MiniMax M2.5 — SOTA LLM เพื่อประสิทธิภาพการทำงาน พร้อมความสามารถด้านการเขียนโค้ดและการทำงานแบบเอเจนต์ที่แข็งแกร่ง รองรับบริบท 200k เอาต์พุต ~60 tps
MiniMax M2.5 เป็นโมเดลภาษาขนาดใหญ่ที่พัฒนาโดย Minimax และให้บริการผ่าน API ของ OrcaRouter ออกแบบมาเพื่อประมวลผลข้อมูลนำเข้าภาษาธรรมชาติและสร้างเอาต์พุตข้อความ โมเดลนี้สามารถเข้าถึงได้ผ่าน endpoint…
MiniMax M2.5 โดดเด่นในงานที่เกี่ยวข้องกับการทำความเข้าใจและสร้างข้อความ โดยเฉพาะในบริบทที่ยาว สามารถสรุปเอกสารที่มีความยาว ตอบคำถามตามเอกสารพื้นหลังที่กว้างขวาง เขียนเรียงความที่สอดคล้อง และใช้เหตุผลที่ซับซ้อน โมเดลนี้รองรับการทำตามคำสั่งและสามารถใช้สำหรับการเขียนเชิงสร้างสรรค์ การสร้างโค้ด และการแปลภาษา อย่างไรก็ตาม ผลลัพธ์ถูกจำกัดไว้ที่ 2048 โทเค็นต่อคำขอ ดังนั้นจึงไม่เหมาะสำหรับการสร้างการตอบกลับที่ยาวมากในครั้งเดียว สำหรับผลลัพธ์ที่ยาวขึ้น คุณอาจต้องเชื่อมต่อหลายครั้งหรือใช้สตรีมมิ่ง จุดแข็งของโมเดลคือการใช้บริบทที่ใหญ่ของมันเพื่อสร้างผลลัพธ์ที่แม่นยำและตระหนักถึงบริบท
กรณีการใช้งานที่ดีที่สุดสำหรับ MiniMax M2.5 คือการใช้ประโยชน์จากหน้าต่างบริบทขนาด 204800 โทเค็น ตัวอย่างเช่น การวิเคราะห์สัญญาทางกฎหมายที่มีนับสิบหน้า: โมเดลสามารถรับข้อมูลสัญญาทั้งหมดและตอบคำถามรายละเอียดเกี่ยวกับข้อกำหนด อีกกรณีหนึ่งคือการสร้างแชทผู้ช่วยที่จดจำประวัติการสนทนาทั้งหมดข้ามหลายเซสชัน การประยุกต์ใช้ทางการศึกษาสามารถให้คำอธิบายโดยอิงจากเนื้อหาทั้งบทของตำราเรียน เครื่องมือวิเคราะห์โค้ดสามารถประมวลผลที่เก็บโค้ดทั้งหมดเพื่อแนะนำการแก้ไขหรือบันทึกฟังก์ชันการทำงาน สำหรับงานใดๆ ที่ต้องการการสังเคราะห์ข้อความปริมาณมาก MiniMax M2.5 เป็นตัวเลือกที่แข็งแกร่ง
ถึงแม้จะมีจุดแข็ง แต่ MiniMax M2.5 อาจไม่ใช่ตัวเลือกที่คุ้มค่าที่สุดในทุกสถานการณ์ หากงานของคุณมีข้อกำหนดด้านบริบทที่สั้น (เช่น ไม่กี่พันโทเค็น) โมเดลขนาดเล็กที่มีต้นทุนต่อโทเค็นต่ำกว่าก็เพียงพอแล้ว เช่นเดียวกัน หากคุณต้องการการอนุมานที่เร็วขึ้นหรือปริมาณงานที่สูงขึ้น โมเดลขนาดเล็กมักจะมีความหน่วงต่ำกว่า สำหรับงานที่ไม่จำเป็นต้องใช้บริบทขนาดใหญ่ คุณอาจจ่ายเกินสำหรับความจุที่ไม่ได้ใช้ OrcaRouter ให้การเข้าถึงโมเดลต่างๆ มากมาย; โปรดประเมินการใช้โทเค็นและข้อกำหนดด้านความหน่วงก่อนตัดสินใจ นอกจากนี้ โปรดพิจารณาว่าเอาต์พุตสูงสุดคือ 2048 โทเค็น ซึ่งอาจไม่เพียงพอสำหรับการสร้างรายงานที่ยาวในครั้งเดียว
MiniMax M2.5 ยอมรับเฉพาะข้อความเป็นอินพุตเท่านั้น ไม่รองรับการอัปโหลดรูปภาพ เสียง วิดีโอ หรือไฟล์โดยตรง หากแอปพลิเคชันของคุณต้องการอินพุตแบบ multimodal (เช่น การวิเคราะห์รูปภาพหรือการถอดเสียงพูด) คุณจะต้องประมวลผลข้อมูลนั้นเป็นข้อความล่วงหน้าหรือใช้โมเดลอื่น เอาต์พุตก็เป็นข้อความเท่านั้น โมเดลสามารถสร้าง plain text หรือรูปแบบที่มีโครงสร้างเช่น JSON ได้หากมีการแจ้งเตือนที่เหมาะสม ด้วยลักษณะที่เป็นข้อความล้วน จึงเหมาะที่สุดสำหรับงานประมวลผลภาษาธรรมชาติแบบคลาสสิก ไม่มีการรองรับ function calling หรือ tool use ในตัว แต่สามารถนำไปใช้งานด้วยตนเองผ่าน prompt engineering
τ²-Bench เป็นเกณฑ์มาตรฐานที่ออกแบบมาเพื่อประเมินโมเดลภาษาบนพื้นฐานการทำงานที่มุ่งเน้นภารกิจ โดยวัดความสามารถของโมเดลในการปฏิบัติตามคำแนะนำและทำงานจริง เช่น การสกัดข้อมูล การสรุปความ และการใช้เหตุผล MiniMax M2.5 ได้คะแนน 95.3 ในเกณฑ์มาตรฐานนี้ ซึ่งบ่งชี้ว่าโมเดลทำงานได้ดีในการประเมินที่มุ่งเน้นภารกิจเมื่อเทียบกับโมเดลอื่นที่ทดสอบในเกณฑ์มาตรฐานเดียวกัน อย่างไรก็ตาม τ²-Bench เป็นเพียงหนึ่งเมตริกเท่านั้น ผลงานอาจแตกต่างกันในเกณฑ์มาตรฐานอื่นหรือในแอปพลิเคชันจริง ผู้ใช้ควรพิจารณากรณีการใช้งานเฉพาะของตนและทดสอบโมเดลตามนั้น
จากคะแนน τ²-Bench ที่ 95.3, MiniMax M2.5 แสดงให้เห็นถึงความสามารถที่แข็งแกร่งในสถานการณ์ที่เน้นภารกิจ หน้าต่างบริบทขนาดใหญ่ช่วยให้สามารถรวมข้อมูลพื้นฐานที่กว้างขวาง ซึ่งน่าจะส่งผลต่อประสิทธิภาพในงานที่ต้องใช้บริบทลึก โมเดลนี้ยังมีราคาที่แข่งขันได้สำหรับขนาดบริบทของมัน ทำให้เป็นทางเลือกที่ประหยัดสำหรับการใช้งานที่มีบริบทยาว มันจัดการกับอินพุตที่เป็นข้อความอย่างเดียวได้อย่างมีประสิทธิภาพ ผู้ใช้รายงานผลลัพธ์ที่ดีในการสรุปเอกสารยาวและการตอบคำถาม สถาปัตยกรรมของโมเดลถูกออกแบบมาเพื่อรักษาความต่อเนื่องในหลายพันโทเคน
MiniMax M2.5 มีข้อจำกัดหลายประการ ประการแรก เป็นแบบข้อความเท่านั้น ไม่สามารถประมวลผลภาพหรือรูปแบบอื่นได้ ประการที่สอง เอาต์พุตสูงสุดคือ 2048 โทเค็น ซึ่งจำกัดความยาวของคำตอบแต่ละรายการ ประการที่สาม แม้ว่าคะแนน τ²-Bench จะสูง แต่ก็มีเกณฑ์มาตรฐานอื่นๆ อีกมากมาย (เช่น MMLU, HumanEval) ที่เราไม่มีคะแนนสาธารณะสำหรับโมเดลนี้ ประสิทธิภาพในการเขียนเชิงสร้างสรรค์หรือการสร้างโค้ดอาจแตกต่างกัน ประการที่สี่ ไม่มีการให้ข้อมูลเวลาแฝงและปริมาณงาน ความเร็วจริงขึ้นอยู่กับโครงสร้างพื้นฐานและโหลดของผู้ให้บริการ สุดท้าย โมเดลนี้อาจไม่ได้รับการทดสอบอย่างกว้างขวางเท่าทางเลือกอื่นๆ ดังนั้นพฤติกรรมกรณีขอบจึงคาดเดาได้น้อยกว่า
ไม่มีข้อมูลด้าน latency หรือ throughput เฉพาะที่เปิดเผยต่อสาธารณะสำหรับ MiniMax M2.5 โดยทั่วไปโมเดลที่มี context window ขนาดใหญ่มากอาจทำงานช้ากว่าโมเดลขนาดเล็กเนื่องจากต้นทุนการประมวลผล tokens จำนวนมาก เวลาตอบสนองจริงจะขึ้นอยู่กับความยาวของ input จำนวน output tokens ที่ร้องขอ และโหลดปัจจุบันบนเซิร์ฟเวอร์ของ Minimax ที่เข้าถึงผ่าน OrcaRouter ผู้ใช้ที่ต้องการ latency ต่ำควรทดสอบด้วยขนาด prompt ทั่วไปของตน การตอบสนองแบบ streaming สามารถช่วยลด latency ที่รับรู้ได้ โครงสร้างพื้นฐานของ OrcaRouter อาจเพิ่ม overhead เล็กน้อย แต่ออกแบบมาให้น้อยที่สุด
MiniMax M2.5 มีราคาอยู่ที่ $0.30 ต่อ 1 ล้าน input tokens และ $1.20 ต่อ 1 ล้าน output tokens ราคานี้ถูกกำหนดโดยผู้ให้บริการ Minimax และถูกส่งผ่านโดย OrcaRouter โดยไม่มีค่าธรรมเนียมเพิ่มเติมใดๆ Tokens จะถูกนับโดย tokenizer ของผู้ให้บริการ; input tokens รวมถึง prompt และ system message หรือ context ใดๆ ในขณะที่ output tokens คือคำตอบที่ถูกสร้างขึ้นมา ไม่มีค่าธรรมเนียมเพิ่มเติมสำหรับการเรียกใช้งาน API นอกเหนือจากการใช้ tokens ราคานี้ทำให้ MiniMax M2.5 คุ้มค่าสำหรับงานที่ใช้บริบทยาว โดยเฉพาะเมื่อเปรียบเทียบกับโมเดลที่มีบริบทขนาดใหญ่อื่นๆ
เมื่อประเมินต้นทุน ให้พิจารณาว่าต้นทุนที่แท้จริงต่องานขึ้นอยู่กับจำนวนโทเคนอินพุตและเอาต์พุต สำหรับงานที่มีพรอมต์ยาวมาก (เช่น 200k โทเคน) ต้นทุนอินพุตอาจมีนัยสำคัญ: $0.30 ต่อล้านโทเคนหมายความว่า 200k โทเคนมีต้นทุน $0.06 ต่อการเรียกใช้ ต้นทุนเอาต์พุตต่อโทเคนสูงกว่า ดังนั้นงานที่สร้างคำตอบยาว ๆ จะมีค่าใช้จ่ายมากขึ้น หากพรอมต์ของคุณสั้น โมเดลที่ถูกกว่าซึ่งมีคุณภาพเอาต์พุตใกล้เคียงอาจประหยัดกว่า นอกจากนี้ หากคุณสามารถแคชหรือใช้ซ้ำบางส่วนของบริบท คุณอาจลดต้นทุนได้ ไม่มีการกล่าวถึงส่วนลดสำหรับปริมาณสูงหรือการประมวลผลเป็นชุด ตรวจสอบ OrcaRouter สำหรับราคาตามปริมาณที่อาจมี
OrcaRouter คิดค่าใช้ MiniMax M2.5 ตามอัตราของผู้ให้บริการโดยไม่มีมาร์กอัป ราคาที่คุณจ่ายต่อโทเคนเท่ากับที่ Minimax เรียกเก็บจริง ไม่มีค่าใช้จ่ายแอบแฝงหรือค่าธรรมเนียมแพลตฟอร์มเพิ่มเติม ราคาที่โปร่งใสนี้ใช้กับทุกรุ่นบน OrcaRouter การใช้งานของคุณจะถูกติดตามและคิดเงินตามจำนวนโทเคนที่ OrcaRouter รายงาน คุณสามารถตรวจสอบค่าใช้จ่ายในแดชบอร์ดของ OrcaRouter เนื่องจากไม่มีมาร์กอัป ค่าใช้จ่ายในการใช้ MiniMax M2.5 ผ่าน OrcaRouter จึงเท่ากับการใช้โดยตรงจาก Minimax ขณะที่คุณยังได้รับประโยชน์จาก API แบบรวมศูนย์และการรวมระบบที่เรียบง่าย
ไม่มีกลไกการแคชเฉพาะสำหรับ MiniMax M2.5 ที่ถูกกล่าวถึงในข้อมูลที่ให้มา ผู้ให้บริการบางรายเสนอการแคช prompt ซึ่ง input prefix ที่ซ้ำกันจะไม่ถูกคิดค่าใช้จ่ายซ้ำ; ไม่ทราบว่า Minimax รองรับหรือไม่ เพื่อเพิ่มประสิทธิภาพต้นทุน คุณสามารถลดความยาวของ input โดยตัดบริบทที่ไม่จำเป็นออก หรือใช้ system prompts ที่สั้นลง สำหรับแอปพลิเคชันที่มีการเรียกใช้ที่คล้ายกันหลายครั้ง ให้พิจารณาจัดกลุ่มคำถามหลายๆ ข้อไว้ใน prompt เดียวเพื่อแบ่งปันต้นทุน input OrcaRouter ไม่คิดค่าใช้จ่ายเพิ่มเติมสำหรับการแคช แต่คุณจะต้องใช้การแคชในระดับแอปพลิเคชันสำหรับคำตอบหากต้องการ
ในการเรียกใช้ MiniMax M2.5 ให้ส่งคำขอ POST ไปยังปลายทางที่เข้ากันได้กับ OpenAI ของ OrcaRouter กำหนด URL ฐานเป็น https://api.orcarouter.ai/v1 และรวมคีย์ API ของคุณในส่วนหัว Authorization (Bearer token) ในเนื้อหาคำขอ ให้ระบุโมเดลเป็น "minimax/minimax-m2.5" คุณสามารถส่งพารามิเตอร์มาตรฐาน: messages (อาร์เรย์ของออบเจ็กต์ role/content), temperature, max_tokens (สูงสุด 2048), top_p, frequency_penalty, presence_penalty, และ stop sequences การตอบสนองจะเป็นออบเจ็กต์ JSON ที่มีข้อความที่สร้างขึ้น OrcaRouter รองรับการสตรีมโดยการตั้งค่า stream=true ซึ่งจะส่งคืนโทเค็นในขณะที่ถูกสร้างขึ้น
MiniMax M2.5 รองรับค่าพารามิเตอร์ทั่วไปของการตอบกลับแบบแชทที่เข้ากันได้กับ OpenAI พารามิเตอร์ messages รองรับบทบาท system, user และ assistant พารามิเตอร์ max_tokens มีค่าสูงสุดที่ 2048 ซึ่งตรงกับความยาวเอาต์พุตสูงสุดของโมเดล พารามิเตอร์ temperature ควบคุมความสุ่ม (0.0 ถึง 2.0 ค่าเริ่มต้นโดยทั่วไปคือ 0.7) top_p ใช้การสุ่มแบบนิวเคลียส (nucleus sampling) frequency_penalty และ presence_penalty สามารถปรับการซ้ำได้ OrcaRouter ยังรองรับพารามิเตอร์ n สำหรับการสร้างหลายผลลัพธ์ แต่โปรดทราบว่าสิ่งนี้จะเพิ่มค่าใช้จ่าย คุณสามารถใช้ลำดับหยุด (stop sequences) เพื่อหยุดการสร้างข้อความ ไม่มีเอกสารเกี่ยวกับการเรียกฟังก์ชันหรือการใช้เครื่องมือสำหรับโมเดลนี้โดยเฉพาะ
หากคุณกำลังใช้โมเดล OpenAI หรือ API จากผู้ให้บริการรายอื่น การโยกย้ายไปยัง MiniMax M2.5 ผ่าน OrcaRouter นั้นทำได้ง่าย เพียงเปลี่ยน base URL ของคุณเป็น https://api.orcarouter.ai/v1 และอัปเดตชื่อโมเดลเป็น "minimax/minimax-m2.5" โค้ดที่มีอยู่สำหรับ chat completions จะทำงานได้โดยมีการปรับเปลี่ยนเล็กน้อย ตรวจสอบให้แน่ใจว่า API key ของคุณมาจาก OrcaRouter ไม่ใช่ OpenAI คุณอาจต้องปรับพารามิเตอร์: ตัวอย่างเช่น max_tokens ต้องไม่เกิน 2048 นอกจากนี้ โปรดทราบว่าพฤติกรรมของ system prompt อาจแตกต่างกันเล็กน้อยระหว่างโมเดล ควรทดสอบอย่างละเอียด OrcaRouter มีอินเทอร์เฟซที่สอดคล้องกัน ช่วยลดความยุ่งยากในการโยกย้าย
การตรวจสอบสิทธิ์ทำผ่าน API key ที่ส่งในส่วนหัว Authorization คุณสามารถรับ API key ได้จากแดชบอร์ดบัญชี OrcaRouter ของคุณ หากคุณได้รับข้อผิดพลาด 401 ให้ตรวจสอบว่าคีย์ของคุณถูกต้องและยังใช้งานได้อยู่ ขีดจำกัดอัตราการใช้งานและโควตาการใช้งานถูกจัดการโดย OrcaRouter; ตรวจสอบแผนของคุณเพื่อดูรายละเอียด สำหรับข้อผิดพลาดเช่น 400 (คำขอไม่ถูกต้อง) ให้ตรวจสอบว่าเนื้อหาคำขอของคุณเป็นไปตามรูปแบบที่คาดหวัง OrcaRouter บันทึกข้อความแสดงข้อผิดพลาดที่เกี่ยวข้อง การหมดเวลาของเครือข่ายอาจเกิดขึ้นได้; ให้ใช้ตรรกะการลองใหม่แบบหน่วงเวลาแบบเอ็กซ์โปเนนเชียล ไม่มีค่าใช้จ่ายสำหรับคำขอที่ล้มเหลว นอกเหนือจากการใช้งานโทเค็นที่ถูกประมวลผลแล้ว แต่คำตอบที่ไม่สมบูรณ์อาจยังมีค่าใช้จ่ายโทเค็นอินพุต
MiniMax M2.5 แข่งขันกับโมเดลอื่นๆ ที่มีหน้าต่างบริบทขนาดใหญ่ เช่น Gemini ของ Google และ Claude ของ Anthropic ซึ่งรองรับมากกว่า 100k tokens เช่นกัน ราคาของมันที่ $0.30/$1.20 ต่อล้าน tokens ถือว่าแข่งขันได้ มักจะต่ำกว่าตัวเลือกอื่นๆ คะแนน τ²-Bench ที่ 95.3 เป็นตัวบ่งชี้ที่แข็งแกร่งของประสิทธิภาพเชิงงาน อย่างไรก็ตาม หากไม่มีการเปรียบเทียบโดยตรงในเกณฑ์มาตรฐานอื่นๆ ก็ยากที่จะประเมินคุณภาพเชิงเปรียบเทียบ MiniMax M2.5 เป็นแบบข้อความเท่านั้น ส่วนโมเดลอย่าง Gemini ก็รองรับรูปภาพด้วย การเลือกของคุณควรขึ้นอยู่กับความต้องการแบบ multimodal, ประสิทธิภาพในเกณฑ์มาตรฐานเฉพาะ และต้นทุน OrcaRouter ช่วยให้คุณทดสอบหลายโมเดลได้อย่างง่ายดาย
โมเดลขนาดเล็ก (เช่น GPT-4o-mini, Llama 3.1 8B) มีหน้าต่างบริบทที่เล็กกว่ามาก (โดยทั่วไป 8k-128k) และมีต้นทุนต่อโทเค็นที่ต่ำกว่า สำหรับงานที่พอดีกับบริบทที่เล็กกว่า โมเดลเหล่านี้ประหยัดกว่าและมักจะเร็วกว่า ข้อได้เปรียบของ MiniMax M2.5 คือบริบทที่มีขนาด 204800 โทเค็น ซึ่งคุ้มค่าเมื่อใช้งานในปริมาณมาก หากพรอมต์ของคุณแทบจะไม่เกิน 50,000 โทเค็น โมเดลที่ถูกกว่าอาจเหมาะสมกว่า นอกจากนี้ โมเดลขนาดเล็กอาจมีเวลาแฝงที่ต่ำกว่า ใช้ OrcaRouter เพื่อทดสอบประสิทธิภาพบนข้อมูลเฉพาะของคุณเพื่อตัดสินใจ คะแนน τ²-Bench นั้นเฉพาะเจาะจงสำหรับ M2.5 คะแนนของโมเดลขนาดเล็กในการทดสอบนั้นอาจต่ำกว่า
หากไม่มีการเปรียบเทียบโดยตรงจาก benchmark เราสามารถเปรียบเทียบจากสเปกได้ GPT-4 และ Claude มีประวัติผลงานที่พิสูจน์แล้วในหลาย benchmark รวมถึงการเขียนโค้ดและการใช้เหตุผล MiniMax M2.5 มีบริบทที่ใหญ่กว่า (204800 เทียบกับ 128k สำหรับ GPT-4 Turbo) ในราคาต่อ token ที่ต่ำกว่า อย่างไรก็ตาม GPT-4 และ Claude มีขีดจำกัดผลลัพธ์ที่ใหญ่กว่า (4k-8k tokens) และรองรับอินพุตแบบ multimodal ส่วน MiniMax M2.5 เป็นแบบข้อความล้วนและจำกัดผลลัพธ์ที่ 2048 tokens สำหรับงานที่ต้องใช้บริยายาวแบบข้อความล้วน MiniMax M2.5 อาจคุ้มค่ากว่า สำหรับงานที่ต้องใช้การมองเห็นหรือการสร้างข้อความที่ยาวขึ้น ทางเลือกอื่นจะดีกว่า OrcaRouter ให้คุณเข้าถึงทั้งหมด ทำให้สามารถทดสอบแบบ side-by-side ได้
การใช้ MiniMax M2.5 ร่วมกับโมเดลอื่นๆ สามารถช่วยปรับสมดุลระหว่างต้นทุนและประสิทธิภาพได้ ตัวอย่างเช่น ใช้โมเดลขนาดเล็กที่ทำงานเร็วสำหรับคำถามง่ายๆ และใช้ MiniMax M2.5 เฉพาะเมื่อจำเป็นต้องใช้บริบทขนาดใหญ่ หรือใช้เป็นบัฟเฟอร์ความจำระยะยาวในการสนทนาหลายเทิร์น API แบบรวมศูนย์ของ OrcaRouter ช่วยให้สลับระหว่างโมเดลได้ง่ายโดยไม่ต้องเปลี่ยนแปลงโค้ด คุณยังสามารถเชื่อมต่อโมเดลเป็นลูกโซ่: ใช้โมเดลน้ำหนักเบาเพื่อสรุปบริบท จากนั้นส่งบทสรุปให้ MiniMax เนื่องจากราคามีความโปร่งใส คุณจึงสามารถจัดงบประมาณได้อย่างเหมาะสม MiniMax M2.5 เป็นส่วนเสริมที่ดีเยี่ยมสำหรับชุดเครื่องมือใดๆ ที่ต้องใช้ความเข้าใจบริบทเชิงลึก
เข้ากันได้กับ OpenAI — ใช้ SDK เดิมของคุณได้เลย
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="minimax/minimax-m2.5",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)max_completion_tokensreasoningreasoning_splitstreamtemperaturetop_p| อินพุต / 1M โทเค็น | $0.300 |
| เอาต์พุต / 1M โทเค็น | $1.20 |
| อ่านแคช / 1M | $0.030 |
| เขียนแคช / 1M | $0.375 |
| สกุลเงิน | USD |
ประมาณการจากราคาตั้ง
เป็นเพียงการประเมิน — จำนวน token จริงขึ้นอยู่กับ tokenizer ของผู้ให้บริการ
GET /api/public/models/minimax/minimax-m2.5เปิด @misc{orcarouter_minimax_m2_5,
title = {MiniMax M2.5 API},
author = {MiniMax},
year = {2026},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/minimax/minimax-m2.5}
}MiniMax. (2026). MiniMax M2.5 API. OrcaRouter. https://www.orcarouter.ai/models/minimax/minimax-m2.5