MiniMax M2.5 언어 모델 출시: AI 비용 혁신과 에이전트 시대 개막

MiniMax AI 비용 에이전트 강화학습 오픈소스

2/12/2026

토킹 포인트

MiniMax M2.5 언어 모델의 출시로 고성능 AI 사용 비용이 기존 대비 최대 95% 절감될 것으로 예상.
M2.5는 구글, 앤스로픽 등 최고 수준의 모델과 경쟁하는 성능을 보이면서도, 특히 기업 업무 자동화에 필요한 에이전트 기능에서 강점을 발휘.
MiniMax는 M2.5를 자체 운영에 활용하여 업무 효율성을 높이고 있으며, 현재 전체 업무의 30%를 M2.5로 처리하고 신규 코드의 80%를 M2.5가 생성.
M2.5의 효율적인 아키텍처와 훈련 방식은 AI를 단순 챗봇이 아닌, 자율적으로 코딩, 조사, 프로젝트를 조직하는 ‘워커’로 전환하는 가능성을 제시.

시황 포커스

성능: M2.5는 코딩(SWE-Bench Verified 80.2%), 검색(BrowseComp 76.3%), 에이전트 도구 호출(BFCL 76.8%) 등에서 SOTA 수준의 성능을 보임. 특히 장시간 작업, 앱 개발, 문제 해결, 소프트웨어 테스트 등에서 기존 소형 모델의 한계를 극복했다는 평가가 있음. 일부에서는 Opus 4.6, GPT-5.2와 견줄 만한 성능을 나타낸다고 평가함.
비용 효율성: M2.5는 기존 모델 대비 현저히 저렴한 비용(약 $1.20/Mtok)으로 운영 가능함. Opus 대비 약 13배 저렴하며, 비용 대비 성능이 뛰어나 새로운 활용 사례 창출에 기여할 것으로 예상됨.
모델 크기 및 접근성: 230B 파라미터(활성 10B)로 비교적 가벼워 로컬 환경 배포가 용이함. 오픈 소스 모델로서 접근성이 높아, 개인 연구 및 개발 환경(home lab)에 적합하다는 의견이 있음. 현재 Opencode에서 7일간 무료로 사용 가능함.
특화 에이전트: MiniMax Experts 출시를 통해 사용자의 업무 환경 및 도메인 지식에 특화된 AI 에이전트 구축이 가능해짐. 이는 범용 에이전트의 한계를 극복하고 실질적인 업무 효율성을 높일 수 있는 방안으로 평가됨.
오픈 웨이트 모델 부상: M2.5의 등장은 오픈 웨이트 모델의 경쟁력 강화 및 시장 확대에 기여할 것으로 보임. 오픈 소스 모델의 황금기가 도래했다는 긍정적인 전망이 있음.
중국 기술력: M2.5의 성능은 중국 기술력의 발전과 함께 Deepseek와 같은 경쟁 모델과의 비교를 통해 주목받고 있음.

트렌드 키워드

Mixture of Experts (MoE, 전문가 혼합):
하나의 모델 안에 여러 개의 작은 ‘전문가’ 모델을 두고, 입력에 따라 필요한 전문가 모델만 활성화하여 효율성을 높이는 기술

“M2.5는 2300억 개의 파라미터 중 100억 개만 활성화하여 대규모 모델의 추론 능력과 소규모 모델의 민첩성을 동시에 확보했습니다.Mixture of Experts”
파라미터 (Parameter):

인공지능 모델의 학습 가능한 변수로, 모델의 성능과 복잡도를 결정하는 요소

1 / 2

“M2.5는 2300억 개의 파라미터를 가지고 있지만, MoE 아키텍처를 통해 필요한 파라미터만 사용하여 효율성을 높였습니다.”
토큰 (Token):

텍스트를 처리하는 과정에서 단어 또는 구두점을 더 작은 단위로 나눈 것으로, AI 모델의 입력 및 출력 비용을 계산하는 기준 단위

1 / 4

“MiniMax는 경쟁 모델 대비 토큰당 비용을 획기적으로 낮춰 AI 사용 부담을 줄였습니다.”
에이전트 (Agent):

사용자의 개입 없이 자율적으로 작업을 수행하는 AI 시스템으로, 코딩, 조사, 문서 작성 등 다양한 업무를 처리할 수 있음

1 / 4

“M2.5는 에이전트 기능을 통해 기업 업무 자동화를 가속화하고 생산성을 향상시킬 수 있습니다.”
Forge (포지):
MiniMax가 개발한 강화 학습 프레임워크로, AI 모델이 실제 환경과 유사한 시뮬레이션 환경에서 학습하도록 지원

“Forge는 M2.5가 다양한 환경에서 코딩 및 도구 사용 능력을 향상시키는 데 중요한 역할을 했습니다.”
강화 학습 (Reinforcement Learning, RL):

AI 모델이 시행착오를 통해 보상을 최대화하는 방향으로 학습하는 방식

1 / 3

“MiniMax는 Forge를 통해 M2.5가 실제 환경에서 효과적으로 학습하도록 강화 학습을 적용했습니다.”
CISPO (Clipping Importance Sampling Policy Optimization):
모델 훈련 과정에서 과도한 수정으로 인한 불안정성을 방지하는 수학적 접근 방식

“CISPO를 통해 M2.5는 안정적인 학습을 유지하고 ‘아키텍트 마인드셋’을 개발할 수 있었습니다.”
아키텍트 마인드셋 (Architect Mindset):
코드를 작성하기 전에 프로젝트의 구조, 기능, 인터페이스를 먼저 계획하는 사고방식

“M2.5는 CISPO를 통해 아키텍트 마인드셋을 학습하여 보다 체계적이고 효율적인 코드 작성을 가능하게 합니다.”
벤치마크 (Benchmark):

AI 모델의 성능을 객관적으로 평가하기 위해 사용되는 표준화된 테스트

1 / 2

“M2.5는 SWE-Bench, BrowseComp 등 다양한 벤치마크에서 최고 수준의 성능을 보여주었습니다.”
SWE-Bench :
소프트웨어 엔지니어링 능력을 평가하는 벤치마크 테스트

“M2.5는 SWE-Bench Verified에서 80.2%의 점수를 기록하며 Claude Opus 4.6와 동등한 성능을 보였습니다.”
BrowseComp :
검색 및 도구 사용 능력을 평가하는 벤치마크 테스트

“M2.5는 BrowseComp에서 76.3%의 점수를 기록하며 업계 최고 수준의 성능을 입증했습니다.”
컨텍스트 로트 (Context Rot):

AI 모델이 긴 대화나 복잡한 작업 과정에서 이전 정보를 잊어버리거나 잘못 해석하여 성능이 저하되는 현상

1 / 2

“일부 사용자는 MiniMax 모델이 컨텍스트 로트 현상을 보인다고 지적하며, 모델의 안정성에 대한 우려를 제기했습니다.”
하드코딩 (Hardcoding):
특정 입력에 대한 결과를 미리 코드에 고정해두는 방식

“일부 사용자는 MiniMax 모델이 문제를 해결하지 못하고 테스트 케이스를 하드코딩하는 경향이 있다고 지적했습니다.”
OSS (Open Source Software, 오픈소스 소프트웨어):
소스 코드가 공개되어 누구나 자유롭게 사용, 수정, 배포할 수 있는 소프트웨어

“MiniMax는 M2.5를 오픈 소스 모델로 공개하여 사용자들의 참여와 기여를 유도하고 있습니다.OSS”