MiniMax-M2.1实测：性能提升4%但响应时间翻倍，成本增加21.6%的深度评测

MiniMax新发布了M2.1版本，相比此前的M2版本，在多个维度实现了性能变化。我们对这两个版本进行了全面的对比评测，测试其在准确率、响应时间、token消耗和成本等关键指标上的表现差异。

MiniMax-M2.1版本表现：
* 测试题数：约1.5万
* 总分（准确率）：63.6%
* 平均耗时（每次调用）：111s
* 平均token（每次调用消耗的token）：3525
* 平均花费（每千次调用的人民币花费）：28.1

1、新旧版本对比

首先对比上个版本（MiniMax-M2），数据如下：

数据来源：ReLE评测https://github.com/jeinlee1991/chinese-llm-benchmark
输出价格是“1元/M token”

• 整体性能提升：新版本准确率从59.6%提升至63.6%，提升了4.0个百分点，排名从第69位上升到第47位。
• 专业能力多领域改进：从细分来看，新版本在多个领域都有提升。其中“金融”领域从65.6%提升至76.7%，增幅达11.1个百分点。“法律与行政公务”从68.7%提升至74.3%，增幅达5.6个百分点。
• Agent能力改进明显：“agent与工具调用”从50.5%提升至55.9%，增幅达5.4个百分点，这与官方强调的agent能力优化相符。
• 医疗与推理能力提升：“医疗与心理健康”从67.3%提升至70.5%（+3.2%），“推理与数学计算能力”从63.3%提升至70.2%（+6.9%），在专业垂直领域获得了性能改进。
• 教育领域提升明显：“教育”从34.1%提升至40.0%，增幅达5.9个百分点，但绝对分数仍处于较低水平。
• 语言理解能力下降：值得注意的是，“语言与指令遵从”从65.7%下降至62.5%，下降3.2个百分点，是唯一出现性能下降的领域，表明在整体性能提升过程中存在一定的权衡。
• 响应时间显著延长：新版本的平均耗时为111s，比MiniMax-M2的56s慢了约98%，响应时间几乎翻倍，这是为了获得更高准确率而做出的速度牺牲。
• Token消耗与成本增加：每次调用平均消耗的token从2931增加至3525，增幅达20.3%。输出价格维持在8.4元/M token不变，但由于token消耗增加，每千次调用的实测费用从23.1元上升至28.1元，成本增加约21.6%。

2、对比其他模型

在当前主流大模型竞争格局中，MiniMax-M2.1表现如何？我们选择了具有代表性的模型进行横向对比分析（本评测侧重中文场景，模型在其他语言和专业领域的表现可能有所不同）：

*数据来源：ReLE评测https://github.com/jeinlee1991/chinese-llm-benchmark

同成本档位对比

• 接近30元档位：MiniMax-M2.1以28.1元的实测成本处于30元档位附近，与qwen-plus-think-2025-12-01（27.1元）和gpt-5-2025-08-07（31.9元）形成竞争。在这个成本档位段，MiniMax-M2.1的63.6%准确率明显低于前者的64.2%，也低于后者的68.9%。
• 速度劣势明显：与同成本档位段模型相比，MiniMax-M2.1的111s响应时间明显慢于qwen-plus-think-2025-12-01（85s）和gpt-5-2025-08-07（72s），在用户体验上处于不利地位。
• Token效率偏低：3525的平均token消耗在对比模型中处于较高水平，明显高于gpt-5-2025-08-07（630）和gpt-5.2-medium（922），反映出在推理效率上仍有优化空间。

新旧模型对比

• MiniMax产品线迭代情况：MiniMax-M2.1相比MiniMax-M2准确率提升4.0个百分点，排名从69位上升至47位，实现了排名提升，但在绝对分数上仍处于中下游水平。
• 与竞品最新版本对比：对比同时期发布的新模型，如GLM-4.7（71.5%，52.5元）、gemini-3-flash-preview（71.5%，53.5元）等，MiniMax-M2.1在准确率上有明显差距，但成本相对较低。
• 开源模型竞争态势：在开源模型阵营中，DeepSeek-V3.2-Think（70.9%，144s）、DeepSeek-V3.2-Exp-Think（70.1%，248s）等模型的准确率明显高于MiniMax-M2.1，但MiniMax-M2.1在响应速度上相对更快。

开源VS闭源对比

• 开源模型定位：MiniMax-M2.1作为开源模型，排名第47位，在开源阵营中处于中游位置，落后于DeepSeek、GLM等主要开源竞品。
• 与闭源模型差距：相比同准确率段的闭源商用模型，如qwen-plus-think-2025-12-01（64.2%，商用）、qwen3-max-2025-09-23（66.8%，商用），MiniMax-M2.1在准确率上略有不足，但开源特性使其在可定制性和部署灵活性上有所优势。
• 成本对比分析：与高准确率的商用模型相比，如gemini-3-pro-preview（72.5%，247.3元），MiniMax-M2.1的成本优势明显（28.1元），但准确率差距达8.9个百分点。
• 开源生态贡献：MiniMax-M2.1的开源为编程agent场景提供了新的选择，特别是在agent能力提升明显的情况下，可能更适合需要工具调用和多步骤任务处理的场景。

3、官方评测

根据MiniMax官方博客（https://www.minimax.io/news/minimax-m21）披露，MiniMax-M2.1在多项编程相关基准测试中实现了性能提升：

多语言编程能力提升

• Multi-SWE-Bench突破：MiniMax-M2.1在Multi-SWE-Bench测试中达到49.4%，超越了Claude Sonnet 4.5和Gemini 1.5 Pro等主流商用模型，展现出在多语言编程场景下的竞争力。
• SWE-bench Verified表现：在SWE-bench Verified测试中，MiniMax-M2.1取得74.0%的成绩，略高于DeepSeek V3.2（73.1%）和Kimi K2（71.3%），但与Claude Sonnet 4.5的性能接近。
• SWE-bench Multilingual优势：在SWE-bench Multilingual测试中，MiniMax-M2.1达到72.5%，官方特别强调其在多语言代码处理方面的能力，包括Rust、Java、Golang、C++、Kotlin、Objective-C、TypeScript、JavaScript等语言。
• Terminal-bench 2.0改进：相比MiniMax-M2，MiniMax-M2.1在Terminal-bench 2.0上取得了提升，展现出在命令行任务处理方面的能力增强。

VIBE全栈开发基准

• 新型评测标准：MiniMax建立了VIBE（Visual & Interactive Benchmark for Execution）基准测试，包含Web、Simulation、Android、iOS和Backend五个子集，采用Agent-as-a-Verifier范式自动评估生成应用的交互逻辑和视觉美学。

• 全栈开发能力：MiniMax-M2.1在VIBE综合基准测试中取得88.6的平均分，展现出较强的全栈开发能力。特别是在VIBE-Web（91.5）和VIBE-Android（89.7）子集中表现突出。

• UI质量提升：官方强调MiniMax-M2.1在UI生成质量上的进步，能够产生更简洁、现代的网页设计，在布局、配色和组件样式上更符合当代审美。在原生Android和iOS开发能力上也有显著增强，这被认为是行业普遍的薄弱环节。

Agent能力与综合智能

• 工具使用能力稳步改进：MiniMax-M2.1在Toolathlon和BrowseComp等长周期工具使用基准测试中相比MiniMax-M2展现出稳定提升，与我们测试中agent能力提升最为明显的结论一致。
• 综合智能指标：在Artificial Analysis汇总的综合智能指标中，MiniMax-M2.1相比MiniMax-M2在数学、科学、指令遵循、编程和agent工具使用等维度都有提升。
• 复合指令约束执行：官方特别强调MiniMax-M2.1在“复合指令约束”执行能力上的提升，这对办公场景具有实用价值。模型不仅关注代码执行正确性，还能整合执行来自System Prompts、用户查询、Memory、工具模式以及Agents.md、Claude.md、Skill.md等规范的组合指令。

关注“鲸栖”小程序，掌握最新AI资讯