論文の概要: The MiniMax-M2 Series: Mini Activations Unleashing Max Real-World Intelligence
- arxiv url: http://arxiv.org/abs/2605.26494v1
- Date: Tue, 26 May 2026 03:16:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-27 17:51:41.598257
- Title: The MiniMax-M2 Series: Mini Activations Unleashing Max Real-World Intelligence
- Title（参考訳）: MiniMax-M2シリーズ:「ミニ・アクティベーション」で現実世界のインテリジェンスを最大化
- Abstract要約: MiniMax-M2はMixture-of-Experts言語モデルのファミリーである。
旗艦M2は合計229.9Bのパラメータを持ち、トークン当たりのアクティベートは9.8Bのみである。
- 参考スコア（独自算出の注目度）: 161.9185072343856
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce the MiniMax-M2 series, a family of Mixture-of-Experts language models built around the principle that mini activations can unleash maximum real-world intelligence. The flagship M2 contains 229.9B total parameters with only 9.8B activated per token. Designed end-to-end for agentic deployment, the M2 series rests on three components: (i) agent-driven data pipelines producing large-scale, verifiable trajectories across agentic coding and agentic cowork, each grounded in an executable workspace and an artifact-aligned reward; (ii) Forge, a scalable agent-native RL system that adapts to long-horizon agent trajectories, paired with windowed-FIFO scheduling, prefix-tree merging, inference optimization, and a clean training-inference-agent decoupling that supports both white-box and black-box agents; (iii) the latest M2.7 checkpoint takes an early step toward self-evolution -- autonomously debugging training runs and modifying its own scaffold. Across M2 through M2.7, this combination translates a mini-activation footprint into frontier-tier performance on agentic coding, deep search, office-task, and reasoning benchmarks.
- Abstract（参考訳）: 我々は,ミニアクティベーションが現実世界のインテリジェンスを最大化できるという原則に基づいて構築された,Mixture-of-Experts言語モデルのファミリーであるMiniMax-M2シリーズを紹介する。
旗艦M2は合計229.9Bのパラメータを持ち、トークン当たりのアクティベートは9.8Bのみである。
エージェントデプロイメント用にデザインされたM2シリーズは、3つのコンポーネントに依存している。
一 エージェント駆動型データパイプラインで、エージェントコーディング及びエージェントコワーキングにまたがって、大規模かつ検証可能な軌道を生成し、それぞれが実行可能なワークスペースとアーティファクトに整合した報酬を基礎とする。
(ii)Forgeは、長期のエージェントトラジェクトリに対応するスケーラブルなエージェントネイティブなRLシステムで、ウィンドウ付きFIFOスケジューリング、プレフィックスツリーマージ、推論最適化、ホワイトボックスとブラックボックスの両方をサポートするクリーンなトレーニング推論エージェントデカップリングとの組み合わせがある。
(iii) 最新のM2.7チェックポイントは、自己進化に向けた初期段階にある。
M2からM2.7まで、この組み合わせはミニアクティベーションのフットプリントをエージェントコーディング、ディープ検索、オフィスタスク、推論ベンチマークのフロンティア階層のパフォーマンスに変換する。
関連論文リスト
- MCP-Cosmos: World Model-Augmented Agents for Complex Task Execution in MCP Environments [2.344185522187755]
我々は,生成的世界モデル(WM)をMCPエコシステムに注入し,予測タスク自動化を実現するフレームワークであるMPP-Cosmosを提案する。
我々は、BYOWM(Bring Your Own World Model)戦略により、エージェントが状態遷移をシミュレートし、実行前に潜在空間で洗練を計画できることを示した。
論文 参考訳（メタデータ） (2026-05-09T19:25:56Z) - Agent^2 RL-Bench: Can LLM Agents Engineer Agentic RL Post-Training? [23.212983812736343]
Agent2 RL-BenchはエージェントRLのポストトレーニングを評価するためのベンチマークである。
固定予算下では,教師付きパイプラインがエージェント駆動のポストトレーニングを支配していることがわかった。
論文 参考訳（メタデータ） (2026-04-12T09:35:27Z) - MagicAgent: Towards Generalized Agent Planning [73.21129030631421]
汎用エージェント計画に特化して設計された基盤モデルである textbfMagicAgent について述べる。
多様な計画タスクにまたがる高品質なトラジェクトリを生成する軽量でスケーラブルな合成データフレームワークを提案する。
MagicAgent-32B と MagicAgent-30B-A3B は様々なオープンソースベンチマークにおいて優れた性能を発揮することを示す。
論文 参考訳（メタデータ） (2026-02-22T01:39:16Z) - Youtu-LLM: Unlocking the Native Agentic Potential for Lightweight Large Language Models [78.73992315826035]
ネイティブエージェントインテリジェンスと高い計算効率を調和させる軽量言語モデルであるYoutu-LLMを紹介する。
Youtu-LLMは、スクラッチから体系的に推論と計画能力の育成まで事前訓練されている。
論文 参考訳（メタデータ） (2025-12-31T04:25:11Z) - LFM2 Technical Report [87.58431408281973]
LFM2は、デバイス上での効率的なデプロイと強力なタスク機能を実現するために設計された、Liquid Foundation Modelsのファミリーである。
LFM2ファミリーは350M-8.3Bパラメータをカバーしており、密度の高いモデル(350M, 700M, 1.2B, 2.6B)と試験用混合物(合計8.3B, 1.5B)を含んでいる。
視覚遅延タスクのためのLFM2-VL,音声のためのLFM2-Audio,検索のためのLFM2-ColBERTを構築した。
論文 参考訳（メタデータ） (2025-11-28T17:56:35Z) - MATRIX: Multimodal Agent Tuning for Robust Tool-Use Reasoning [65.200259961515]
マルチモーダル軌道を自動的に合成する視覚中心型エージェントチューニングフレームワークを開発した。
また、自動生成された11Kの選好ペアであるPref-Xについても紹介する。
Agent-X、GTA、GAIAの3つのベンチマークで、MATRIXはオープンソースとクローズドソースの両方のVLMを一貫して上回っている。
論文 参考訳（メタデータ） (2025-10-09T17:59:54Z) - Foam-Agent 2.0: An End-to-End Composable Multi-Agent Framework for Automating CFD Simulation in OpenFOAM [3.8790078849619074]
我々は、単一の自然言語プロンプトからエンドツーエンドのOpenFOAMワークフロー全体を自動化するマルチエージェントフレームワークであるFoam-Agentを紹介した。
このフレームワークは、MCP(Model Context Protocol)を使用して、コア機能を独立した呼び出し可能なツールとして公開する。
110のシミュレーションタスクのベンチマークで、Foam-AgentはClaude 3.5 Sonnetで88.2%の成功率を達成した。
論文 参考訳（メタデータ） (2025-09-17T23:44:18Z) - MiniMax-M1: Scaling Test-Time Compute Efficiently with Lightning Attention [90.68287470551311]
MiniMax-M1は、オープンウェイトで大規模なハイブリッドアテンション推論モデルである。
コンテクストの長さは100万トークンで、DeepSeek R1のコンテクストサイズは8倍だ。
MiniMax-M1は大規模強化学習を用いて訓練されている。
論文 参考訳（メタデータ） (2025-06-16T15:08:02Z) - MCP-Zero: Active Tool Discovery for Autonomous LLM Agents [13.005899769943442]
ツール発見の自律性を LLM 自体に復元する,アクティブエージェントフレームワークである MCP-Zero を紹介する。
すべての利用可能なツールで圧倒的なモデルを使用する代わりに、CP-Zeroはエージェントが能率ギャップを積極的に識別し、特定のツールをオンデマンドで要求することを可能にする。
公式の Model-Context-Protocol リポジトリから 308 の MCP サーバと 2,797 ツールの包括的なデータセットである MCP-tools を構築した。
論文 参考訳（メタデータ） (2025-06-01T15:48:53Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。