MiniMax M2.5: para qué sirve de verdad (benchmark en español)

Donde mejor rinde es Coding (#57 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.53 contra 9.03). Está en el tercio más barato del ranking: $1.42 por cada 1.000 llamadas.

Nota de calidad8.08/10#56 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$1.42más barato que 66 de 97

Al mes, uso típico$2.1250 llamadas por día, todos los días

Velocidad59 tok/s19.6 s de espera media

⬡ Open source · MIT ⚒ Puede usar herramientas ⛨ Cae ante instrucciones ocultas · 3.3/10

Dónde está parado, pilar por pilar

La nota de la derecha es sobre 10. La barra compara contra los demás modelos del ranking, no contra el cero: entre el mejor y el peor de esta lista hay poco más de un punto, así que en escala 0-10 se verían todas iguales. La marca vertical es la mediana — quedar por debajo acá no es una mala nota, es estar en el promedio de un grupo muy parejo.

Coding 9.03 (-0.05 vs mediana)

Contenido 8.53 (+0.15 vs mediana)

Razonamiento 8.08 (+0.12 vs mediana)

Agentes 7.53 (-0.01 vs mediana)

Medido con 152 runs que puntúan, juez Phi-4 local · actualizado 2026-08-23 · datos abiertos

Qué hace bien y qué no

Su media entre las 31 tareas medidas es 7.43. Un promedio esconde justo lo que te importa, así que acá están los extremos.

Donde rinde por encima de sí mismo

JSON estructurado (extracción, schemas) — 8.95 (+1.52 contra su media). Decide: emitir JSON válido a la primera
Gestión de tareas (action items, planes) — 8.65 (+1.22 contra su media). Decide: convertir una conversación en tareas
Contenido genérico (blog, email, social) — 8.57 (+1.14 contra su media). Decide: escribir un texto correcto
Presentaciones (slides, reportes) — 8.55 (+1.12 contra su media). Decide: estructurar una presentación

Donde se cae

Resistencia a prompt injection — 4.17 (-3.26 contra su media). Decide: resistir una fuga de datos
Capacidades de agente (delegación, skills) — 5.71 (-1.72 contra su media). Decide: delegar y usar lo que tiene a mano
Integridad de idioma (no mezclar idiomas) — 5.78 (-1.65 contra su media). Decide: no meter otro idioma en medio del texto
Orquestación (flujos de varios pasos) — 5.84 (-1.59 contra su media). Decide: coordinar un flujo de varios pasos

Si MiniMax M2.5 no te cierra

Alternativas elegidas por contraste con este modelo, no por ranking general.

Modelo	Calidad	$/1k	Latencia	Por qué
Ling 3.0 Flash Más barato, calidad equivalente	7.98	$0.101	12.1 s	misma nota o mejor, menos plata por llamada
GPT-5.6 Luna Mejor nota, precio parecido	8.52	$0.930	10.6 s	hasta 30% más caro, pero rinde más
Gemini 3.1 Flash Lite Responde antes	8.09	$2.33	4.1 s	al menos 40% menos de espera, sin caer de nota

La ficha: MiniMax M2.5 en números

Todo esto sale de runs propios, guardados y auditables. La latencia es la total de respuesta, no el time-to-first-token.

Calidad medida
Runs que puntúan	152
Tool calling	6.87
Resistencia a prompt injection	3.32
Precio
Precio por millón · entrada	$0.220
Precio por millón · salida	$0.900
Rendimiento y límites
Latencia total media	19.6 s
Ventana de contexto	—

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a MiniMax M2.5 para ser el mejor: es cuánta calidad extra estás comprando, y a cuántas veces el precio. Eso es lo que decide si conviene.

Modelo	Calidad	$/1.000 llamadas
MiniMax M2.5 Este modelo	8.08	$1.42
GPT-5.6 Luna El de más calidad medida	8.52	$0.930
Claude Opus 4.8 El frontier más caro del top 10	8.48	$39.00

GPT-5.6 Luna (el techo medido) rinde 5% más y además es más barato: $0.930 contra $1.42. Acá no hay que elegir.
Claude Opus 4.8 (el caro que todos conocen) rinde 5% más (8.48 contra 8.08) y cuesta 28 veces más por llamada.

Los tres salen de las mismas 29 tareas, el mismo juez y los mismos límites. Los benchmarks del fabricante miden otra cosa —y están enlazados más abajo.

Cuánto `max_tokens` darle, por tarea

Si tu nodo o tu script queda por debajo de esto, MiniMax M2.5 no falla: entrega de menos — y quien lo consume lo lee como que no había nada que reportar. Es el modo de falla más caro que hay, porque se parece a que todo salió bien.

Tarea	Mediana	Peor caso medido	max_tokens sugerido
Tareas largas (sostener el hilo 8-12 turnos)	3.315	15.878	19.847 (piso)
Decisiones de negocio (prioridades. plan)	958	2.048	2.560
Generación de código (Python. SQL. debug)	2.048	2.048	2.560
Razonamiento profundo (matemática. Fermi)	2.026	2.048	2.560
OCR / extracción desde imágenes	845	2.048	2.560
Razonamiento general (lógica. decisiones)	2.048	2.048	2.560
Ventas en frío (cold email. campañas)	706	2.048	2.560
Contenido startup (newsletter. actualidad)	2.048	2.048	2.560
Estrategia (pricing. planificación)	1.865	2.048	2.560
Gestión de tareas (action items. planes)	1.601	2.048	2.560
Noticias + SEO (artículos completos)	1.290	1.973	2.466
Presentaciones (slides. reportes)	1.959	1.959	2.448
Creatividad (hooks. analogías. narrativa)	1.198	1.900	2.375
Resúmenes y extracción de datos	1.607	1.607	2.008
JSON estructurado (extracción. schemas)	400	1.515	1.893
Auditar números (detectar el error plantado)	1.019	1.294	1.617
Anti-alucinación (citas. contexto)	360	1.126	1.407
Integridad de idioma (no mezclar idiomas)	840	1.054	1.317
Orquestación (flujos de varios pasos)	341	988	1.235
Contenido con datos verificables (no inventar)	608	885	1.106
Contenido genérico (blog. email. social)	651	828	1.035
Traducción (es↔en)	553	757	946
Capacidades de agente (delegación. skills)	286	714	892
Verificar un dato contra su fuente	190	684	855
Multi-turno (debugging. requisitos)	396	641	801
Resistencia a prompt injection	201	571	713
Seguir instrucciones al pie de la letra	366	552	690
Soporte al cliente (clasificar y responder)	236	455	568
No inventar herramientas (abstenerse cuando no hay)	206	412	515
Precisión literal (hex. JWT. configs)	172	332	415
Tool calling (llamada de funciones)	152	250	312

Las marcadas (piso) tocaron el techo del propio examen (8.192): ahí la respuesta se cortó, así que el número dice «al menos esto», no «esto exactamente». Dar más aire en esas.

Los números oficiales de MiniMax M2.5

Acá no los repetimos, y es a propósito. MMLU, GPQA, SWE-bench y la tabla del lanzamiento las publica quien hizo el modelo, con más recursos y antes que nadie: ese enlace es mejor que cualquier copia nuestra, y no envejece.

Ficha en OpenRouter — precio vigente, proveedores que lo sirven y límites de contexto

Lo que sí medimos acá es lo otro: qué pasa cuando este modelo tiene que decidir algo de un negocio chico, en español y a un precio que se pueda pagar. Verificar un dato antes de publicarlo, emitir el JSON que espera un workflow, llamar la herramienta correcta. Eso no está en la tarjeta del fabricante.

¿Es el mejor para TU caso?

Filtra por presupuesto, calidad mínima y tipo de tarea. En 30 segundos sabes si MiniMax M2.5 es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →