ผู้นำรายใหม่ในกลุ่มโมเดลโอเพนเวต
MiniMax สตาร์ตอัพ AI จีนที่เติบโตอย่างรวดเร็วและได้รับการสนับสนุนจากนักลงทุนรายใหญ่ในประเทศ เปิดตัวโมเดลภาษาขนาดใหญ่ M2 พร้อมทะยานขึ้นสู่กลุ่มแนวหน้าของการจัดอันดับ AI ระดับโลกในประเภทโมเดลโอเพนเวต การประเมินโดยหน่วยงานอิสระระบุว่า MiniMax M2 เป็นโมเดลโอเพนเวตที่มีความสามารถสูงสุดบนดัชนี Artificial Analysis Intelligence Index โดยทำผลงานเหนือกว่า Gemini 2.5 Pro ของ Google DeepMind และมีประสิทธิภาพใกล้เคียงกับระบบปิดชั้นนำจากสหรัฐฯ บริษัทพัฒนา M2 เพื่อรองรับการใช้งานมาแรงสองด้าน ได้แก่ การสร้างโค้ดและการใช้เครื่องมือในรูปแบบเอเจนต์ พร้อมออกแบบและกำหนดราคาให้ประมวลผลได้รวดเร็ว เพื่อดึงดูดนักพัฒนาและองค์กรที่ต้องการลดต้นทุนโดยไม่ลดทอนความสามารถ
สารบัญ
หัวใจสำคัญของเทคโนโลยีนี้คือประสิทธิภาพ MiniMax M2 ใช้สถาปัตยกรรม Mixture of Experts ซึ่งเลือกส่งอินพุตแต่ละรายการไปยังเซลล์ประสาทเพียงบางส่วนของโมเดล ทำให้มีพารามิเตอร์ที่ทำงานอยู่ในแต่ละช่วงเวลาราว 10,000 ล้านพารามิเตอร์ แม้ความจุรวมของโมเดลจะใหญ่กว่านั้นมาก การออกแบบนี้ช่วยลดเวลาแฝงและความต้องการหน่วยความจำ GPU โดยไม่ทำให้ความสามารถในการให้เหตุผลลดลง API ของ MiniMax ตั้งราคาไว้ในระดับต่ำมากที่ 0.30 ดอลลาร์ต่อโทเคนอินพุตหนึ่งล้านโทเคน และ 1.20 ดอลลาร์ต่อโทเคนเอาต์พุตหนึ่งล้านโทเคน หรือราว 8 เปอร์เซ็นต์ของ Claude 3.5 Sonnet จาก Anthropic เมื่อเทียบตามข้อมูลของบริษัทเอง ขณะที่ทีมงานระบุว่าความเร็วในการอนุมานอยู่ที่เกือบ 100 โทเคนต่อวินาที น้ำหนักโมเดลฉบับเต็มเปิดให้ใช้งานภายใต้สัญญาอนุญาตแบบผ่อนปรนและดาวน์โหลดไปโฮสต์เองได้ ทำให้ทีมต่าง ๆ สามารถปรับแต่งและนำ M2 ไปใช้งานภายในองค์กรได้ตามต้องการ
วงการโอเพนเวตของจีนร้อนแรงขึ้นตลอดทั้งปี โดย DeepSeek, Qwen ของ Alibaba, Moonshot AI และรายอื่น ๆ ต่างผลักดันการประมวลผลบริบทยาวและความสามารถด้านการให้เหตุผล การขึ้นมาอยู่แถวหน้าของ MiniMax มีความสำคัญ เพราะ M2 เข้าสู่ตลาดในจังหวะที่ธุรกิจกำลังลงทุนจริงกับการทำงานอัตโนมัติด้านบริการลูกค้า การวิจัย และการพัฒนา ผ่านเอเจนต์ที่ใช้เครื่องมือเพื่อท่องเว็บ ค้นข้อมูลภายในองค์กร รันโค้ด และตรวจสอบผลลัพธ์ด้วยตนเอง การผสานความสามารถเข้ากับต้นทุนต่ำและสัญญาอนุญาตที่โปร่งใส ทำให้ M2 กลายเป็นมาตรฐานอ้างอิงใหม่ของ AI โอเพนเวต
ประสิทธิภาพแข็งแกร่งแค่ไหน
Artificial Analysis รวบรวมผลการทดสอบมาตรฐานที่เข้มข้นด้านคณิตศาสตร์ วิทยาศาสตร์ การทำตามคำสั่ง การเขียนโค้ด และเวิร์กโฟลว์ของเอเจนต์ เพื่อจัดทำดัชนี Intelligence Index ในภาพรวม M2 ของ MiniMax ได้คะแนน 61 ในดัชนีเวอร์ชันล่าสุด ขึ้นเป็นโมเดลโอเพนเวตที่แข็งแกร่งที่สุดและติดกลุ่มโมเดลชั้นนำโดยรวม โดยทำคะแนนเหนือ Gemini 2.5 Pro และมีผลใกล้เคียงกับ Claude Sonnet 4.5 ของ Anthropic ในงานด้านเอเจนต์และการเขียนโค้ดหลายรายการ แม้ยังตามหลังระบบแนวหน้ารุ่นใหม่ล่าสุดอย่าง GPT 5 และ Grok ของ xAI สำหรับนักพัฒนาจำนวนมาก นี่ถือเป็นจุดสมดุลที่น่าสนใจ เพราะได้ความสามารถใกล้เคียงโมเดลแนวหน้า โดยไม่ต้องแบกรับต้นทุนหรือการผูกติดกับผู้ให้บริการในระดับเดียวกัน
งานเอเจนต์ใกล้เคียงระดับแนวหน้า
การประเมินรูปแบบเอเจนต์วัดว่าโมเดลสามารถวางแผน เรียกใช้เครื่องมือ อ่านผลลัพธ์ ปรับเปลี่ยนแนวทาง และตรวจสอบผลลัพธ์สุดท้ายในงานหลายขั้นตอนได้หรือไม่ M2 ทำผลงานได้โดดเด่นเป็นพิเศษในด้านนี้ MiniMax รายงานคะแนนสูงในการทดสอบชุดที่มุ่งประเมินเอเจนต์ ได้แก่ tau squared Bench ที่ 77.2, BrowseComp ที่ 44.0 และ FinSearchComp global ที่ 65.5 การทดสอบเหล่านี้ครอบคลุมการท่องเว็บและอ้างอิงแหล่งข้อมูล การค้นคืนข้อมูลทางการเงิน รวมถึงการวางแผนและฟื้นตัวเมื่อขั้นตอนล้มเหลว ในทางปฏิบัติ หมายความว่าเอเจนต์ที่ขับเคลื่อนด้วย M2 สามารถวางแผน รันคำสั่งเชลล์ ค้นหาและอ่านแหล่งข้อมูล เรียกใช้ตัวแปลภาษาเพื่อทดสอบโค้ด แก้ไขข้อผิดพลาด และนำเสนอหลักฐานที่ตรวจสอบย้อนกลับได้ โดยไม่ต้องให้มนุษย์คอยชี้แนะตลอดเวลา
การทดสอบมาตรฐานด้านการเขียนโค้ดและการให้เหตุผล
MiniMax ออกแบบ M2 เพื่อรองรับเวิร์กโฟลว์การพัฒนาซอฟต์แวร์ตั้งแต่ต้นจนจบ โดยโมเดลสามารถแก้ไขไฟล์หลายไฟล์ คอมไพล์ ทดสอบ และแก้ไขโค้ดซ้ำเป็นรอบ ๆ ในงานลักษณะ SWE Bench และ Terminal Bench โมเดลแสดงความสามารถในการทำงานกับคลังโค้ดจริงและสภาพแวดล้อมบรรทัดคำสั่งในหลายภาษา ผลประเมินภาพรวมของ Artificial Analysis ซึ่งพิจารณาการทดสอบความรู้และการให้เหตุผล เช่น GPQA Diamond และ AIME ด้วย ชี้ว่าความแข็งแกร่งด้านการเขียนโค้ดของ M2 ไม่ได้แลกมาด้วยความสามารถด้านสติปัญญาทั่วไป สำหรับองค์กรที่ต้องการผู้ช่วยซึ่งทำได้ทั้งงานซอฟต์แวร์และงานวิจัย ความสม่ำเสมอในหลายด้านเหล่านี้ถือเป็นจุดดึงดูดสำคัญ
ภาพรวมสถาปัตยกรรม
M2 เป็นโมเดล Mixture of Experts แบบเบาบาง แทนที่จะส่งโทเคนทุกตัวผ่านทุกส่วนของโครงข่ายขนาดใหญ่ ระบบจะใช้กลไกเกตที่เรียนรู้มาเลือกเปิดใช้งานเครือข่ายย่อยผู้เชี่ยวชาญเพียงไม่กี่ชุดสำหรับอินพุตแต่ละรายการ เอกสารของ MiniMax ระบุว่าโมเดลมีพารามิเตอร์รวมราว 230,000 ล้านพารามิเตอร์ และเปิดใช้งาน 10,000 ล้านพารามิเตอร์ต่อการอนุมานหนึ่งครั้ง รายงานช่วงแรกระบุจำนวนพารามิเตอร์รวมไว้ที่ 200,000 ล้าน แต่หน้าเอกสารทางเทคนิคและการ์ดโมเดลของบริษัทอธิบายว่าความจุรวมมีขนาดใหญ่ขึ้น โดยยังคงใช้งบพารามิเตอร์ที่ทำงานอยู่เท่าเดิมที่ 10,000 ล้าน ประโยชน์เห็นได้ชัด คือได้ความรู้ที่กว้างขวางและความเชี่ยวชาญเฉพาะด้านของโมเดลขนาดใหญ่มาก ขณะที่ต้นทุนการอนุมานใกล้เคียงกับระบบแบบหนาแน่นที่มีพารามิเตอร์ 10,000 ล้านตัว
ประสิทธิภาพนี้สะท้อนให้เห็นในข้อกำหนดด้านฮาร์ดแวร์ MiniMax และผู้ทดสอบภายนอกระบุว่าสามารถให้บริการใช้งานจริงได้ด้วย GPU NVIDIA H100 เพียงสี่ตัวในความละเอียด FP8 ทำให้ M2 อยู่ในขอบเขตที่ทีมวิศวกรรมขนาดกลางสามารถเข้าถึงได้ เมื่อเทียบกันแล้ว คู่แข่งบางรายเปิดใช้งานพารามิเตอร์จำนวนมากกว่ามาก DeepSeek V3.2 รุ่นล่าสุดเปิดใช้งานพารามิเตอร์ราว 37,000 ล้านตัวต่อโทเคน ส่วน Kimi K2 ของ Moonshot AI ใช้ราว 32,000 ล้านตัว ซึ่งเพิ่มภาระหน่วยความจำและลดอัตราการประมวลผล การเปิดใช้งานพารามิเตอร์ในสัดส่วนที่น้อยกว่าของ M2 ยังช่วยลดเวลาแฝงช่วงปลายและรองรับการทำงานพร้อมกัน ซึ่งเป็นปัญหาด้านการปฏิบัติงานที่พบได้บ่อยในเครื่องมือโต้ตอบและเอเจนต์
แนวทางการออกแบบเอเจนต์และการใช้เครื่องมือ
MiniMax พัฒนา M2 ให้คิด ลงมือทำ และตรวจสอบผลลัพธ์เป็นวงจร จากนั้นเปิดให้ใช้งานความสามารถดังกล่าวผ่านคู่มือการเรียกใช้เครื่องมือที่เชื่อมโมเดลเข้ากับเชลล์ เบราว์เซอร์ ระบบค้นคืนข้อมูล และโปรแกรมรันโค้ด บริษัทเน้นให้เห็นร่องรอยการให้เหตุผลในรูปแบบการคิดสลับกับข้อความตอบ ในเซสชันที่มีการโต้ตอบหลายรอบ ผู้ช่วยจะรักษาบริบทการวางแผนและลำดับหลักฐานไว้ ช่วยให้กู้คืนการทำงานได้เมื่อข้อมูลไม่ครบหรือขั้นตอนล้มเหลว และช่วยให้นักพัฒนาตรวจสอบการตัดสินใจได้ แนวทางนี้ออกแบบมาเพื่อให้งานที่ต้องดำเนินต่อเนื่องเป็นเวลานานมีความน่าเชื่อถือและตรวจแก้ข้อผิดพลาดได้ง่ายขึ้น
MiniMax ยังผสาน M2 เข้ากับสภาพแวดล้อมการพัฒนาที่ใช้งานจริงอย่างใกล้ชิด โมเดลทำงานได้ดีกับเฟรมเวิร์กการอนุมานยอดนิยมอย่าง SGLang และ vLLM และรองรับรูปแบบคำขอที่คุ้นเคยจาก OpenAI และ Anthropic ทำให้ทีมต่าง ๆ เปลี่ยนมาใช้ M2 ได้โดยแก้โค้ดเพียงเล็กน้อย และขยายระบบให้บริการได้ตามความต้องการ สำหรับผู้ที่สร้างโคไพลอตใช้ภายในองค์กรหรือเอเจนต์สำหรับระบบใช้งานจริง การผสานระบบที่ทำได้ง่ายถือเป็นข้อได้เปรียบ
MiniMax นำเสนอการเปิดตัวครั้งนี้ในแง่พันธกิจและการเข้าถึง โดยบริษัทระบุว่าต้องการให้ผู้ใช้ในวงกว้างเข้าถึงปัญญาประดิษฐ์ขั้นสูงได้ ไม่ใช่เฉพาะผู้ที่มีกำลังจ่ายสำหรับโมเดลระบบปิดราคาแพง
ตั้งแต่เริ่มต้น MiniMax มุ่งมั่นเดินหน้าตามวิสัยทัศน์เรื่อง 'ปัญญาประดิษฐ์ที่ทุกคนเข้าถึงได้'
ในเอกสารการ์ดโมเดลที่เผยแพร่สู่สาธารณะ ทีมงานย้ำถึงจุดเน้นด้านเอเจนต์และประสิทธิภาพ
MiniMax-M2 นิยามประสิทธิภาพของเอเจนต์ขึ้นใหม่
MiniMax ให้บริการเอเจนต์ที่ขับเคลื่อนด้วย M2 ซึ่งมีสองโหมด Lightning Mode สตรีมคำตอบทันทีสำหรับคำถามง่าย ๆ ส่วน Pro Mode รองรับงานซับซ้อนที่ใช้เวลานานกว่า เช่น การวิจัย การดึงข้อมูล หรือการเขียนโค้ดหลายขั้นตอน การแบ่งรูปแบบนี้สอดคล้องกับวิธีทำงานจริงของทีม ซึ่งสลับไปมาระหว่างการหาคำตอบอย่างรวดเร็วกับโครงการที่ต้องทำต่อเนื่อง โดยโมเดลต้องวางแผน ลงมือทำ และตรวจสอบผลงานตั้งแต่ต้นจนจบ
การเข้าถึง สัญญาอนุญาต และราคา
การเปิดให้ใช้งาน M2 ถือว่าเปิดกว้างเป็นพิเศษสำหรับระบบที่มีความสามารถระดับนี้ MiniMax เผยแพร่น้ำหนักโมเดลฉบับเต็มภายใต้สัญญาอนุญาตแบบผ่อนปรน พร้อมจัดทำคู่มือการนำไปใช้งาน นักพัฒนาสามารถดาวน์โหลดคลังโมเดลจากแพลตฟอร์มอย่าง Hugging Face รันการอนุมานในเครื่องด้วย SGLang หรือ vLLM และปรับแต่งโมเดลสำหรับสาขาเฉพาะได้ MiniMax ยังให้บริการ API ที่คิดราคาต่อโทเคนต่ำมากและสตรีมผลลัพธ์ได้รวดเร็ว อีกทั้งบริษัทประชาสัมพันธ์การเปิดให้ทดลองใช้งานฟรีในช่วงเวลาจำกัด ทั้งสำหรับแอป Agent และ API
รายละเอียดที่สำคัญต่อผู้ซื้อ ได้แก่ การรองรับการเรียกใช้ฟังก์ชันแบบมีโครงสร้าง การประมวลผลบริบทยาว และการใช้เครื่องมืออย่างมีประสิทธิภาพ MiniMax แนะนำการตั้งค่าการสุ่มตัวอย่างที่ใช้กันทั่วไป และจัดทำรูปแบบการเรียกใช้เครื่องมือที่ชัดเจนสำหรับเชื่อมโมเดลเข้ากับบริการภายนอก สำหรับทีมที่กังวลเรื่องการผูกติดกับผู้ให้บริการ การผสานน้ำหนักโมเดลแบบเปิดกับความเข้ากันได้ของ API ที่ดีถือเป็นแรงจูงใจสำคัญให้ประเมิน M2 ส่วนทีมที่ต้องการใช้งานทุกอย่างภายในองค์กร เอกสารของบริษัทอธิบายวิธีให้บริการ M2 อย่างมีประสิทธิภาพและวิธีคำนวณขนาดหน่วยความจำ GPU สำหรับการตั้งค่าความละเอียดต่าง ๆ
- เผยแพร่น้ำหนักโมเดลสำหรับโฮสต์เอง พร้อมคู่มือสำหรับ SGLang และ vLLM
- API คิดราคา 0.30 ดอลลาร์ต่อโทเคนอินพุตหนึ่งล้านโทเคน และ 1.20 ดอลลาร์ต่อโทเคนเอาต์พุตหนึ่งล้านโทเคน พร้อมระบุความเร็วไว้ที่เกือบ 100 โทเคนต่อวินาที
- รองรับการใช้เครื่องมือผ่านเชลล์ เบราว์เซอร์ ระบบค้นคืนข้อมูล และตัวแปลภาษาเพื่อรันโค้ด พร้อมแสดงร่องรอยการให้เหตุผลเพื่อรองรับการตรวจสอบและแก้ไขข้อผิดพลาด
- รองรับ API รูปแบบเดียวกับ OpenAI และ Anthropic ช่วยลดงานผสานระบบสำหรับแอปที่มีอยู่
คุณสมบัติเหล่านี้ทำให้ M2 น่าสนใจสำหรับโคไพลอตด้านวิศวกรรมซอฟต์แวร์ ผู้ช่วยวิเคราะห์ข้อมูล และเอเจนต์บริการลูกค้าที่ต้องผสานการให้เหตุผลเข้ากับการใช้เครื่องมือได้อย่างน่าเชื่อถือ
คู่แข่งและอันดับที่เปลี่ยนแปลง
การผงาดขึ้นของ MiniMax M2 ทำให้อันดับโมเดลโอเพนเวตเปลี่ยนไป และเพิ่มความเข้มข้นในการแข่งขันทั้งในจีนและสหรัฐฯ Artificial Analysis จัดให้ M2 เป็นโมเดลโอเพนเวตที่แข็งแกร่งที่สุด ด้วยคะแนน Intelligence Index ที่ 61 เหนือ Gemini 2.5 Pro ของ Google และตามหลังผู้นำระบบปิดอย่าง Claude Sonnet 4.5, GPT 5 และ Grok 4 เพียงเล็กน้อย โดยขึ้นอยู่กับประเภทงาน ตำแหน่งดังกล่าวน่าจับตาเป็นพิเศษในการประเมินเอเจนต์ เช่น BrowseComp และ FinSearchComp global ซึ่งความสามารถของ M2 ในการวางแผน อ้างอิงหลักฐาน และฟื้นตัวจากข้อผิดพลาด ช่วยลดช่องว่างกับระบบปิดลงได้มาก
แผนที่การแข่งขันภายในจีนก็กำลังเปลี่ยนแปลงเช่นกัน แม้ DeepSeek และ Qwen จะครองพื้นที่ข่าวมาหลายเดือนด้วยการฝึกโมเดลขนาดแนวหน้าและการประมวลผลบริบทยาว แต่ขณะนี้ MiniMax กำลังเป็นที่สนใจด้วยการใช้พารามิเตอร์ที่เปิดใช้งานน้อยกว่า แต่ให้ประสิทธิภาพด้านเอเจนต์และการเขียนโค้ดใกล้เคียงกันในต้นทุนที่ต่ำกว่า DeepSeek ทดลองใช้จำนวนพารามิเตอร์รวมขนาดมหาศาล ซึ่งอาจทำให้ความต้องการหน่วยความจำสูงเกือบ 700 กิกะไบต์ในการตั้งค่าบางรูปแบบ ส่วนการเปิดใช้งานแบบเบาบางและแนวทางการให้บริการที่รอบคอบของ MiniMax ช่วยลดข้อกำหนดให้เหลือเพียงคลัสเตอร์ที่ทีมตลาดระดับกลางจำนวนมากสามารถจ่ายไหว โดยเฉพาะเมื่อใช้ FP8 และเฟรมเวิร์กการอนุมานที่ปรับประสิทธิภาพแล้ว
ราคาก็เป็นปัจจัยสำคัญเช่นกัน ราคาโทเคนของ MiniMax ต่ำกว่าคู่แข่งรายใหญ่ที่เป็นระบบปิดถึงระดับสิบเท่า สำหรับองค์กรที่ต้องการรันเอเจนต์หลายร้อยตัว หรือเปิดเครื่องมือช่วยเขียนโค้ดให้ผู้พัฒนาจำนวนมากใช้งานตลอดวัน เรื่องนี้อาจช่วยขยับงบประมาณจากโครงการนำร่องไปสู่การใช้งานจริงได้ การเผยแพร่น้ำหนักโมเดลแบบเปิดก็เป็นอีกปัจจัย เพราะช่วยให้บริษัทที่ให้ความสำคัญกับความปลอดภัยตรวจสอบ ปรับแต่ง และใช้งานโมเดลในสภาพแวดล้อมของตนเองได้ การผสานการเข้าถึง ต้นทุน และความสามารถเข้าด้วยกันเป็นความท้าทายโดยตรงต่อแพลตฟอร์มระบบปิดที่พึ่งพาการตั้งราคาระดับพรีเมียม
ข้อควรพิจารณาสำหรับผู้ซื้อ
ผลการทดสอบมาตรฐานเป็นแนวทางที่มีประโยชน์ แต่ไม่ใช่สิ่งรับประกัน Artificial Analysis ประเมินโมเดลด้วยชุดทดสอบที่ควบคุมเงื่อนไขและพรอมป์ต์ที่กำหนดตายตัว ซึ่งอาจไม่ตรงกับโดเมนหรือเครื่องมือของบริษัทอย่างสมบูรณ์ ทีมที่นำ M2 ไปใช้ควรทดสอบด้วยชุดประเมินของตนเองบนงานที่เป็นตัวแทนการใช้งานจริง และวัดเวลาแฝง อัตราการประมวลผล และความน่าเชื่อถือของเอเจนต์ด้วยเครื่องมือที่จะใช้จริง
ยังมีรายละเอียดด้านการปฏิบัติงานที่ต้องวางแผน MiniMax แนะนำให้เก็บร่องรอยการคิดสลับข้อความของโมเดลไว้ต่อเนื่องระหว่างการโต้ตอบแต่ละรอบ เพื่อให้แผนและหลักฐานของงานระยะยาวมีความสอดคล้องกัน การออกแบบนี้อาจทำให้คำตอบยืดยาวและประวัติการสนทนามีขนาดใหญ่ขึ้น นักพัฒนาจึงควรบริหารจัดการหน้าต่างบริบทอย่างรอบคอบ และตัดทอนหรือสรุปเนื้อหาเมื่อทำได้ องค์กรที่ต้องการเพิ่มอัตราการประมวลผลให้สูงที่สุดควรทดสอบการตั้งค่าการลดความละเอียดและกลยุทธ์การจัดชุดคำขอ เพื่อหาสมดุลระหว่างความเร็ว ต้นทุน และความแม่นยำ
ท้ายที่สุด M2 ยังคงเป็นระบบโอเพนเวตที่องค์กรสามารถดัดแปลงได้ ซึ่งทำให้องค์กรมีความรับผิดชอบด้านความปลอดภัยและการปฏิบัติตามข้อกำหนดมากขึ้น ทีมงานควรวางระบบตรวจติดตาม มาตรการควบคุมการเรียกใช้เครื่องมือ และการควบคุมสิทธิ์การเข้าถึงสำหรับการนำไปใช้งานที่เชื่อมต่อกับแหล่งข้อมูลภายนอกหรือข้อมูลอ่อนไหว ประเด็นเหล่านี้เป็นข้อควรคำนึงตามปกติสำหรับระบบเอเจนต์ และต้องใช้แนวทางที่รอบคอบเช่นเดียวกันในกรณีนี้
สรุปโดยย่อ
- MiniMax M2 เป็นโมเดลโอเพนเวตที่ได้อันดับสูงสุดบนดัชนี Artificial Analysis Intelligence Index และอยู่ในกลุ่มผู้นำระดับโลกโดยรวม
- ทำผลงานด้านสติปัญญาโดยรวมเหนือ Gemini 2.5 Pro ของ Google แต่ยังตามหลังระบบปิดระดับแนวหน้าอย่าง GPT 5 และ Claude Sonnet 4.5 ในงานบางประเภท
- M2 เป็นโมเดล Mixture of Experts ที่มีพารามิเตอร์รวมราว 230,000 ล้านตัว และเปิดใช้งาน 10,000 ล้านตัวต่อการอนุมานหนึ่งครั้ง ช่วยลดเวลาแฝงและต้นทุน
- ประสิทธิภาพด้านเอเจนต์เป็นจุดเด่น โดยทำผลงานได้ดีในการทดสอบ tau squared Bench, BrowseComp และ FinSearchComp global
- ความสามารถด้านการเขียนโค้ดได้รับการยืนยันจากงานลักษณะ SWE Bench และ Terminal Bench ซึ่งรองรับเวิร์กโฟลว์การพัฒนาซอฟต์แวร์ตั้งแต่ต้นจนจบ
- API มีราคา 0.30 ดอลลาร์ต่อโทเคนอินพุตหนึ่งล้านโทเคน และ 1.20 ดอลลาร์ต่อโทเคนเอาต์พุตหนึ่งล้านโทเคน โดยมีความเร็วเกือบ 100 โทเคนต่อวินาที
- เปิดให้นำหนักโมเดลฉบับเต็มไปโฮสต์เองภายใต้สัญญาอนุญาตแบบผ่อนปรน และรองรับ SGLang, vLLM และรูปแบบ API ทั่วไป
- สามารถให้บริการได้ด้วย GPU NVIDIA H100 เพียงสี่ตัวที่ความละเอียด FP8 ช่วยให้ทีมขนาดกลางนำไปใช้งานได้ง่ายขึ้น
- เมื่อเทียบกับคู่แข่ง M2 เปิดใช้งานพารามิเตอร์น้อยกว่า DeepSeek V3.2 และ Moonshot Kimi K2 จึงมีประสิทธิภาพสูงกว่า
- องค์กรควรตรวจสอบประสิทธิภาพด้วยชุดเครื่องมือของตนเอง และวางแผนรองรับคำตอบที่ยืดยาว การจัดการบริบท และมาตรการควบคุมความปลอดภัย
