MiniMax-M2.1: Mehrsprachiges und Multitasking-Codieren mit starker Generalisierung

MiniMax-M2.1 hat einen bedeutenden Fortschritt in den Codierungsfähigkeiten im Vergleich zur vorherigen Generation erzielt und erreicht oder übertrifft das Niveau globaler Top-Modelle in mehreren internen und externen Benchmarks. Als Open-Source-Modell, das speziell für agentische Szenarien optimiert wurde, zeigt M2.1 außergewöhnliche Leistungen in der Codegenerierung, der Nutzung von Tools, der Befolgung von Anweisungen und der langfristigen Planung. In diesem Artikel werden die Trainingsmethoden und die dabei gewonnenen Erkenntnisse diskutiert.

Der Unterschied zwischen SWE-Bench und der realen Codierung

Im Jahr 2025 hat sich SWE-Bench als der maßgebliche Evaluationsstandard für Codierungszenarien etabliert. In dieser Bewertung müssen LLMs Bugs aus realen GitHub-Repositories beheben und dies durch mehrere Runden des Code-Lesens und Testens tun. Der Kernwert von SWE-Bench liegt darin, dass die Aufgaben, die es bewertet, sehr nah an der täglichen Arbeit eines Programmierers sind und die Ergebnisse objektiv über Testfälle verifiziert werden können. Dies ist besonders wichtig für das Training mit Verstärkungslernen.

Herausforderungen in der Codierung

Obwohl SWE-Bench ein nützliches Werkzeug ist, gibt es mehrere Dimensionen der Fähigkeiten, die für einen Codierungsagenten in realen Szenarien wichtig sind:

• Begrenzte Sprachabdeckung: SWE-Bench deckt derzeit nur Python ab. In der realen Entwicklung müssen Entwickler jedoch mehrere Sprachen wie Java, Go, TypeScript, Rust und C++ handhaben.
• Eingeschränkte Aufgabentypen: SWE-Bench umfasst nur Bug-Fixing-Aufgaben. Andere reale Fähigkeiten wie das Implementieren neuer Funktionen, das Generieren von Testfällen und die Projektrefaktorisierung können nicht bewertet werden.
• Scaffold-Bindung: SWE-Bench bewertet in der Regel nur die Leistung des Modells auf einem bestimmten Scaffold, sodass die Generalisierung des Modells auf andere Scaffolds nicht genau beobachtet werden kann.

Wie diese Lücken gefüllt werden können

1. Umgebungs-Skalierung

Um die Leistung in komplexen Projekten zu verbessern, wurde während des Trainings von MiniMax-M2.1 eine umfassende Datenpipeline entwickelt, die über 10 gängige Programmiersprachen abdeckt. Eine Vielzahl von Issues, PRs und entsprechenden Testfällen wurde von GitHub abgerufen und sorgfältig gefiltert und bereinigt, um die Qualität der Trainingsdaten sicherzustellen.

2. Über Bug-Fixes hinaus: Multitasking-Fähigkeiten

Die echte Softwareentwicklung umfasst weit mehr als nur das Beheben von Bugs. Während des Trainings von MiniMax-M2.1 wurde auch gezielte Optimierung für Szenarien wie Testgenerierung und Code-Performance-Optimierung durchgeführt.

3. Generalisierung auf OOD-Scaffolds

Die Generalisierung auf OOD-Scaffolds ist entscheidend für einen Codierungsagenten. MiniMax-M2.1 wurde so trainiert, dass es in verschiedenen Umgebungen und mit unterschiedlichen Kontextmanagementstrategien gut funktioniert.

Zukünftige Entwicklungen

Die Entwicklung von Codierungsagenten hat noch einen langen Weg vor sich. In den kommenden Jahren plant MiniMax, mehrere interessante Richtungen zu erkunden, darunter die Definition von Belohnungssignalen für die Entwicklererfahrung und die Verbesserung der Problemlösungs-Effizienz.

Fazit

MiniMax-M2.1 stellt einen bedeutenden Fortschritt in der Entwicklung von Codierungsagenten dar. Mit seinen erweiterten Fähigkeiten in der Mehrsprachigkeit und Multitasking ist es in der Lage, komplexe Entwicklungsaufgaben effizient zu bewältigen und bietet vielversprechende Ansätze für die zukünftige Entwicklung in diesem Bereich.

Quellenliste:

• Quelle: M2.1: MULTILINGUAL AND MULTI-TASK CODING WITH STRONG GENERALIZATION
• MiniMax M2
• MiniMax Modelle Einführung