AI 应用落地，往往被困在智能、成本、体验，这个「三角」中。用户渴望一个「既要（顶级智能）、又要（价格便宜）、还要（体验够顺）」的解决方案。
而在阅读 MiniMax M2 的 Model Card 之后，我们发现，它在这 3 个方面，同时前进，并且获得了超出预期的成绩。
拆解 MiniMax M2
1）智能、成本、体验的三角
过去，我们的认知是「智能=昂贵」，而 M2 的出现，让这个观点再次被动摇了。
先上「干货」：MiniMax M2 一登场，就在全球权威测评榜单 Artificial Analysis (AA) 中表现很好，总分位列全球前 5、国内第 1。
这套评测体系全面覆盖了模型在数学、科学与编码等多个核心领域的能力。
值得注意的是 M2 的得分超过了 Google 的 Gemini 2.5 Pro、Anthropic 的 Claude 4.1 等最新的 SOTA 模型。
这证明了其智能水平已稳居「第一梯队」。
同时，作为国产模型的经典优势之处在于它的价格。在实现顶级智能的同时，M2 的价格具有非常大的优势（$0.53/M Tokens），API 服务价格定在每百万 Token $0.3/2.1 元 (输入)，$1.2/8.4 元(输出)。
这是什么概念？其综合成本不到 GPT-5 (high) 的六分之一，并且不到 Claude 4.5 Sonnet 的十分之一（大概为 8 %）。
其次，M2 在保持极低成本的同时，实现高流畅度的用户体验，推理速度则是 Claude Sonnet 近 2 倍。
这主要在于，我看到了 2 个关键数据：1.10 秒的首字响应时间（TTFT），100 TPS（Tokens Per Second）：
TTFT 和 TPS 往往被用来衡量交互式 AI 体验，它们决定了用户是否「体感」卡顿。M2 的低延迟确保了应用（特别是对话类、编程类应用）的流畅性，而这还是在极低的运营成本下实现的。
2）Coding、Agentic、Deep Search 能力再度被加强
如果说「综合实力」是 M2 进入第一梯队的入场券，那么它在特定领域的「专精」则是这回发布的真正看点。
这回的 M2 专为 3 个生产力核心场景进行了深度优化：Coding、Agentic、DeepSearch。
我们一一来看。
Coding
Coding 能力目前是开发者最刚需的生产力工具，也是最看重的基准测试之一。
M2 在编程能力（LiveCodeBench）上表现同样不错（83%，排名第4），接近 SOTA 模型水平。
M2 现在在软件工程与自动化任务的 4 个重要基准测试中，同样取得了很不错的表现，尤其是在 ArtifactsBench 这种衡量「项目产物」的测试中：
对于企业内开发者和超级个体开发者而言，结合其低延迟和低成本，开发者可以无压力地将其集成到自己的开发流中，去提升编码效率。
这里我测试了一个小案例，也是开发者们最喜欢用来验证新模型生成力的经典场景，3D 粒子星系效果。
提示词：
创建一个沉浸式的三维粒子星系，包含旋转的星云与动态变色的光效。 场景中应有数百万颗发光粒子，形成缓慢旋转与脉动的螺旋臂，营造出宇宙运动的幻觉。 加入体积雾与空间深度效果，以呈现一个充满尘埃、气体与能量的广袤星际空间。 使用紫罗兰、青色、品红与金色的渐变色调，模拟星云的湍流变化。 摄像机应在场景中缓缓移动，揭示星团、星光闪烁与微妙的镜头光晕。 灯光应能随摄像机运动而动态变化，强化空间的尺度感与深邃感。 可选地添加柔和的环境音乐或程序化的背景嗡鸣声，以增强沉浸感。 整体需针对实时渲染进行优化，使用来自 CDN 的 Three.js，在一个独立、可直接运行的 HTML 文件中实现。
M2 第一次给出的结果就还不错：
增加点复杂度，我将粒子数改为 20 万，并且将所有粒子的展现形态都换为香蕉：
甚至可以更复杂点，由香蕉、橙子、西瓜、苹果组成的水果银河系：
Agentic
模型的 Agentic 能力越来越被基础模型厂商重视，它关乎模型理解复杂指令、调用工具、执行多步骤任务的能力。
而这正是 M2 此回重点升级的部分。
在（τ²-Bench Telecom）榜单上，M2 的 Agent 工具使用能力得分高达 87%，排名全球第 2，与 GPT-5 并列，仅略低于 GPT-5 Codex。
而在 τ²-Bench 和 GAIA （Text Only）测试中，M2 基本达到了「御三家」的程度：
τ²-Bench 这个基准测试成绩很重要，但是很多同学可能并不熟悉。τ²-Bench 主要就是考察模型在多维逻辑（Multi-dimensional reasoning）、时间线推理（Temporal reasoning）与主题一致性（Thematic coherence）上的推理能力。
说白了，就是模型在「模拟人脑思维过程」，例如推断事件因果、顺序、并行逻辑、隐含条件时的表现。
能看得出来，M2 的 77.2 分表现已经很不错了。
再结合其在指令遵循能力（IFBench）上的高分（72%，排名第 3），这意味着 M2 不仅「听得懂人话」，还能「用得好工具」，毕竟听懂用户的提示词和工作流节点的含义，使其成为构建复杂 AI 工作流的基础。
这里我们试试，让 M2 进行可视化的 Agentic 能力，提示词如下：
MiniMax M2 信息可视化： 生成一个HTML网页来可视化关于MiniMax M2模型的内容，特别是关于其Agentic、Coding、Deep Search能力的内容。 文章内容包括： M2模型在三个核心生产力场景的深度优化：Coding、Agentic、DeepSearch 具体的能力表现数据 基准测试成绩对比 创建一个视觉效果好的HTML页面来展示这些信息，包括： 现代化设计 数据可视化（图表、进度条等） 响应式布局 美观的UI 可能包括图表来显示测试成绩 创建一个专业的技术报告样式的页面，包含各种可视化元素。
我录制了一个视频，M2 给出的结果非常协调。
注意，这只是 M2 一次输出就得出来的结果：
Deep Search
最后，是Deep Search（深度搜索）能力。这一点经常被忽视，但它是支撑 Agent 在复杂长程任务中表现的基础。
简单点说就是，Deep Search 能力关乎模型在面对开放性问题时，如何自主进行信息的深度检索、筛选、推理和总结。
它需要模型能在海量信息（比如 MiniMax-M1 就已支持的 1M 超长上下文）中进行「有目的」的探索，而不是简单的信息匹配。
在 Deep Search 这一能力相关基准测试中，我看到 MiniMax 透露出来了 3 个任务基准：BrowseComp（网页浏览理解）、xBench-DeepSearch（深度检索推理）、FinSearchComp-global（金融检索分析）。
在这 3 个基准测试中，M2 基本上追平或者反超了 GPT-5:
可以说，M2 在 Deep Search 能力中，基本进入了第一梯队。过去国产模型多在文本生成上竞争，现在 MiniMax 能在「复杂信息检索与推理」中与 GPT-5、Claude 这类 SOTA 模型并列，说明强化学习（RL）与推理优化的策略，正在奏效。
进一步观察 M2 的 Deep Search 能力，我想到了一个比较好的案例：自行去查找信息，再进行整合，用 PPT 整理出来：
使用 Search 功能 查询并整理 GitHub 上主流开源 AI 视频生成模型的使用方法与示例代码，并做成Html格式PPT展示。
M2 给出的结果是这样的：
它自动检索并汇总了当前 GitHub 上主流的 AI 视频生成模型资料，包括模型简介、开源协议、应用场景与特色功能，页面结构很清晰。
示例代码部分，M2 是这样做整理的：
它会为每个模型生成独立的 code block，并附带运行环境说明（如 Python 版本、依赖库、GPU 需求）。整体来看，M2 的输出很像是一份「可直接演示的技术报告模板」。
除了直接玩模型，我在进入 MiniMax 官网时，注意到 M2 已经上线了 MiniMax Agent。
现在，MiniMax Agent 分为 2 个模式：高效和专业，目前都是免费。
我就顺手跑了一个一直都想做的案例，一个探探 APP 式的 AI 人才匹配平台，提示词如下：
设计一个「AI 人才匹配平台」，界面灵感来自「探探 / Tinder」式卡片滑动。 用户横屏滑动即可浏览候选人资料卡，每张卡上展示 AI 评分（能力、匹配度、经验值等）；点击卡片后，它会以 3D 动画翻转，显示候选人的完整简历，包括教育背景、技能标签、作品集链接等。 画面风格：未来感科技UI、半透明玻璃质感（Glassmorphism）、蓝紫色渐变背景、轻微景深虚化。 交互设计：流畅的弹性过渡动画、卡片滑动轨迹、底部操作按钮（跳过 / 收藏 / 联系）。 细节增强： 顶部栏显示 Logo + “AI 匹配指数”仪表盘 每张卡包含候选人头像、职位、AI 综合评分 卡片背面展示详细履历结构 屏幕边缘浮现 AI 推荐语句，如「该候选人与贵司算法岗位高度匹配」 加入轻音乐、滑动音效或AI语音旁白（可选）
M2 加持的 MiniMax Agent 在工作流上的体验提升非常直观，整个执行过程更流畅，尤其是在与我交互时几乎没有明显卡顿。
整体端到端的任务完成速度更快了些。
AI 人才匹配探探大概 5 到 10 分钟就能跑完，页面显得相当成熟。每个人才卡片都会展示头像、姓名、职位，以及由 AI 给出的综合评分，甚至还会附上几项代表性的技能关键词。
当我点击这些卡片时，它们会轻轻翻转，呈现出候选人的完整简历。
当然了，看完整份简历后，这个原型会提供三个交互选项：我可以跳过、不喜欢，也可以表示很喜欢，或者直接收藏。
而在简历里，还能看到一个完整的作品集，可以直接点击跳转。我也录制了一个完整的视频来展示这个过程。
这样的「高性价比」并不是牺牲原创技术换来的。其实在 M2 发布前几天，我们就已经在各大技术社区看到了相关信息的「泄露」。
不少开发者都提到同一篇论文，来自硅谷大厂 Meta 的《The Art of Scaling Reinforcement Learning Compute for LLMs》。
在这篇论文中，Meta 直接在 Intro 部分提到：MiniMax 的研究是近期强化学习（RL）突破的代表之一：
而且，Meta 提到他们在超过 40 万 GPU 小时的实验中，采用了 MiniMax 提出的 CISPO 损失函数和 FP32 Head 技术。
两个技术（CISPO 损失函数 和 FP32 Head 技术）其实是 MiniMax 在强化学习（RL）阶段中提出的关键创新点，目标是让模型在「大规模训练」中更稳、更准、更具泛化能力。
简单说就是：这 2 项技术让 MiniMax M2 在同等算力下，能「跑得更稳、学得更深、用得更顺」。
论文里，Meta 明确指出 FP32 Head 是「最关键的实验决策之一」，并称 CISPO 是「大规模训练中最合适的方案」。这说明，MiniMax 的创新正在被全球顶级研究机构吸收和验证。
虽然最近 Meta 在 AI 领域的表现有点「颓」，但它的技术嗅觉依然敏锐。
从一次次实测的结果和论文的解析来看，M2 不仅是一款「性价比高」的模型，更像是进入 AI 应用下半场后的一种新范式：
稳、快、懂上下文、能执行。
这或许才是属于「生产力模型」的底层逻辑。
最后，强烈推荐大家亲自去 Claude Code、Cursor 等开发环境里跑一跑 M2。
以上所有 M2 的实测内容，其实都是我在 MiniMax 开放平台上看到 MiniMax-M2 API 全球限时免费开放后，用 Cherry Studio 上接 M2 的 API 完成的，整个过程非常顺滑，几乎没有出现任何兼容性问题。
而且，目前 MiniMax Agent 也在限时免费开放。
如果你也在做 Agent、Coding、Deep Search 的真实业务，不妨把它们跑起来吧！
文章来自于微信公众号 “十字路口Crossing”，作者 “十字路口Crossing”