Çinli yapay zekâ rakibi üst lige yükseliyor
MiniMax M2, açık ağırlıklı modeller için hazırlanan Artificial Analysis Intelligence Index'te 61 puanla zirveye yerleşerek Google DeepMind'ın Gemini 2.5 Pro modelini geride bıraktı. 28 Ekim 2025 itibarıyla yayımlanan model, görevleri tamamlamak için araçlardan yararlanan kodlama sistemleri ve yazılım ajanlarına odaklanarak Çinli girişimi önde gelen yapay zekâ geliştiricileri arasına taşıyor.
İçindekiler
- Çinli yapay zekâ rakibi üst lige yükseliyor
- Zekâ sıralaması neyi ölçüyor?
- Arama yapan, harekete geçen ve işini kontrol eden ajanlar
- Uçtan uca geliştirme görevlerinde kodlama
- 230 milyar parametre, daha düşük etkin parametre bütçesine nasıl sığıyor?
- Ajanın çalışma bağlamını korumak
- Erişim, fiyatlar ve entegrasyon seçenekleri
- Rekabet odağı işletme maliyetlerine kayıyor
- Alıcıların kurulum öncesinde test etmesi gerekenler
- Öne Çıkanlar
Önde gelen yerli yatırımcıların desteklediği ve hızla büyüyen MiniMax, hem yetenek hem de maliyet açısından rekabet ediyor. M2 API'sinin fiyatı, milyon girdi token'ı başına 0,30 dolar ve milyon çıktı token'ı başına 1,20 dolar. Şirket, çıkarım hızının saniyede yaklaşık 100 token'a ulaştığını belirtiyor ve fiyatlarının Anthropic'in Claude 3.5 Sonnet modelinin yaklaşık yüzde 8'i düzeyinde olduğunu söylüyor.
M2'nin tasarımı, toplamda yaklaşık 230 milyar parametreyi ve aynı anda etkin olan yaklaşık 10 milyar parametreyi bir araya getiriyor. Parametreler, modelin eğitim sırasında öğrendiği sayısal değerlerdir. M2, her token için ağının yalnızca bir bölümünü kullanarak çok daha büyük bir sistemin yeteneklerini sunmayı ve yanıt üretmek için gereken hesaplama miktarını azaltmayı hedefliyor.
MiniMax ayrıca modelin tüm ağırlıklarını izin koşulları esnek bir lisansla yayımladı. Bu ağırlıklar, modeli çalıştırmak için gereken öğrenilmiş değerlerdir. Geliştiriciler bunları indirip ince ayar yoluyla sistemi uyarlayabilir ve MiniMax API'sinden erişim satın alma seçeneğinin yanı sıra kendi altyapılarında çalıştırabilir.
Bu sürüm, Çin'de açık ağırlıklı yapay zekâ alanında rekabetin giderek kızıştığı bir yılda geldi. DeepSeek, Alibaba'nın Qwen'i, Moonshot AI ve diğer geliştiriciler akıl yürütme ve uzun bağlam işleme alanlarında ilerleme kaydetti. MiniMax, işletmelerin hâlihazırda para harcadığı alanlara odaklanıyor: yapay zekânın yalnızca yanıt vermekle kalmayıp harekete geçmesini gerektiren yazılım geliştirme, araştırma ve destek süreçleri.
Zekâ sıralaması neyi ölçüyor?
Artificial Analysis, zorlu matematik, fen, talimat izleme, kodlama ve ajan iş akışı testlerini Intelligence Index'te bir araya getiriyor. M2'nin 61 puanı, onu açık ağırlıklı modeller arasında ilk sıraya, genel sıralamada ise önde gelen modeller arasına yerleştiriyor.
Google'ın Gemini 2.5 Pro modeli, bu birleşik değerlendirmede M2'nin gerisinde kalıyor. M2, çeşitli kodlama ve ajan görevlerinde Anthropic'in Claude Sonnet 4.5 modeline yaklaşıyor. GPT 5 ve xAI'ın Grok'u da dahil olmak üzere en yeni tescilli sistemler ise karşılaştırmanın bazı bölümlerinde önde. M2'nin Claude Sonnet 4.5, GPT 5 ve Grok 4 karşısındaki konumu, ölçülen göreve göre değişiyor.
Artificial Analysis, GPQA Diamond ve AIME gibi bilgi ve akıl yürütme değerlendirmelerini de kapsıyor. Kodlama testleriyle birlikte bu ölçümler, M2'nin neden yazılım geliştirmenin ötesinde ilgi gördüğünü açıklamaya yardımcı oluyor: Programlama alanındaki gücüne daha geniş bir akıl yürütme yeteneği eşlik ediyor.
Dolayısıyla modeli tescilli alternatiflerle karşılaştıran geliştiricilerin değerlendirebileceği birkaç seçenek var. M2, önemli iş akışlarında önde gelen sistemlere yaklaşan performans, düşük API fiyatları ve modeli kendi altyapılarında çalıştırma özgürlüğü sunuyor. Tescilli rakiplerin bazı görevlerde üstünlükleri sürüyor; bu nedenle satın alma kararında hedeflenen iş yükü belirleyici oluyor.
Arama yapan, harekete geçen ve işini kontrol eden ajanlar
MiniMax, M2'yi ajanlar için tasarladı. Ajanlar, adımlar planlayarak, araçları kullanarak, sonuçları okuyarak ve sırada ne yapacaklarına karar vererek bir görevi yerine getiren yapay zekâ sistemleridir. Bir ajan web'de arama yapabilir, kurum içi bilgileri sorgulayabilir, kod çalıştırabilir ve ardından yanıtının ya da ürettiği içeriğin doğruluğunu kontrol edebilir.
MiniMax, tau squared Bench'te 77,2, BrowseComp'ta 44,0 ve FinSearchComp global'de 65,5 puan aldığını bildiriyor. Bu ajan değerlendirmeleri; web'de gezinme ve kaynak gösterme, finansal bilgiye erişme, planlama ve başarısız bir adımın ardından toparlanma gibi alanları kapsıyor.
M2'nin bildirilen güçlü yönleri arasında plan oluşturma, kabuk komutları çalıştırma, bilgi bulup okuma, kodu sınamak için yorumlayıcı çağırma, hataları düzeltme ve kaynağına kadar izlenebilen kanıtlar sunma yer alıyor. Hedeflenen sonuç, her eylemi bir kişinin yönlendirmesine gerek kalmadan görevi ilerletmeyi sürdürebilen bir ajan.
MiniMax'in yaklaşımı, birkaç sistem arasında gidip gelen araştırma ve destek işleri için özellikle anlamlı. Yararlı bir yanıt; veritabanından alınan bilgiye, kod çalıştırma ortamında yapılan bir hesaplamaya ve başka bir belgeyle gerçekleştirilen kontrole bağlı olabilir. M2, bu eylemleri devam eden bir iş akışında birleştirmek üzere tasarlandı.
M2'nin BrowseComp ve FinSearchComp global'deki performansı, kapalı sistemler karşısındaki rekabet gücünün bir parçası. Bu görevler, tek bir soruya akıcı yanıt vermekten ziyade bilgi bulmaya, kaynak göstermeye ve hatalardan sonra toparlanmaya önem veriyor.
Uçtan uca geliştirme görevlerinde kodlama
MiniMax, M2'yi küçük bir kod parçası üretmenin ötesine geçen yazılım işleri için geliştirdi. Hedeflenen iş akışı; birden fazla dosyayı düzenlemeyi, yazılımı derlemeyi, testleri çalıştırmayı ve görev tamamlanana kadar sorunları tekrar tekrar gidermeyi içeriyor.
SWE Bench tarzı değerlendirmeler ve Terminal Bench, yazılım depolarında ve komut satırı ortamlarında yapılan çalışmaları ölçüyor. M2, farklı programlama dillerini kapsayan bu ortamlarda yetkinlik gösteriyor ve daha geniş bir geliştirme sürecine katılabilen kodlama asistanı olma hedefini destekliyor.
Komut satırı ortamı, yazılımların metin komutlarıyla yönlendirilmesini sağlar. M2, bir ajan iş akışında bu ortamı kullanarak dosyaları inceleyebilir, programları çalıştırabilir ve hata mesajlarını okuyabilir. Sonraki adım, yaşananlara göre belirlenebilir; böylece model ilk denemesinden sonra durmak yerine yaptığı işi gözden geçirebilir.
Kurum içinde yardımcı pilot kullanmayı değerlendiren işletmeler, aynı asistandan bir sorunu araştırmasını ya da bilgileri analiz etmesini de isteyebilir. M2'nin kodlama, bilgi ve akıl yürütme testlerindeki sonuçları, bu birleşimin cazibesini artırıyor. Yazılım mühendisliği yardımcı pilotları, veri analizi asistanları ve müşteri destek ajanları hedeflenen kullanım alanları arasında.
230 milyar parametre, daha düşük etkin parametre bütçesine nasıl sığıyor?
M2, seyrek Uzmanlar Karışımı (Mixture of Experts) mimarisini kullanıyor. Öğrenilmiş bir geçit, her token'ı ağın tamamından geçirmek yerine, o token'ı işlemek için uzman adı verilen birkaç özelleşmiş bölümü seçiyor. Böylece modelin toplam kapasitesi yüksek olurken her çıkarımda, yani yanıt üretme sürecinde, çok daha küçük bir bölümü etkinleşiyor.
MiniMax'in teknik belgeleri ve model kartı, toplamda yaklaşık 230 milyar, her çıkarımda ise etkinleşen 10 milyar parametre olduğunu belirtiyor. İlk açıklamalarda toplam parametre sayısı 200 milyar olarak verilmişti; şirketin teknik sayfalarında ise etkin parametre bütçesi aynı kalırken daha yüksek toplam sayı yer alıyor.
Bu tasarım, M2'nin büyük bir ağın bilgi birikiminden ve uzmanlaşmasından yararlanmasını sağlarken her token için gereken hesaplama miktarını 10 milyar parametreli yoğun bir modelinkine yaklaştırıyor. Yoğun bir model her seferinde ağının tamamını kullanırken M2 yalnızca ilgili uzmanları seçiyor.
MiniMax ve bağımsız test uzmanları, FP8 hassasiyetiyle en az dört NVIDIA H100 GPU üzerinde pratik kullanımın mümkün olduğunu belirtiyor. FP8, değerleri temsil etmek için sekiz bit kullanan ve böylece bunları saklamak için gereken belleği azaltan bir sayısal biçimdir. Önerilen kurulum, bu donanıma erişimi olan orta ölçekli mühendislik ekiplerinin M2'yi çalıştırabilmesini sağlıyor.
DeepSeek'in yakın tarihli V3.2 modeli token başına yaklaşık 37 milyar, Moonshot AI'ın Kimi K2 modeli ise yaklaşık 32 milyar parametreyi etkinleştiriyor. Her iki sayı da M2'nin 10 milyar etkin parametresinden belirgin ölçüde yüksek. MiniMax'in daha küçük etkin parametre ayak izi, hesaplama ihtiyacını azaltmayı ve daha hızlı çalıştırmayı desteklemeyi amaçlıyor.
MiniMax ayrıca uç gecikmeyi ve eşzamanlılığı hedefliyor. Uç gecikme, kullanıcıların karşılaştığı en yavaş yanıtları; eşzamanlılık ise bir sistemin aynı anda işlediği istek sayısını ifade ediyor. Her ikisi de çok sayıda kişi etkileşimli bir asistanı kullandığında veya birkaç ajan aynı anda çalıştığında önem taşıyor.
DeepSeek'in bazı yapılandırmaları, yüksek toplam parametre sayıları nedeniyle yaklaşık 700 gigabayt bellek gerektirebiliyor. M2'nin seyrek tasarımı ve çalıştırma yönergeleri, özellikle FP8 ve optimize edilmiş çıkarım çerçeveleriyle birlikte kullanıldığında farklı bir çalışma profili sunuyor. Ekiplerin yine de modelin hassasiyet ayarlarına ve hedeflenen iş yüklerine göre bellek kapasitesini belirlemesi gerekiyor.
Ajanın çalışma bağlamını korumak
MiniMax'in araç çağırma kılavuzu, M2'yi kabuklara, tarayıcılara, bilgi getirme sistemlerine ve kod çalıştırma ortamlarına bağlıyor. Araç çağırma, bir modelin başka bir yazılımdan eylem istemesini, sonuç almasını ve çalışmaya devam etmesini sağlayan mekanizmadır.
M2, etkileşimleri boyunca görünür akıl yürütme izlerinin taşındığı, iç içe geçmiş bir düşünme biçimi kullanıyor. MiniMax, asistanın daha uzun görevler sırasında planlama bağlamını ve kanıt zincirini koruması için bu izlerin turlar boyunca saklanmasını öneriyor.
Bu sürekliliğin, ajanın eksik bilgi ya da başarısız adımların ardından toparlanmasına yardımcı olması amaçlanıyor. Ayrıca sistemin belirli bir eylemi neden gerçekleştirdiğini araştıran geliştiricilere inceleyebilecekleri veriler sunuyor. Planlar, araç sonuçları ve sonraki kararlar birbiriyle bağlantılı kaldığında uzun görevlerde hata ayıklamak kolaylaşıyor.
MiniMax, lansmanı ileri düzey yapay zekâya erişim hedefiyle ilişkilendirdi. Şirket, kamuya açık açıklamasında çalışmalarının ardındaki amacı şöyle anlattı:
MiniMax, en başından beri 'Herkesle Zekâ' vizyonunun peşinde oldu.
MiniMax ekibi, kamuya açık model kartında modelin ajanlara ve verimliliğe odaklandığını şöyle belirtti:
MiniMax-M2, ajanlar için verimliliği yeniden tanımlıyor.
Şirketin M2 destekli Agent hizmeti, işleri iki moda ayırıyor. Lightning Mode, basit sorgulara anında yanıt verir. Pro Mode ise araştırma, veri çıkarımı ve birkaç aşamaya yayılan kodlama da dahil olmak üzere daha uzun süren karmaşık işleri yürütür.
Bu modlar iki farklı kullanım biçimini yansıtıyor: hızlı bir yanıt almak veya planlama, uygulama ve doğrulama gerektiren bir projeyi devretmek. M2'nin ajan tasarımı, daha basit isteklere hızlı yanıt verme yeteneğini korurken ikinci kullanım biçimini desteklemeyi hedefliyor.
Erişim, fiyatlar ve entegrasyon seçenekleri
MiniMax, M2'yi indirilebilir ağırlıklar ve barındırılan bir API üzerinden sunuyor. Geliştiriciler Hugging Face gibi platformlardaki model deposuna erişebilir, yerel çıkarım çalıştırabilir ve modeli belirli alanlara göre ince ayarla uyarlayabilir. Yayımlanan kurulum kılavuzlarında, dil modellerini çalıştırmak için kullanılan iki çerçeve olan SGLang ve vLLM yer alıyor.
M2, OpenAI ve Anthropic'in kullandığı yaygın istek biçimleriyle uyumlu. Bu uyumluluk, mevcut bir uygulamayı MiniMax hizmetine ya da kurum içinde işletilen bir kuruluma bağlamak için gereken değişiklikleri azaltabilir.
API'nin fiyatı, milyon girdi token'ı başına 0,30 dolar ve milyon çıktı token'ı başına 1,20 dolar. Token'lar, bir dil modelinin işlediği metin birimleridir; çoğu zaman sözcüklerin tamamı ya da parçalarıdır. Girdi ücretleri sisteme gönderilen içerik, çıktı ücretleri ise modelin ürettiği metin için uygulanır.
MiniMax'in Claude 3.5 Sonnet ile yaptığı karşılaştırmaya göre M2'nin fiyatı, bu modelin yaklaşık yüzde 8'i düzeyinde. Duyurulan çıktı hızı saniyede yaklaşık 100 token. Düşük ücretler ve hızlı akış, sık ya da uzun etkileşimler yürüten geliştiricileri ve işletmeleri çekme çabasının merkezinde yer alıyor.
MiniMax, Agent uygulamasına ve API'sine sınırlı süreyle ücretsiz erişim de sundu. Belgelerinde yanıtların nasıl üretileceğini etkileyen örnekleme ayarları için öneriler ve harici hizmetlerin modele nasıl bağlanacağını belirten bir araç çağırma şeması bulunuyor.
Yapılandırılmış işlev çağırma, uzun bağlam işleme ve sağlam araç kullanımı da alıcılar açısından önemli özellikler arasında. Yapılandırılmış çağrılar, uygulamaların istenen eylemler için öngörülebilir bir biçim kullanmasını sağlarken uzun bağlam, modelin tek bir etkileşim sırasında daha fazla içeriği işlemesine olanak tanıyor.
Tamamen kendi tesislerinde çalıştırmak isteyen kuruluşlar, şirketin çalıştırma yönergelerini izleyebilir ve farklı sayısal hassasiyet ayarları için uygun GPU belleği düzenlemelerini seçebilir. Açık ağırlıklarla yaygın API biçimlerinin bir arada sunulması, ekiplerin kurulum üzerinde daha fazla kontrol sahibi olmasını ve tek bir barındırılan sağlayıcıya bağımlılığının azalmasını sağlıyor.
Rekabet odağı işletme maliyetlerine kayıyor
MiniMax'in sıralamadaki yeri, Çin ve ABD'deki rakipler üzerindeki baskıyı artırıyor. DeepSeek ve Qwen, önde gelen modeller ölçeğinde eğitim ve uzun bağlam işleme çalışmalarıyla dikkat çekti. M2 ise daha düşük etkin parametre bütçesi, kodlama yeteneği ve daha düşük işletme maliyetindeki ajan performansıyla öne çıkıyor.
Yüzlerce ajan çalıştıran ya da kodlama asistanlarını gün boyu kullanıma açık tutan işletmeler, yinelenen istekleri ve uzun çıktıları hesaba katmak zorunda. MiniMax'in API fiyatları, büyük tescilli rakiplerin fiyatlarının bir büyüklük mertebesi altında kalarak maliyeti rekabet konumunun merkezine taşıyor.
Düşük ücretler, bir işletmenin sınırlı bir denemeden daha geniş kullanıma geçmesine yardımcı olabilir. Açık ağırlıklar başka bir seçenek sunuyor: Ekipler, tamamen ücretli bir harici hizmete bağlı kalmak yerine M2'yi uyarlayıp kurum içinde çalıştırabilir. Hassas bilgileri işleyen şirketler için modeli inceleme, ince ayarla uyarlama ve kendi ortamlarında çalıştırma olanağı da cazibesinin bir parçası.
M2'nin erişim, maliyet ve yetenek bileşimi, yüksek fiyatlandırmaya dayanan tescilli platformlara meydan okuyor. Modelin en güçlü olduğu alanlar, yararlı akıl yürütmenin güvenilir araç kullanımıyla bir arada gerektiği iş akışları: yazılım mühendisliği, finansal bilgi aramaları, araştırma ve müşteri desteği.
Alıcıların kurulum öncesinde test etmesi gerekenler
Artificial Analysis, kontrollü değerlendirme düzenekleri ve sabit istemler kullanıyor. Bir şirketin kendi verileri, yazılım araçları ve görevleri farklı bir performans tablosu ortaya çıkarabilir. M2'yi değerlendiren ekipler, temsil edici testler yapmalı ve gerçekten kullanmayı planladıkları araçlarla yanıt sürelerini, işlem hacmini ve ajan güvenilirliğini ölçmeli.
MiniMax'in iç içe geçmiş düşünme izlerini koruma önerisi, operasyonel bir ödünleşim de yaratıyor. Uzun çıktılar ve saklanan konuşma geçmişleri daha fazla bağlam alanı tüketiyor. Geliştiricilerin, uzun görevler için gereken sürekliliği korurken gerektiğinde kısaltma ya da özetleme yöntemleriyle bu alanı dikkatli yönetmesi gerekiyor.
Maksimum işlem hacmi hedefleyen ekipler, nicemleme ayarlarını ve toplu işleme stratejilerini test etmeli. Nicemleme, model değerlerini temsil etmek için kullanılan sayısal hassasiyeti azaltır; toplu işleme ise birkaç isteği birlikte işler. Her iki tercih de hız, maliyet ve doğruluk arasındaki dengeyi etkiler.
Ajanı harici kaynaklara ya da hassas bilgilere erişecek şekilde kuran kuruluşların izleme mekanizmalarına, araç çağrıları üzerinde kontrollere ve erişim sınırlamalarına da ihtiyacı var. M2'nin açık ağırlıkları değişikliğe ve kurum içi kuruluma olanak tanıyor; bu nedenle güvenlik ve mevzuata uyum düzenlemelerinin sorumluluğu, sistemi işleten kuruluşa ait.
MiniMax'in yayımladığı model değerlendirme için güçlü bir bileşim sunuyor: açık ağırlıklı modeller arasında üst sıralarda yer alma, yayımlanmış düşük API fiyatları ve kodlama ile araç kullanımına yönelik bir tasarım. Alıcı açısından en uygun seçim, bu güçlü yönlerin kendi iş akışlarında, donanımında ve güvenlik gereksinimlerinde nasıl performans gösterdiğine bağlı.
Öne Çıkanlar
- 28 Ekim 2025 itibarıyla M2, Artificial Analysis Intelligence Index'te 61 puan alıyor ve açık ağırlıklı modeller arasında ilk sırada yer alıyor.
- Birleşik değerlendirmede Gemini 2.5 Pro'yu geride bırakan M2, çeşitli görevlerde Claude Sonnet 4.5'e yaklaşıyor; bazı görevlerde önde gelen tescilli sistemlerin gerisinde kalıyor.
- MiniMax'in belgelerinde toplam parametre sayısı yaklaşık 230 milyar, her çıkarımda etkinleşen parametre sayısı 10 milyar olarak veriliyor; ilk açıklamalardaki toplam sayı 200 milyardı.
- MiniMax, tau squared Bench'te 77,2, BrowseComp'ta 44,0 ve FinSearchComp global'de 65,5 puan aldığını bildiriyor.
- Kodlama değerlendirmeleri arasında SWE Bench tarzı görevler ve Terminal Bench; bunların yanında GPQA Diamond ve AIME gibi akıl yürütme değerlendirmeleri yer alıyor.
- API'nin fiyatı, milyon girdi token'ı başına 0,30 dolar ve milyon çıktı token'ı başına 1,20 dolar; duyurulan çıktı hızı saniyede yaklaşık 100 token.
- Tüm ağırlıklar izin koşulları esnek bir lisansla sunuluyor. SGLang ve vLLM için kurulum yönergeleri ile yaygın API biçimleriyle uyumluluk da mevcut.
- Modelin FP8 hassasiyetiyle en az dört NVIDIA H100 GPU üzerinde çalıştırılabildiği belirtiliyor.
- DeepSeek V3.2 token başına yaklaşık 37 milyar, Kimi K2 ise yaklaşık 32 milyar parametreyi etkinleştiriyor; M2'de bu sayı 10 milyar.
- Alıcıların kendi iş akışlarını test etmesi; bağlam yönetimini, çalıştırma performansını, araç erişimi kontrollerini ve güvenliği planlaması gerekiyor.






