论文页面 - MiniMax-M2系列：最小激活释放最大真实智能

来源：https://huggingface.co/papers/2605.26494 作者：

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

MiniMax-M2系列引入了混合专家语言模型，通过最少的激活参数，结合专门的训练和部署系统，在智能体任务中实现了高性能。

我们推出MiniMax-M2系列，这是一系列混合专家（Mixture-of-Experts (https://huggingface.co/papers?q=Mixture-of-Experts)）语言模型，其核心原则是：小型激活能释放最大真实世界智能。旗舰版M2包含2299亿总参数，但每token仅激活98亿参数。M2系列专为智能体部署而端到端设计，基于三大组件：(i) 智能体驱动数据管道 (https://huggingface.co/papers?q=agent-driven%20data%20pipelines)，生成大规模、可验证的轨迹，涵盖智能体编码 (https://huggingface.co/papers?q=agentic%20coding)和智能体协作 (https://huggingface.co/papers?q=agentic%20cowork)，每个轨迹都基于可执行工作区 (https://huggingface.co/papers?q=executable%20workspace)和与产物对齐的奖励 (https://huggingface.co/papers?q=artifact-aligned%20reward)；(ii) Forge，一个可扩展的智能体原生强化学习系统 (https://huggingface.co/papers?q=agent-native%20RL%20system)，能够适应长周期智能体轨迹，并结合窗口化FIFO调度 (https://huggingface.co/papers?q=windowed-FIFO%20scheduling)、前缀树合并 (https://huggingface.co/papers?q=prefix-tree%20merging)、推理优化 (https://huggingface.co/papers?q=inference%20optimization)以及训练-推理-智能体解耦 (https://huggingface.co/papers?q=training-inference-agent%20decoupling)，支持白盒和黑盒智能体；(iii) 最新的M2.7检查点朝着自我进化 (https://huggingface.co/papers?q=self-evolution)迈出了早期一步——自主调试训练运行并修改自身脚手架。从M2到M2.7，这种组合将小型激活足迹转化为前沿性能，在智能体编码 (https://huggingface.co/papers?q=agentic%20coding)、深度搜索、办公任务和推理基准测试中均表现出色。

查看arXiv页面 (https://arxiv.org/abs/2605.26494)
查看PDF (https://arxiv.org/pdf/2605.26494)
添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.26494)

在您的智能体中获取这篇论文：

hf papers read 2605\.26494

没有最新的CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用该论文的模型0

没有模型链接此论文

在模型README.md中引用 arxiv.org/abs/2605.26494 即可从此页面链接。

引用该论文的数据集0

没有数据集链接此论文

在数据集README.md中引用 arxiv.org/abs/2605.26494 即可从此页面链接。

引用该论文的Space0

没有Space链接此论文

在Space README.md中引用 arxiv.org/abs/2605.26494 即可从此页面链接。

包含该论文的收藏集0

没有收藏集包含此论文

将本论文添加到一个收藏集 (https://huggingface.co/new-collection) 即可从此页面链接。