minimax code是什么？我拿它写了三天代码后的答案

上周组里新来的实习生问我："minimax code是什么？是不是类似 Cursor 的那种编辑器？"我愣了一下才反应过来——这个词在中文技术圈已经有点被用混了。

有人指的是 MiniMax 这家公司的编程模型，有人以为是个新的 AI 代码工具，还有人直接联想到算法课上学过的 minimax 博弈搜索。三个答案都不算错，但指向的东西差得很远。而搜索引擎不会帮你区分，它只会把所有结果堆在一起。

这篇我想把这件事捋清楚：minimax code 到底是什么、它的技术底子在哪、以及你该怎么把它接进自己的开发流程。下面这些内容里有相当一部分来自我上个月的实际使用，不是照着官方文档抄的。

核心结论先给：minimax code 在当前语境下，通常指 MiniMax（稀宇科技）面向代码生成与 Agent 任务的大模型能力，核心载体是 2025 年 10 月开源的 MiniMax-M2，以及配套的 API 和编程订阅套餐。它不是一个独立的 IDE 插件，也不是博弈论里的 minimax 算法。

minimax code是什么？先分清三层含义

说实话，这个歧义真不怪用户。"minimax"这个词本身就横跨了两个毫无关系的领域，一个是中国的 AI 公司，一个是计算机科学里的经典算法。搞清楚你搜的是哪一层，后面才不会白费功夫。

第一层：MiniMax 的代码模型能力（最常见）

MiniMax 全称稀宇科技，2021 年成立，是国内最早一批做大模型的公司，产品线覆盖文本、语音、视频（海螺 AI）等多个模态。它跟"code"直接相关的，是 2025 年的 M 系列模型：

• **MiniMax-M1**：2025 年 6 月开源，总参数 456B，激活 45.9B，支持 100 万 token 上下文，主打长上下文推理，用了 Lightning Attention 的混合架构。
• **MiniMax-M2**：2025 年 10 月 27 日开源，总参数 230B，激活仅 10B，明确把 coding 和 agentic 任务作为第一目标。

真正让"minimax code"这个说法流行起来的是 M2。它的思路很直白——用 10B 的激活参数去挑战别人几百 B 的模型，用速度和价格换市场。这个策略在国产大模型里算是相当激进的。

第二层：API 与编程订阅套餐

绝大多数人实际要用的，是这一层。MiniMax 开放平台提供 OpenAI 兼容的接口，你把 base_url 一换、模型名一填，原来跑 GPT 的代码基本不用改。同时还推出了面向编程场景的订阅套餐（Coding Plan），月费明显低于同类的海外产品。

所以如果你听到同事说"我用 minimax code 写代码"，他八成是在说这个套餐，而不是某个软件。

第三层：那个经典的 minimax 算法

如果你是在刷算法题或者上博弈论课时看到这个词，那就是另一回事了。Minimax 算法是零和博弈里的经典搜索策略：假设对手永远走最优解，然后选择让"最坏情况最好"的那一步。井字棋、五子棋、国际象棋引擎的早期版本都靠它。

minimax + alpha-beta 剪枝的极简骨架，用于井字棋一类的零和博弈

def minimax(state, depth, alpha, beta, is_max): if state.is_terminal() or depth == 0: return state.evaluate() # 到达叶子节点，返回局面估值

if is_max: best = float("-inf") for move in state.legal_moves(): best = max(best, minimax(state.apply(move), depth - 1, alpha, beta, False)) alpha = max(alpha, best) # 更新下界 if beta

这段代码跟大模型没有任何关系。之所以专门写出来，是因为我见过不止一次有人把两者搞混，然后在 MiniMax 官网翻半天找不到 API 文档。搜索"minimax code是什么"的时候，先确认自己站在哪一层。

M2 凭什么在代码任务上跑得这么快

它跑得快，核心原因是稀疏激活。

230B 总参数听起来很吓人，但每次前向推理只激活其中约 10B。你可以把它想成一个 230 人的专家团队，每次开会只叫 10 个人进来——能力储备是全市最大的，但每次的算力开销只按 10 个人的规模算。这是 MoE（混合专家）架构的典型玩法，MiniMax 不是第一个做的，但把激活比例压到 4% 左右的，M2 确实算激进。

根据 MiniMax 官方开源仓库和模型卡公布的数据（2025 年 10 月），M2 在 SWE-bench Verified 上的解决率约为 69.4%，在 Terminal-Bench 上约为 46.3%。这两个基准测的都是"真实代码仓库里的问题修复"和"终端环境下的多步操作"，不是那种玩具级的函数补全。放到开源模型里，这个成绩属于第一梯队。

不过话说回来，稀疏激活也有代价。模型对训练数据分布更敏感，遇到特别冷门的领域（比如某些老旧的工业协议栈）时，表现会明显下滑。我拿它改一个内部 DSL 的解析器时就踩过这个坑——生成的第一版代码看着挺像样，但把两个语法规则搞混了。

另一个值得说的点是交错思考（interleaved thinking）。M2 支持在多次工具调用之间插入推理步骤，这对写代码特别关键。一个要动五个文件的 PR，靠一次生成是搞不定的，必须能"改一步、看一眼测试结果、再决定下一步"。

实际接入：三行代码换掉你的后端

我在自己的一个副项目里把默认模型从 GPT 换成了 M2，改动量小到有点意外。因为接口是 OpenAI 兼容的，只换 base_url 和模型名就行：

依赖：pip install openai

from openai import OpenAI

client = OpenAI( api_key="你的_MiniMax_API_KEY", # 到 MiniMax 开放平台申请 base_url="https://api.minimaxi.com/v1" # 具体地址以官方文档为准，国际站域名不同 )

resp = client.chat.completions.create( model="MiniMax-M2", # 指定 M2 模型 messages=[ {"role": "system", "content": "你是一个严谨的代码助手，输出前先自查边界条件"}, {"role": "user", "content": "写一个带超时和指数退避重试的 HTTP 客户端封装"} ], temperature=0.2, # 代码任务把温度压低，减少随机性 )

print(resp.choices[0].message.content)

惊喜的地方是速度和成本。同样的重构任务，M2 的响应明显比之前用的模型快，价格更是低了一个数量级——官方定价大约是输入 0.3 美元、输出 1.2 美元每百万 token（发布时定价，具体以官网为准）。对我这种自费跑副项目的人，这点很重要。

不太满意的地方是它对项目上下文的把握。你如果只贴一个函数进去让它改，它改得挺好；但如果你期望它理解整个仓库的分层架构，还差得远。我的做法是把相关的接口定义和调用方一起塞进 prompt，效果会好很多，代价是 token 消耗上去了。

坦白讲，它现在还没到能替代我日常主力工具的程度，但在"批量、低风险、模式化"的任务上，我已经默认交给它了。

M1 还是 M2？别选错型号

这两个模型经常被搞混，其实定位完全不同。根据官方公开信息整理如下：

| 对比项 | MiniMax-M1 | MiniMax-M2 | | --- | --- | --- | | 发布时间 | 2025 年 6 月 | 2025 年 10 月 | | 总参数 | 456B | 230B | | 激活参数 | 45.9B | 约 10B | | 上下文长度 | 100 万 token | 约 20 万 token | | 主打方向 | 长上下文推理 | 代码生成与 Agent | | 权重开放 | 是 | 是 |

选型逻辑很简单：要读几十万字的文档、做长链推理，用 M1；要写代码、跑多步工具调用，用 M2。 拿 M2 去做整本技术手册的问答，属于用错工具。

顺便提一句，MiniMax 的多模态大模型能力走的是另一条产品线（语音、视频生成），跟代码场景基本不重叠，别混着看。

三个我踩过的坑

第一个坑是把它当成一个软件来找。 它不是 Cursor，也不是 Copilot，它没有官方 IDE。你要么通过 API 自己接，要么用支持自定义 base_url 的第三方客户端。我在 VergeX AI 工具导航 上翻了一圈才理清哪些客户端支持改接口地址。

第二个坑是"开源 = 本地能跑"。 权重是开放的没错，但 230B 总参数即便量化后也远超消费级显卡的承受范围。想本地部署的话，先算算显存账单。

第三个坑是期望值错位。 它便宜、快、在标准基准上成绩漂亮，但这不等于它在你的私有代码库里也这么好用。先拿一个小模块试两周，再决定要不要铺开。

写在最后

回到最初那个问题——minimax code是什么？它不是某个突然冒出来的新工具，而是国产大模型在代码场景上的一次集中发力。M2 用稀疏激活把推理成本压下来，用 agentic 能力去够真实工程任务的门槛，这套组合拳的思路是清晰的。

我的判断是：短期内它不会取代你手里的主力编程助手，但作为"第二引擎"——处理批量重构、写测试、生成 commit message 这类活儿——它的性价比目前很难被忽视。大模型训练成本还在往上走，谁能把推理价格压住，谁就能拿到更多开发者的默认选项。

关键要点速览：

1. minimax code 通常指 MiniMax 公司的代码模型能力，核心是 2025 年 10 月开源的 MiniMax-M2，不是编辑器也不是博弈算法。
2. M2 采用 MoE 稀疏激活，230B 总参数仅激活约 10B，官方数据显示 SWE-bench Verified 解决率约 69.4%。
3. 接入成本极低，OpenAI 兼容接口，换 base_url 和模型名即可迁移。
4. 选型上：长文档推理用 M1，写代码和跑 Agent 用 M2。
5. 建议先在小模块上试两周，再考虑接入主流程。

下一步行动建议： 如果你手上正好有一个重复性高的重构任务，这周就可以申请一个 API key，用上面的代码跑通一次，拿真实结果而不是别人的评测榜单来做判断。

相关推荐

• **阅读相关专题**：想系统了解国产大模型的代码能力对比与选型思路，可以继续浏览 VergeX 的大模型专题，我们对 M 系列、Qwen 系列和 DeepSeek 系列都做过实测。
• **查看工具推荐**：需要找支持自定义 base_url 的 AI 编程客户端？访问 [VergeX AI 工具导航](https://nav.vergex.cn)，按"代码助手"分类筛选即可。
• **订阅更新**：VergeX 会持续跟踪 MiniMax、DeepSeek 等国产模型的版本迭代与价格变动，欢迎通过邮件或微信订阅，新模型发布当天推送实测结果。

延伸阅读：

• [MiniMax 官方开源仓库与模型卡（GitHub）](https://github.com/MiniMax-AI)
• [MiniMax 开放平台 API 文档](https://platform.minimaxi.com)
• [VergeX AI 工具导航](https://nav.vergex.cn)