MiniMax-M2.5 : Guide d'exécution

Exécutez MiniMax-M2.5 localement sur votre propre appareil !

MiniMax-M2.5 est un nouveau LLM open atteignant l'état de l'art en codage, utilisation agentique d'outils, recherche et travail de bureau, obtenant 80,2 % dans SWE-Bench Vérifié, 51,3 % dans Multi-SWE-Bench, et 76,3 % dans BrowseComp.

Le modèle de 230B paramètres (10B actifs) a un fenêtre de contexte de 200K et bf16 non quantifié nécessite 457 Go. Unsloth Dynamic 3 bits GGUF réduit la taille à 101 Go (-62%): MiniMax-M2.5 GGUF

Tous les téléchargements utilisent Unsloth Dynamic 2.0 pour des performances de quantification SOTA - donc le 3 bits a des couches importantes suréchelonnées en 8 ou 16 bits. Vous pouvez aussi affiner le modèle via Unsloth, en utilisant des multiGPU.

⚙️ Guide d'utilisation

La quantification dynamique 3 bits UD-Q3_K_XL utilise 101 Go d'espace disque - cela tient bien sur un Mac à mémoire unifiée de 128 Go pour ~20+ tokens/s, et fonctionne aussi plus rapidement avec un GPU 1x16Go et 96 Go de RAM pour 25+ tokens/s. 2 bits les quants ou le plus grand 2 bits tiendront sur un appareil de 96 Go.

Pour une presque pleine précision, utilisez Q8_0 (8 bits) qui utilise 243 Go et tiendra sur un appareil / Mac avec 256 Go de RAM pour 10+ tokens/s.

Bien que ce ne soit pas obligatoire, pour de meilleures performances, assurez-vous que la VRAM + la RAM combinées soient égales à la taille du quant que vous téléchargez. Sinon, le déchargement sur disque dur / SSD fonctionnera avec llama.cpp, seule l'inférence sera plus lente.

Paramètres recommandés

MiniMax recommande d'utiliser les paramètres suivants pour de meilleures performances : temperature=1.0, top_p = 0.95, top_k = 40.

Paramètres par défaut (la plupart des tâches)
temperature = 1.0
top_p = 0.95
top_k = 40
repeat penalty = 1.0 ou désactivé

• Fenêtre de contexte maximale : 196,608

• Min_P = 0.01 (la valeur par défaut peut être 0,05)

• Invite système par défaut :

Vous êtes un assistant utile. Votre nom est MiniMax-M2.5 et il est développé par MiniMax.

Exécuter les tutoriels MiniMax-M2.5 :

Pour ces tutoriels, nous utiliserons la quantification 3 bits UD-Q3_K_XL qui tient dans un appareil avec 128 Go de RAM.

✨ Exécuter dans llama.cpp

1

Obtenez le dernier llama.cpp sur GitHub ici. Vous pouvez également suivre les instructions de compilation ci-dessous. Changez -DGGML_CUDA=ON en -DGGML_CUDA=OFF si vous n'avez pas de GPU ou si vous souhaitez simplement une inférence CPU.

apt-get update
apt-get install pciutils build-essential cmake curl libcurl4-openssl-dev -y
git clone https://github.com/ggml-org/llama.cpp
cmake llama.cpp -B llama.cpp/build \
    -DBUILD_SHARED_LIBS=OFF -DGGML_CUDA=ON
cmake --build llama.cpp/build --config Release -j --clean-first --target llama-cli llama-mtmd-cli llama-server llama-gguf-split
cp llama.cpp/build/bin/llama-* llama.cpp

2

Si vous voulez utiliser llama.cpp directement pour charger des modèles, vous pouvez faire ce qui suit : (:Q3_K_XL) est le type de quantification. Vous pouvez aussi télécharger via Hugging Face (point 3). C'est similaire à ollama run . Utilisez export LLAMA_CACHE="folder" pour forcer llama.cpp à enregistrer dans un emplacement spécifique. N'oubliez pas que le modèle n'a qu'une longueur de contexte maximale de 200K.

Suivez ceci pour la plupart des cas d'utilisation :

export LLAMA_CACHE="unsloth/MiniMax-M2.5-GGUF"
./llama.cpp/llama-cli \
    -hf unsloth/MiniMax-M2.5-GGUF:UD-Q3_K_XL \
    --ctx-size 16384 \
    --flash-attn on \
    --temp 1.0 \
    --top-p 0.95 \
    --min-p 0.01 \
    --top-k 40

3

Téléchargez le modèle via (après avoir installé pip install huggingface_hub hf_transfer ). Vous pouvez choisir UD-Q3_K_XL (quant dynamique 4 bits) ou d'autres versions quantifiées comme UD-Q6_K_XL . Nous recommandons d'utiliser notre quant dynamique 4 bits UD-Q3_K_XL pour équilibrer taille et précision.

hf download unsloth/MiniMax-M2.5-GGUF \
    --local-dir unsloth/MiniMax-M2.5-GGUF \
    --include "*UD-Q3_K_XL*" # Utilisez "*Q8_0*" pour 8 bits

4

Vous pouvez éditer --threads 32 pour le nombre de threads CPU, --ctx-size 16384 pour la longueur de contexte, --n-gpu-layers 2 pour le déchargement GPU sur combien de couches. Essayez de l'ajuster si votre GPU manque de mémoire. Supprimez-le aussi si vous n'avez qu'une inférence CPU.

./llama.cpp/llama-cli \
    --model unsloth/MiniMax-M2.5-GGUF/UD-Q3_K_XL/MiniMax-M2.5-UD-Q3_K_XL-00001-of-00004.gguf \
    --temp 1.0 \
    --top-p 0.95 \
    --min-p 0.01 \
    --top-k 40 \
    --ctx-size 16384 \
    --seed 3407

🦙 Llama-server & la bibliothèque de complétions d'OpenAI

Pour déployer MiniMax-M2.5 en production, nous utilisons llama-server ou l'API OpenAI. Dans un nouveau terminal, par exemple via tmux, déployez le modèle via :

./llama.cpp/llama-server \
    --model unsloth/MiniMax-M2.5-GGUF/UD-Q3_K_XL/MiniMax-M2.5-UD-Q3_K_XL-00001-of-00004.gguf \
    --alias "unsloth/MiniMax-M2.5" \
    --prio 3 \
    --temp 1.0 \
    --top-p 0.95 \
    --min-p 0.01 \
    --top-k 40 \
    --ctx-size 16384 \
    --port 8001

Puis dans un nouveau terminal, après avoir fait pip install openai, faites :

from openai import OpenAI
import json
openai_client = OpenAI(
    base_url = "http://127.0.0.1:8001/v1",
    api_key = "sk-no-key-required",
)
completion = openai_client.chat.completions.create(
    model = "unsloth/MiniMax-M2.5",
    messages = [{"role": "user", "content": "Create a Snake game."},],
)
print(completion.choices[0].message.content)

📊 Benchmarks

Vous pouvez voir ci-dessous des benchmarks au format tableau :

Benchmark	MiniMax-M2.5	MiniMax-M2.1	Claude Opus 4.5	Claude Opus 4.6	Gemini 3 Pro	GPT-5.2 (en réflexion)
AIME25	86.3	83.0	91.0	95.6	96.0	98.0
GPQA-D	85.2	83.0	87.0	90.0	91.0	90.0
SciCode	44.4	41.0	50.0	52.0	56.0	52.0
IFBench	70.0	70.0	58.0	53.0	70.0	75.0
AA-LCR	69.5	62.0	74.0	71.0	71.0	73.0
SWE-Bench Vérifié	80.2	74.0	80.9	80.8	78.0	80.0
SWE-Bench Pro	55.4	49.7	56.9	55.4	54.1	55.6
Terminal Bench 2	51.7	47.9	53.4	55.1	54.0	54.0
HLE sans outils	19.4	22.2	28.4	30.7	37.2	31.4
Multi-SWE-Bench	51.3	47.2	50.0	50.3	42.7	—
SWE-Bench multilingue	74.1	71.9	77.5	77.8	65.0	72.0
VIBE-Pro (AVG)	54.2	42.4	55.2	55.6	36.9	—
BrowseComp (avec contexte)	76.3	62.0	67.8	84.0	59.2	65.8
Recherche large	70.3	63.2	76.2	79.4	57.0	—
RISE	50.2	34.0	50.5	62.5	36.8	50.0
BFCL multi-tour	76.8	37.4	68.0	63.3	61.0	—
τ² Télécom	97.8	87.0	98.2	99.3	98.0	98.7
MEWC	74.4	55.6	82.1	89.8	78.7	41.3
GDPval-MM	59.0	24.6	61.1	73.5	28.1	54.5
Modélisation financière	21.6	17.3	30.1	33.2	15.0	20.0

Scores de référence du cœur de codage

Recherche et utilisation d'outils

Tâches accomplies pour 100

Capacités de bureau