MiniMax M2
Minimax M2
Открытая модель MiniMax M2 держит, по словам авторов, длинные агентные задачи благодаря обучению на оценках внутренних разработчиков и чередованию размышлений с вызовами инструментов.
- Эксперты-разработчики как reward models — внутренние разработчики формулировали задачи, разбирали баги и рефакторинг репозиториев и ставили награды за поведение, которому можно доверять в работе. Так, по словам авторов, модель получается такой, с которой разработчикам хочется работать.
- Interleaved thinking — модель размышляет после каждого ответа инструмента, а не останавливается после одного раунда вызовов. В одном пользовательском ходе бывает десятки, а иногда до 100 вызовов инструментов, и это помогает справляться с ошибками и нестабильной средой.
- Обобщение на каркасы агентов — добавления новых инструментов оказалось недостаточно: модель ломалась при смене каркаса. Команда искусственно варьировала системные и пользовательские промпты, chat template, среду и ответы инструментов в пайплайне данных.
- Параллельные копии модели — малый размер делает дешёвым запуск нескольких копий M2, которые работают одновременно: одна ведёт исследование, другая пишет отчёт, третья готовит интерфейс.
Кому полезно: тем, кто дообучает открытые модели под кодинг и агентные задачи. Доклад в основном презентация модели MiniMax, но методы обучения описаны конкретно.
Статья по теме
На какие вопросы отвечает доклад
Как агенту не сбиваться в долгих задачах, когда инструменты возвращают ошибки?
Модель думает между вызовами инструментов, а не останавливается после первого раунда, и так может делать десятки, по словам авторов до 100 вызовов в одном ходе пользователя. Так она адаптируется к шуму среды и ошибкам.
▶ 5:40Агенты для задач с длительным горизонтом и чередование рассужденийПочему агент перестаёт работать, когда меняются инструменты, промпты или каркас агента?
Обобщение понимают как устойчивость ко всем возмущениям: инструментам, системным и пользовательским промптам, chat template, среде и ответам инструментов. Для этого команда строит пайплайны возмущений данных.
▶ 9:55Обобщение агентов и масштабируемость мультиагентных системКак научить модель для кодинга выдавать результат, которому доверяют разработчики?
Внутренние опытные разработчики работали как reward models: оценивали баги, рефакторинг и надёжность результатов. Их оценки шли вместе с RL на масштабированных средах с проверяемыми целями.
▶ 2:46Рабочие процессы кодинга, обучение с подкреплением и обратная связь от опытных разработчиковКогда выгодно запускать несколько агентов параллельно на небольшой модели?
Компактная модель с 10 млрд активных параметров дешева в использовании, поэтому можно запускать параллельные копии агентов: одна ведёт исследование, другая пишет отчёт, третья делает фронтенд. По словам авторов.
▶ 9:55Обобщение агентов и масштабируемость мультиагентных систем
Главы
Ещё доклады: Olive Song
Страница спикера →Похожие доклады
Прокачка модели: RFT, DPO, SFT (fine-tuning с OpenAI)
AI Engineer World's Fair 2025
Близко по содержанию
Всё, что я узнал об обучении передовых малых моделей
AI Engineer Europe 2026
Близко по содержанию

