Finance Modeling（MiniMax 内部评测）
MiniMax 内部专家评分口径的金融建模评测：端到端研究 + Excel 建模交付
基本信息
30 秒看懂
厂商自报 rubric 打分（专家构建评分口径）：M2.5 读 21.6 vs Opus 4.6 33.2 / GPT-5.2 20——头部也只有 30 分上下，读分时扣紧「端到端可交付建模」而非问答口径；口径私有，仅在同一图表内可比。
采用格局：MiniMax M2.5 发布页 Coding / Appendix 行 Finance Modeling（expert rubric, end-to-end research + Excel）
评分协议
Claude Code harness（内部基础设施，覆盖默认 system prompt），多次运行平均
可比性提示：同一评测的分数是「实验配置」的产物：只要评测版本（variant）、执行框架（harness）、推理档位（reasoning effort）、工具、采样参数、运行次数或聚合方式有任何一项不同，数字就不能直接横向比较。下方各厂商的分数如未写明协议细节，请只当作方向参考。
模型发布采用时间轴
共收录 1 场模型发布 · 按发布时间倒序排列 · 数据更新于 2026-09-20
2026
2026-02-12
MiniMax·国内
价格$0.15/$1.2 每百万 tokens · M2.5 为 50 TPS 档、价格为 M2.5-Lightning（100 TPS，$0.3/$2.4 每百万 tokens）的一半模态文本
MiniMax 将 M2.5 定位为「为真实生产力打造」，披露 20 万+ 真实环境 RL 训练与 Forge 智能体原生框架，并随附同能力 2 倍速的 M2.5-Lightning 档。已收录 22 项评测集中于编码、搜索与 Agent 工具调用：亮点 SWE-bench Verified 80.2%、tau2-Bench Telecom 97.8%。
开源权重Agent RL 训练高效编码
查看模型变体与证据
expert rubric, end-to-end research + Excel 21.6
数据缺口（本页暂未收录）
- 评测版本与子集（例如部分评测有 Diamond、Verified 等官方变体）以及数据集规模
- 各厂商使用的执行框架（harness / scaffold）与 Agent 工具配置
- 推理档位（reasoning effort）、采样参数（temperature / top-p）、运行次数与分数聚合方式
- 指标对应的随机猜测基线（chance baseline）与人类基线的实验条件
- 测试集污染检测结论，以及是否已饱和的结构化标注
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
复现入口
引用
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。