12 月 23 日，MiniMax 正式对外发布其新一代旗舰级 Coding & Agent 模型 MiniMax M2.1。
与许多大模型发布会执着于罗列通用知识得分不同，M2.1 这次把所有的聚光灯都打在了“编程”与“智能体”这两个关键词上，官方定位直言不讳：为真实世界的复杂任务而生。显然，这不仅仅是一次常规的版本迭代，更像是 MiniMax 在向市场展示其作为 AI 原生公司的技术底牌：一个在内部已驱动自身高效研发的“AI 工程师”，现在正式对外开放。
在核心的编程性能上，M2.1 展现出显著的多语言能力突破。根据官方披露的 Multi-SWE-bench 等多语言软件工程基准测试结果，模型以仅 100 亿的激活参数量，在涵盖 Rust、Java、Golang、C++、Kotlin 等语言的综合评测中取得领先成绩，甚至以微弱优势超越 GPT-5.2，并在部分指标上逼近 Claude Opus 4.5。这标志着 M2.1 已突破以往 AI 模型常见的Python “偏科”局限，能够更成熟地处理企业级、系统级的跨语言代码库维护与重构任务。
尤其值得关注的是，M2.1 在视觉与交互维度的能力进化。为更贴近真实开发场景，MiniMax 全新构建并开源了 VIBE（Visual & Interactive Benchmark for Execution）基准，从纯代码正确性评估延伸至对应用界面美学、交互逻辑及跨平台一致性的综合考核——简单来说，它开始评估 AI 做出的应用在”好用“的同时是否”好看“。在这套贴近真实开发的测试中，M2.1 取得了平均 88.6 的高分，尤其在开发环境复杂的 Android 子项上表现突出。这意味着模型已初步具备从设计稿到高保真代码的转化能力，为前端与移动端开发者提供了更高可用性的 AI 辅助工具。
302.AI 现已接入 MiniMax M2.1 API，在上一期的实测文章《智谱压轴力作 GLM-4.7 实测：从基准刷榜到任务交付，稳坐开源第一》中我们针对国产开源 SOTA 模型 GLM-4.7 展开了实测分析，本期我们将把 GLM-4.7 纳入对比，深入探索这两款国产开源模型之间的性能差异。
I. 实测模型基础信息
(1) The price of each real model at 302.AI:
| 模型名称 | 上下文 | clarification | 302.AI内的价格 |
| MiniMax-M2.1 | 1000000 | 输入：$0.3/ 1M tokens输出：$1.2/ 1M tokens | |
| GLM-4.7 | 200000 | 输入[0, 32k]，输出[0, 0.2k] | 输入：$0.286/ 1M tokens 输出：$1.142/ 1M tokens |
| 输入[0, 32k],输出[0.2k+] | 输入：$0.43/ 1M tokens 输出：$2/ 1M tokens | ||
| 输入[32k, 200k] | 输入：$0.572/ 1M tokens 输出：$2.29/ 1M tokens |
(2) Purpose of the assessment:
本评测侧重模型对逻辑，数学，编程，人类直觉等问题的测试，非专业前沿领域的权威测试。旨在观察对比模型的进化趋势，提供选型参考。
(3) Measurement methods:
本次测评使用302.AI收录的题库进行独立测试。3款模型分别就逻辑与数学（共10题），人类直觉（共7题）以及编程模拟（共12题）进行案例测试，对应记分规则取最终结果，下文选取代表性案例进行展示。
题库地址：https://docs.google.com/spreadsheets/d/1sBxs60yWsxc9I5Va8Rjc1_le1Omg2hOXbwqOzpImZio/edit?gid=0#gid=0
💡Scoring Rules:
Points are scored out of 10, with corresponding deductions set, and the final average of each round's score is taken.
(4) Assessment tools:
II. 测试结果总览
302.AI 题库测试结果：
302.AI 多模态模型测评分数总榜单：
III. 案例展示
案例 1：音乐播放网站
帮我开发一个音乐播放网站，需要以下功能：
1. 专辑展示页面
- 轮播形式展示6张专辑
- 每张专辑显示：封面、歌手、专辑名称
- 鼠标悬停时有放大效果
2. 音乐播放界面
- 点击专辑后进入播放页面
- 包含播放器控件（播放/暂停、上一首、下一首、进度条、音量控制）
- 当前播放歌曲信息展示
- 播放列表显示
3. 设计要求
- 现代简洁风格，深色主题
- 响应式设计，适配手机和电脑
- 平滑的动画过渡效果MiniMax M2.1 完整实现核心需求。专辑卡片自动轮播、鼠标悬停有悬浮放大效果；不足之处在于色彩方案相对保守，缺乏视觉层次感。
GLM-4.7 完整实现核心需求，细节上更胜一筹。导航栏、播放器采用毛玻璃效果，添加了播放时的音浪图标等细节。
| 测评点 | MiniMax M2.1 | GLM-4.7 |
| 功能完整性 | ★★★★★ | ★★★★★ |
| 视觉效果 | ★★★ | ★★★★ |
| 交互体验 | ★★★ | ★★★★ |
案例 2：网页小游戏
做一个像素风的跑酷小游戏MiniMax M2.1 完整实现核心需求，所有元素绘制在视觉上都更统一，而缺陷在于交互体验较平淡，奖励收集配置与弹跳高度的物理逻辑不够契合。
GLM-4.7 完整实现核心需求，视觉表现力和游戏内容相对来说更丰富。
优势项：
- 游戏机制更丰富：背景元素、障碍物类型更丰富，细节处理较佳
- 用户体验更完善：游戏分数、金币收集信息清晰显示，有难度递增变化
| 测评点 | MiniMax M2.1 | GLM-4.7 |
| 功能完整性 | ★★★★★ | ★★★★★ |
| 视觉效果 | ★★★ | ★★★★ |
| 交互体验 | ★★★ | ★★★★ |
案例 3：点餐小程序
我想开发一个模拟咖啡点餐的小程序，请帮我完成以下任务：
**一、项目概述**
- 类型：微信小程序（或 H5 网页应用）
- 目标用户：咖啡店顾客
- 核心功能：浏览咖啡菜单、自定义选项、加入购物车、模拟下单
**二、功能需求**
1. **菜单页面**
- 分类展示（意式咖啡、手冲、茶饮、甜品）
- 每项商品需包含：图片、名称、描述、价格、热门标签
- 点击可进入商品详情页
2. **自定义选项**
- 咖啡规格：杯型（中/大/超大）、温度（冰/热）、甜度、加料（浓缩、奶、糖浆）
- 根据选择实时计算总价
3. **购物车与订单**
- 添加商品到购物车，显示数量和小计
- 模拟下单流程（无需真实支付）
- 生成订单确认页，显示订单号、商品清单、总价、取餐码
4. **交互反馈**
- 加入购物车时弹出气泡提示音效（类似聊天气泡“噗”声）
- 按钮点击动效和状态反馈
**三、界面与设计**
- 风格：简约现代，以咖啡色系为主
- 布局：底部导航栏（首页、菜单、购物车、我的订单）
- 适配移动端，确保交互流畅
**四、技术要求**
- 使用 HTML/CSS/JavaScript（若 H5）或微信小程序语法
- 数据用 JSON 本地模拟即可，无需后端
- 代码结构清晰，注释关键逻辑
**五、输出要求**
请提供：
1. 完整的项目代码结构
2. 核心页面的代码（至少包含菜单页、商品详情页、购物车页）
3. 简单的样式设计
4. 交互提示（如音效调用方法、价格计算逻辑）MiniMax M2.1 完整实现核心需求。
优势项：
- 界面模块化整合（功能板块区分更明显，更符合使用习惯）
- 创新细节处理（加购和下单有气泡提示、音效反馈、下单成功弹窗等交互细节）
GLM-4.7 完整实现核心需求。
优势项：
- 界面交互视觉性更细节（按钮点击、缩放、阴影等细节处理）
- 代码结构优秀（常量与变量分离，注释详细，更适合维护）
| 测评点 | MiniMax M2.1 | GLM-4.7 |
| 功能完整性 | ★★★★★ | ★★★★★ |
| 视觉效果 | ★★★★★ | ★★★★★ |
| 交互体验 | ★★★★ | ★★★ |
案例 4：3D场景原型
核心需求： 用Three.js制作一个日式禅意庭院3D场景，包含所有代码的一个HTML文件。
场景包含：
建筑：木亭（方柱+圆柱组合）、沙地（带细微纹路）、石水钵、鹅卵石小径
植物：2-3棵简化樱花树（锥体+球体组合），有飘落花瓣
氛围：月光方向光、灯笼点光源、淡雾、可调日夜循环
动画：水面波动、花瓣飘落
交互：鼠标旋转缩放视角，dat.GUI调整参数
要求： 用内置几何体，代码简洁直接运行。MiniMax M2.1 基本实现核心需求。相对简单的三维构建，运行流畅。比 GLM 来说，增加了灯笼和水面的光效控制，但氛围和技术实现相对基础。
GLM 4.7 完整实现核心需求。高效渲染，图形元素、纹理和动画都更为细致，完整的光照系统与高效粒子系统增添了氛围实现。
| 测评点 | MiniMax M2.1 | GLM-4.7 |
| 功能完整性 | ★★★★ | ★★★★ |
| 视觉效果 | ★★★ | ★★★★ |
| 交互体验 | ★★★ | ★★★★ |
IV. MiniMax M2.1 模型实测结论
本轮实测结果总览：
通过模型的实测表现，不难看出，MiniMax M2.1 与 GLM‑4.7 几乎代表了当前国产开源模型在“智能体”与“创造力”两个维度上的顶尖水准。二者综合得分相近，并非简单的替代关系，其差异更多体现在面向不同场景与任务类型的精准适配上。
从目前较受关注的 VIBE 基准理念来看，两个模型对“代码实现”的理解存在微妙的取向分野。VIBE 的创新之处，在于将评估重心从单纯的是否正确，转向用户可感知的视觉交互与整体可用性。M2.1 在 VIBE、尤其是官方测试中 Android 等复杂环境的高分表现，正体现了其设计哲学：优先保障功能的可运行性与交互闭环。例如在点餐小程序案例中，它能自动补全音效、弹窗提示等细节，展现出明确的“产品化”导向——目标是交付一个立即可用、体验完整的最小可行产品。
相比之下，GLM‑4.7 则在 VIBE 所侧重的视觉美学与代码优雅度上表现得更显从容。无论是案例中出现的毛玻璃效果、细腻的动画，还是模块清晰、注释规范的代码结构，都显示出它在实现功能的同时，仍然兼顾长期可维护性与终端用户的感受细节。
因此，在实际开发中：
当需要快速验证想法、搭建可运行原型时，M2.1 是更高效的推进者，擅长将复杂需求快速整合成可交互、功能闭环的演示成果，尤其适合前期 brainstorming 或赶工期的场景。
而当进入打磨细节、追求代码与界面品质的阶段，GLM‑4.7 则更像细致的优化者，能在代码规范性、视觉表现和交互细节上提供更令人安心、更具美感的输出，更适合对成品质量和可维护性有要求的项目。
这无疑是一个积极的信号。当顶尖模型逐渐展现出清晰的技术个性与场景倾向，开发者也随之拥有更多样、更适配的工具选择。这种基于能力分化的生态，或许正是 AI 真正释放生产力的关键所在。
V. 如何在 302.AI 上使用
1. Use in chatbots
步骤指引 ：应用超市→机器人→聊天机器人→立即体验
选择模型：国产模型→MiniMax-M2.1→确认→创建
2. Using the Model API
步骤指引：API超市→语言大模型→Minimax→MiniMax-M2.1
点击【立即体验】在线调用 API
想即刻体验 MiniMax M2.1 模型？
👉立即注册免费试用302.AI，开启你的AI之旅！👈
为什么选择302.AI？
● 灵活付费：无需月费，按需付费，成本可控
● 丰富功能：从文字、图片到视频，应有尽有，满足多种场景需求
● 开源生态：支持开发者深度定制，打造专属AI应用
● 易用性：界面友好，操作简单，快速上手
