MiniMax M2.5 以 80.2% 的 SWE-bench Verified 分數匹敵 GLM 5 的 77.8%——並且在 Novita AI 上 API 成本僅為後者的三分之一。 這兩個中國 MoE 模型在 2026 年 2 月接連 24 小時內釋出，但對 AI 代理採取了截然不同的路線。GLM 5 規模達 754B 參數，活躍參數 40B，配備 200K 上下文的 DeepSeek 稀疏注意力機制，專攻複雜系統工程。MiniMax M2.5 則維持 228.7B 總參數，具備規格寫作能力，並在 20 萬個真實 RL 環境中訓練。選擇的關鍵在於：你需要 GLM 5 的架構深度來進行數小時的除錯任務，還是 M2.5 的低成本來運行高吞吐量的代理管線。
MiniMax M2.5 與 GLM 5 模型概覽
GLM 5 擁有 754B 參數的 MoE 架構，每次推論僅啟動 40B 參數，總體量是 M2.5（228.7B）的 3.2 倍。這個差距揭示了截然不同的設計哲學，並影響所有效能面向。
| 架構組件 | GLM 5 | MiniMax M2.5 |
|---|---|---|
| 總參數數 | 754B（40B 活躍） | 229B |
| 專家架構 | 256 路由專家，Top-8，1 共享專家 | 256 本機專家，Top-8 選擇 |
| 注意力機制 | DeepSeek 稀疏注意力 (DSA) | 標準注意力 |
| 隱藏層 | 78 層，6144 隱藏大小 | 62 層，3072 隱藏大小 |
| 上下文視窗 | 202,752 tokens（200K） | 196,608 tokens（197K） |
| 訓練資料 | 28.5T tokens | 未公開 |
| RL 框架 | Slime（非同步 RL） | Forge（代理原生 RL，20 萬以上環境） |
DeepSeek 稀疏注意力是 GLM 5 的關鍵架構特徵。它在保持長上下文高效能的同時，降低了部署成本。202K 與 197K 的上下文差異在紙面上看起來不大，但 GLM 5 的 DSA 能在整個視窗中維持連貫性，且無需二次記憶體擴展。MiniMax M2.5 則透過任務分解效率而非原始上下文容量來補償。
DSA 介紹 – 來源：kaitchup
Forge 介紹 – 來源：MiniMax
RL 訓練的差距說明了更深層的故事。GLM 5 的 Slime 框架實現了前所未有的非同步 RL 規模，同時推動了預訓練和後訓練的邊界。MiniMax 的 Forge 框架則完全將訓練引擎與代理解耦，最佳化跨 scaffold 的泛化能力，而非單一任務的專精。你選擇的是一個能處理任何突發狀況的模型（GLM 5），還是一個在代理將面對的實際環境中訓練的模型（M2.5 的 20 萬以上真實訓練情境）。
MiniMax M2.5 與 GLM 5 的正面編碼對決
M2.5 在 SWE-bench Verified 上以 80.2% 的成績略勝 GLM 5 的 77.8%，兩者都逼近 Claude Opus 4.6 的 80.9%。
| 編碼基準 | GLM 5 | MiniMax M2.5 | 測試內容 |
|---|---|---|---|
| SWE-bench Verified | 77.8% | 80.2% | 真實 GitHub PR 解決 |
| SWE-bench Multilingual | 73.3% | 74.1% | 跨語言錯誤修復 |
| Terminal-Bench 2.0 | 56.2% | 51.7% | CLI 環境操作 |
差距體現在它們如何達成相似的分數。Kilo AI 的受控測試揭示了模式：GLM 5 擅長代理工程——反覆除錯循環，模型會對編譯器錯誤進行自我反思並重構，直到測試通過。它在 API 規格實現測試中獲得完美 35/35 分，撰寫了 94 個測試案例、建立可重複使用的中介軟體，並使用標準資料庫模式。三次自主運行中零錯誤。
M2.5 則在規格寫作上勝出——這是架構師的作法。在接觸程式碼之前，它會將功能分解為結構、UI 設計和系統邊界。在錯誤查找任務中，M2.5 用內聯註解記錄每個修復，並保留所有原始 API 合約，得分 28/30，優於 GLM 5 的 24.5/30。但缺點是：M2.5 在 21 分鐘內完成所有測試（GLM 5 需 44 分鐘），卻在附件端點產生了嚴重的授權錯誤，而 GLM 5 的全面測試本可捕捉到這個問題。
測試來源：Kilo Code
關鍵結論： 當你需要從頭開始建構且需要無懈可擊的程式碼時，GLM 5 的自我反思循環表現出色。而 M2.5 的事前規劃則在處理既有程式碼庫時佔優勢，因為此時最小變更和清晰文件比完美架構更重要。實際開發者回報，M2.5 需要更多關注但完成速度更快，而 GLM 5 更貼合意圖但偶爾會遇到速率限制。GLM 5 建構更多、測試更多；MiniMax M2.5 變更更少、完成更快。
https://www.youtube.com/watch?v=t94H-DkFIys
MiniMax M2.5 與 GLM 5 的代理效能
GLM 5 在工具呼叫基準上佔據主導地位。它在 MCP-Atlas（公開集）獲得 67.8%，在 Tool-Decathlon 獲得 38%，在 τ²-Bench 獲得 89.7%。這些並非一般的函數呼叫測試；它們衡量的是代理是否能夠鏈結 5 到 10 個工具調用，以解決真實的研究任務。
M2.5 的優勢則體現在決策效率上。在 BrowseComp、Wide Search 和 RISE 中，M2.5 使用比 M2.1 少 20% 的搜尋輪次就能獲得更好的結果。它學會了用更精確的查詢而非窮舉探索來解決問題。這種效率在生產環境中會產生複合效應：當你的代理每天執行 1,000 個研究任務時，M2.5 的 token 效率在考慮其更低的 API 定價之前，就已經先節省了 20% 的成本。
| 代理基準 | GLM 5 | MiniMax M2.5 | 測試情境 |
|---|---|---|---|
| BrowseComp（含上下文管理） | 75.9% | 75.1%～76.3% | 真實瀏覽，含歷史丟棄策略 |
| RISE（內部） | 未公開 | 50.2% | 專業研究任務 |
| BFCL | 未公開 | 76.8% | |
| τ²-Bench | 89.7% | 未公開 | 工具選擇與排序 |
| MCP-Atlas（公開集） | 67.8% | 未公開 | MCP 伺服器整合任務 |
MiniMax M2.5 與 GLM 5 的成本分析
M2.5 每百萬 token 輸入 $0.30 / 輸出 $1.20 的價格，比 GLM 5 預估的輸入 $1.00 / 輸出 $3.20 便宜了 70% 的輸入和 62.5% 的輸出。連續運行 M2.5 每小時成本 $1 美元（每年 $8,760 美元）。GLM 5 的定價則使連續運行成本約為每小時 $2.80 美元（每年 $24,528 美元）——在相近的正常運行時間下，成本高出 2.8 倍。
| 成本情境 | GLM 5 | MiniMax M2.5 | MiniMax M2.5 高速模式 |
|---|---|---|---|
| API 定價（每百萬 token） | ** 輸入 $1.00 / 輸出 $3.20** | ** 輸入 $0.30 / 輸出 $1.20** | ** 輸入 $0.60 / 輸出 $2.40** |
| 快取讀取 | $0.2 /Mt | $0.03 /Mt | $0.03 /Mt |
| OpenClaw 每日用量（500K 輸入 / 100K 輸出） | $0.82/天 | $0.27/天 | $0.54/天 |
快取讀取 指的是讀取先前儲存在提示快取中的 token 的成本。當多個請求重複使用相同的提示內容時，模型會直接從快取中檢索這些 token，而不是從頭開始重新處理。這降低了推論延遲和成本。
MiniMax M2.5 與 GLM 5 的使用案例建議
選擇 MiniMax M2.5 當速度與成本的主導地位比架構靈活性更重要時。需要次秒級回應並大規模運作的客戶面向代理——處理每天超過 10,000 次對話的聊天機器人、跨開發團隊的程式碼補全、自動化文件生成——都能從 M2.5 的高吞吐量和 3 倍更低的 API 成本中受益。
選擇 GLM 5 當架構深度和自訂需求超過成本考量時。需要完整程式碼庫上下文的研究環境、長達數小時的除錯任務，或與自訂工具堆疊整合的工作，都偏好 GLM 5 的 200K 上下文視窗以及其在 MCP-Atlas / Tool-Decathlon 上的優勢。754B 參數規模搭配 DeepSeek 稀疏注意力，能夠在複雜的系統工程任務中維持連貫性，而 M2.5 可能在任務中途失去上下文。
| 使用案例類別 | GLM 5 | MiniMax M2.5 | 決定因素 |
|---|---|---|---|
| **客戶面向代理 ** | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | 低廉的 API 價格 |
| **複雜系統工程 ** | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | 200K 上下文 + DSA，適合長時段任務 |
| 高吞吐量自動化（每天 10K+ 任務） | ⭐⭐ | ⭐⭐⭐⭐⭐ | 3 倍便宜 API = 每美元 3 倍任務 |
| **探索性開發 ** | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | Kilo 測試中 M2.5 21 分鐘 vs GLM 5 44 分鐘 |
| **自訂工具堆疊整合 ** | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | 67.8% MCP-Atlas，89.7% τ²-Bench |
| **多語言程式碼庫維護 ** | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | SWE-bench Multilingual 73.3% vs 51.3% |
| 辦公室生產力（Word/Excel/PPT） | ⭐⭐ | ⭐⭐⭐⭐⭐ | 在主流模型上勝率 59%（GDPval-MM） |
如何透過 Novita AI 存取兩個模型？
步驟 1：登入並存取模型庫
登入您的帳戶，然後點擊 模型庫 按鈕。
步驟 2：選擇您的模型
瀏覽可用選項，並選擇符合您需求的模型。
步驟 3：開始免費試用
開始免費試用，探索所選模型的功能。
步驟 4：取得 API 金鑰
為了驗證 API，我們會提供您一組新的 API 金鑰。進入「設定」頁面，您可以依照圖片指示複製 API 金鑰。
步驟 5：安裝 API
使用您程式語言專屬的套件管理器安裝 API。
安裝完成後，將必要的函式庫匯入您的開發環境。使用您的 API 金鑰初始化 API，即可開始與 Novita AI LLM 互動。以下是 Python 使用者使用聊天完成 API 的範例。
from openai import OpenAI
client = OpenAI(
api_key="<您的 API 金鑰>",
base_url="https://api.novita.ai/openai"
)
response = client.chat.completions.create(
model="zai-org/glm-5 or minimax/minimax-m2.5",
messages=[
{"role": "system", "content": "您是位樂於助人的助手。"},
{"role": "user", "content": "你好，最近好嗎？"}
],
max_tokens=131072,
temperature=0.7
)
print(response.choices[0].message.content)
一個問題決定一切： 您需要的是自訂性還是單純的效能？如果您的工作流程需要微調、自行託管，或與專有工具堆疊整合 → GLM 5 的架構靈活性和 MIT 授權足以證明其溢價合理。如果您正在開發需要擴展到數百萬次呼叫而不受預算限制的代理 → M2.5 的低成本智慧將成為您的護城河。中國開源模型生態已經迫使每個競爭者重新校準 2026 年「平價 AI」的定義。
常見問題
對於編碼任務，MiniMax M2.5 還是 GLM 5 比較好？
MiniMax M2.5 在 SWE-bench Verified 上以 80.2% 的成績表現稍優於 GLM 5，適合編碼任務。
對於代理工作流程，MiniMax M2.5 還是 GLM 5 比較好？
GLM 5 在複雜代理工作流程中表現更佳，在 HLE with tools 和 Terminal-Bench 上均取得比 MiniMax M2.5 更強的結果。
MiniMax M2.5 和 GLM 5 可以在消費級 GPU 上運行嗎？
這兩個模型都需要大量 VRAM，通常透過 API 而非消費級 GPU 來存取。
Novita AI 是一個 AI 與代理雲端平台，幫助開發者和新創企業以高效能、高可靠性和高成本效益來建構、部署和擴展模型及代理應用程式。
推薦閱讀
