bash
建议先装 huggingface_hub
pip install -U "huggingface_hub[cli]"
国内网络可以先挂镜像，速度会快一个数量级
export HF_ENDPOINT=https://hf-mirror.com
把权重拉到本地（M2 差不多几百 GB，提前看好磁盘）
huggingface-cli download MiniMaxAI/MiniMax-M2 \ --local-dir ./MiniMax-M2 \ --resume-download
拉完之后用 vLLM 起服务，官方模型卡里给了推荐的启动参数，大致是这样：
pip install "vllm>=0.10.2"
注意：具体并行度和参数以模型卡最新说明为准
vllm serve ./MiniMax-M2 \ --tensor-parallel-size 8 \ --max-model-len 131072 \ --tool-call-parser minimax_m2 \ --reasoning-parser minimax_m2 \ --port 8000
起完就是一个 OpenAI 兼容的端点，`http://localhost:8000/v1` 直接接现有代码。
但这里必须泼一盆冷水。 我在帮一个客户做私有化方案评估时实测过，M2 用 BF16 全精度部署，基本要 8 张 80G 卡才跑得舒服；量化到 FP8 之后 4 卡能凑合，代价是吞吐掉得比较明显。M1 因为总参 456B，门槛更高，单机基本别想。所以「下载权重」这四个字听起来轻巧，背后是几十万的硬件投入和一套完整的运维能力——它属于大模型推理的工程范畴，不是下载完双击安装那么回事。
对绝大多数团队来说，权重下载的意义在于微调和深度定制；如果你只是想让大模型跑起来用，第三条路更划算。
路径三：API 接入，这才是大多数人要的答案
坦白讲，如果你的需求是「用上 MiniMax」，最省事的做法是什么都不下载。
国内开发者去 platform.minimaxi.com 注册，海外开发者走 platform.minimax.io，创建 API Key、充值、调用，全程不超过十分钟。两个站点的账号体系和 Key 是互相独立的，这点坑过不少人——拿国内站申请的 Key 去调海外端点，只会收到 401。
接一段 Python 代码，感受一下流程：
import os import requests
先把 Key 放进环境变量，别硬编码在代码里
API_KEY = os.environ["MINIMAX_API_KEY"] URL = "https://api.minimaxi.com/v1/text/chatcompletion_v2"
payload = { "model": "MiniMax-M2", "messages": [ {"role": "system", "content": "你是一个严谨的中文技术助手。"}, {"role": "user", "content": "用三句话说明大模型推理中 KV Cache 的作用。"}, ], "temperature": 0.6, "stream": False, }
resp = requests.post( URL, headers={ "Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json", }, json=payload, timeout=60, ) resp.raise_for_status()
取回复正文
print(resp.json()["choices"][0]["message"]["content"])
接口是 OpenAI 风格的 `chat/completions` 变体，从别的模型迁移过来，改的主要是 base_url、model 名和鉴权头，业务代码几乎不用动。对做多模态大模型应用的团队来说，MiniMax 的价值在于图、文、音、视频都在同一个平台里，语音这条线尤其能打——它的 Speech-02 系列在 2025 年 5 月登顶过 Artificial Analysis 的 Speech Arena 榜单，做实时语音 Agent 的团队值得单独试试。
想横向看看国产大模型还有哪些同类入口和服务形态，可以先翻翻 VergeX 的 AI 工具导航，把各家平台的定位和收费模式摆在一起对比，比一个个去搜要快得多。
踩坑记录与选型建议
聊几个我和周围人真实踩过的坑。
第一，不要在任何第三方下载站装所谓「MINIMAX 客户端」。 这种站点通常寄生在「XXX官网下载」这类搜索词上，装完给你塞浏览器主页和全家桶。真正的官方分发渠道只有官网、应用商店和 Hugging Face 三处。
第二，别把权重下载当成部署完成。 磁盘、显存、分布式推理框架、Tokenizer 兼容性，每一环都能卡住你。我见过一个团队花了三天才把 tokenizer 的配置对齐，模型加载成功那一刻，负责部署的同学直接在群里发了张啤酒图。
第三，国内和海外平台要提前选好。 主体、支付方式、可用模型清单、合规要求都不一样，中途迁移成本不低。面向国内用户做产品，老老实实用国内站。
至于选型，我个人的判断是这样：做 C 端产品和内容创作，直接下载海螺AI 客户端就够；做企业级应用集成，走开放平台 API，把工程精力花在提示词和业务流程上，而不是显卡上；只有当你有明确的数据不出域要求，或者要在大模型训练 / 微调层面做深度定制，才值得考虑下载权重自建推理集群。
关键要点速览
- **MINIMAX官网下载没有单一的「官方安装包」**，它对应客户端、开源权重、开放平台三条独立路径。
- **客户端认准 hailuoai.com 和应用商店**，官方不提供 exe 直链，凡是给直链的下载站都要警惕。
- **权重在 huggingface.co/MiniMaxAI**，M2 为 230B 总参 / 10B 激活，本地部署建议 8 卡 80G 起步。
- **API 入口分国内（platform.minimaxi.com）和海外（platform.minimax.io）**，两套账号与 Key 互不通用。
- 绝大多数场景下，接 API 的性价比远高于自己下载权重部署。
相关推荐
- **阅读相关专题**：在 VergeX 站内检索「国产大模型」专题，可以看到 MiniMax、DeepSeek、Kimi、通义等在开源策略与 API 定价上的横向对比。
- **查看工具推荐**：[VergeX AI工具导航](https://nav.vergex.cn) 收录了国内外主流大模型的官方入口、文档地址与免费额度信息，帮你一次找对门，不用再和下载站斗智斗勇。
- **订阅更新**：VergeX 会持续跟进国产大模型的版本迭代与部署实践，想第一时间收到新模型的开源与上手评测，可以订阅站点的邮件或微信推送。