MiniMax: MiniMax M2-her
MiniMax: MiniMax M2-her est un LLM de MiniMax sorti le 23 janvier 2026, avec une fenêtre de contexte de 65 536 tokens. Son positionnement le plus net est tarifaire: le modèle se place dans la catégorie très économique, avec un prix annoncé 85% sous la moyenne des LLM similaires.
MiniMax: MiniMax M2-her est un LLM de MiniMax sorti le 23 janvier 2026, avec une fenêtre de contexte de 65 536 tokens. Son positionnement le plus net est tarifaire: le modèle se place dans la catégorie très économique, avec un prix annoncé 85% sous la moyenne des LLM similaires.
Le modèle coûte environ 16,1 fois moins cher que les modèles frontière, tout en conservant une fenêtre de contexte étendue. Les résultats Benchable disponibles le situent toutefois plutôt dans le bas des classements, malgré un score plus solide en Email Classification. Les données reposent sur 2 sources concordantes.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | MiniMax |
| Date de sortie | 23 janvier 2026 |
| Multimodal | non |
| Fenêtre de contexte | 65 536 tokens |
| Modalités (entrée → sortie) | text → text |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| Benchable : Email Classification (Baseline) | 90,0 % | 233ᵉ / 254 | benchable | ✅ Mesuré |
| Benchable : General Knowledge (Baseline) | 65,5 % | 223ᵉ / 250 | benchable | ✅ Mesuré |
| Benchable : Ethics (Baseline) | 61,0 % | 223ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Hallucinations (Baseline) | 52,0 % | 210ᵉ / 229 | benchable | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 50,0 % | 188ᵉ / 239 | benchable | ✅ Mesuré |
| Benchable : Instruction Following (Baseline) | 27,0 % | 209ᵉ / 252 | benchable | ✅ Mesuré |
| Benchable : Coding (Baseline) | 25,0 % | 224ᵉ / 248 | benchable | ✅ Mesuré |
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles « grand public » sur chaque dimension, et à ses voisins de classement.
Benchable : Email Classification (Baseline)
Benchable : General Knowledge (Baseline)
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| MiniMax | 0,3 $ | 1,2 $ | 0,03 $ |
Prix en dollars US par million de tokens.
Sa tarification se situe 85 % en dessous de la moyenne des LLM similaires, et 16,1 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.4, Gemini 3.1 Pro Preview).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût moyen par benchmark — Benchable | 0,02 $ |
| Latence moyenne par benchmark — Benchable | 13 min 39 s |
Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.
Notre analyse
Forces. MiniMax: MiniMax M2-her se distingue d’abord par son coût très bas: 0,3 $ par million de tokens en entrée et 1,2 $ en sortie, un niveau nettement inférieur aux LLM comparables et aux modèles haut de gamme. Sa fenêtre de contexte de 65 536 tokens constitue aussi un atout pour traiter des documents longs ou des échanges volumineux. Côté Benchable, son meilleur signal vient de Email Classification (classification d’e-mails), où le score atteint un niveau élevé même si le rang reste modeste. General Knowledge (connaissances générales) apparaît comme son deuxième point le plus exploitable, avec un résultat correct mais loin du haut de tableau.
Limites et points d'attention. Les classements Benchable placent MiniMax: MiniMax M2-her dans la partie basse sur la plupart des axes mesurés. Instruction Following (respect des consignes) est le point le plus faible, ce qui peut limiter les usages nécessitant des réponses précisément structurées. Reasoning (raisonnement), Ethics (éthique) et Hallucinations (fiabilité factuelle) restent également en retrait, avec un risque accru sur les tâches complexes ou sensibles. Le modèle paraît surtout pertinent pour des traitements textuels à budget contraint, notamment classification, routage ou analyse de volumes longs, lorsque le coût prime sur la précision de haut niveau.
Sources des données : OpenRouter (openrouter.ai) · Benchable.ai (benchable.ai).