MiniMax M2.5全面评测：中文场景性能跃升，Agent能力暴涨10.6%，成本效率比显著优化

MiniMax在春节假期前发布了MiniMax M2.5新版本。官方表示，该模型经过数十万个真实复杂环境中的大规模强化学习训练，在编程、工具调用和搜索、办公等生产力场景达到了行业前沿水平。我们对MiniMax M2.5与上一代MiniMax M2.1进行了全面的中文场景对比评测，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。

本次评测侧重中文综合能力场景，涵盖教育、医疗、金融、法律、推理与数学计算、语言与指令遵从、Agent工具调用等维度。而MiniMax官方重点强调的编程、复杂搜索和办公等Agentic场景能力，受限于本次评测体系的覆盖范围，可能未能充分体现其真实优势。

MiniMax M2.5版本表现：
* 测试题数：约1.5万
* 总分（准确率）：65.7%
* 平均耗时（每次调用）：53s
* 平均token（每次调用消耗的token）：3307
* 平均花费（每千次调用的人民币花费）：26.3

1、新旧版本对比

首先对比上个版本（MiniMax-M2.1），数据如下：

数据来源：非线智能ReLE评测 https://github.com/jeinlee1991/chinese-llm-benchmark
输出价格单位：元/百万token

• 整体性能稳步提升：新版本准确率从63.6%提升至65.7%，增幅2.1个百分点，排名从第57位跃升至第41位，提升了16个名次。
• 响应速度大幅优化：每次调用的平均耗时从111s缩短至53s，提升了约52%，用户体验明显改善。这与官方宣称的“比M2.1完成任务速度快37%”相呼应。
• Token效率小幅改善：每次调用平均消耗的token从3525降至3307，减少约6.2%，说明新版本在推理过程中的token利用效率有所优化。
• 成本略有下降：每千次调用的费用从28.1元降至26.3元，下降约6.4%，虽然幅度不大，但结合响应速度的大幅提升，整体成本效率比有所改善。
• 专业领域表现分化：从细分来看，新版本在多数领域都有提升，其中“医疗与心理健康”提升显著，从70.5%提升至73.7%（+3.2%）；“法律与行政公务”从74.3%提升至77.0%（+2.7%）；“教育”从40.0%提升至42.3%（+2.3%）。
• Agent能力显著增强：值得关注的是，“Agent与工具调用”能力从55.9%大幅提升至66.5%，增幅达10.6个百分点，这与官方强调的Agentic场景优化方向一致，也印证了模型在工具使用和任务拆解方面的进步。
• 部分领域有所回调：新版本在“金融”领域从76.7%下降至71.2%（-5.5%），“语言与指令遵从”也从62.5%下降至59.0%（-3.5%），表明在整体优化过程中存在一定的能力权衡。

2、对比其他模型

在当前主流大模型竞争格局中，MiniMax M2.5表现如何？我们从同成本档位、新旧版本迭代、开源与闭源三个维度进行横向对比分析（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：非线智能ReLE评测 https://github.com/jeinlee1991/chinese-llm-benchmark

同成本档位对比：

• 成本区间定位：MiniMax M2.5以26.3元/千次的成本处于中低成本区间。与成本相近的qwen3-235b-a22b-thinking-2507（61.2元）相比，MiniMax M2.5成本更低且准确率略高（65.7% vs 65.5%，几乎持平）。
• 成本效率比较好：对比同档位的其他模型，gpt-5.2-high（94.1元）准确率为67.4%，gpt-5-2025-08-07（31.9元）准确率为68.9%，MiniMax M2.5在成本控制方面具有一定优势。
• 速度优势明显：53s的响应时间在同档位模型中表现优异，明显快于qwen3-235b-a22b-thinking-2507（143s）、Kimi-K2-Thinking（333s）等模型。

新旧版本迭代对比：

• 版本升级成效显著：从MiniMax M2.1到MiniMax M2.5，排名从第57位提升至第41位，准确率提升2.1个百分点，响应速度提升52%，整体进步明显。
• 迭代速度行业领先：官方表示在过去108天内连续发布了M2、M2.1和M2.5三个版本，模型能力持续快速迭代，这一进步速度在行业中较为突出。
• 与同期新模型对比：相比其他近期发布的新版本，如doubao-seed-1-8-251215（71.7%）、GLM-4.7（71.5%）、ERNIE-5.0（70.9%），MiniMax M2.5的65.7%准确率存在一定差距，说明在中文综合能力维度仍有提升空间。

开源与闭源对比：

• 闭源模型定位：MiniMax M2.5作为商用闭源模型，与同为闭源的doubao-seed-1-8-251215（71.7%）、gemini-3-pro-preview（72.5%）相比，准确率存在5-7个百分点的差距。
• 开源模型竞争：对比开源模型如DeepSeek-V3.2-Think（70.9%）、DeepSeek-R1-0528（65.9%），MiniMax M2.5与后者水平相当，但成本（26.3元 vs 48元）更具优势。
• 独特优势领域：虽然在中文综合准确率上表现中等，但MiniMax M2.5在Agent工具调用（66.5%）方面表现突出，这一特点符合官方“为Agent时代而生”的产品定位。

3、官方评测

根据MiniMax官方（https://minimaxi.com/news/minimax-m25）发布的评测数据，MiniMax M2.5在多项国际权威基准测试中取得了亮眼成绩：

编程能力：

在编程的核心测试中，M2.5相比于上一代模型有了显著提升，达到了跟Claude Opus系列类似的水平。在多语言相关的任务Multi-SWE-Bench上，M2.5更是达到了第一。

官方表示M2.5具备“像架构师一样思考和构建”的能力，模型演化出了原生Spec行为：在动手写代码前，以架构师视角主动拆解功能、结构和UI设计，实现完整的前期规划。

M2.5在超过10种编程语言（包括GO、C、C++、TS、Rust、Kotlin、Python、Java、JS、PHP、Lua、Dart、Ruby）和数十万个真实环境中进行了训练，能够胜任从0-1系统设计到90-100完备测试的全流程。

为了更精准地衡量这一能力，官方将VIBE基准升级为难度更高、更具挑战性的Pro版本，显著提升了任务复杂度、领域覆盖面及评估准确性。综合评测显示，M2.5与Opus 4.5表现旗鼓相当。

搜索和工具调用：

在BrowseComp、Wide Search等权威榜单中，M2.5均达到了行业顶尖水平。同时，模型的泛化能力进一步增强，即便面对陌生的脚手架环境，表现依然稳定。

在专家级真实搜索任务中，使用搜索引擎往往只是第一步，更多工作在于对专业网页内容的深度挖掘。为此，官方构建了RISE (Realistic Interactive Search Evaluation)评测集，专门用于衡量模型在真实专业任务上的搜索与探索能力。结果证实，M2.5在此类任务中表现卓越。

在BrowseComp、Wide Search及RISE等多项测试中，M2.5均以更少的轮次消耗取得了更好的结果——相比M2.1节省了约20%的轮次。这说明模型不再仅仅是“做对”题目，而是找到了通往结果的最简路径。

办公场景：

官方与金融、法律、社会科学等领域的资深从业者合作，将行业隐性知识融入模型训练，使其在Word、PPT、Excel金融建模等办公高阶场景中实现了显著的能力提升。

在内部GDPval-MM评测框架中，M2.5与主流模型对比取得了59.0%的平均胜率。

效率与成本

• 资源消耗与速度：在SWE-Bench Verified评测中，M2.5平均每个任务消耗3.52M token，较M2.1的3.72M有所减少。其端到端运行时间从平均31.3分钟缩短至22.8分钟，速度提升37%，与Claude Opus 4.6的22.9分钟基本持平。
• 使用成本：官方强调M2.5是“首个无需顾虑使用成本、可无限使用的前沿模型”。在每秒输出100 token的情况下，连续工作一小时仅需1美元；每秒输出50 token时，成本则降至0.3美元。

关注“鲸栖”小程序，掌握最新AI资讯