MiniMax M2 AI மாதிரி Google DeepMind-ஐ முந்தியது

திறந்த எடையளவு மாதிரிகளில் புதிய முன்னணி

முக்கிய உள்நாட்டு முதலீட்டாளர்களின் ஆதரவைப் பெற்ற, வேகமாக வளர்ந்து வரும் சீன AI ஸ்டார்ட்அப் நிறுவனமான MiniMax, தனது M2 பெரிய மொழி மாதிரியை வெளியிட்டு, திறந்த எடையளவு அமைப்புகளுக்கான உலகளாவிய AI தரவரிசையின் முன்னணி நிலைக்கு உயர்ந்துள்ளது. சுயாதீன மதிப்பீடுகளின்படி, Artificial Analysis Intelligence Index-இல் திறந்த எடையளவு மாதிரிகளில் MiniMax M2 மிகுந்த திறனுடையது. இதன் செயல்திறன் Google DeepMind-இன் Gemini 2.5 Pro-ஐ மிஞ்சுவதுடன், அமெரிக்காவின் முன்னணி உரிமையாளர் கட்டுப்பாட்டிலான அமைப்புகளுக்கு நெருக்கமாக உள்ளது. அதிக கவனம் பெறும் இரண்டு பயன்பாடுகளான குறியீடு உருவாக்கம் மற்றும் முகவர் பாணி கருவிப் பயன்பாட்டுக்காக M2-ஐ நிறுவனம் உருவாக்கியது. திறனை விட்டுக்கொடுக்காமல் செலவைக் குறைக்க விரும்பும் உருவாக்குநர்களையும் நிறுவனங்களையும் ஈர்க்கும் வகையில், இதன் விலையையும் வேகத்தையும் அமைத்துள்ளது.

இதன் தொழில்நுட்பத்தின் மையக் கருத்து செயல்திறன். MiniMax M2, Mixture of Experts வடிவமைப்பைப் பயன்படுத்துகிறது. இது ஒவ்வொரு உள்ளீட்டையும் மாதிரியின் நியூரான்களில் ஒரு குறிப்பிட்ட பகுதிக்குத் திசைதிருப்புகிறது. இதனால் மொத்த மாதிரித் திறன் மிகப் பெரியதாக இருந்தாலும், எந்த நேரத்திலும் சுமார் 10 பில்லியன் அளவுருக்கள் மட்டுமே செயல்பாட்டில் இருக்கும். இந்தத் தேர்வு, பகுத்தறியும் திறனைப் பாதிக்காமல் தாமதத்தையும் GPU நினைவகத் தேவையையும் குறைக்கிறது. MiniMax-இன் API விலை ஆக்ரோஷமாக நிர்ணயிக்கப்பட்டுள்ளது: ஒரு மில்லியன் உள்ளீட்டு டோக்கன்களுக்கு 0.30 டாலர், ஒரு மில்லியன் வெளியீட்டு டோக்கன்களுக்கு 1.20 டாலர். நிறுவனத்தின் சொந்த ஒப்பீட்டின்படி, இது Anthropic-இன் Claude 3.5 Sonnet விலையில் சுமார் 8 சதவீதம் மட்டுமே. மேலும், ஊகச் செயலாக்க வேகம் நொடிக்கு சுமார் 100 டோக்கன்கள் எனக் குழு விளம்பரப்படுத்துகிறது. முழு மாதிரி எடைகளும் தளர்வான உரிமத்தின் கீழ் கிடைக்கின்றன; அவற்றைப் பதிவிறக்கம் செய்து சொந்தமாக வழங்கலாம். இதனால் அணிகள் தங்கள் விருப்பப்படி M2-ஐ நுணுக்கப் பயிற்சி செய்து உள்நாட்டில் பயன்படுத்த முடியும்.

சீனாவின் திறந்த எடையளவு AI துறை இந்த ஆண்டு முழுவதும் சூடுபிடித்துள்ளது. DeepSeek, Alibaba-வின் Qwen, Moonshot AI உள்ளிட்டவை நீண்ட சூழல் கையாளுதலையும் பகுத்தறியும் திறனையும் மேம்படுத்தி வருகின்றன. முன்னணி அணியில் MiniMax இடம்பிடித்திருப்பது முக்கியமானது; ஏனெனில் M2, நிறுவனங்கள் உண்மையான செலவினம் செய்து வரும் பயன்பாடுகளுக்குப் பொருந்துகிறது. இணையத்தில் உலாவுதல், உள்தரவைக் கேள்வி எழுப்புதல், குறியீட்டை இயக்குதல், முடிவுகளைத் தானாகச் சரிபார்த்தல் ஆகியவற்றைச் செய்யும் கருவி-பயன்பாட்டு முகவர்கள் மூலம் ஆதரவு, ஆய்வு, மேம்பாடு ஆகியவற்றைத் தானியக்கமாக்குவதே அந்தப் பயன்பாடுகள். திறன், குறைந்த செலவு, வெளிப்படையான உரிமம் ஆகியவற்றின் சேர்க்கையே திறந்த எடையளவு AI-க்கான புதிய அளவுகோலாக M2-ஐ மாற்றியுள்ளது.

செயல்திறன் எவ்வளவு வலுவானது?

Artificial Analysis, கணிதம், அறிவியல், வழிமுறைகளைப் பின்பற்றுதல், குறியீட்டாக்கம், முகவர் பணிச்சூழல்கள் ஆகியவற்றில் கடினமான தரப்படுத்தல் சோதனைகளின் முடிவுகளைத் தொகுத்து, ஒருங்கிணைந்த Intelligence Index-ஐ உருவாக்குகிறது. அதன் சமீபத்திய பதிப்பில் MiniMax M2 61 மதிப்பெண் பெற்று, திறந்த எடையளவு மாதிரிகளில் முதலிடத்திலும் ஒட்டுமொத்தமாக முன்னணி மாதிரிகளில் ஒன்றாகவும் உள்ளது. Gemini 2.5 Pro-ஐ இது மிஞ்சுகிறது; பல முகவர் மற்றும் குறியீட்டாக்கப் பணிகளில் Anthropic-இன் Claude Sonnet 4.5-க்கு நெருக்கமாக உள்ளது. அதேவேளை, GPT 5, xAI-இன் Grok போன்ற அண்மைய முன்னணித் தலைமுறை அமைப்புகளைவிடப் பின்தங்குகிறது. பல உருவாக்குநர்களுக்கு இது பொருத்தமான சமநிலை: முன்னணி நிலைச் செலவோ, ஒரே வழங்குநரிடம் கட்டுப்படும் ஆபத்தோ இல்லாமல், முன்னணி நிலைக்கு நெருக்கமான திறனைப் பெறலாம்.

முன்னணி நிலைக்கு நெருக்கமான முகவர் பணிகள்

முகவர் பாணி மதிப்பீடுகள், பல படிகளைக் கொண்ட பணிகளில் ஒரு மாதிரி திட்டமிடவும், கருவிகளை அழைக்கவும், முடிவுகளைப் படிக்கவும், அதற்கேற்ப மாற்றியமைக்கவும், இறுதி முடிவுகளைச் சரிபார்க்கவும் முடியுமா என்பதை அளவிடுகின்றன. இந்தப் பிரிவில் M2 குறிப்பாகச் சிறப்பாகச் செயல்படுகிறது. tau squared Bench-இல் 77.2, BrowseComp-இல் 44.0, FinSearchComp global-இல் 65.5 உள்ளிட்ட முகவர் சார்ந்த மதிப்பீட்டுத் தொகுப்புகளில் வலுவான மதிப்பெண்களைப் பெற்றுள்ளதாக MiniMax தெரிவிக்கிறது. இவை இணைய உலாவல் மற்றும் ஆதாரச் சுட்டிப்பு, நிதித் தகவல் தேடல், படிகள் தோல்வியடையும்போது திட்டமிடுதல் மற்றும் மீண்டெழுதல் ஆகியவற்றை மதிப்பிடுகின்றன. நடைமுறையில், M2 மூலம் இயங்கும் முகவர் ஒரு திட்டத்தை வடிவமைத்து, shell கட்டளைகளை இயக்கி, ஆதாரங்களைத் தேடிப் படித்து, குறியீட்டைச் சோதிக்க interpreter-ஐ அழைத்து, பிழைகளைத் திருத்தி, தொடர்ந்து மனிதர் வழிநடத்த வேண்டிய அவசியமின்றி சரிபார்க்கக்கூடிய ஆதாரங்களை வழங்க முடியும்.

குறியீட்டாக்கம் மற்றும் பகுத்தறிவு தரப்படுத்தல் சோதனைகள்

பல கோப்புகளைத் திருத்துதல், தொகுத்தல், சோதித்தல், குறியீட்டை மீண்டும் மீண்டும் சரிசெய்தல் ஆகியவற்றை உள்ளடக்கிய தொடக்கம் முதல் முடிவு வரையிலான உருவாக்குநர் பணிச்சூழல்களுக்காக MiniMax M2-ஐ வடிவமைத்துள்ளது. SWE Bench பாணிப் பணிகளிலும் Terminal Bench-இலும், பல மொழிகளில் உண்மையான குறியீட்டுத் தொகுப்புகள் மற்றும் கட்டளை வரிச் சூழல்களில் இந்த மாதிரி திறனை வெளிப்படுத்துகிறது. GPQA Diamond மற்றும் AIME போன்ற அறிவு, பகுத்தறிவுச் சோதனைகளையும் கணக்கில் கொள்ளும் Artificial Analysis-இன் ஒருங்கிணைந்த மதிப்பீடு, M2-இன் குறியீட்டாக்கத் திறன் பொது அறிவுத்திறனைப் பாதிப்பதில்லை என்பதைக் காட்டுகிறது. மென்பொருள் பணிகளையும் ஆய்வுப் பணிகளையும் செய்யக்கூடிய உதவியாளரை விரும்பும் நிறுவனங்களுக்கு, இந்தத் துறைகள் முழுவதிலும் உள்ள நிலையான செயல்திறனே ஈர்ப்பாக உள்ளது.

கட்டமைப்பின் சுருக்கம்

M2 என்பது செயல்படுத்தப்படும் பகுதிகள் குறைவான Mixture of Experts மாதிரி. ஒவ்வொரு டோக்கனையும் பெரிய வலையமைப்பின் ஒவ்வொரு பகுதியிலும் செலுத்துவதற்குப் பதிலாக, கற்றறிந்த ஒரு வாயில், ஒவ்வொரு உள்ளீட்டுக்கும் சில நிபுணர் துணை வலையமைப்புகளை மட்டுமே செயல்படுத்தத் தேர்ந்தெடுக்கிறது. MiniMax-இன் ஆவணங்களின்படி, இந்த மாதிரியில் மொத்தம் சுமார் 230 பில்லியன் அளவுருக்கள் உள்ளன; ஒவ்வொரு ஊகச் செயலாக்கத்திலும் 10 பில்லியன் அளவுருக்கள் செயல்படுகின்றன. ஆரம்பகட்டச் செய்திகள் மொத்த அளவுருக்களை 200 பில்லியன் எனக் குறிப்பிட்டிருந்தன. ஆனால் நிறுவனத்தின் தொழில்நுட்பப் பக்கங்களும் மாதிரி அட்டையும், அதே 10 பில்லியன் செயல்பாட்டு வரம்புடன் அதிக மொத்தத் திறன் எவ்வாறு உள்ளது என்பதை விளக்குகின்றன. இதன் நன்மை தெளிவானது: மிகப் பெரிய மாதிரியின் பரந்த அறிவையும் சிறப்புத் திறனையும் பெறுவதோடு, 10 பில்லியன் அளவுருக்கள் கொண்ட அடர்த்தியான அமைப்புக்கு நெருக்கமான ஊகச் செயலாக்கச் செலவையே செலுத்துகிறீர்கள்.

இந்தச் செயல்திறன் வன்பொருள் தேவைகளிலும் தெரிகிறது. FP8 துல்லியத்தில் நான்கு NVIDIA H100 GPU-கள் மட்டுமே கொண்டு M2-ஐ நடைமுறையில் வழங்க முடியும் என MiniMax-உம் மூன்றாம் தரப்பு சோதனையாளர்களும் தெரிவிக்கின்றனர். இதனால் நடுத்தர அளவிலான பொறியியல் அணிகளும் இதைப் பயன்படுத்த முடியும். ஒப்பிடுகையில், சில போட்டி மாதிரிகள் இன்னும் பல அளவுருக்களைச் செயல்படுத்துகின்றன. DeepSeek-இன் அண்மைய V3.2, ஒவ்வொரு டோக்கனுக்கும் சுமார் 37 பில்லியன் அளவுருக்களைச் செயல்படுத்துகிறது; Moonshot AI-இன் Kimi K2 சுமார் 32 பில்லியனைப் பயன்படுத்துகிறது. இதனால் நினைவகத் தேவை அதிகரித்து, செயலாக்க வேகம் குறைகிறது. M2-இன் குறைவான செயல்பாட்டு நினைவகத் தடம், செயல்பாட்டின் தாமதத்தையும் ஒரே நேரத்தில் பல கோரிக்கைகளைக் கையாளும் திறனையும் மேம்படுத்துகிறது. ஊடாடும் கருவிகளுக்கும் முகவர்களுக்கும் இவை இரண்டும் செயல்பாட்டுச் சவால்களாக உள்ளன.

முகவர் வடிவமைப்பும் கருவிப் பயன்பாடும்

சிந்தித்தல், செயல்படுதல், சரிபார்த்தல் ஆகியவற்றைச் சுழற்சியாகச் செய்யும் வகையில் MiniMax M2-ஐ உருவாக்கியுள்ளது. பின்னர் அந்தத் திறனை shell-கள், உலாவிகள், தகவல் மீட்டெடுப்பு அமைப்புகள், குறியீட்டு இயக்கிகள் ஆகியவற்றுடன் மாதிரியை இணைக்கும் கருவி அழைப்பு வழிகாட்டி மூலம் வழங்கியுள்ளது. இடைச்செருகப்பட்ட சிந்தனை வடிவத்தில், வெளிப்படையாகப் பார்க்கக்கூடிய பகுத்தறிவுத் தடங்களை நிறுவனம் வலியுறுத்துகிறது. பல சுற்றுகள் கொண்ட அமர்வுகளில், உதவியாளர் தனது திட்டமிடல் சூழலையும் ஆதாரத் தொடரையும் தொடர்ந்து பராமரிக்கிறது. இது முழுமையற்ற தரவு, தோல்வியுற்ற படிகள் ஆகியவற்றிலிருந்து மீளவும், முடிவுகளை உருவாக்குநர்கள் தணிக்கை செய்யவும் உதவுகிறது. நீண்டகாலப் பணிகளை மேலும் நம்பகமானதாகவும் பிழைகளை ஆராய எளிதானதாகவும் மாற்றுவதே இந்த அணுகுமுறையின் நோக்கம்.

நடைமுறை உருவாக்குநர் சூழல்களுடனும் M2-ஐ MiniMax நெருக்கமாக இணைத்துள்ளது. பிரபலமான SGLang, vLLM ஊகச் செயலாக்கக் கட்டமைப்புகளுடன் இந்த மாதிரி சிறப்பாகச் செயல்படுகிறது; OpenAI மற்றும் Anthropic பயன்படுத்தும் பரிச்சயமான கோரிக்கை வடிவங்களையும் பின்பற்றுகிறது. இதனால் அணிகள் குறைந்தபட்சக் குறியீட்டு மாற்றங்களுடன் M2-ஐ மாற்றிப் பயன்படுத்தி, தேவைக்கேற்ப வழங்கலை விரிவாக்கலாம். உள்நிலை copilot அல்லது உற்பத்தித் தர முகவரை உருவாக்குபவர்களுக்கு, ஒருங்கிணைப்பில் உள்ள குறைந்த சிக்கல் மதிப்புமிக்கது.

இந்த வெளியீட்டை, தமது நோக்கம் மற்றும் அணுகல் வாய்ப்பு ஆகியவற்றின் அடிப்படையில் MiniMax முன்வைத்தது. உயர்தர உரிமையாளர் கட்டுப்பாட்டிலான மாதிரிகளை வாங்கக்கூடியவர்களுக்கு மட்டுமல்லாமல், பரந்த பயனர் குழுக்களுக்கும் மேம்பட்ட நுண்ணறிவு கிடைக்க வேண்டும் என்று நிறுவனம் தெரிவித்தது.

தொடக்கம் முதலே, ‘அனைவருடனும் நுண்ணறிவு’ என்ற தொலைநோக்கைப் MiniMax முன்னெடுத்து வருகிறது.

பொது பயன்பாட்டுக்கான மாதிரி அட்டையில், முகவர்களிலும் செயல்திறனிலும் கவனம் செலுத்துவதை அந்தக் குழு வலியுறுத்தியது.

முகவர்களுக்கான செயல்திறனை MiniMax-M2 மறுவரையறை செய்கிறது.

M2 மூலம் இயங்கும் Agent சேவையை MiniMax இரண்டு முறைகளில் வழங்குகிறது. எளிய கேள்விகளுக்கு Lightning Mode உடனடி பதில்களைத் தொடர்ந்து வழங்குகிறது. ஆய்வு, தரவு பிரித்தெடுத்தல் அல்லது பல கட்டக் குறியீட்டாக்கம் போன்ற, நீண்ட நேரம் எடுக்கும் சிக்கலான பணிகளை Pro Mode கையாளுகிறது. அணிகள் உண்மையில் பணிபுரியும் முறையை இந்தப் பிரிவு பிரதிபலிக்கிறது: விரைவான பதில்களுக்கும், மாதிரி தொடக்கம் முதல் முடிவு வரை திட்டமிட்டு, செயல்படுத்தி, பணியின் முடிவுகளைச் சரிபார்க்க வேண்டிய நீண்டகாலத் திட்டங்களுக்கும் இடையே அவை மாறிச் செயல்படுகின்றன.

அணுகல், உரிமம், விலை

இத்தகைய திறனுள்ள அமைப்புக்கு M2-இன் கிடைக்கும் தன்மை வழக்கத்திற்கு மாறாகத் திறந்த நிலையில் உள்ளது. MiniMax முழு எடைகளையும் தளர்வான உரிமத்தின் கீழ் வெளியிட்டு, நிறுவல் மற்றும் பயன்பாட்டு வழிகாட்டிகளையும் வெளியிட்டுள்ளது. உருவாக்குநர்கள் Hugging Face போன்ற தளங்களில் இருந்து களஞ்சியத்தைப் பதிவிறக்கம் செய்து, SGLang அல்லது vLLM மூலம் உள்ளூரில் ஊகச் செயலாக்கம் செய்து, குறிப்பிட்ட துறைகளுக்கு நுணுக்கப் பயிற்சி அளிக்கலாம். மிகக் குறைந்த டோக்கன் விலையிலும் வேகமான தொடரோட்டச் செயலாக்கத்துடனும் API-யையும் MiniMax வழங்குகிறது. மேலும், தனது Agent செயலிக்கும் API-க்கும் குறிப்பிட்ட கால இலவச அணுகலை நிறுவனம் விளம்பரப்படுத்தியுள்ளது.

வாங்குவோருக்கு முக்கியமான நடைமுறை அம்சங்களில், கட்டமைக்கப்பட்ட செயல்பாட்டு அழைப்புகளுக்கான ஆதரவு, நீண்ட சூழல் செயலாக்கம், நம்பகமான கருவிப் பயன்பாடு ஆகியவை அடங்கும். பொதுவாகப் பயன்படுத்தப்படும் மாதிரி அமைப்புகளை MiniMax பரிந்துரைக்கிறது; வெளிப்புறச் சேவைகளுடன் மாதிரியை இணைப்பதற்கான தெளிவான கருவி அழைப்பு வடிவத்தையும் வழங்குகிறது. ஒரே வழங்குநரைச் சார்ந்திருக்கும் நிலை குறித்து கவலைப்படும் அணிகளுக்கு, திறந்த எடைகளும் API-களுடனான தெளிவான இணக்கத்தன்மையும் M2-ஐ மதிப்பீடு செய்ய வலுவான ஊக்கமாக அமைகின்றன. முழுமையாகத் தங்கள் வளாகத்திலேயே வைத்திருக்க விரும்பும் அணிகளுக்கு, M2-ஐத் திறம்பட வழங்குவது மற்றும் வெவ்வேறு துல்லிய அமைப்புகளுக்கேற்ப GPU நினைவகத்தைத் திட்டமிடுவது குறித்து நிறுவனத்தின் ஆவணங்கள் விளக்குகின்றன.

• சொந்தமாக வழங்குவதற்கான எடைகள் வெளியிடப்பட்டுள்ளன; SGLang, vLLM ஆகியவற்றுக்கான வழிகாட்டிகளும் உள்ளன.
• API விலை ஒரு மில்லியன் உள்ளீட்டு டோக்கன்களுக்கு 0.30 டாலர்; ஒரு மில்லியன் வெளியீட்டு டோக்கன்களுக்கு 1.20 டாலர். விளம்பரப்படுத்தப்படும் வேகம் நொடிக்கு சுமார் 100 டோக்கன்கள்.
• கணக்காய்வு மற்றும் பிழைதிருத்தத்துக்கு உதவும் வெளிப்படையான பகுத்தறிவுத் தடங்களுடன், shell-கள், உலாவிகள், தகவல் மீட்டெடுப்பு, குறியீட்டு interpreter-கள் ஆகியவற்றைப் பயன்படுத்தலாம்.
• OpenAI மற்றும் Anthropic பாணி API-களுடனான இணக்கத்தன்மை, ஏற்கெனவே உள்ள செயலிகளுக்கான ஒருங்கிணைப்புப் பணியைக் குறைக்கிறது.

பகுத்தறிவையும் நம்பகமான கருவிச் செயல்பாட்டையும் இணைக்க வேண்டிய மென்பொருள் பொறியியல் copilot-கள், தரவு பகுப்பாய்வு உதவியாளர்கள், வாடிக்கையாளர் ஆதரவு முகவர்கள் ஆகியவற்றுக்கு இந்த அம்சங்கள் M2-ஐ ஈர்ப்பானதாக ஆக்குகின்றன.

போட்டியாளர்களும் மாறிவரும் தரவரிசையும்

MiniMax M2-இன் உயர்வு திறந்த எடையளவு மாதிரிகளின் தரவரிசையை மறுசீரமைத்து, சீனாவிலும் அமெரிக்காவிலும் போட்டியைத் தீவிரப்படுத்துகிறது. Artificial Analysis-இன் Intelligence Index-இல் 61 மதிப்பெண் பெற்று, திறந்த எடையளவு மாதிரிகளில் M2 முதலிடத்தில் உள்ளது. Google-இன் Gemini 2.5 Pro-ஐவிட முன்னிலையில் இருக்கும் இது, பணியைப் பொறுத்து Claude Sonnet 4.5, GPT 5, Grok 4 போன்ற உரிமையாளர் கட்டுப்பாட்டிலான முன்னணி மாதிரிகளுக்குச் சற்றுப் பின்னால் உள்ளது. குறிப்பாக BrowseComp, FinSearchComp global போன்ற முகவர் மதிப்பீடுகளில் இந்த நிலை குறிப்பிடத்தக்கது. அங்கு திட்டமிடுதல், ஆதாரங்களைச் சுட்டுதல், பிழைகளிலிருந்து மீளுதல் ஆகிய M2-இன் திறன், மூடிய அமைப்புகளுடனான இடைவெளியைப் பெருமளவு குறைத்துள்ளது.

சீனாவுக்குள்ளான போட்டி வரைபடமும் மாறி வருகிறது. முன்னணி அளவிலான பயிற்சியிலும் நீண்ட சூழல் கையாளுதலிலும் DeepSeek, Qwen ஆகியவை பல மாதங்களாகச் செய்திகளில் ஆதிக்கம் செலுத்தி வந்த நிலையில், குறைந்த செயல்பாட்டு அளவுருக்களைக் கொண்டிருந்தும் குறைந்த செலவில் ஒப்பிடத்தக்க முகவர், குறியீட்டாக்கச் செயல்திறனை வழங்கும் MiniMax இப்போது கவனம் ஈர்க்கிறது. DeepSeek மிகப் பெரிய மொத்த அளவுரு எண்ணிக்கைகளை ஆராய்ந்துள்ளது; சில அமைப்புகளில் இதனால் நினைவகத் தேவை 700 ஜிகாபைட்டுகளுக்கு அருகில் செல்லலாம். MiniMax-இன் குறைவான செயல்பாட்டு வடிவமைப்பும் கவனமாகத் தேர்ந்த வழங்கல் முறைகளும், பல நடுத்தரச் சந்தை அணிகள் ஏற்கக்கூடிய அளவுக்குத் தேவைகளைக் குறைக்கின்றன. குறிப்பாக FP8 மற்றும் உகந்த ஊகச் செயலாக்கக் கட்டமைப்புகளைப் பயன்படுத்தினால் இது சாத்தியமாகிறது.

விலையும் முக்கியம். MiniMax-இன் டோக்கன் விலை, பெரிய உரிமையாளர் கட்டுப்பாட்டிலான போட்டியாளர்களைவிட பத்து மடங்கு குறைவாக உள்ளது. நூற்றுக்கணக்கான முகவர்களை இயக்கவோ அல்லது பல உருவாக்குநர்கள் நாள் முழுவதும் குறியீட்டு உதவிக் கருவிகளைப் பயன்படுத்தும் வகையில் வைத்திருக்கவோ விரும்பும் நிறுவனங்களுக்கு, இதனால் சோதனைத் திட்டத்திலிருந்து முழு உற்பத்திப் பயன்பாட்டுக்கு மாறுவதற்கான செலவுத் திட்டம் சாத்தியமாகலாம். திறந்த எடைகள் வெளியிடப்பட்டிருப்பதும் மற்றொரு நன்மை. பாதுகாப்பு உணர்வுள்ள நிறுவனங்கள் அவற்றைத் தணிக்கை செய்து, நுணுக்கப் பயிற்சி அளித்து, தங்கள் சொந்தச் சூழல்களில் பயன்படுத்தலாம். அணுகல், செலவு, திறன் ஆகியவற்றின் சேர்க்கை, உயர்ந்த விலையை நம்பியிருக்கும் உரிமையாளர் கட்டுப்பாட்டிலான தளங்களுக்கு நேரடி சவாலாகும்.

வாங்குவோர் கவனிக்க வேண்டியவை

தரப்படுத்தல் சோதனைகள் உதவும் வழிகாட்டிகள்; உத்தரவாதங்கள் அல்ல. Artificial Analysis, கட்டுப்படுத்தப்பட்ட சோதனைச் சூழல்களிலும் நிலையான வினாக்களிலும் மாதிரிகளை மதிப்பிடுகிறது. அவை ஒரு நிறுவனத்தின் துறை அல்லது கருவிகளுடன் முழுமையாகப் பொருந்தாமல் போகலாம். M2-ஐ ஏற்கும் அணிகள், தங்களுக்குப் பொருத்தமான பணிகளில் சொந்த மதிப்பீடுகளை நடத்தி, பயன்படுத்தத் திட்டமிட்டுள்ள உண்மையான கருவிகளுடன் தாமதம், செயலாக்க வேகம், முகவரின் நம்பகத்தன்மை ஆகியவற்றை அளவிட வேண்டும்.

திட்டமிட வேண்டிய செயல்பாட்டு விவரங்களும் உள்ளன. நீண்ட பணிகளில் திட்டங்களும் ஆதாரங்களும் ஒத்திசைவாக இருக்க, மாதிரியின் இடைச்செருகப்பட்ட சிந்தனைத் தடங்களை உரையாடலின் சுற்றுகள் முழுவதும் தக்கவைக்குமாறு MiniMax பரிந்துரைக்கிறது. இந்த வடிவமைப்பு நீளமான வெளியீடுகளையும் பெரிய உரையாடல் வரலாறுகளையும் உருவாக்கலாம். எனவே, உருவாக்குநர்கள் சூழல் சாளரங்களை கவனமாக நிர்வகித்து, தேவையான இடங்களில் அவற்றைக் குறைக்கவோ சுருக்கவோ வேண்டும். அதிகபட்ச செயலாக்க வேகத்தை நாடும் நிறுவனங்கள், வேகம், செலவு, துல்லியம் ஆகியவற்றுக்கிடையே சமநிலையை ஏற்படுத்த அளவுச் சுருக்க அமைப்புகளையும் தொகுதியாகச் செயலாக்கும் முறைகளையும் சோதிக்க வேண்டும்.

இறுதியாக, நிறுவனங்கள் மாற்றியமைக்கக்கூடிய திறந்த எடையளவு அமைப்பாகவே M2 உள்ளது. இதனால் பாதுகாப்பு மற்றும் இணக்கத்துக்கான பொறுப்பு அதிகரிக்கிறது. வெளிப்புற வளங்களையோ முக்கியத் தரவுகளையோ அணுகக்கூடிய எந்தப் பயன்பாட்டிலும், கண்காணிப்பு, கருவி அழைப்புகளுக்கான பாதுகாப்பு வரம்புகள், அணுகல் கட்டுப்பாடுகள் ஆகியவற்றை அணிகள் இணைக்க வேண்டும். முகவர் அமைப்புகளுக்கான இவை வழக்கமான கவலைகள்; இங்கும் அதே ஒழுங்கு அவசியம்.

சுருக்கமாக

• Artificial Analysis Intelligence Index-இல் MiniMax M2, திறந்த எடையளவு மாதிரிகளில் முதலிடத்திலும் ஒட்டுமொத்தமாக உலகின் முன்னணி மாதிரிகளில் ஒன்றாகவும் உள்ளது.
• ஒட்டுமொத்த நுண்ணறிவில் Google-இன் Gemini 2.5 Pro-ஐ மிஞ்சுகிறது; சில பணிகளில் GPT 5, Claude Sonnet 4.5 போன்ற முன்னணி உரிமையாளர் கட்டுப்பாட்டிலான அமைப்புகளைவிடப் பின்தங்குகிறது.
• M2 என்பது சுமார் 230 பில்லியன் மொத்த அளவுருக்களையும், ஒவ்வொரு ஊகச் செயலாக்கத்திலும் 10 பில்லியன் செயல்பாட்டு அளவுருக்களையும் கொண்ட Mixture of Experts மாதிரி. இதனால் தாமதமும் செலவும் குறைகின்றன.
• tau squared Bench, BrowseComp, FinSearchComp global ஆகியவற்றில் வலுவான முடிவுகளுடன், முகவர் செயல்திறன் இதன் சிறப்பம்சமாக உள்ளது.
• SWE Bench பாணிப் பணிகளிலும் Terminal Bench-இலும் குறியீட்டாக்கத் திறன் நிரூபிக்கப்பட்டுள்ளது; இது தொடக்கம் முதல் முடிவு வரையிலான உருவாக்குநர் பணிச்சூழல்களுக்கு உதவுகிறது.
• API விலை ஒரு மில்லியன் உள்ளீட்டு டோக்கன்களுக்கு 0.30 டாலர்; ஒரு மில்லியன் வெளியீட்டு டோக்கன்களுக்கு 1.20 டாலர். வேகம் நொடிக்கு சுமார் 100 டோக்கன்கள்.
• தளர்வான உரிமத்தின் கீழ் முழு எடைகளும் சொந்தமாக வழங்குவதற்குத் திறந்துள்ளன. SGLang, vLLM, பொதுவான API வடிவங்களுடனும் இந்த மாதிரி ஒருங்கிணைகிறது.
• FP8 துல்லியத்தில் குறைந்தது நான்கு NVIDIA H100 GPU-களில் இதை வழங்கலாம்; இதனால் நடுத்தர அளவிலான அணிகளுக்குப் பயன்பாடு எளிதாகிறது.
• போட்டியாளர்களுடன் ஒப்பிடும்போது, DeepSeek V3.2, Moonshot Kimi K2 ஆகியவற்றைவிட M2 குறைவான அளவுருக்களைச் செயல்படுத்துவதால் செயல்திறன் மேம்படுகிறது.
• நிறுவனங்கள் தங்களது சொந்தக் கருவிச் சூழலில் செயல்திறனைச் சரிபார்த்து, நீளமான வெளியீடுகள், சூழல் மேலாண்மை, பாதுகாப்புக் கட்டுப்பாடுகள் ஆகியவற்றுக்குத் திட்டமிட வேண்டும்.