MiniMax: MiniMax M2-her
MiniMax M2-her est un LLM publié par MiniMax le 23 janvier 2026. Il se caractérise par une fenêtre de contexte de 65 536 tokens et par un positionnement tarifaire très économique, destiné aux traitements où le coût constitue un critère central.
MiniMax M2-her est un LLM publié par MiniMax le 23 janvier 2026. Il se caractérise par une fenêtre de contexte de 65 536 tokens et par un positionnement tarifaire très économique, destiné aux traitements où le coût constitue un critère central.
Son tarif débute à 0,3 $ par million de tokens en entrée et à 1,2 $ en sortie. Il se situe 86% sous la moyenne des LLM similaires et coûte environ 18,3 fois moins cher que les modèles frontière. Ses résultats Benchable le placent toutefois en retrait sur l'ensemble des capacités évaluées.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | MiniMax |
| Poids | ▫ n.d. |
| 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 % | 147ᵉ / 163 | benchable | ✅ Mesuré |
| Benchable : General Knowledge (Baseline) | 65,5 % | 144ᵉ / 161 | benchable | ✅ Mesuré |
| Benchable : Ethics (Baseline) | 61,0 % | 144ᵉ / 159 | benchable | ✅ Mesuré |
| Benchable : Hallucinations (Baseline) | 52,0 % | 130ᵉ / 146 | benchable | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 50,0 % | 123ᵉ / 155 | benchable | ✅ Mesuré |
| Benchable : Instruction Following (Baseline) | 27,0 % | 136ᵉ / 163 | benchable | ✅ Mesuré |
| Benchable : Coding (Baseline) | 25,0 % | 146ᵉ / 162 | benchable | ✅ Mesuré |
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles sur chaque dimension évaluée, 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 86 % en dessous de la moyenne des LLM similaires, et 18,3 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.6 Sol, Gemini 3.5 Flash).
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 M2-her associe une fenêtre de contexte de 65 536 tokens à un coût très inférieur à celui des modèles comparables. Son meilleur résultat brut concerne Email Classification, avec 90% sur la baseline. Ce benchmark est toutefois plafonné et peu discriminant, le modèle partageant la 147e place sur 163 avec deux autres modèles. Le tarif reste donc son principal avantage concret, notamment pour des traitements volumineux à budget serré.
Limites et points d'attention. Les classements Benchable montrent des performances globalement faibles. Le modèle se situe au 144e rang en General Knowledge et en Ethics. Il reste aussi en retrait sur Hallucinations et Reasoning, deux benchmarks plafonnés qui départagent mal les modèles à score identique. Instruction Following constitue sa faiblesse la plus nette, avec 27% et une 136e place sur 163, partagée avec un autre modèle. Ce résultat limite son intérêt pour les tâches qui exigent le respect précis de consignes. MiniMax M2-her reste surtout pertinent lorsque le prix et la taille du contexte priment sur la qualité générale, le raisonnement et le suivi d'instructions.
Sources des données : OpenRouter (openrouter.ai) · LLM-Stats (llm-stats.com) · Benchable.ai (benchable.ai).