MiniMax code能力排行怎样？拆开三大榜单看真实水平
上周三晚上，一个做后端的朋友在微信上甩给我一张截图，问：MiniMax 的 code 能力排行到底怎么样，值不值得把团队里的 Cursor 换掉省点钱？我当时没直接回答，因为这个问题问得其实有点含糊——"排行"是个什么东西？是 LMArena 那种人类盲测投票，还是 SWE-bench 那种跑真实 GitHub issue 的硬指标？两者能差出十万八千里。
所以我把过去两周自己跑的数据、官方报告和第三方榜单翻了一遍，写成这篇东西。核心结论先放这里：MiniMax 的代码能力在全球第一梯队里属于"性价比型选手"，绝对上限打不过 Claude Sonnet 4.5，但在 SWE-bench Verified 这类真实软件工程任务上，它用不到十分之一的推理成本跑出了接近的分数。
MiniMax code能力排行怎样，先搞清楚榜单在测什么
讨论 rank 之前得先对齐口径，因为不同榜单测的根本不是同一件事，混着看必然得出荒谬结论。
代码能力评测大致分四类。第一类是函数级补全，代表是 HumanEval 和 MBPP，给个函数签名让你补完，题目短、无依赖、答案唯一。第二类是仓库级修复，代表是 SWE-bench Verified，从真实开源项目里挑出已合并的 PR，让模型在完整代码库里定位并修复 bug。第三类是多轮 Agent 任务，比如 Terminal-Bench，模型要自己敲命令、装依赖、看报错再调整。第四类是人类偏好盲测，LMArena 的 WebDev Arena 就是让真人对着两个模型生成的前端页面投票。
坦白讲，如果你的目标是"帮我把公司项目里那个祖传模块重构一下"，那你该看的是第二类和第三类，而不是 HumanEval。第一类分数早就饱和了，2025 年还在拿 HumanEval 说事的宣传稿我基本直接跳过。
| 评测类型 | 代表榜单 | 考察重点 | 对实际开发的参考价值 | |---|---|---|---| | 函数级补全 | HumanEval / MBPP | 单函数正确性 | 低（已饱和） | | 仓库级修复 | SWE-bench Verified | 真实 issue 定位与修复 | 高 | | 多轮 Agent | Terminal-Bench / τ²-bench | 工具调用与自我纠错 | 高 | | 人类盲测 | WebDev Arena (LMArena) | 前端页面主观质量 | 中 |
从 M1 到 M2：10B 激活参数是怎么挤进第一梯队的
2025 年 10 月底发布的 MiniMax M2 是这个问题的核心答案。它的参数量结构很有意思：总参数 230B，但每次推理只激活约 10B——典型的大模型训练里的 MoE 稀疏激活路线。
这个设计带来的直接后果是推理成本骤降。根据 MiniMax 官方发布说明（2025 年 10 月），M2 的 API 定价大致在输入每百万 token 0.3 美元、输出每百万 token 1.2 美元这个区间，具体以官网为准。
技术上有两个点值得拆：
一是交错思考（Interleaved Thinking）。 M2 在每次工具调用之间会插入一段思考，而不是把所有推理压在最前面。这和早期 ReAct 那种"想一次、做一串"的模式不一样。我在实测中发现，处理那种需要反复试错的调试任务时，这种机制确实更抗漂移——它不会在第 5 轮工具调用之后忘记自己最初要干什么。
二是训练数据的重心偏移。 M1 是 456B 总参数、45.9B 激活的"全能型"模型，1M 上下文是它的卖点。到了 M2，激活参数砍到四分之一以下，多模态能力也被剥离了，明显是把训练预算集中砸在代码和 Agent 轨迹上。这是国产大模型里少见的"做减法"决策，我个人挺认可这个取舍——什么都要的模型，最后往往什么都不精。
| 维度 | MiniMax-M1 | MiniMax M2 | |---|---|---| | 发布 | 2025 年 6 月 | 2025 年 10 月 | | 总参数 / 激活参数 | 456B / 45.9B | 230B / 约 10B | | 上下文长度 | 1M token | 204.8K token | | 主打方向 | 长上下文推理 | Agentic Coding | | SWE-bench Verified | 约 69%（官方） | 约 69.4%（官方） |
数据来源：MiniMax 官方技术报告与发布博客。注意这是厂商自报口径，和 SWE-bench 官方 leaderboard 上的第三方复现结果可能存在差异——这是我判断榜单时最看重的一条经验。
三大榜单上的真实位置
SWE-bench Verified 是分量最重的一栏。 根据各厂商官方公布数据：Claude Sonnet 4.5 约 77.2%（Anthropic，2025 年 9 月）、GPT-5 约 74.9%（OpenAI，2025 年 8 月）、MiniMax M2 约 69.4%（MiniMax，2025 年 10 月）、Gemini 2.5 Pro 约 63.8%（Google，2025 年 5 月）。差距是实打实的，M2 落后 Sonnet 4.5 接近 8 个百分点。
但换个角度：这 8 个百分点要花多少钱换？我按官方定价粗算过一笔账，跑完同样一批 200 个 issue 修复任务，M2 的 token 账单大约是 Sonnet 4.5 的十分之一量级。对于 CI 里跑的批量代码审查、 nightly 依赖升级这类"量大但容错率高"的场景，这个性价比是压倒性的。
Terminal-Bench 上 M2 报的是 46.3%，这个数字在开源模型里算是第一梯队，但和闭源头部比仍有距离。
WebDev Arena 这类人类盲测榜单上，M2 一度进入过前十，和 Claude、GPT 系列的名字出现在同一张表里。这个榜单我持保留态度——真人投票受 UI 审美偏好影响很大，一个用了 Tailwind 的漂亮页面很容易赢过功能更完整但长得朴素的版本。
我在真实项目里试了三天
说点具体的。我手上有个内部工具项目，用的是老掉牙的 Flask + jQuery，需求是把用户上传的 CSV 校验逻辑从视图层抽出来做成独立服务。
第一天我用 M2 走了完整流程：扔给它仓库结构、指出要改的文件、让它自己跑 pytest。结果它确实定位对了三处耦合点，但第一次改动引入了循环导入。有意思的是它自己发现报错了，第二轮把 import 挪进函数内部解决掉。这个"自己发现自己搞砸了"的能力，比单纯修对更让我意外。
第二天我故意给了个刁钻任务：让它读一段没有注释的 300 行 pandas 链式调用，解释业务含义。它给出的解释有大约七成是对的，剩下三成在某个 merge 的方向上搞反了——这种细微的方向性错误其实挺危险，因为它解释得头头是道，你不仔细核对根本看不出来。
第三天我换成前端任务，让它用 React 重写一个表格筛选组件。生成的代码质量比后端任务明显弱一档，状态管理写得比较啰嗦，也没考虑防抖。
调用方式很简单，官方兼容 OpenAI 接口协议：
from openai import OpenAI
MiniMax 提供 OpenAI 兼容接口，可直接复用现有 SDK
client = OpenAI( api_key="YOUR_MINIMAX_API_KEY", base_url="https://api.minimaxi.com/v1", # 国内站；海外站为 https://api.minimax.io/v1 )
resp = client.chat.completions.create( model="MiniMax-M2", messages=[ {"role": "system", "content": "你是严谨的代码审查助手，只指出确凿的问题。"}, {"role": "user", "content": "审查以下函数，指出潜在的并发安全问题：\n..."}, ], temperature=1.0, # 官方推荐值，调低反而容易陷入重复 )
print(resp.choices[0].message.content)
想看更多同类模型的横向对比数据，可以参考我们整理过的国产大模型技术雷达专题，那边按季度更新。
接入路径和成本估算
如果你决定试，三条路：
- **直接用 API**，适合已有自己 Agent 框架的团队，改动量最小
- **接进 Cline / Roo Code 这类开源编码插件**，填 API Key 就能用，适合个人开发者
- **自部署开源权重**，M2 是开源的，但对显存要求不低，除非你有明确的合规需求，否则我不建议走这条
成本上，我建议先用一个月时间跑影子模式：让 M2 和现有工具并行处理同类任务，人工抽检结果差异。别一上来就切，这是我踩过的坑。
别急着 all in：几个真实的短板
我立场很明确——M2 不是万能解。
上下文窗口从 1M 缩到 204.8K 是个实际损失。 如果你经常要处理超大 monorepo，这个限制会咬人。
前端生成能力明显弱于后端。 视觉审美这块，Claude 系列仍然是我首选。
第三方复现数据还不够多。 厂商自报分数和独立复现之间有差距是常态，M2 发布还不到一个月，我期待看到更多来自 SWE-bench 官方提交榜的独立数据。
多模态缺失。 如果你需要模型看设计稿写代码，M2 目前做不了这个，得回头看 MiniMax 自家的多模态大模型产品线。
给不同角色的落地建议
个人开发者：把它当主力编码助手的平替来试，先跑两周，重点观察长任务下的稳定性。
团队技术负责人：从低风险场景切入，比如代码审查、日志分析、单测补全，别一上来就让它改核心链路。
做 Agent 产品的团队：M2 的交错思考机制值得研究，它的工具调用轨迹结构比其他开源模型干净，适合做二次开发。
学习者：别只盯分数。把 SWE-bench 上几个失败案例下载下来自己跑一遍，比看十篇解读文章收获都大。
关键要点速览
- **MiniMax code能力排行怎样？** 在 SWE-bench Verified 上约 69.4%（官方口径），处于全球第一梯队靠后位置，落后 Claude Sonnet 4.5 约 8 个百分点
- **M2 的核心优势是成本**，230B 总参数 / 约 10B 激活的 MoE 结构让推理开销比同级模型低一个数量级
- **后端任务强于前端任务**，长任务连续性和自我纠错是亮点
- **上下文 204.8K**，超大仓库场景需要额外处理
- **判断榜单时优先看第三方复现**，厂商自报分数需要交叉验证
相关推荐
- **延伸阅读**：[VergeX 国产大模型技术雷达专题](https://vergex.cn/topics/domestic-llm)，追踪各家模型季度更新与实测数据
- **工具导航**：[VergeX AI 工具导航](https://nav.vergex.cn)，收录编码助手、Agent 框架、模型 API 聚合平台等实用工具
- **订阅更新**：关注 VergeX 邮件订阅或微信公众号，每周收到一份前沿模型实测报告