Le modèle d’IA MiniMax M2 dépasse celui de Google DeepMind

Un nouveau leader parmi les modèles à poids ouverts

MiniMax, une jeune start-up chinoise spécialisée dans l’IA, en forte croissance et soutenue par d’importants investisseurs locaux, a lancé son grand modèle de langage M2 et s’est hissée dans le peloton de tête des classements mondiaux des systèmes à poids ouverts. Des évaluations indépendantes placent MiniMax M2 au premier rang des modèles à poids ouverts de l’Artificial Analysis Intelligence Index. Ses performances dépassent celles de Gemini 2.5 Pro de Google DeepMind et s’approchent de celles des meilleurs systèmes propriétaires américains. L’entreprise a conçu M2 pour deux usages très demandés, la génération de code et l’utilisation d’outils par des agents, puis l’a optimisé et tarifé pour la vitesse afin d’attirer les développeurs et les entreprises qui veulent réduire leurs coûts sans renoncer aux capacités.

Le fil conducteur technique est l’efficacité. MiniMax M2 repose sur une architecture de mélange d’experts (Mixture of Experts) qui dirige chaque entrée vers un sous-ensemble de neurones du modèle. Environ 10 milliards de paramètres sont ainsi actifs à la fois, alors que la capacité totale du modèle est bien supérieure. Ce choix réduit la latence et les besoins en mémoire GPU sans vider le modèle de ses capacités de raisonnement. L’API de MiniMax affiche des tarifs particulièrement bas, à 0.30 dollar par million de jetons en entrée et 1.20 dollar par million de jetons en sortie, soit environ 8 % du tarif de Claude 3.5 Sonnet d’Anthropic, selon la comparaison de l’entreprise. L’équipe annonce également un débit d’inférence proche de 100 jetons par seconde. Les poids complets du modèle sont disponibles sous une licence permissive et peuvent être téléchargés pour un hébergement autonome : les équipes peuvent ainsi affiner M2 et le déployer en interne comme elles le souhaitent.

La scène chinoise des modèles à poids ouverts a connu une forte accélération cette année, avec DeepSeek, Qwen d’Alibaba, Moonshot AI et d’autres acteurs qui repoussent les limites du contexte long et du raisonnement. La place de MiniMax en tête du classement compte, car M2 répond à des besoins pour lesquels les entreprises dépensent réellement : automatiser l’assistance, la recherche et le développement grâce à des agents capables d’utiliser des outils, de consulter le Web, d’interroger des données internes, d’exécuter du code et de vérifier leurs résultats. Cette combinaison de capacités, de faible coût et de licence transparente a fait de M2 le nouveau modèle de référence de l’IA à poids ouverts.

Quel est le niveau de ses performances ?

Artificial Analysis rassemble des tests exigeants en mathématiques, en sciences, en suivi d’instructions, en programmation et en tâches agentiques pour établir un Intelligence Index unique. Dans sa dernière version, MiniMax M2 obtient un score de 61, ce qui en fait le modèle à poids ouverts le plus performant et l’un des meilleurs modèles toutes catégories confondues. Il devance Gemini 2.5 Pro et se rapproche de Claude Sonnet 4.5 d’Anthropic dans plusieurs tâches de programmation et d’agentique, tout en restant derrière les systèmes les plus récents de la classe des modèles de pointe, comme GPT 5 et Grok de xAI. Pour de nombreux développeurs, c’est un compromis idéal : ils bénéficient de capacités proches de celles des meilleurs modèles sans leurs coûts ni leur dépendance à un fournisseur.

Des performances agentiques proches des meilleurs modèles

Les évaluations agentiques mesurent la capacité d’un modèle à planifier, appeler des outils, lire les résultats, s’adapter et vérifier les conclusions au fil de tâches en plusieurs étapes. M2 se distingue particulièrement sur ce terrain. MiniMax annonce de bons scores sur des suites de tests axées sur les agents, notamment 77.2 sur tau squared Bench, 44.0 sur BrowseComp et 65.5 sur FinSearchComp global. Ces tests couvrent la navigation et les citations, la recherche d’informations financières, ainsi que la planification et la reprise après un échec. En pratique, un agent propulsé par M2 peut élaborer un plan, exécuter des commandes shell, rechercher et lire des sources, faire appel à un interpréteur pour tester du code, corriger des erreurs et présenter des éléments vérifiables, sans intervention humaine constante.

Tests de programmation et de raisonnement

MiniMax a conçu M2 pour accompagner les développeurs de bout en bout : le modèle modifie plusieurs fichiers, compile, teste et corrige le code de manière itérative. Sur des tâches de type SWE Bench et Terminal Bench, il se montre capable de travailler dans de véritables dépôts et des environnements en ligne de commande, dans différents langages. La vue d’ensemble d’Artificial Analysis, qui prend également en compte des tests de connaissances et de raisonnement comme GPQA Diamond et AIME, indique que les capacités de programmation de M2 ne se font pas au détriment de son intelligence générale. Pour les organisations qui cherchent un assistant aussi à l’aise avec les tâches de développement logiciel qu’avec la recherche, c’est la régularité de ses performances dans ces domaines qui fait la différence.

L’architecture en bref

M2 est un modèle clairsemé à mélange d’experts. Au lieu de faire passer chaque jeton dans toutes les parties d’un immense réseau, une porte apprise sélectionne quelques sous-réseaux experts à activer pour chaque entrée. La documentation de MiniMax décrit un modèle d’environ 230 milliards de paramètres au total, dont 10 milliards sont activés à chaque inférence. De premiers rapports faisaient état de 200 milliards de paramètres au total, mais les pages techniques et la fiche du modèle de l’entreprise précisent cette capacité totale supérieure, avec le même budget de 10 milliards de paramètres actifs. L’avantage est évident : le modèle offre l’étendue des connaissances et la spécialisation d’un système de très grande taille, tout en affichant des coûts d’inférence plus proches de ceux d’un modèle dense de 10 milliards de paramètres.

Cette efficacité se retrouve dans les besoins matériels. MiniMax et des évaluateurs tiers indiquent qu’il est possible de faire fonctionner le modèle dans des conditions pratiques avec seulement quatre GPU NVIDIA H100, en précision FP8, ce qui rend M2 accessible à des équipes d’ingénierie de taille moyenne. Certains concurrents maintiennent bien davantage de paramètres actifs. La version récente V3.2 de DeepSeek en active environ 37 milliards par jeton et Kimi K2 de Moonshot AI près de 32 milliards, ce qui augmente l’empreinte mémoire et réduit le débit. L’empreinte d’activation plus faible de M2 contribue également à réduire la latence de queue et à améliorer la gestion de la concurrence, deux casse-tête opérationnels pour les outils interactifs et les agents.

Conception agentique et utilisation des outils

MiniMax a conçu M2 pour raisonner, agir et vérifier ses résultats de façon itérative, puis a rendu cette capacité accessible au moyen d’un guide d’appel d’outils qui connecte le modèle aux shells, aux navigateurs, aux systèmes de recherche d’information et aux environnements d’exécution du code. L’entreprise met en avant des traces de raisonnement visibles, présentées dans un format où réflexion et actions sont entrelacées. Au fil des échanges, l’assistant conserve le contexte de planification et la chaîne des éléments probants, ce qui l’aide à se remettre de données incomplètes ou d’étapes infructueuses, tout en permettant aux développeurs d’auditer ses décisions. Cette approche vise à rendre les tâches de longue durée plus fiables et plus faciles à déboguer.

MiniMax intègre également étroitement M2 aux environnements de développement courants. Le modèle fonctionne bien avec les frameworks d’inférence populaires SGLang et vLLM et prend en charge les formats de requête utilisés par OpenAI et Anthropic. Les équipes peuvent ainsi remplacer leur modèle par M2 en ne modifiant que peu de code, puis faire évoluer le service selon leurs besoins. Pour ceux qui développent un copilote interne ou un agent destiné à la production, cette intégration simplifiée est précieuse.

MiniMax a présenté ce lancement sous l’angle de sa mission et de l’accès à l’IA. L’entreprise a déclaré vouloir rendre l’intelligence avancée accessible au plus grand nombre, et pas seulement à ceux qui peuvent se permettre des modèles propriétaires haut de gamme.

Depuis ses débuts, MiniMax poursuit la vision d’une “intelligence accessible à tous”.

Dans la fiche publique du modèle, l’équipe a souligné l’importance accordée aux agents et à l’efficacité.

MiniMax-M2 redéfinit l’efficacité des agents.

MiniMax propose un service d’agents propulsé par M2, avec deux modes. Le mode Lightning diffuse des réponses instantanées aux questions simples. Le mode Pro prend en charge les tâches complexes et plus longues, comme la recherche, l’extraction de données ou la programmation en plusieurs étapes. Cette distinction reflète le fonctionnement réel des équipes, qui alternent entre des réponses rapides et des projets de longue haleine où le modèle doit planifier, exécuter et vérifier son travail de bout en bout.

Accès, licence et tarifs

M2 est proposé dans des conditions particulièrement ouvertes pour un système de ce niveau. MiniMax a publié les poids complets sous une licence permissive et mis à disposition des guides de déploiement. Les développeurs peuvent télécharger le dépôt sur des plateformes comme Hugging Face, lancer l’inférence en local avec SGLang ou vLLM et affiner le modèle pour des domaines spécifiques. MiniMax propose également une API à un tarif par jeton très faible et avec un débit de diffusion élevé. L’entreprise a aussi annoncé des périodes d’accès gratuit limité à son application Agent et à son API.

Parmi les détails pratiques importants pour les acheteurs figurent la prise en charge des appels de fonctions structurés, le traitement de contextes longs et une utilisation fiable des outils. MiniMax recommande des paramètres d’échantillonnage courants et fournit un schéma clair d’appel d’outils pour connecter le modèle à des services externes. Pour les équipes soucieuses de ne pas dépendre d’un fournisseur, l’association de poids ouverts et d’une API compatible sans difficulté est une raison de plus d’évaluer M2. Les équipes qui souhaitent héberger le modèle entièrement sur leurs propres infrastructures trouveront dans la documentation de l’entreprise des explications sur son déploiement efficace et le dimensionnement de la mémoire GPU selon les différents niveaux de précision.

• Les poids sont publiés pour un hébergement autonome, avec des guides pour SGLang et vLLM.
• L’API coûte 0.30 dollar par million de jetons en entrée et 1.20 dollar par million de jetons en sortie, pour des vitesses annoncées proches de 100 jetons par seconde.
• L’utilisation des outils couvre les shells, les navigateurs, la recherche d’information et les interpréteurs de code. Les traces de raisonnement visibles facilitent l’audit et le débogage.
• La compatibilité avec les API de type OpenAI et Anthropic réduit le travail d’intégration dans les applications existantes.

Ces choix font de M2 un outil intéressant pour les copilotes de développement logiciel, les assistants d’analyse de données et les agents de service client qui doivent associer raisonnement et exécution fiable des outils.

Concurrents et évolution du classement

La progression de MiniMax M2 bouleverse le classement des modèles à poids ouverts et intensifie la concurrence entre la Chine et les États-Unis. Artificial Analysis place M2 au premier rang des modèles à poids ouverts, avec un Intelligence Index de 61, devant Gemini 2.5 Pro de Google et juste derrière des modèles propriétaires de premier plan comme Claude Sonnet 4.5, GPT 5 et Grok 4, selon les tâches. Cette position est particulièrement remarquable dans les évaluations agentiques telles que BrowseComp et FinSearchComp global, où la capacité de M2 à planifier, à citer des éléments probants et à se remettre d’erreurs a considérablement réduit l’écart avec les systèmes propriétaires.

Le paysage concurrentiel évolue également en Chine. Alors que DeepSeek et Qwen font la une depuis des mois grâce à des entraînements à l’échelle des modèles de pointe et à de longs contextes, MiniMax attire désormais l’attention avec un budget d’activation plus faible, pour des performances comparables en agentique et en programmation à moindre coût. DeepSeek a exploré des modèles comptant un nombre colossal de paramètres au total, qui peuvent nécessiter près de 700 gigaoctets de mémoire dans certaines configurations. L’activation clairsemée de MiniMax et ses méthodes de déploiement soigneusement optimisées limitent les besoins matériels à un cluster abordable pour de nombreuses équipes de taille intermédiaire, surtout avec la précision FP8 et des frameworks d’inférence optimisés.

Le prix compte également. Les tarifs par jeton de MiniMax sont dix fois inférieurs à ceux de grands concurrents propriétaires. Pour les entreprises qui souhaitent faire fonctionner des centaines d’agents ou laisser des outils d’assistance au développement ouverts toute la journée à la disposition de nombreux développeurs, cela peut permettre de passer d’un projet pilote à un déploiement en production. La publication des poids ouverts constitue un autre levier : les entreprises soumises à des exigences de sécurité strictes peuvent auditer le modèle, l’affiner et le déployer dans leurs propres environnements. Cette combinaison d’accessibilité, de coût et de capacités représente un défi direct pour les plateformes propriétaires qui pratiquent des tarifs élevés.

Points de vigilance pour les acheteurs

Les résultats aux tests sont des indicateurs utiles, pas des garanties. Artificial Analysis évalue les modèles avec des bancs de test contrôlés et des invites fixes, qui ne reflètent pas nécessairement le domaine ou les outils d’une entreprise. Les équipes qui adoptent M2 devraient réaliser leurs propres évaluations sur des tâches représentatives et mesurer la latence, le débit et la fiabilité des agents avec les outils qu’elles comptent réellement utiliser.

Certains détails opérationnels doivent également être anticipés. MiniMax recommande de conserver les traces de raisonnement entrelacées du modèle au fil des échanges, afin de maintenir des plans cohérents et une chaîne de preuves pour les tâches longues. Cette conception peut produire des réponses détaillées et des historiques de conversation plus volumineux. Les développeurs doivent donc gérer soigneusement les fenêtres de contexte et, si possible, les réduire ou les résumer. Les organisations qui visent un débit maximal devraient également tester les paramètres de quantification et les stratégies de traitement par lots afin de trouver le bon équilibre entre vitesse, coût et précision.

Enfin, M2 reste un système à poids ouverts que les organisations peuvent modifier, ce qui accroît leur responsabilité en matière de sécurité et de conformité. Les équipes devront ajouter des mécanismes de surveillance, des garde-fous pour les appels d’outils et des contrôles d’accès à tout déploiement pouvant accéder à des ressources externes ou à des données sensibles. Ce sont des préoccupations courantes pour les systèmes agentiques, et la même rigueur s’impose ici.

En bref

• MiniMax M2 est le modèle à poids ouverts le mieux classé dans l’Artificial Analysis Intelligence Index et figure parmi les meilleurs modèles au monde toutes catégories confondues.
• Il dépasse Gemini 2.5 Pro de Google au classement général de l’intelligence, mais reste derrière des systèmes propriétaires de pointe comme GPT 5 et Claude Sonnet 4.5 dans certaines tâches.
• M2 est un modèle à mélange d’experts qui compte environ 230 milliards de paramètres au total, dont 10 milliards sont actifs à chaque inférence, ce qui réduit la latence et les coûts.
• Ses performances agentiques sont un point fort, avec de bons résultats sur tau squared Bench, BrowseComp et FinSearchComp global.
• Ses capacités de programmation sont confirmées par des tâches de type SWE Bench et Terminal Bench, qui couvrent des processus de développement de bout en bout.
• L’API coûte 0.30 dollar par million de jetons en entrée et 1.20 dollar par million de jetons en sortie, pour une vitesse proche de 100 jetons par seconde.
• Les poids complets, publiés sous licence permissive, sont ouverts à l’hébergement autonome. Le modèle est compatible avec SGLang, vLLM et les formats d’API courants.
• Le déploiement est possible avec seulement quatre GPU NVIDIA H100 en précision FP8, ce qui facilite l’adoption par des équipes de taille moyenne.
• Par rapport à ses concurrents, M2 active moins de paramètres que V3.2 de DeepSeek et Kimi K2 de Moonshot, ce qui améliore son efficacité.
• Les entreprises devraient valider ses performances sur leurs propres outils et anticiper la longueur des réponses, la gestion du contexte et les contrôles de sécurité.