MiniMax M2 erzielt laut Artificial Analysis den bisher höchsten Intelligence-Index-Wert unter allen Open-Weights-Modellen bei nur 10 Milliarden aktiven Parametern pro Inferenzschritt bei insgesamt 200 Milliarden Parametern. Für Unternehmen, die KI-Modelle über APIs skalieren, ist die Anzahl aktiver Parameter ein direkter Kostentreiber. M2 benötigt mit 10B aktiven Parametern deutlich weniger Rechenleistung als Konkurrenten wie DeepSeek V3.2 (37B aktiv) oder Qwen3 235B (22B aktiv) und lässt sich bereits auf vier H100-GPUs bei FP8-Präzision betreiben. Gleichzeitig zeigt M2 besondere Stärken bei agentischen Anwendungsfällen wie Tool-Use und Instruction-Following, was es für automatisierte Enterprise-Workflows attraktiv macht.

MiniMax M2: Höchster Intelligence-Index unter Open-Weights-Modellen bei minimalem Rechenaufwand

Der chinesische KI-Anbieter MiniMax hat mit seinem Modell M2 laut der Benchmark-Plattform Artificial Analysis den bislang höchsten Intelligence-Index-Score erreicht, der für ein Open-Weights-Modell gemessen wurde. Bemerkenswert ist dabei die Architekturentscheidung: Obwohl M2 insgesamt 200 Milliarden Parameter umfasst, werden je Inferenzschritt nur 10 Milliarden Parameter aktiv genutzt. Das macht das Modell zu einem der sparsamsten Schwergewichte im aktuellen Marktumfeld.

Einordnung: Was die Architektur für den Betrieb bedeutet

Die Kennzahl “aktive Parameter pro Forward Pass” ist für Unternehmen, die Modelle selbst hosten oder über APIs beziehen, entscheidend für die Betriebskosten. Zum Vergleich: DeepSeek V3.2 kommt laut Artificial Analysis auf 671 Milliarden Gesamtparameter und 37 Milliarden aktive Parameter, Qwen3 235B auf 235 Milliarden Gesamtparameter und 22 Milliarden aktive Parameter. M2 aktiviert mit 10 Milliarden also deutlich weniger als beide Konkurrenten.

Praktisch bedeutet das: M2 lässt sich nach Angaben von Artificial Analysis auf vier H100-GPUs im FP8-Format betreiben. Das senkt die Einstiegshürde für On-Premise-Deployments erheblich, ohne auf ein Modell der Spitzenklasse verzichten zu müssen.

Stärken und Grenzen: Agentic Use Cases im Fokus

Artificial Analysis identifiziert als Kernstärken von M2 die Bereiche Tool Use und Instruction Following, gemessen unter anderem über die Benchmarks Tau2 Bench und IFBench. Das Modell dürfte sich laut der Analyse besonders für agentenbasierte Anwendungen eignen, also für automatisierte Workflows, bei denen Modelle eigenständig Werkzeuge aufrufen und mehrstufige Anweisungen ausführen.

Für generalistischere Aufgaben hingegen können Open-Weights-Alternativen wie DeepSeek V3.2 oder Qwen3 235B laut Artificial Analysis weiterhin vorn liegen. Entscheider sollten den konkreten Anwendungsfall also vor der Modellwahl klar definieren.

Zudem ist M2 ein reines Textmodell. Multimodale Fähigkeiten, etwa die Verarbeitung von Bildern, bieten im Open-Weights-Segment derzeit Alibabas Qwen3-VL-Modelle, die Artificial Analysis als führend in dieser Kategorie einstuft.

Praktische Implikationen für Unternehmen

1. Hardware-Planung: Wer M2 selbst betreiben möchte, kann mit vier H100s in FP8-Konfiguration starten. Das ist für Enterprise-Verhältnisse ein vergleichsweise überschaubarer Footprint, der sich in bestehende GPU-Cluster integrieren lässt.

2. Kostenvergleich vor API-Auswahl: Wer Modelle über externe APIs bezieht, sollte Benchmark-Plattformen wie Artificial Analysis nutzen, um Intelligence-Score, Geschwindigkeit und Kosten nebeneinanderzustellen. Ein hoher Intelligence-Index allein sagt nichts über den Preis pro Token oder die Latenz aus.

3. Anwendungsfall-Matching: M2 ist nach aktuellem Befund keine Universallösung. Unternehmen mit agentenbasierten Pipelines, etwa für automatisierte Recherche, Code-Generierung in Workflows oder strukturierte Datenextraktion, können von den Stärken in Tool Use und Instruction Following profitieren. Für Aufgaben mit hohem Bedarf an Weltwissen oder Kreativtext können andere Modelle besser abschneiden.

4. Open Weights als strategische Option: Die Verfügbarkeit von M2 als Open-Weights-Modell erlaubt Fine-Tuning und vollständige Datenkontrolle. Gerade für regulierte Branchen wie Finanzdienstleistungen oder Gesundheitswesen kann das gegenüber proprietären API-Modellen ein relevanter Faktor sein.

Marktkontext: Muster bei chinesischen KI-Labs

Artificial Analysis weist darauf hin, dass M2 Teil eines erkennbaren Musters ist: Mehrere chinesische KI-Labore veröffentlichen derzeit Open-Weights-Modelle mit ausgeprägtem Fokus auf agentenbasierte Fähigkeiten. Das lässt auf einen starken Einsatz von Reinforcement Learning im Post-Training schließen, also auf eine gezielte Ausrichtung der Modelle auf präzises Befolgen von Anweisungen und den Umgang mit externen Werkzeugen.

Quellen

• MiniMax M2 Benchmarks & Analysis, Artificial Analysis
• LLM Model Comparison via Artificial Analysis API, GitHub (alexfazio/artificial-analysis-compare)

Häufige Fragen

Was ist der Artificial Analysis Intelligence Index und wie wird er berechnet?

Der Artificial Analysis Intelligence Index ist eine zusammengesetzte Kennzahl, die die Leistung von Sprachmodellen über mehrere Benchmarks hinweg aggregiert. Er erfasst Fähigkeiten wie Codierung, Mathematik, Instruktionsbefolgung und Tool-Nutzung. Modelle wie MiniMax M2 werden anhand dieses Index mit anderen führenden Open-Weights-Modellen wie DeepSeek V3.2 und Qwen3 235B verglichen. MiniMax M2 erzielte laut Artificial Analysis den bislang höchsten Intelligence-Index-Score unter allen Open-Weights-Modellen.

Wie unterscheidet sich MiniMax M2 in der Effizienz von anderen führenden Open-Weights-Modellen?

MiniMax M2 verwendet eine Mixture-of-Experts-Architektur mit 200 Milliarden Gesamtparametern, aktiviert pro Inferenzschritt jedoch nur 10 Milliarden Parameter. Zum Vergleich: DeepSeek V3.2 hat 671 Milliarden Gesamtparameter bei 37 Milliarden aktiven Parametern, Qwen3 235B aktiviert 22 Milliarden von 235 Milliarden. Diese Sparsamkeit erlaubt es, M2 bereits auf vier H100-GPUs im FP8-Betrieb auszuführen, was die Infrastrukturkosten für den produktiven Einsatz im Unternehmensumfeld erheblich senkt.

Für welche Unternehmensanwendungen ist MiniMax M2 laut den Benchmarks besonders geeignet?

Laut der Analyse von Artificial Analysis liegen die Stärken von MiniMax M2 klar im agentischen Bereich: Tool-Nutzung und Instruktionsbefolgung, gemessen durch Benchmarks wie Tau2 Bench und IFBench. Das Modell eignet sich damit besonders für automatisierte Workflows, KI-Agenten und prozessgesteuerte Unternehmensanwendungen. Bei generalistischen Aufgaben können andere Open-Weights-Modelle wie DeepSeek V3.2 oder Qwen3 235B im Vergleich Vorteile aufweisen.

Wie lassen sich verschiedene LLMs hinsichtlich Kosten und Geschwindigkeit systematisch vergleichen?

Artificial Analysis stellt eine API sowie ein öffentliches Analyse-Portal bereit, über das Kennzahlen zu Intelligenz, Codierung, Mathematik, Latenz, Durchsatz und Kosten modellübergreifend abgerufen werden können. Modelle wie GPT-5, Claude, Gemini und Open-Weights-Alternativen sind dort direkt vergleichbar. Für einen strukturierten Einstieg in den API-basierten Vergleich existieren auch quelloffene Tools, die diese Daten programmatisch aufbereiten und in Tabellenform ausgeben.

Unterstützt MiniMax M2 multimodale Eingaben wie Bilder oder Dokumente?

Nein. MiniMax M2 ist laut Artificial Analysis ein reines Textmodell. Im Bereich multimodaler Open-Weights-Modelle führt derzeit Alibabas Qwen3 VL. Unternehmen, die sowohl Text- als auch Bildverarbeitung in einer einzigen Modellinfrastruktur benötigen, sollten diesen Umstand bei der Modellauswahl berücksichtigen und gegebenenfalls multimodale Alternativen evaluieren.

Dieser Artikel wurde von einem KI-System automatisiert erstellt. Kennzeichnung gemäß Art. 50 der EU-KI-Verordnung.