更多动态
，可能是目前普通开发者能本地部署的最强「AI 医生」。 这两周都在研究这个刚发布的 100B 模型，几个实测感受分享给想做垂直赛道的兄弟： 1️⃣ 架构聪明不吃灰：虽然是千亿参数，但用了 MoE（混合专家）架构。好比医院挂号，只唤醒对应科室的专家干活，而不是让全院医生一起上。在我这边的推理测试里，计算效率比传统稠密模型高不少。 2️⃣ 术业有专攻：官方数据在 HealthBench 拿了第一。我试着投喂了几份脱敏病历，对比 GPT-5，它在「解读医学黑话」和「诊疗逻辑」上确实更克制、更严谨，少了很多通用模型那种一本正经的胡说八道。 3️⃣ 隐私党福音：权重和代码都在 HuggingFace 上开源了。对于不想把敏感医疗数据传给公有云的独立开发者，这大概是目前国产化替代的最优解之一。 如果你在关注 AI 垂直落地，或者单纯想给家里存个「数字家庭医生」，这个开源模型值得一试。 #AntAngelMed #AI医疗 #开源模型 #独立开发 #效率工具
，这次升级把 M2 的短板补齐了。 这几天在 Cursor 里高强度实测 M2.1，这 3 个变化让我决定把它设为「主力备胎」： 1️⃣ 不再「偏科」：以前 M2 写 Python 凑合，遇到 Rust 或跨文件引用就晕。M2.1 明显强化了多语言支持，我昨晚重构一个 Go 项目的接口，跨文件逻辑理解比之前稳太多，不再瞎编变量名。 2️⃣ Agent 脑子更清醒：最大的痛点「指令丢失」修好了。特别是在调用工具时，它加入了类似思维链的“交错思考”，处理长任务流很少再掉链子，路由判断准了不少。 3️⃣ 极致性价比保留：性能在这个梯队，价格依然是 Input $0.3 / M（Sonnet 的 8%）。对于独立开发者来说，这意味着可以用极低成本跑大规模的 Agent 任务。 M2.1 绝对是目前写代码性价比最高的选择。 #MiniMax #独立开发 #AI编程 #降本增效 #大模型评测
1.6T 总参、激活约 48B，原生多模态，主推长程智能体，全程国产算力训练。 图像量化成多级离散 token，Visual Coding 与 3D 受益。 大规模长程 RL，把失败轨迹转成可验证训练任务。 W4A4 推理，prefill 吞吐提升 43%。 官方自测介于 Claude-Opus-4.8 与 Opus-5 之间。
它不堆参数，堆"层数"。32 层解码器，中间 4–27 层同权重跑两遍 → 前向 56 层计算，只存 9B。 自测 BIRD-Dev 71.38、AutomationBench 13.72，超 Qwen3.5-27B；Terminal Bench依旧落后。
